Jevとは何か：文章を書かずに判断するSystem Oneモデル

一般的なチャットには状況を書き、何をすべきか尋ねます。Jevでは状況に加え、判断項目と取り得る答えをプログラム側が決めます。問い合わせをbilling、access、securityのどこへ送るか、規則違反かをyesとnoで判定する、といった形です。返るのは説明文ではなく、選択値と各候補の確率、信頼度です。人が読む文章より、次のコードがすぐ使える値を作ることに重点があります。

LLMがJSONを返す場合でも、中括弧、キー、値を前のトークンに続けて一つずつ書きます。短い出力でも順次の推論が何度も必要です。Jevは出力の形を先に知り、複数の判断を並列に計算します。TypeSafeは自社サービスの往復時間を70〜500msと説明していますが、全地域と全リクエストの保証ではありません。入力長、判断数、通信条件をそろえて比較する必要があります。

定義した型の外へ出ず、壊れたJSONや存在しないキーを返さないことは自動化で大きな利点です。それでも選択が常に正しいわけではありません。曖昧な文章や未学習の業務規則を誤って読み、高い確率を誤答に付ける場合もあります。導入前に誤りの費用を決め、低信頼の案件を人や従来の規則へ戻す経路を用意します。型の安全性と判断の正確さは同じではありません。

分類、振り分け、危険度、候補順位、根拠の有無など、答えの形を先に決められる仕事に向きます。同じ文書を複数の規則で確認したり、依頼をどのツールへ送るか選んだりする場面も候補です。一方、報告書やコードを書き、理由を対話するには自由な文章生成が必要です。Jev型の判断層をLLMの前後に置き、作業を振り分けたり結果を確認したりする構成が自然です。

TypeSafeはJevの重みや学習方法を公開していません。最近のローカル実装は、公開されたQwenから選択肢トークンのスコアを読み、共通文書を一度プリフィルして質問を分岐させます。似たAPIと使い方を再現する試みであり、非公開モデルの複製ではありません。速度、精度、確率の校正はプロジェクトごとに検証が必要です。次の記事で小型PC向けとサーバー向けを分けて見ます。