SWITCH DIMENSION // SPEC SHEET SYSTEM ONE
DEV: TYPESAFE AI MODEL: JEV DOC REF: TS-2026-RLCD
PARADIGM BREAKTHROUGH // NOT AN ESSAY WRITER

A NEW MODEL THAT
CHANGES EVERYTHING

テキストを書かない。説明もしない。チャットもしない。
コードが実行すべき「決定(Decisions)」だけをナノ秒・ミリ秒単位で超高速かつ極限の低コストで返す、AI史上初のパブリック・システム1推論エンジン。

193.6×
Faster Execution Speed
444.6×
Cheaper Compute Cost
$42.00
Per Billion Tokens
0.114s
Task Median Latency

創設者の出自と「脱・チャット」思想

TypeSafe AIの創業者 Diogo Almeida 氏は、ChatGPTの共同開発者(Co-creator)のひとり。フロンティアAIモデルの根幹である「RLHF(人間のフィードバックによる強化学習)」の限界と課題を誰よりも熟知した人物が開発しました。

既存のフロンティアモデル(ChatGPT, Claude, Gemini)は「人間との対話」「指示への追従」を目的に最適化されてきました。しかし、ソフトウェアや自律エージェントの内部コンポーネントとして使う場合、冗長な文章生成、過信、モード崩壊(Mode Dropping)、信頼性の欠如が致命的なボトルネックになります。Jevはこの課題を打破するためにゼロから再設計されたモデルです。

Key Validation: Vercel Adoption

Vercel CEO Guillermo Rauch氏およびエンジニアチームが即座にベンチマークを公開:

• 以前の評価モデル (Gemini 2.5 Flash Lite) 比で 6.3× 高速
• Vercel Gatewayのp95レイテンシで 最大18× 高速
• 安全性バリデーション分類で 100% 精度(Eval完全飽和)

Daniel Kahneman理論のAI実装:System 1 vs System 2

ノーベル経済学賞を受賞したダニエル・カーネマンの『ファスト&スロー』における思考モードの二重構造をAIの世界に導入。

System 2: Traditional LLMs

CHAT / REASONING
  • 思考様式 遅い・論理熟慮型(Slow, Deliberate)
  • 処理手法 自己回帰ループ(1トークンずつ順次生成)
  • 出力形式 人間向けの長文エッセイ、会話テキスト
  • 訓練アルゴリズム RLHF(人間の好みに合わせた調整)
  • 弱点 レイテンシ大、高コスト、不必要な饒舌さ、ハルシネーション

System 1: Jev (TypeSafe)

DECISIONS FOR CODE
  • 思考様式 高速・直観的ガットチェック(Fast, Intuitive)
  • 処理手法 ワン・フォワードパス(並列一括評価・自動回帰なし)
  • 出力形式 コードが直接消化できる型付きJSON / 確率値
  • 訓練アルゴリズム RLCD (Reinforcement Learning with Calibrated Decisions)
  • 強み 決定論的プログラムへの親和性、数ミリ秒応答、出力トークン無料

Jevへの3つの質問形式(Primitives)

プロンプト文章で対話するのではなく、コードから明確に定義された3つの型インターフェースで問い合わせを行います。

01. CHOICE [ 択一分類 ]

定義された複数の選択肢の中から最も妥当な1つを選び、確信度(Probability)と共に返却。

which team? technical
confidence 0.84
用途: ルーティング、カテゴリ分け、担当アサイン
02. SCORE [ 連続値評価 ]

指定されたスケール(例: 感情値、緊急度)に基づき、数値をキャリブレーションして出力。

frustration? 1.4 / 3.0
calm civil angry
用途: 感情分析、リスク評価、リトランク優先度
03. NOUL (NOEL) [ 真偽・確率判定 ]

「これは真か?」「期限が書かれているか?」等の命題に対し、Yes/Noを確率として判定。

is this urgent? YES
yes_probability 0.99
用途: ガードレール、フィルタリング、ブール判定

Jevで構築可能な10のユースケース

01
Agent Guardrail
悪意のある入力や危険な操作をサブエージェントより圧倒的速度で遮断。
02
Writing Linter
文章のトーン、スタイル規約違反をリアルタイムに静的解析ライクに検知。
03
Model Router
入力タスクの難易度を瞬時に判断し、最適な後続LLMへ即座にルーティング。
04
RAG Filter
検索されたドキュメント群が質問と真に関連しているかを高速で判定。
05
Ticket Triage
大量のカスタマーサポート要望の優先度と対応部署をミリ秒で振り分け。
06
Citation Checker
LLM生成文中の引用文献やソースが正当な根拠を持っているかを検証。
07
Skill Picker
MCPなどのツール・スキル群から、今呼ぶべき関数を迷わず一瞬で選択。
08
Semantic Search
ベクトル検索結果の適合性をYes/No確率で再ランク付け。
09
Corpus Map-Reduce
数万件単位のドキュメントの抽出・要否判定を並列で瞬時に実行。
10
Live UI
ユーザーのタイピングやカーソル操作に応じてUIを遅延ゼロで動的変更。

動画で紹介された驚異の実験・実証デモ

REALTIME AGENT

DOOM リアルタイム自律プレイ

ゲーム内の敵の相対位置、距離、弾薬数、視界の構造化データを毎秒受け取り、0.1秒間隔で射撃や移動の意思決定をフィードバック。1時間フル稼働させた推論コストはわずか 約7ドル。

Latency: <100ms / Decision
Continuous Parallel Forward Pass
SPEEDRUN EXPERIMENT

Wikipedia Speedrun レース

「DNA」の記事からリンクだけを辿って「Manipuri Pony」へ到達する実験。ページ全体のリンク候補から最適ルートを瞬時に判定し、わずか 1.77秒 でクリア。従来のLLMを置き去りにする速度。

Finish Time: 1.77s (LLM: 8+s)
Hops: Perfect Shortest Path
EDGE & IOT AUTOMATION

Smart Home & メール仕分け

「リビングの電気をつけて、コーヒーを淹れて」という自然言語指示に対し、18デバイス中から対象を一瞬で特定し 185ms で実行。Youtuber Vogel氏のデモでは何百通ものメールを瞬時にトリアージ完了。

Execution Latency: 185ms
Zero Auto-regressive Wait

ハイブリッド型AIソフトウェアにおけるJevの配置

これまでのソフトウェア開発は「完全な決定論的コード」か「不安定で遅い完全LLMエージェント」かの両極端でした。TypeSafe AIが提唱するのは、外枠を決定論的コードで固め、分岐の頭脳としてJevを埋め込む第3の道です。

Part 1: Traditional
If / Then / Else
完全決定論的だが柔軟性ゼロ
→
JEV CORE (System 1)
超高速な意思決定・型付き出力
並列判定・高キャリブレーション
→
Part 3: AI-Powered
MCP ツール実行 / 確定処理
信頼性の高い自律駆動
// Jevへのリクエストと返却される型付きJSONの実際(ヘルプデスク・トリアージの例) { "state": { "ticket": "It's been over a week and nobody responded to my report about the WiFi", "user_role": "Engineering", "location": "Building 2, Floor 3" }, "parallel_decisions": { "priority": { "result": "medium", "probability": 0.87 }, "target_team": { "result": "helpdesk", "probability": 0.96 }, "mentions_deadline": { "result": false, "probability": 0.95 }, "tool_to_call": { "result": "ticket_status", "confidence": 0.78 } }, "meta": { "latency_ms": 114, "cost": "$0.000081", "output_tokens": 0 } }

エンジニアが理解すべき本質

JevはChatGPTを置き換えるものではありません。
人間向けの対話や長いコード生成には引き続きClaudeやGPT-4が必要です。しかし、「このリクエストはどのツールを使うべきか?」「このユーザーは怒っているか?」「このDB操作は安全か?」といった、これまで重厚なLLMに無駄なトークンを支払って判断させていた無数の『システム内部のマイクロな意思決定』は、すべてJevのようなシステム1モデルに置き換えられます。
これにより、エージェントシステムのレイテンシは桁違いに短縮され、運用コストは数百分の一へと削減されます。