Jev とは: 文章を書かない「判定専用」の AI モデル

Jev は、TypeSafe AI が 2026-09-15 に発表した判定専用の AI モデルです。文章は一切生成しません。渡した内容（state）について、あらかじめ型を決めた質問をすると、答えと確率を JSON で返します。TypeSafe はこの種類のモデルを「System One モデル」と呼び、Jev はその最初のモデルです。

このサイトは非公式のガイドです。仕様の正は公式ドキュメントにあります。ここに書いた数値は 2026-09-21 時点のものです。

LLM と何が違うのか

LLM は人が読む文章を作るモデルです。プログラムが使う判定を LLM にやらせると、「JSON で答えて」と頼み、返ってきた文章をパースし、壊れていたらやり直す、という手間が生まれます。

Jev はこの部分をやめています。答えの形を先に決めさせ、その形でしか返しません。

「選択肢の外の値が返ってこない」ことは型として保証されます。ただし、選んだ答えが正しいことまでは保証されません。 公式も、確率の校正（キャリブレーション）は予測の集まりに対して測るもので、個々の答えの正しさを保証しない、と書いています。

3種類の質問

3種類は1回のリクエストに混ぜられます。書き方は3つの質問タイプの書き方にまとめました。

動かすとこうなる

日本語の問い合わせ文を渡し、3種類を一度に聞いた結果です（2026-09-21、REST API を直接呼び出し）。

{
  "state": { "message": "助けてください！3日前から入金がずっと失敗しています。", "plan": "business" },
  "model": "jev-latest",
  "questions": {
    "is_urgent":   { "type": "noul",   "instructions": "Does `message` convey urgency?" },
    "department":  { "type": "choice", "instructions": "Which team should handle `message`?",
                     "criteria": { "billing": "Payments, invoicing, refunds",
                                   "technical": "Bugs, outages, integrations",
                                   "sales": "Pricing, upgrades, new accounts" } },
    "frustration": { "type": "score",  "instructions": "How frustrated is the customer?",
                     "criteria": ["Calm", "Frustrated", "Very angry"] }
  }
}

{
  "model": "jev-1.13.0",
  "answers": {
    "is_urgent":   { "type": "noul", "noul": 0.96 },
    "department":  { "type": "choice", "choice": "billing", "confidence": 0.91,
                     "probabilities": { "billing": 0.94, "technical": 0.06, "sales": 0 } },
    "frustration": { "type": "score", "score": 1.08, "confidence": 0.88,
                     "legend": { "0": "Calm", "1": "Frustrated", "2": "Very angry" },
                     "probabilities": { "0": 0, "1": 0.92, "2": 0.08 } }
  },
  "usage": { "input_tokens": 435, "output_tokens": 73 }
}

この1回の往復は、日本からの呼び出しで 714ms でした（1回だけの計測です。速度の保証ではありません）。

あとは普通のコードです。noul > 0.8 なら優先キューに入れる、choice で担当を振り分ける、confidence が低ければ人に回す。判定はモデル、分岐はコード、という分担になります。

向いていること・向いていないこと

公式は Jev の質問を「詳しい人が数秒で下せる直感的な判断」にとどめるよう勧めています。複数の要素を天秤にかける判断は、要素ごとの質問に分け、結果をコードで組み合わせます。

向いている: 問い合わせの振り分け、条件に当てはまるかの確認、検索結果の並べ替え、LLM の入出力の検査、抽出候補からの選択。

向いていない: 文章の生成、計算や数え上げ、日付の前後比較、何段もの推論。詳しくはJev が苦手なこと。

日本語で使うときの注意

公式の Models ページには、学習の主言語は英語で、精度が最も高いのも英語。日本語を含む CJK も扱えるが同等ではない。非英語の用途では、頼る前に自分のデータで試し、確信度に注意して振り分けること、と書かれています。

上の例では state が日本語、質問が英語でも妥当な結果が返りました。ただしこれは1例です。日本語の業務データで使うなら、正解の分かっているデータで先に測ってください。

料金と入口

入力 100 万トークンあたり $0.042、出力トークンは無料です（2026-09-21 時点）。詳細は料金・モデル ID・制限。

呼び出し方は3つあります。

• REST API を直接呼ぶ → REST API の使い方
• AI SDK の experimental_evaluate から呼ぶ → AI SDK で使う
• 公式 SDK（Python の typesafe-sdk、JS の @typesafe-ai/sdk）

名前の由来

「System One」は、ダニエル・カーネマンが『ファスト＆スロー』で広めた「システム1（速く直感的な思考）」から来ている、と公式が説明しています。速く、的を絞った判断に特化する、という意味です。