Jev の興味深い応用例をいくつか紹介します: 答えを出さず、判断だけを行う AI モデル

PrimeLine が実施した二重盲検の事前登録評価では、ある詳細が明らかになりました。

2 つの実際のタスクにおける Claude Opus 5 と Haiku 4.5 の絶対精度Jev に匹敵するか、最初はさらに優れています。しかし、評価によりモデルが最も信頼度の低いサンプルをスキップできる場合、Jev は両方のタスクで優れた成績を収めました。

その理由は、出力される自信が校正された一方、一般的な生成モデルは調整が不十分で、判断が過信される傾向があります。言い換えれば、「一生懸命答える」ことよりも「自分が知らないことを知る」ことの方が重要なとき、Jev の価値が発揮されます。

始め方

すでにモデル集約プラットフォームを使用している場合、アクセス コストはほぼゼロです。

• オープンルーター: Jev が公式モデルカタログに掲載されました、モデル名 typesafe/jev、コード内のモデル名を変更すると切り替えることができます
• Vercel AI ゲートウェイ: リリース後 72 時間以内に統合が完了し、Vercel グローバル エッジ ネットワーク経由で分散され、低遅延で実現
• 公式SDK: TypeSafe は、HTTP API、Python SDK、JavaScript SDK をサポートするオンライン コンソール (Playground) と完全なドキュメントを提供します。
• 公式スキルパック: TypeSafe は、コーディング エージェントに、一度に 1 つずつ質問するのではなく、「すべての曖昧な点を一度に質問する」ように教えるために、GitHub 上のスキル ウェアハウスをオープンソース化しました。

価格: 入力の場合は 100 万トークンあたり 0.042 ドル、出力の場合は無料。新しいアカウントを試すための無料割り当てもあります。

穏やかなことを言ってください

まず、大型モデルの代替品ではありません。 Jev は、特化された意思決定モデルです。オープンな推論機能やコンテンツ生成機能を期待しないでください。その価値は、明確に定義された可能な結果の範囲内で、迅速かつ信頼性の高い意思決定を行うという最終目標を達成することです。

第二に、多くの場合、「誰の信用」を区別する必要がある。たとえば、ブラウザを使用して 7 秒でフライトを検索するデモは、ツール チェーン全体の協力の結果であり、すべての機能が Jev のおかげであるとは限りません。コミュニティが組織する訴訟倉庫自体も、どの原則が明確で、どの効果を検証する必要があるか、どの主張に根拠が欠けているかなど、証拠の境界を示します。この姿勢は学ぶ価値があります。

第三に、盲目的な吹き飛ばしには注意してください。 『Jev』は公開から 1 週間以内にスクリーンに登場しました。人気には、実際の技術的価値と多くのマーケティング要素が含まれます。本当に必要なのは、それを使用して独自のタスクを実行し、どれだけの遅延とコストが節約されるかを確認することです。

しかし、一つだけ確かなことがある。AIの応用は「生成」だけではない。このトラックの外には、長らく無視されてきた「判断」というインフラが追加されつつある。 Jev が最終的な答えであるかどうかを言うのは難しいですが、正しい疑問が生じます。

大きなモデルは答えを書く責任を負い、Jev は意思決定をする責任を負い、それぞれが独自の義務を実行するという、良い構造となっています。

参考：TypeSafe AI 公式リリースノート、Jev_apps 事例ライブラリ（137 件 / 用途 11 種類）、Wikipedia、DataCamp 技術分析

これは現在最も工学的価値の高い方向の 1 つです。

ブラウザ使用チームは Jev のみでリリースします 3日間その後、正式に統合された jev-ultrafast がリリースされ、2 日で GitHub スターを 2,700 個獲得したそうです。 Web ページの操作を 2 つの選択肢 (アクション + 目標) に分割します。スクリーンショットやマルチモーダルトークンは必要ありません、各往復で 2 つの決定のみが生成されます。

創設者の Gregor Zunic は、実際の航空会社の Web サイトで片道のフライト検索を完了する Jev を活用したブラウザ自動化のノーカット デモを共有しました。プロセス全体にかかる時間は 7 秒です、モデルの通話コストは約 $0.0039。

似たようなものはたくさんあります: Stagehand ブラウザ コントロール、Cua の jev-use、CoreML + OCR を使用して Mac 上のボタンを見つけ、クリック位置を Jev に選択させる TipTour、音声コントロール ブラウザ... このカテゴリには現在 13 件のケースがあり、これが最もケースが多いカテゴリです。

4. 「ルーター」になる: タスクに適したモデルの選択を支援します。

マルチモデル時代には本当に無駄が存在します。単純な問題に高価なモデルを使用するのはお金の無駄です。 Jev は低レイテンシーと低コストなので、次の用途に非常に適しています。交通のトリアージ。

• クロードコードルーター: 作業指示のトリアージと同様に、Jev は最初にタスクの難易度を判断し、プラグインはそれに応じてサブエージェント モデルとメイン セッションの推論強度を選択します。
• コーデックスのミッション難易度ルーティング: 実行前にコーディングタスクの論理的な複雑さを推定し、単純な編集は安価なモデルに失われ、複雑なファイル間の再構築によりより強力なモデルが有効になると報告されていますモデルの総コストを 60% 以上削減
• イブの条件付きルーティング/リクエスト分散: まず、問題にどのタイプのモデルが必要かを判断し、それを適切なモデルに渡して処理します。
• ローカルコーディングエージェントの部門: 単純なタスク、複雑な問題、長期的なタスクをさまざまな AI アシスタントに割り当てます。

LangChain は特別記事「Building Safety Belts with Jev」を執筆し、エージェント フレームワークの分類およびルーティング ロジックが伝統的にさまざまなクローズド ソース実装に隠されていると指摘しました。 Jev のような一般的な低コスト分類モデルを使用すると、この意思決定ロジック層をオープンソース エージェントで再利用できます。 Sentry の創設者である Armin Ronacher 氏も、ルーティングの決定に大規模な生成モデルを使用するのは経済的に不合理であると考えています。

5. 安全とエンジニアリング 目立たない汚れ仕事

このタイプのアプリケーションは派手ではありませんが、最も実用的です。

• Vercel が Shell コマンド セキュリティ分類子を置き換える: エンジニアの Pranit Sharma は、OpenAI ベースの内部シェル コマンド セキュリティ分類子を Jev に置き換えました。報告されています5～18倍高速、誤警報率が低くなります - 誤警報の減少により、実際にシステムの実際の精度が向上します
• 迅速な噴射検出: コミュニティは、jev-mcp (MCP プロトコルに基づく拡張機能) をオープンソース化しました。 Jev を使用すると、クロスソース ファクト チェックを実行し、ユーザー プロンプトに隠れたプロンプト インジェクション攻撃を検出し、取得したコンテンツの意味的関連性をスコアリングできます。
• 長いコンテキストの圧縮: fast-jev-compaction は、Jev を使用して各ツール呼び出しの値を迅速に評価し、重要な状態を保持しながら不要なログを削除します。コーディング エージェントが長いタスクを実行するときにコンテキストを簡単に拡張できます。このプロジェクトはJev公式チームにも認められています
• PR事前審査: CI パイプラインで変更されたファイル リストと自動テスト結果を分析し、PR がマージの対象となるかどうかを最初に評価し、高リスクの PR を自動的にマークして手動で転送します。

6. ビジネスパイプライン: 電子メール、作業指示書、顧客サービス

これらのシナリオの共通点は次のとおりです。多数の小さな決定を迅速かつ一貫して行う必要がある、大規模なモデルを使用すると、コストが高く、時間がかかります。

• ビジネスメールの意図の分類: BryoAI の CTO である Nikhil Mudholkar 氏は、Jev と Gemini を比較しました。絶対精度はジェミニの方が若干優れていますが、通話あたりのコストが 10 ～ 20 倍高い。さらに重要なことは、Jev は調整された確率分布を提供し、下流システムによる信頼しきい値の設定が容易になることです。
• 作業指示の割り当てと自動ルーティング: 手紙を重要な情報にダイジェストしてジェブに渡し、ビジネスチームのグループから最も適切なものを選択し、壊れやすい手書きの規則を置き換えます
• 繰り返しの控除と緊急支援区分: 金融電子商取引シナリオにおける高リスクの苦情 (繰り返しの控除など) を迅速に特定します。顧客が感情的になったり、返金を要求したりすると、数ミリ秒以内に緊急のラベルが付けられ、優先的に発送されます。

7. ワイルダーのゲームプレイ

• 画像をピクセルごとに生成: 開発者 @anshuc は、画像生成をピクセル レベルの分類問題に変換します。各ピクセルに色のオプションと確率のセットを与えると、プログラムは Jev が選択した最も確率の高い色で徐々に埋めていき、最終的には低解像度の画像を生成します。
• 自動オンチェーントランザクション: Web3 開発者の中には、Jev を分散型取引所に接続し、リアルタイムの注文深度データを読み取り、購入、販売、保留の 3 つのアクションのみを出力する人もいます。コミュニティは、これが最も注目を集めるアプリケーションの 1 つであると感じていますが、実際の市場状況ではリスクも明らかです。
• Web インターフェースのコンポーネントを選択する: json-render プロジェクトでは、Jev がコンポーネントを選択して関係を整理し、プログラムがその結果をビルディング ブロックのようなレンダリング可能なインターフェイスに組み立てます。

8. 注目の評価結果

PrimeLine が実施した二重盲検の事前登録評価では、ある詳細が明らかになりました。

2 つの実際のタスクにおける Claude Opus 5 と Haiku 4.5 の絶対精度Jev に匹敵するか、最初はさらに優れています。しかし、評価によりモデルが最も信頼度の低いサンプルをスキップできる場合、Jev は両方のタスクで優れた成績を収めました。

その理由は、出力される自信が校正された一方、一般的な生成モデルは調整が不十分で、判断が過信される傾向があります。言い換えれば、「一生懸命答える」ことよりも「自分が知らないことを知る」ことの方が重要なとき、Jev の価値が発揮されます。

始め方

すでにモデル集約プラットフォームを使用している場合、アクセス コストはほぼゼロです。

• オープンルーター: Jev が公式モデルカタログに掲載されました、モデル名 typesafe/jev、コード内のモデル名を変更すると切り替えることができます
• Vercel AI ゲートウェイ: リリース後 72 時間以内に統合が完了し、Vercel グローバル エッジ ネットワーク経由で分散され、低遅延で実現
• 公式SDK: TypeSafe は、HTTP API、Python SDK、JavaScript SDK をサポートするオンライン コンソール (Playground) と完全なドキュメントを提供します。
• 公式スキルパック: TypeSafe は、コーディング エージェントに、一度に 1 つずつ質問するのではなく、「すべての曖昧な点を一度に質問する」ように教えるために、GitHub 上のスキル ウェアハウスをオープンソース化しました。

価格: 入力の場合は 100 万トークンあたり 0.042 ドル、出力の場合は無料。新しいアカウントを試すための無料割り当てもあります。

穏やかなことを言ってください

まず、大型モデルの代替品ではありません。 Jev は、特化された意思決定モデルです。オープンな推論機能やコンテンツ生成機能を期待しないでください。その価値は、明確に定義された可能な結果の範囲内で、迅速かつ信頼性の高い意思決定を行うという最終目標を達成することです。

第二に、多くの場合、「誰の信用」を区別する必要がある。たとえば、ブラウザを使用して 7 秒でフライトを検索するデモは、ツール チェーン全体の協力の結果であり、すべての機能が Jev のおかげであるとは限りません。コミュニティが組織する事件倉庫自体も、どの原則が明確で、どの効果を検証する必要があるか、どの主張に根拠が欠けているかなど、証拠の境界を示します。この姿勢は学ぶ価値があります。

第三に、盲目的な吹き飛ばしには注意してください。 『Jev』は公開から 1 週間以内にスクリーンに登場しました。人気には、実際の技術的価値と多くのマーケティング要素が含まれます。本当に必要なのは、それを使用して独自のタスクを実行し、どれだけの遅延とコストが節約されるかを確認することです。

しかし、一つだけ確かなことがある。AIの応用は「生成」だけではない。このトラックの外には、長らく無視されてきた「判断」というインフラが追加されつつある。 Jev が最終的な答えであるかどうかを言うのは難しいですが、正しい疑問が生じます。

大きなモデルは答えを書く責任を負い、Jev は意思決定をする責任を負い、それぞれが独自の義務を実行するという、良い構造となっています。

参考：TypeSafe AI 公式リリースノート、Jev_apps 事例ライブラリ（137 件 / 用途 11 種類）、Wikipedia、DataCamp 技術分析

これは現在最も工学的価値の高い方向の 1 つです。

ブラウザ使用チームは Jev のみでリリースします 3日間その後、正式に統合された jev-ultrafast がリリースされ、2 日で GitHub スターを 2,700 個獲得したそうです。 Web ページの操作を 2 つの選択肢 (アクション + 目標) に分割します。スクリーンショットやマルチモーダルトークンは必要ありません、各往復で 2 つの決定のみが生成されます。

創設者の Gregor Zunic は、実際の航空会社の Web サイトで片道のフライト検索を完了する Jev を活用したブラウザ自動化のノーカット デモを共有しました。プロセス全体にかかる時間は 7 秒です、モデルの通話コストは約 $0.0039。

似たようなものはたくさんあります: Stagehand ブラウザ コントロール、Cua の jev-use、CoreML + OCR を使用して Mac 上のボタンを見つけ、クリック位置を Jev に選択させる TipTour、音声コントロール ブラウザ... このカテゴリには現在 13 件のケースがあり、これが最もケースが多いカテゴリです。

4. 「ルーター」になる: タスクに適したモデルの選択を支援します。

マルチモデル時代には本当に無駄が存在します。単純な問題に高価なモデルを使用するのはお金の無駄です。 Jev は低レイテンシーと低コストなので、次の用途に非常に適しています。交通のトリアージ。

• クロードコードルーター: 作業指示のトリアージと同様に、Jev は最初にタスクの難易度を判断し、プラグインはそれに応じてサブエージェント モデルとメイン セッションの推論強度を選択します。
• コーデックスのミッション難易度ルーティング: 実行前にコーディングタスクの論理的な複雑さを推定し、単純な編集は安価なモデルに失われ、複雑なファイル間の再構築によりより強力なモデルがアクティブ化される - 報告されていますモデルの総コストを 60% 以上削減
• イブの条件付きルーティング/リクエスト分散: まず、問題にどのタイプのモデルが必要かを判断し、それを適切なモデルに渡して処理します。
• ローカルコーディングエージェントの部門: 単純なタスク、複雑な問題、長期的なタスクをさまざまな AI アシスタントに割り当てます。

LangChain は特別記事「Building Safety Belts with Jev」を執筆し、エージェント フレームワークの分類およびルーティング ロジックが伝統的にさまざまなクローズド ソース実装に隠されていると指摘しました。 Jev のような一般的な低コスト分類モデルを使用すると、この意思決定ロジック層をオープンソース エージェントで再利用できます。 Sentry の創設者である Armin Ronacher 氏も、ルーティングの決定に大規模な生成モデルを使用するのは経済的に不合理であると考えています。

5. 安全とエンジニアリング 目立たない汚れ仕事

このタイプのアプリケーションは派手ではありませんが、最も実用的です。

• Vercel が Shell コマンド セキュリティ分類子を置き換える: エンジニアの Pranit Sharma は、OpenAI ベースの内部シェル コマンド セキュリティ分類子を Jev に置き換えました。報告されています5～18倍高速、誤警報率が低くなります - 誤警報の減少により、実際にシステムの実際の精度が向上します
• 迅速な噴射検出: コミュニティは、jev-mcp (MCP プロトコルに基づく拡張機能) をオープンソース化しました。 Jev を使用すると、クロスソース ファクト チェックを実行し、ユーザー プロンプトに隠れたプロンプト インジェクション攻撃を検出し、取得したコンテンツの意味的関連性をスコアリングできます。
• 長いコンテキストの圧縮: fast-jev-compaction は、Jev を使用して各ツール呼び出しの値を迅速に評価し、重要な状態を保持しながら不要なログを削除します。コーディング エージェントが長いタスクを実行するときにコンテキストを簡単に拡張できます。このプロジェクトはJev公式チームにも認められています
• PR事前審査: CI パイプラインで変更されたファイル リストと自動テスト結果を分析し、PR がマージの対象となるかどうかを最初に評価し、高リスクの PR を自動的にマークして手動で転送します。

6. ビジネスパイプライン: 電子メール、作業指示書、顧客サービス

これらのシナリオの共通点は次のとおりです。多数の小さな決定を迅速かつ一貫して行う必要がある、大規模なモデルを使用すると、コストが高く、時間がかかります。

• ビジネスメールの意図の分類: BryoAI の CTO である Nikhil Mudholkar 氏は、Jev と Gemini を比較しました。絶対精度はジェミニの方が若干優れていますが、通話あたりのコストが 10 ～ 20 倍高い。さらに重要なことは、Jev は調整された確率分布を提供し、下流システムによる信頼しきい値の設定が容易になることです。
• 作業指示の割り当てと自動ルーティング: 手紙を重要な情報にダイジェストしてジェブに渡し、ビジネスチームのグループから最も適切なものを選択し、壊れやすい手書きの規則を置き換えます
• 繰り返しの控除と緊急支援区分: 金融電子商取引シナリオにおける高リスクの苦情 (繰り返しの控除など) を迅速に特定します。顧客が感情的になったり、返金を要求したりすると、数ミリ秒以内に緊急のラベルが付けられ、優先的に発送されます。

7. ワイルダーのゲームプレイ

• 画像をピクセルごとに生成: 開発者 @anshuc は、画像生成をピクセル レベルの分類問題に変換します。各ピクセルに色のオプションと確率のセットを与えると、プログラムは Jev が選択した最も確率の高い色で徐々に埋めていき、最終的には低解像度の画像を生成します。
• 自動オンチェーントランザクション: Web3 開発者の中には、Jev を分散型取引所に接続し、リアルタイムの注文深度データを読み取り、購入、販売、保留の 3 つのアクションのみを出力する人もいます。コミュニティは、これが最も注目を集めるアプリケーションの 1 つであると感じていますが、実際の市場状況ではリスクも明らかです。
• Web インターフェースのコンポーネントを選択する: json-render プロジェクトでは、Jev がコンポーネントを選択して関係を整理し、プログラムがその結果をビルディング ブロックのようなレンダリング可能なインターフェイスに組み立てます。

8. 注目の評価結果

PrimeLine が実施した二重盲検の事前登録評価では、ある詳細が明らかになりました。

2 つの実際のタスクにおける Claude Opus 5 と Haiku 4.5 の絶対精度Jev に匹敵するか、最初はさらに優れています。しかし、評価によりモデルが最も信頼度の低いサンプルをスキップできる場合、Jev は両方のタスクで優れた成績を収めました。

その理由は、出力される自信が校正された一方、一般的な生成モデルは調整が不十分で、判断が過信される傾向があります。言い換えれば、「一生懸命答える」ことよりも「自分が知らないことを知る」ことの方が重要なとき、Jev の価値が発揮されます。

始め方

すでにモデル集約プラットフォームを使用している場合、アクセス コストはほぼゼロです。

• オープンルーター: Jev が公式モデルカタログに掲載されました、モデル名 typesafe/jev、コード内のモデル名を変更すると切り替えることができます
• Vercel AI ゲートウェイ: リリース後 72 時間以内に統合が完了し、Vercel グローバル エッジ ネットワーク経由で分散され、低遅延で実現
• 公式SDK: TypeSafe は、HTTP API、Python SDK、JavaScript SDK をサポートするオンライン コンソール (Playground) と完全なドキュメントを提供します。
• 公式スキルパック: TypeSafe は、コーディング エージェントに、一度に 1 つずつ質問するのではなく、「すべての曖昧な点を一度に質問する」ように教えるために、GitHub 上のスキル ウェアハウスをオープンソース化しました。

価格: 入力の場合は 100 万トークンあたり 0.042 ドル、出力の場合は無料。新しいアカウントを試すための無料割り当てもあります。

穏やかなことを言ってください

まず、大型モデルの代替品ではありません。 Jev は、特化された意思決定モデルです。オープンな推論機能やコンテンツ生成機能を期待しないでください。その価値は、明確に定義された可能な結果の範囲内で、迅速かつ信頼性の高い意思決定を行うという最終目標を達成することです。

第二に、多くの場合、「誰の信用」を区別する必要がある。たとえば、ブラウザを使用して 7 秒でフライトを検索するデモは、ツール チェーン全体の協力の結果であり、すべての機能が Jev のおかげであるとは限りません。コミュニティが組織する事件倉庫自体も、どの原則が明確で、どの効果を検証する必要があるか、どの主張に根拠が欠けているかなど、証拠の境界を示します。この姿勢は学ぶ価値があります。

第三に、盲目的な吹き飛ばしには注意してください。 『Jev』は公開から 1 週間以内にスクリーンに登場しました。人気には、実際の技術的価値と多くのマーケティング要素が含まれます。本当に必要なのは、それを使用して独自のタスクを実行し、どれだけの遅延とコストが節約されるかを確認することです。

しかし、一つだけ確かなことがある。AIの応用は「生成」だけではない。このトラックの外には、長らく無視されてきた「判断」というインフラが追加されつつある。 Jev が最終的な答えであるかどうかを言うのは難しいですが、正しい疑問が生じます。

大きなモデルは答えを書く責任を負い、Jev は意思決定をする責任を負い、それぞれが独自の義務を実行するという、良い構造となっています。

参考：TypeSafe AI 公式リリースノート、Jev_apps 事例ライブラリ（137 件 / 用途 11 種類）、Wikipedia、DataCamp 技術分析

最近、AI サークルに別のモデルが登場しました - Jev。 「答えを書く」という仕事に関して GPT や Claude と競合するのではなく、無視されている立場に焦点を当てています。判断する。

現在の状況を与え、質問または一連の選択肢を追加すると、多肢選択式の質問に対する答え、スコア、またははい/いいえの確率が返され、プログラムがそれを実行します。発売日は2026年9月15日です（早期アクセス限定）。その背後にある会社は TypeSafe AI と呼ばれます。創設者のディオゴ・アルメイダは、ChatGPT の共同発明者の 1 人です。シードラウンドの規模は4000万米ドルで、DCVCが主導する。

この概念は抽象的に聞こえますが、コミュニティでは 1 週間以内に数百のケースがプレイされました。最も興味深いものをいくつか選んでください。読んだ後、それらがどのような問題を解決するのかがわかります。

まずは通常の大型モデルとの違いを理解しましょう

従来の大規模モデルの本質は生成的です。質問すると、トークンごとに書き出されます。私は記事を書いたり、ロジックを推論したり、コードを入力したりするのは得意ですが、「これらの選択肢から 1 つを選択してください」のような単純な多肢選択式の質問に直面すると、時間がかかりすぎて費用がかかるため、やりすぎになります。

Jev は逆です: 軽量です分類とスコアリングのモデル。これを呼び出すたびに、背景情報と明確に定義された一連のオプションを与えると、これらのオプションの確率分布が直接出力され、最も信頼度の高いものが返されます。遅延は数十～数百ミリ秒で、コストは主流の大型モデルの数分の一にすぎません。

TypeSafe は正式に名前を付けましたシステムワンモデル——心理学の「システム 1」（直感、素早い判断）の概念を借用し、「システム 2」（ゆっくりとした深い推論）の大きな言語モデルに対応します。公式データによると、主要な大型モデルよりも 40 ～ 200 倍高速で、投入コストは 100 万トークンあたりわずか 0.042 ドルです。出力フリー。

1. ゲームをプレイするために使用します: Doom から 50 Subway Surfers まで

これは Jev の価値を理解するのが最も簡単なタイプのアプリケーションです。ゲームでは 1 秒間に何度も小さな決定を行う必要があり、これがまさに Jev の強みです。

• 公式デモ: Doom をリアルタイムでプレイ。 Jev は 1 秒あたり約 10 件のアクションを決定し、キャラクターの動きと射撃を制御します。1 時間の連続運転のコストは約 7 ドル——この数字はエンジニアを驚かせ、高頻度のリアルタイム意思決定が可能であることを示しています。
• 50 人のサブウェイ サーファーを同時にコントロール。開発者 @_MaxBlade は、Jev が同時に 50 のゲームを制御できるようにする自動化環境を構築しました。車線変更、ジャンプ、スライディングなどの各動作は小さな決断です。 50イニングを完投したと伝えられているが、総コストは 1 セント未満
• オープンソースのスーパーマリオコントローラー。開発者 @faadilhshaik によって作成されたシステムは、構造化されたゲームの状態をメモリから直接読み取ります。 Jev は、いつジャンプし、いつ加速するかを決定します。プロジェクトはオープンソース化されています
• スピードランニング スレイ・ザ・スパイア 2。中国の開発者 paulwe は、戦略カード ゲームをプレイするためにこれを使用しています。初期に大規模なモデルを使用した場合、2 つのカード間に大きな遅延が発生しました。ジェブに切り替えてからそれぞれの決定にかかる時間はわずか 0.7 秒、前のアニメーションが終了する前に次のコマンドを送信できます。
• ウィキレーシング。もう 1 つの公式デモンストレーション: Wikipedia の記事から開始し、ページのハイパーリンクのみを頼りに目的の記事に移動します。各ステップでは数百、さらには数千の候補リンクに直面する可能性があり、Jev は意味的にターゲットに最も近いリンクを選択する必要があり、多数のオプションの中から選択する能力をテストします。

2. 物理シミュレーション: ロケットを単独で着陸させます

私が特にこのケースが気に入っているのは、Jev が単にゲームをプレイする以上の能力があることを証明しているからです。

開発者 @uttkarsh_42 は、Jev を MuJoCo 物理エンジンに接続して、垂直に着陸するロケットを制御しました。 Jev には次のことを決定する責任があります。いつ点火するか、何基のエンジンを稼働させるか、いつ着陸姿勢に切り替えるか。 12 回のテストの後、システムは正常に着陸しました。完全な実験のうちの 1 つは 245 回の通話を要し、コストは約 0.04 ドルであったと報告されています。

3D 都市シミュレーションでは自動運転も可能です。開発者 @jpschroeder は Jev を仮想都市に統合しました。車両は走行中、センサーデータと道路状況を使用して走行方向を決定し、各アクションの後に新しいステータスがシステムにフィードバックされます。組み立て全体には 1 時間もかからなかったと言われています。

3. ブラウザ自動化: 7 秒で実際のフライトを検索

これは現在最も工学的価値の高い方向の 1 つです。

ブラウザ使用チームは Jev のみでリリースします 3日間その後、正式に統合された jev-ultrafast がリリースされ、2 日で GitHub スターを 2,700 個獲得したそうです。 Web ページの操作を 2 つの選択肢 (アクション + 目標) に分割します。スクリーンショットやマルチモーダルトークンは必要ありません、各往復で 2 つの決定のみが生成されます。

創設者の Gregor Zunic は、実際の航空会社の Web サイトで片道のフライト検索を完了する Jev を活用したブラウザ自動化のノーカット デモを共有しました。プロセス全体にかかる時間は 7 秒です、モデルの通話コストは約 $0.0039。

似たようなものはたくさんあります: Stagehand ブラウザ コントロール、Cua の jev-use、CoreML + OCR を使用して Mac 上のボタンを見つけ、クリック位置を Jev に選択させる TipTour、音声コントロール ブラウザ... このカテゴリには現在 13 件のケースがあり、これが最もケースが多いカテゴリです。

4. 「ルーター」になる: タスクに適したモデルの選択を支援します。

マルチモデル時代には本当に無駄が存在します。単純な問題に高価なモデルを使用するのはお金の無駄です。 Jev は低レイテンシーと低コストなので、次の用途に非常に適しています。交通のトリアージ。

• クロードコードルーター: 作業指示のトリアージと同様に、Jev は最初にタスクの難易度を判断し、プラグインはそれに応じてサブエージェント モデルとメイン セッションの推論強度を選択します。
• コーデックスのミッション難易度ルーティング: 実行前にコーディングタスクの論理的な複雑さを推定し、単純な編集は安価なモデルに失われ、複雑なファイル間の再構築によりより強力なモデルがアクティブ化される - 報告されていますモデルの総コストを 60% 以上削減
• イブの条件付きルーティング/リクエスト分散: まず、問題にどのタイプのモデルが必要かを判断し、それを適切なモデルに渡して処理します。
• ローカルコーディングエージェントの部門: 単純なタスク、複雑な問題、長期的なタスクをさまざまな AI アシスタントに割り当てます。

LangChain は特別記事「Building Safety Belts with Jev」を執筆し、エージェント フレームワークの分類およびルーティング ロジックが伝統的にさまざまなクローズド ソース実装に隠されていると指摘しました。 Jev のような一般的な低コスト分類モデルを使用すると、この意思決定ロジック層をオープンソース エージェントで再利用できます。 Sentry の創設者である Armin Ronacher 氏も、ルーティングの決定に大規模な生成モデルを使用するのは経済的に不合理であると考えています。

5. 安全とエンジニアリング 目立たない汚れ仕事

このタイプのアプリケーションは派手ではありませんが、最も実用的です。

• Vercel が Shell コマンド セキュリティ分類子を置き換える: エンジニアの Pranit Sharma は、OpenAI ベースの内部シェル コマンド セキュリティ分類子を Jev に置き換えました。報告されています5～18倍高速、誤警報率が低くなります - 誤警報の減少により、実際にシステムの実際の精度が向上します
• 迅速な噴射検出: コミュニティは、jev-mcp (MCP プロトコルに基づく拡張機能) をオープンソース化しました。 Jev を使用すると、クロスソース ファクト チェックを実行し、ユーザー プロンプトに隠れたプロンプト インジェクション攻撃を検出し、取得したコンテンツの意味的関連性をスコアリングできます。
• 長いコンテキストの圧縮: fast-jev-compaction は、Jev を使用して各ツール呼び出しの値を迅速に評価し、重要な状態を保持しながら不要なログを削除します。コーディング エージェントが長いタスクを実行するときにコンテキストを簡単に拡張できます。このプロジェクトはJev公式チームにも認められています
• PR事前審査: CI パイプラインで変更されたファイル リストと自動テスト結果を分析し、PR がマージの対象となるかどうかを最初に評価し、高リスクの PR を自動的にマークして手動で転送します。

6. ビジネスパイプライン: 電子メール、作業指示書、顧客サービス

これらのシナリオの共通点は次のとおりです。多数の小さな決定を迅速かつ一貫して行う必要がある、大規模なモデルを使用すると、コストが高く、時間がかかります。

• ビジネスメールの意図の分類: BryoAI の CTO である Nikhil Mudholkar 氏は、Jev と Gemini を比較しました。絶対精度はジェミニの方が若干優れていますが、通話あたりのコストが 10 ～ 20 倍高い。さらに重要なことは、Jev は調整された確率分布を提供し、下流システムによる信頼しきい値の設定が容易になることです。
• 作業指示の割り当てと自動ルーティング: 手紙を重要な情報にダイジェストしてジェブに渡し、ビジネスチームのグループから最も適切なものを選択し、壊れやすい手書きの規則を置き換えます
• 繰り返しの控除と緊急支援区分: 金融電子商取引シナリオにおける高リスクの苦情 (繰り返しの控除など) を迅速に特定します。顧客が感情的になったり、返金を要求したりすると、数ミリ秒以内に緊急のラベルが付けられ、優先的に発送されます。

7. ワイルダーのゲームプレイ

• 画像をピクセルごとに生成: 開発者 @anshuc は、画像生成をピクセル レベルの分類問題に変換します。各ピクセルに色のオプションと確率のセットを与えると、プログラムは Jev が選択した最も確率の高い色で徐々に埋めていき、最終的には低解像度の画像を生成します。
• 自動オンチェーントランザクション: Web3 開発者の中には、Jev を分散型取引所に接続し、リアルタイムの注文深度データを読み取り、購入、販売、保留の 3 つのアクションのみを出力する人もいます。コミュニティは、これが最も注目を集めるアプリケーションの 1 つであると感じていますが、実際の市場状況ではリスクも明らかです。
• Web インターフェースのコンポーネントを選択する: json-render プロジェクトでは、Jev がコンポーネントを選択して関係を整理し、プログラムがその結果をビルディング ブロックのようなレンダリング可能なインターフェイスに組み立てます。

8. 注目の評価結果

PrimeLine が実施した二重盲検の事前登録評価では、ある詳細が明らかになりました。

2 つの実際のタスクにおける Claude Opus 5 と Haiku 4.5 の絶対精度Jev に匹敵するか、最初はさらに優れています。しかし、評価によりモデルが最も信頼度の低いサンプルをスキップできる場合、Jev は両方のタスクで優れた成績を収めました。

その理由は、出力される自信が校正された一方、一般的な生成モデルは調整が不十分で、判断が過信される傾向があります。言い換えれば、「一生懸命答える」ことよりも「自分が知らないことを知る」ことの方が重要なとき、Jev の価値が発揮されます。

始め方

すでにモデル集約プラットフォームを使用している場合、アクセス コストはほぼゼロです。

• オープンルーター: Jev が公式モデルカタログに掲載されました、モデル名 typesafe/jev、コード内のモデル名を変更すると切り替えることができます
• Vercel AI ゲートウェイ: リリース後 72 時間以内に統合が完了し、Vercel グローバル エッジ ネットワーク経由で分散され、低遅延で実現
• 公式SDK: TypeSafe は、HTTP API、Python SDK、JavaScript SDK をサポートするオンライン コンソール (Playground) と完全なドキュメントを提供します。
• 公式スキルパック: TypeSafe は、コーディング エージェントに、一度に 1 つずつ質問するのではなく、「すべての曖昧な点を一度に質問する」ように教えるために、GitHub 上のスキル ウェアハウスをオープンソース化しました。

価格: 入力の場合は 100 万トークンあたり 0.042 ドル、出力の場合は無料。新しいアカウントを試すための無料割り当てもあります。

穏やかなことを言ってください

まず、大型モデルの代替品ではありません。 Jev は、特化された意思決定モデルです。オープンな推論機能やコンテンツ生成機能を期待しないでください。その価値は、明確に定義された可能な結果の範囲内で、迅速かつ信頼性の高い意思決定を行うという最終目標を達成することです。

第二に、多くの場合、「誰の信用」を区別する必要がある。たとえば、ブラウザを使用して 7 秒でフライトを検索するデモは、ツール チェーン全体の協力の結果であり、すべての機能が Jev のおかげであるとは限りません。コミュニティが組織する事件倉庫自体も、どの原則が明確で、どの効果を検証する必要があるか、どの主張に根拠が欠けているかなど、証拠の境界を示します。この姿勢は学ぶ価値があります。

第三に、盲目的な吹き飛ばしには注意してください。 『Jev』は公開から 1 週間以内にスクリーンに登場しました。人気には、実際の技術的価値と多くのマーケティング要素が含まれます。本当に必要なのは、それを使用して独自のタスクを実行し、どれだけの遅延とコストが節約されるかを確認することです。

しかし、一つだけ確かなことがある。AIの応用は「生成」だけではない。このトラックの外には、長らく無視されてきた「判断」というインフラが追加されつつある。 Jev が最終的な答えであるかどうかを言うのは難しいですが、正しい疑問が生じます。

大きなモデルは答えを書く責任を負い、Jev は意思決定をする責任を負い、それぞれが独自の義務を実行するという、良い構造となっています。

参考：TypeSafe AI 公式リリースノート、Jev_apps 事例ライブラリ（137 件 / 用途 11 種類）、Wikipedia、DataCamp 技術分析