Jev, TypeSafe AI'ın Eylül 2026'da tanıttığı yapay zekâ modeli. Metin üretmiyor; ona bir durum ve önceden tanımlanmış sorular veriyorsunuz, o da her soruya tipli bir cevap ve bu cevaba ne kadar güvendiğini gösteren bir olasılık döndürüyor. Şirket bu yeni model sınıfına "System One" diyor. Bu yazıda Jev'in ne olduğunu, LLM'lerden farkını, fiyatını ve nerede işe yarayabileceğini topladım.

Jev nedir?

ChatGPT, Claude veya Gemini gibi büyük dil modelleri (LLM) cevabı kelime kelime yazar. Uygulamanın o cevabı kullanabilmesi için metni ayrıştırmak, beklenen formatta olup olmadığını kontrol etmek ve bazen tekrar sormak gerekir. Jev bu adımı ortadan kaldırmayı hedefliyor: çıktısı bir metin değil, sizin tanımladığınız tipte bir değer.

TypeSafe AI'ın kurucusu Diogo Almeida, daha önce OpenAI'da ChatGPT'nin temelindeki talimat takibi (instruction following) yöntemleri üzerinde çalışmış. Şirket Jev'i "yapılandırılmamış durum girer, tipli olasılıksal kararlar çıkar" diye tarif ediyor. Yani bir fonksiyon çağrısı gibi davranan bir model.

System One ne demek?

İsim, Daniel Kahneman'ın "Hızlı ve Yavaş Düşünme" kitabındaki ayrımdan geliyor. System 1 hızlı ve sezgisel karar verir, System 2 yavaş ve adım adım akıl yürütür. LLM'ler daha çok ikinci türe benziyor: uzun cevaplar, zincirleme düşünme, saniyeler süren yanıtlar. Jev ise tek bir geçişte karar veren hızlı tarafı hedefliyor.

Aradaki temel farklar:

  • Çıktı: LLM metin döndürür, Jev şemaya uyan tipli bir değer ve olasılık döndürür.
  • Örnekleme: LLM token token üretir. Jev bir istekteki bütün soruları paralel ve birbirinden bağımsız cevaplar.
  • Eğitim: LLM'ler RLHF gibi yöntemlerle eğitilir. TypeSafe, Jev için "kalibre kararlar için pekiştirmeli öğrenme" (RLCD) adını verdiği bir yöntem kullandığını söylüyor.
  • Format hatası: Cevap her zaman tanımlanan şemaya uyuyor. Tip hatası ya da uydurma bir seçenek dönmüyor. Bu, cevabın doğru olduğu anlamına gelmiyor; sadece formatın bozulmadığı anlamına geliyor.

Üç soru tipi: Noul, Choice, Score

Jev'e her şeyi bu üç temel soru tipiyle soruyorsunuz:

  • Noul: "Bu ifade doğru mu?" sorusu. 0 ile 1 arasında bir olasılık döner. Örneğin "Bu mesaj acil mi?"
  • Choice: Tanımladığınız seçenekler arasından birini seçer; her seçenek için olasılık ve bir güven skoru döner. Örneğin bir destek talebinin hangi ekibe gideceği. Bir soruda en fazla 255 seçenek olabiliyor.
  • Score: Durumu verdiğiniz bir ölçüte göre puanlar; yine olasılık ve güven skoru döner.

Dokümantasyonun önerdiği yaklaşım "atomik sorular, kodda birleştirme". Tek bir uzun prompt yazmak yerine karmaşık kararı küçük, net sorulara bölüyorsunuz; sonuçları kendi kodunuzda birleştiriyorsunuz. Güven skoru düşükse insana sormak ya da daha güçlü bir modele yönlendirmek gibi kararları da kod veriyor.

Örnek kullanım

Cloudflare Workers AI üzerinde Jev typesafe/jev adıyla bulunuyor. Cloudflare dokümantasyonundaki örnek, bir mesajın acil olup olmadığını soruyor:

const response = await env.AI.run('typesafe/jev', {
  state: 'Help! My payouts have been failing for 3 days.',
  questions: {
    is_urgent: {
      type: 'noul',
      instructions: 'Does this convey urgency?',
      criteria: { true: 'Explicitly time-sensitive', false: 'No urgency expressed' }
    }
  }
})

Aynı istekte birden fazla soru sorabiliyorsunuz. Hepsi aynı durum üzerinde paralel cevaplandığı için soru sayısı arttıkça gecikme LLM'deki gibi büyümüyor.

Hız ve fiyat

TypeSafe'in açıkladığı rakamlar:

  • Gecikme: Uçtan uca 70 ile 500 milisaniye arası. Karşılaştırdıkları LLM iş akışlarında bu süre 3 ile 329 saniye arasında.
  • Fiyat: Milyon girdi token'ı başına 0,042 dolar. Çıktı token'ları ücretsiz.
  • İş akışı karşılaştırması: Kendi test ettikleri iş akışlarında LLM'lere göre 193,6 kat daha hızlı ve 444,6 kat daha ucuz olduğunu söylüyorlar.

Bu rakamlara temkinli bakmak gerekiyor. Karşılaştırmaları şirketin kendi ekibi tasarlayıp yürüttü, şirket de bunları üst sınır tahmini olarak sunuyor. MarkTechPost'un haberi de karşılaştırmaların şirket içi olduğunu ve fiyatın sübvanse edilmediğinin kanıtlanamadığını not ediyor. Önerilen şey basit: kendi verinizle deneyin.

Jev nerede işe yarar?

Sonucu serbest metin değil, bir karar olan her iş Jev'in alanına giriyor:

  • E-posta ve destek talebi sınıflandırma, doğru ekibe yönlendirme
  • Koddaki "akıllı if" koşulları: kurala dökmesi zor kararlar
  • LLM çıktılarını ve ajanların araç çağrılarını denetleme (guardrail)
  • Bir komutun çalıştırılmasının güvenli olup olmadığını kontrol etme
  • Büyük veri üzerinde toplu sınıflandırma ve puanlama
  • Oyun, robot ve simülasyon gibi gerçek zamanlı döngüler

Sınırları

  • Metin üretmiyor. Özet, çeviri ya da cevap yazdırmak için hâlâ bir LLM gerekiyor.
  • Şimdilik yalnızca metin içeren yapılandırılmış veriyle çalışıyor, görsel girdi desteği yok.
  • Bir Choice sorusunda en fazla 255 seçenek var.
  • Ağırlıklar yayınlanmadı, kendi sunucunuzda çalıştıramıyorsunuz.

Jev'e nasıl erişilir?

TypeSafe'in kendi API'si erken erişimde ve bekleme listesiyle açılıyor (console.typesafe.ai). Bunun dışında Cloudflare Workers AI'da typesafe/jev olarak bulunuyor; MarkTechPost'a göre Vercel AI Gateway üzerinden de bekleme listesi olmadan kullanılabiliyor.

Benim notum

Jev'i LLM'lere rakip olarak değil, onların yanına konan bir parça olarak görüyorum. Bugün projelerimde bir LLM'e "bu metin şu kategorilerden hangisine giriyor, sadece JSON dön" diye sorup gelen cevabı doğruladığım çok yer var. Bu işler için saniyeler yerine milisaniyeler, metin ayrıştırmak yerine doğrudan tipli değer, üstüne de bir güven skoru anlamlı bir fark. Rakamlar bağımsız testlerle doğrulanana kadar şirketin iddiası olarak kalıyor; ama fikir, yani karar veren küçük ve hızlı bir model ile yazan büyük bir modeli ayırmak, bence kalıcı olacak.

Kaynaklar