Jev هو نموذج قرار منظم بالذكاء الاصطناعي من TypeSafe AI؛ لا يُخرج جملًا، بل يُعيد ثلاثة أنواع من القرارات المُنمَّطة داخل خيارات محددة مسبقًا — Choice (الاختيار) وScore (التقييم) وNoul (الحكم الثنائي) — مع درجة ثقة مُعايَرة، وزمن نحو 70–500 مللي ثانية، أي أسرع بـ20–200 مرة من نماذج اللغة الكبيرة المشابهة، ويدعم تقييم عدة أسئلة بالتوازي في نداء واحد، وهو مناسب لسيناريوهات الحكم عالية التكرار في الوكلاء.
ما هو Jev؟
Jev هو نموذج قرار منظم بالذكاء الاصطناعي أطلقته TypeSafe AI، ومؤسسه هو الباحث السابق في OpenAI Diogo Almeida. يعتمد Jev على Transformer لكنه ليس نموذج لغة كبيرًا؛ فهو لا يُخرج جملًا، بل يُعيد قرارات مُنمَّطة داخل خيارات محددة مسبقًا: Choice (الاختيار) وScore (التقييم) وNoul (الاحتمال)، مع درجة ثقة. يبلغ زمن استجابة النموذج نحو 70–500 مللي ثانية، وهو مخصص لسيناريوهات الحكم عالية التكرار في الوكلاء، مثل توجيه الأدوات وتصنيف التذاكر وقرارات الألعاب.
الوظائف الرئيسية لـ Jev
- قرار الخيارات Choice: يختار العنصر الأنسب من قائمة خيارات محددة مسبقًا (حتى 255 خيارًا)، ويُعيد الخيار وتوزيع الاحتمالات ودرجة الثقة، وهو مناسب للتوجيه والتصنيف.
- تقييم Score: يُقيّم المدخلات وفق مقياس مخصص (مثل مستويات 1–5)، ويُعيد النتيجة والاحتمال ودرجة الثقة، لقياس درجة الاستعجال أو الجودة أو مستوى الخطر.
- الحكم الثنائي Noul: يُخرج قيمة احتمالية بين 0 و1 لسؤال "هل هذا التصريح صحيح؟"، وهو مناسب للأحكام الثنائية مثل الحاجة إلى تحويل إلى موظف بشري أو ضرورة اتخاذ إجراء.
- أسئلة متعددة بالتوازي: يمكن دمج عدة أسئلة في نداء API واحد، تتشارك المدخل نفسه وتُقيَّم بالتوازي وبشكل مستقل؛ فإضافة أسئلة لا تزيد الزمن تقريبًا ولا تُحدث تلفًا في السياق.
- إخراج درجة الثقة: تُرفق Choice وScore بدرجة ثقة مُعايَرة، يمكن للكود بناءً عليها إجراء التوجيه — تنفيذ تلقائي عند الثقة العالية، وترقية إلى نموذج كبير أو تحويل إلى بشري عند الثقة المنخفضة.
- إخراج مُنمَّط بلا هلوسة: يقتصر بحِدة على الخيارات والأنواع المحددة مسبقًا من المستخدم، فلا حاجة لتحليل JSON، ويُقضي على أخطاء التنسيق والأجوبة العشوائية الخارجة عن النطاق.
- زمن استجابة بالغ الانخفاض: استجابة من الطرف إلى الطرف نحو 70–500 مللي ثانية، أي أسرع بـ20–200 مرة من نماذج اللغة الكبيرة المشابهة، مع دعم حلقات قرار عالية التكرار بنحو 10 مرات في الثانية.
الأشكال الثلاثة لإخراج Jev
- Choice (قرار الخيارات): يختار العنصر الأنسب من قائمة خيارات يحددها المستخدم مسبقًا (حتى 255 خيارًا)، ويُعيد الخيار المختار وتوزيع احتمالات كل خيار ودرجة الثقة، وهو مناسب لسيناريوهات "اختيار واحد من عدة" مثل التوجيه والتصنيف واختيار الأدوات.
- Score (التقييم بالمقياس): يُقيّم حالة المدخلات وفق مقياس تقييم يحدده المستخدم، ويُعيد النتيجة وتوزيع احتمالات كل مستوى ودرجة الثقة، وهو مناسب لسيناريوهات "كم يعطي من نقطة" مثل تقييم الاستعجال وتصنيف الجودة وتدريج الخطر.
- Noul (الحكم الثنائي): يُخرج قيمة احتمالية بين 0 و1 حول ما إذا كان تصريح ما صحيحًا، دون إعادة درجة ثقة منفردة، وهو مناسب لسيناريوهات الحكم الثنائي مثل "هل يلزم التحويل إلى موظف بشري؟" و"هل يلزم اتخاذ إجراء؟".
العلاقة بين الثلاثة: يمكن دمجها بحرية داخل نداء API واحد، تتشارك حالة المدخل نفسها وتُقيَّم بالتوازي وبشكل مستقل — فإضافة أسئلة لا تزيد الزمن تقريبًا ولا تُحدث تلفًا في السياق.
كيفية استخدام Jev
- تسجيل حساب: زر الموقع الرسمي لـ Jev على https://console.typesafe.ai/ ؛ التسجيل يتيح الاستخدام مباشرة.
- الحصول على مفتاح API: أنشئ مفتاح API في وحدة التحكم وانسخه لاستخدامه في مصادقة نداءات الواجهة لاحقًا.
- تحضير حالة المدخلات (State): نظّم الموقف الحالي كنص أو بيانات منظمة، مثل حالة اللعبة أو قائمة عناصر الصفحة أو محتوى البريد الإلكتروني؛ فـ Jev ينظر إلى وصف الحالة لا إلى الصورة الأصلية.
- تعريف الأسئلة (Questions): اختر من بين الأشكال الأولية الثلاثة حسب الحاجة — Choice (قرار الخيارات) وScore (التقييم بالمقياس) وNoul (الحكم الثنائي) — وكل سؤال يسأل عن أمر واحد محدد فقط.
- إرسال النداء: عبر REST API أو حزمة SDK الرسمية، أرسل State وأسئلة متعددة في النداء نفسه؛ وسيُقيّم النموذج جميع الأسئلة بالتوازي.
- تحليل النتائج المُنمَّطة: احصل مباشرة على نتائج شديدة النمذجة مثل الخيار/النتيجة/الاحتمال ودرجة الثقة، فلا حاجة لكتابة أوامر JSON أو محللات إضافية، ويمكن للكود استهلاكها مباشرة.
- الجمع بين أسئلة متعددة بالكود: فكّك الأحكام المعقدة إلى أسئلة ذرية متعددة، ثم اجمع نتائج كل بُعد بمنطق كود مُرجَّح، بدلًا من ترك النموذج يوازن بينها داخل سؤال واحد.
- إدماج التوجيه بدرجة الثقة: صمّم استراتيجيات بناءً على درجة الثقة المُعادة، مثل التنفيذ التلقائي فوق 90%، والترقية إلى نموذج كبير بين 60–90%، والتحويل إلى موظف بشري تحت 60%.
- المعايرة والتحقق ببياناتك: قبل إطلاق قواعد قرار تلقائي في الإنتاج، تحقق أولًا ببيانات العمل من تطابق احتمالات النموذج مع النتائج الفعلية، دون الاكتفاء بقيمة ثقة واحدة.
- الاستخدام مع نماذج التوليد: في السيناريوهات التي تتطلب إنتاج نص (كتعبئة محتوى النماذج) استدعِ نموذج توليد منفصل؛ فـ Jev متخصص حصريًا في حلقة الحكم عالية التكرار من نوع "أي واحد يُختار".
المزايا الجوهرية لـ Jev
- سرعة قصوى: زمن الاستجابة من الطرف إلى الطرف 70–500 مللي ثانية فقط، أي أسرع بـ20–200 مرة من نماذج اللغة الكبيرة المشابهة، مع دعم حلقات قرار عالية التكرار بنحو 10 مرات في الثانية.
- بلا هلوسة في التنسيق: الإخراج محصور بحِدة في الخيارات والأنواع المحددة مسبقًا من المستخدم، فلا حاجة لتحليل JSON، ويُقضي على الأجوبة العشوائية وأخطاء التنسيق.
- ثقة مُعايَرة: يُعيد توزيعات احتمالية ودرجات ثقة مُعايَرة، يمكن للكود بناءً عليها إجراء قرارات توجيه: تنفيذ تلقائي أو ترقية النموذج أو تدخل بشري.
- أسئلة متعددة بالتوازي: يمكن لنداء واحد تقييم عدة أسئلة مستقلة في الوقت نفسه، تتشارك المدخل نفسه دون زيادة تُذكر في الزمن ودون إحداث تلف في السياق.
- فصل القرار عن التوليد: يفصل "الحكم" عن توليد النص الكامل، مما يتجنب استخدام نموذج كبير في مهام تافهة، ويترك نموذج التوليد متخصصًا في إنتاج النص الذي يتقنه.
- قابل للتركيب بالكود: التصميم الذري للأسئلة يجعل منطق العمل يترسب في الكود؛ فتغيّر الأولويات يقتضي تعديل معاملات لا إعادة كتابة الـ prompt، بقابلية تحكم أعلى.
- فهم دلالي عام: بفضل بنية Transformer، يمتلك قدرة فهم دلالي عام، فعندما تتغير القواعد والمرشحات بكثرة لا يحتاج إلى إعادة تدريب مثل المصنفات التقليدية.
مقارنة Jev مع المنافسين المشابهين
| بعد المقارنة | Jev (نموذج قرار System One) | Gemini 2.5 Flash (نموذج لغة كبير عام لإجراء التصنيف) |
|---|---|---|
| طبيعة النموذج | نموذج تصنيف مدرَّب خصيصًا للقرارات، بلا قدرة على توليد النص | نموذج كبير متعدد الوسائط ذاتي الانحدار عام، وتوليد النص هو عمله الرئيسي |
| زمن الاستجابة | 70–500 مللي ثانية، ثابت ويمكن توقعه | من مئات المللي ثانية إلى عدة ثوانٍ، يتأثر كثيرًا بطول الـ prompt وعدد رموز الإخراج |
| تكلفة النداء | المدخلات 0.042 دولار/مليون رمز، والإخراج مجاني | احتساب ثنائي للمدخلات والمخرجات، والتكلفة الإجمالية أعلى بـ10–20 مرة |
| دقة التصنيف | أقل بقليل من Gemini في اختبارات المجتمع لتصنيف رسائل البريد التجاري | دقة أعلى في المهام العامة وفهم دلالي أوسع |
| شكل الإخراج | قرارات مُنمَّطة + توزيع احتمالات + درجة ثقة مُعايَرة | نص حر أو JSON مقيَّد، بلا درجة ثقة مُعايَرة أصلية |
| ضبط الهلوسة | محصور بحِدة في الخيارات المحددة مسبقًا، بلا هلوسة في التنسيق | احتمال وجود مخرجات خارجة عن النطاق وانحراف في الحقول |
| توازي المهام المتعددة | يُقيّم عدة أسئلة مستقلة بالتوازي في نداء واحد، بزمن إضافي صفري | يحتاج نداءات متسلسلة متعددة أو تركيب أوامر معقدة، وعرضة لتلف السياق |
| القدرة متعددة الوسائط | يعالج حالات النص المنظم فقط | يدعم أصليًا الصور والنص والصوت والفيديو، ويمكنه "الحكم بالنظر إلى الصورة" مباشرة |
سيناريوهات تطبيق Jev
- توجيه الوكلاء وجدولة الأدوات: يحكم عالي التكرار في ما إذا كان القصد الحالي يقتضي استدعاء البحث أو قاعدة البيانات أو تنفيذ الكود، ولا يختار إلا من قائمة واجهات صالحة محددة مسبقًا؛ فيقضي على أسماء الأدوات الوهمية مع دعم دورات الوكيل السريعة باستجالات بمقياس المللي ثانية.
- تصنيف تذاكر خدمة العملاء: يحكم بالتوازي في نداء واحد على الفريق المسؤول ودرجة الاستعجال واكتمال المعلومات، فيتيح فرزًا تلقائيًا لملايين الرسائل/التذاكر يوميًا بتكلفة شبه صفرية.
- قرارات الألعاب والمحاكاة: يستقبل الحالة المنظمة الصادرة عن محرك اللعبة، ويختار بحركة عالية التكرار — نحو 10 مرات في الثانية — داخل مجموعة إجراءات محددة مسبقًا، ليقود لاعبي الذكاء الاصطناعي في ألعاب مثل DOOM وMario.
- أتمتة المتصفح: يرقّم عناصر الصفحة ويترك Jev يقرر خطوة بخطوة أي زر يُضغط وأي حقل يُعبّأ، ولا ينتقل إلى نموذج توليد إلا عند الحاجة إلى إنتاج نص؛ فتكمل مهام مثل البحث عن تذاكر الطيران أكثر من عشرة خطوات في ثوانٍ قليلة.
- ضغط السياق وتوجيه النماذج: في سياقات طويلة بملايين الرموز، يحكم في المعلومات الحرجة التي تُحفظ وتلك التي يمكن إسقاطها، ويتنبأ في الوقت الحقيقي بتعقيد المهمة ليقرر إسنادها إلى نموذج خفيف أو نموذج رئيسي، محققًا التوزيع الأمثل للتكلفة والأثر.
الأسئلة الشائعة عن Jev
س1: ما هو Jev؟
ج1: Jev هو نموذج قرار منظم بالذكاء الاصطناعي أطلقته TypeSafe AI؛ يعتمد على Transformer لكنه لا يولد نصًا، بل يُعيد ثلاثة أنواع من القرارات المُنمَّطة داخل خيارات محددة مسبقًا — Choice (الاختيار) وScore (التقييم) وNoul (الحكم الثنائي) — مع درجة ثقة مُعايَرة، وهو مصمم لسيناريوهات الحكم عالية التكرار في الوكلاء.
س2: ما الفرق بين Jev ونماذج اللغة الكبيرة؟
ج2: Jev ليس نموذج لغة كبيرًا، ولا يُخرج جملًا، بل يُعيد قرارات منظمة داخل الخيارات والأنواع التي يحددها المستخدم مسبقًا فقط، لذا لا توجد فيه هلوسة تنسيق؛ وزمن استجابته نحو 70–500 مللي ثانية، أي أسرع بـ20–200 مرة من نماذج اللغة الكبيرة المشابهة، وهو مناسب للأحكام عالية التكرار مثل توجيه الأدوات وتصنيف التذاكر، بينما يبقى توليد النص من مهام نماذج التوليد.
س3: ما سرعة استجابة Jev وتكلفته؟
ج3: زمن الاستجابة من الطرف إلى الطرف نحو 70–500 مللي ثانية، مع دعم نحو 10 حلقات قرار في الثانية؛ والاحتساب 0.042 دولار لكل مليون رمز مدخلات مع إخراج مجاني، وهو مناسب لنداءات الحكم بكميات كبيرة وعالية التكرار.
س4: ما السيناريوهات المناسبة لـ Jev؟
ج4: هو مناسب للسيناريوهات التي تحتاج أحكامًا عالية التكرار ومنخفضة الزمن من نوع "أي واحد يُختار"، مثل توجيه أدوات الوكلاء وتصنيف تذاكر خدمة العملاء واختيار حركات ذكاء الألعاب وعمليات أتمتة المتصفح، وكذلك فرز المعلومات وتوجيه النماذج في السياقات الطويلة.
الأسئلة الشائعة
ما هو Jev؟
Jev هو نموذج قرار منظم بالذكاء الاصطناعي أطلقته TypeSafe AI؛ يعتمد على Transformer لكنه لا يولد نصًا، بل يُعيد ثلاثة أنواع من القرارات المُنمَّطة داخل خيارات محددة مسبقًا — Choice (الاختيار) وScore (التقييم) وNoul (الحكم الثنائي) — مع درجة ثقة مُعايَرة، وهو مصمم لسيناريوهات الحكم عالية التكرار في الوكلاء.
ما الفرق بين Jev ونماذج اللغة الكبيرة؟
Jev ليس نموذج لغة كبيرًا، ولا يُخرج جملًا، بل يُعيد قرارات منظمة داخل الخيارات والأنواع التي يحددها المستخدم مسبقًا فقط، لذا لا توجد فيه هلوسة تنسيق؛ وزمن استجابته نحو 70–500 مللي ثانية، أي أسرع بـ20–200 مرة من نماذج اللغة الكبيرة المشابهة، وهو مناسب للأحكام عالية التكرار مثل توجيه الأدوات وتصنيف التذاكر، بينما يبقى توليد النص من مهام نماذج التوليد.
ما سرعة استجابة Jev وتكلفته؟
زمن الاستجابة من الطرف إلى الطرف نحو 70–500 مللي ثانية، مع دعم نحو 10 حلقات قرار في الثانية؛ والاحتساب 0.042 دولار لكل مليون رمز مدخلات مع إخراج مجاني، وهو مناسب لنداءات الحكم بكميات كبيرة وعالية التكرار.
ما السيناريوهات المناسبة لـ Jev؟
هو مناسب للسيناريوهات التي تحتاج أحكامًا عالية التكرار ومنخفضة الزمن من نوع "أي واحد يُختار"، مثل توجيه أدوات الوكلاء وتصنيف تذاكر خدمة العملاء واختيار حركات ذكاء الألعاب وعمليات أتمتة المتصفح، وكذلك فرز المعلومات وتوجيه النماذج في السياقات الطويلة.
