Jev TypeSafe AI का AI संरचित निर्णय मॉडल है; यह वाक्य नहीं उत्पन्न करता, बल्कि पूर्वनिर्धारित विकल्पों के भीतर Choice (विकल्प), Score (स्कोर), Noul (द्वंद्वात्मक निर्णय) तीन तरह के टाइपकृत निर्णय और कैलिब्रेटेड कॉन्फिडेंस लौटाता है; विलंब लगभग 70–500 मिलीसेकंड, समान बड़े भाषा मॉडलों से 20–200 गुना तेज़, एक कॉल में कई प्रश्नों का समानांतर मूल्यांकन संभव, Agent उच्च-आवृत्ति निर्णय परिदृश्यों के लिए उपयुक्त।
Jev क्या है
Jev TypeSafe AI द्वारा लॉन्च किया गया एक AI संरचित निर्णय मॉडल है, जिसके संस्थापक पूर्व OpenAI शोधकर्ता Diogo Almeida हैं। Jev Transformer पर आधारित है, लेकिन यह एक बड़ा भाषा मॉडल नहीं है। यह वाक्य नहीं उत्पन्न करता, बल्कि पूर्वनिर्धारित विकल्पों के भीतर टाइपकृत निर्णय लौटाता है: Choice (विकल्प), Score (स्कोर), Noul (प्रायिकता), साथ ही कॉन्फिडेंस। मॉडल का प्रतिक्रिया विलंब लगभग 70–500 मिलीसेकंड है, और यह विशेष रूप से Agent के उच्च-आवृत्ति निर्णय परिदृश्यों के लिए बनाया गया है, जैसे टूल रूटिंग, टिकट ट्रिएज और गेम निर्णय।
Jev के मुख्य फीचर्स
- Choice विकल्प निर्णय: पूर्वनिर्धारित विकल्प सूची (अधिकतम 255) में से सबसे उपयुक्त एक को चुनता है, और विकल्प, प्रायिकता वितरण और कॉन्फिडेंस लौटाता है; रूटिंग और वर्गीकरण के लिए उपयुक्त।
- Score स्कोरिंग: इनपुट को कस्टम स्केल (जैसे 1–5 स्तर) पर अंकित करता है, और स्कोर, प्रायिकता और कॉन्फिडेंस लौटाता है; तात्कालिकता, गुणवत्ता या जोखिम स्तर मापने के लिए उपयोगी।
- Noul द्वंद्वात्मक निर्णय: "क्या यह कथन सत्य है" के लिए 0–1 के बीच एक प्रायिकता मान देता है; जैसे क्या मामला मानव को भेजना है या किसी कार्रवाई की आवश्यकता है, ऐसे द्वंद्वात्मक निर्णयों के लिए उपयुक्त।
- समानांतर बहु-प्रश्न: एक API कॉल में एक साथ कई प्रश्न पूछे जा सकते हैं, जो एक ही इनपुट साझा करते हैं और स्वतंत्र रूप से समानांतर मूल्यांकित होते हैं; प्रश्न जोड़ने से विलंब लगभग नहीं बढ़ता और संदर्भ क्षरण भी नहीं होता।
- कॉन्फिडेंस आउटपुट: Choice और Score के साथ कैलिब्रेटेड कॉन्फिडेंस स्कोर मिलता है, जिससे कोड ट्रिएज कर सकता है — उच्च कॉन्फिडेंस पर स्वतः निष्पादन, निम्न कॉन्फिडेंस पर बड़े मॉडल या मानव को भेजना।
- बिना हैलुसिनेशन वाला टाइपकृत आउटपुट: उपयोगकर्ता द्वारा निर्धारित विकल्पों और प्रकारों की सीमा में ही लौटाता है, JSON पार्सिंग की आवश्यकता नहीं, फॉर्मेट त्रुटियों और सीमा-भंग उत्तरों को खत्म करता है।
- अति कम विलंब: एंड-टू-एंड प्रतिक्रिया लगभग 70–500 मिलीसेकंड, समान बड़े भाषा मॉडलों से 20–200 गुना तेज़, जो प्रति सेकंड लगभग 10 बार के उच्च-आवृत्ति निर्णय चक्रों का समर्थन करता है।
Jev की तीन आउटपुट प्राइमिटिव
- Choice (विकल्प निर्णय): उपयोगकर्ता द्वारा पूर्वनिर्धारित विकल्प सूची (अधिकतम 255) में से सबसे उपयुक्त एक का चयन करता है, और चुना गया विकल्प, प्रत्येक विकल्प की प्रायिकता वितरण और कॉन्फिडेंस लौटाता है; रूटिंग, वर्गीकरण, टूल चयन जैसे "बहुविकल्पी" परिदृश्यों के लिए उपयुक्त।
- Score (स्केल स्कोरिंग): इनपुट स्थिति को उपयोगकर्ता द्वारा तय स्केल पर अंकित करता है, और स्कोर, प्रत्येक स्तर की प्रायिकता वितरण और कॉन्फिडेंस लौटाता है; तात्कालिकता आकलन, गुणवत्ता रेटिंग, जोखिम स्तरीकरण जैसे "कितने अंक" परिदृश्यों के लिए उपयुक्त।
- Noul (द्वंद्वात्मक निर्णय): एक कथन के सत्य होने के लिए 0–1 के बीच एक प्रायिकता मान देता है, और अलग से कॉन्फिडेंस नहीं लौटाता; "क्या मानव को भेजना है", "क्या कार्रवाई आवश्यक है" जैसे द्वंद्वात्मक निर्णय परिदृश्यों के लिए उपयुक्त।
तीनों का संबंध: एक ही API कॉल में इन्हें स्वतंत्र रूप से मिलाया जा सकता है, जो एक ही इनपुट स्थिति साझा करते हैं और समानांतर रूप से मूल्यांकित होते हैं — प्रश्न जोड़ने से विलंब लगभग नहीं बढ़ता और संदर्भ क्षरण भी नहीं होता।
Jev का उपयोग कैसे करें
- खाता रजिस्टर करें: Jev की आधिकारिक वेबसाइट https://console.typesafe.ai/ पर जाएँ; रजिस्ट्रेशन के बाद सीधे उपयोग किया जा सकता है।
- API Key प्राप्त करें: कंसोल में API Key बनाएँ और कॉपी करें, जो आगे के API कॉल प्रमाणीकरण के लिए उपयोग होती है।
- इनपुट स्थिति (State) तैयार करें: मौजूदा स्थिति को संरचित टेक्स्ट या डेटा में व्यवस्थित करें, जैसे गेम स्थिति, वेबपेज तत्व सूची, ईमेल सामग्री; Jev मूल स्क्रीन के बजाय स्थिति विवरण देखता है।
- प्रश्न परिभाषित करें (Questions): आवश्यकता के अनुसार तीन प्राइमिटिव में से एक चुनें — Choice (विकल्प निर्णय), Score (स्केल स्कोरिंग), Noul (द्वंद्वात्मक निर्णय); प्रत्येक प्रश्न में केवल एक विशिष्ट चीज़ पूछी जाए।
- अनुरोध भेजें: REST API या आधिकारिक SDK के माध्यम से अनुरोध भेजें; State और कई प्रश्न एक ही कॉल में रखे जाते हैं, और मॉडल सभी प्रश्नों का समानांतर मूल्यांकन करता है।
- टाइपकृत परिणाम पार्स करें: सीधे विकल्प/स्कोर/प्रायिकता और कॉन्फिडेंस जैसे मजबूत प्रकार के परिणाम पाएँ; JSON प्रॉम्प्ट या अतिरिक्त पार्सर लिखने की आवश्यकता नहीं, कोड सीधे इन्हें उपभोग कर सकता है।
- कोड से बहु-प्रश्न संयोजित करें: जटिल निर्णय को कई परमाणु प्रश्नों में तोड़ें, फिर कोड लॉजिक से प्रत्येक आयाम के परिणामों को भारित संयोजन दें, बजाय एक ही प्रश्न में मॉडल से तुलना कराने के।
- कॉन्फिडेंस ट्रिएज लागू करें: लौटाए गए कॉन्फिडेंस के आधार पर रणनीति बनाएँ, जैसे 90% से अधिक पर स्वतः निष्पादन, 60–90% पर बड़े मॉडल को कॉल करना, 60% से कम पर मानव को भेजना।
- अपने डेटा से कैलिब्रेशन सत्यापित करें: स्वतः निर्णय नियम लागू करने से पहले व्यावसायिक डेटा से जाँचें कि मॉडल की प्रायिकता वास्तविक परिणामों से मेल खाती है; केवल एकल कॉन्फिडेंस मान पर निर्भर न रहें।
- जनरेटिव मॉडल के साथ उपयोग करें: जिन परिदृश्यों में पाठ उत्पन्न करना है (जैसे फॉर्म भरना), उनके लिए अलग से जनरेटिव मॉडल कॉल करें; Jev विशेष रूप से "कौन सा चुनें" जैसे उच्च-आवृत्ति निर्णय चरणों के लिए ज़िम्मेदार है।
Jev के मुख्य लाभ
- अति तेज़ गति: एंड-टू-एंड विलंब केवल 70–500 मिलीसेकंड, समान बड़े भाषा मॉडलों से 20–200 गुना तेज़, प्रति सेकंड लगभग 10 बार के उच्च-आवृत्ति निर्णय चक्रों का समर्थन।
- बिना फॉर्मेट हैलुसिनेशन: आउटपुट पूर्णतः उपयोगकर्ता द्वारा निर्धारित विकल्पों और प्रकारों तक सीमित, JSON पार्सिंग की आवश्यकता नहीं, गलत उत्तर और फॉर्मेट त्रुटियों को खत्म करता है।
- कैलिब्रेटेड कॉन्फिडेंस: कैलिब्रेटेड प्रायिकता वितरण और कॉन्फिडेंस स्कोर लौटाता है, जिससे कोड स्वतः निष्पादन, मॉडल अपग्रेड या मानव हस्तक्षेप का निर्णय ले सकता है।
- समानांतर बहु-प्रश्न: एक कॉल में कई स्वतंत्र प्रश्नों का एक साथ मूल्यांकन, एक ही इनपुट साझा, विलंब लगभग नहीं बढ़ता, संदर्भ क्षरण नहीं होता।
- निर्णय और जनरेशन का पृथक्करण: "निर्णय" को पूर्ण पाठ जनरेशन से अलग करता है, छोटे काम के लिए बड़े मॉडल का उपयोग करने से बचाता है, और जनरेटिव मॉडल को अपनी मजबूत पाठ उत्पादन पर केंद्रित रखता है।
- कोड-संयोज्य: परमाणु प्रश्न डिज़ाइन व्यावसायिक लॉजिक को कोड में स्थिर करता है; प्राथमिकता बदलने पर केवल गुणांक बदलें, prompt नहीं; नियंत्रण और रखरखाव अधिक सरल।
- सामान्य सेमांटिक समझ: Transformer वास्तुकला पर आधारित, सामान्य सेमांटिक समझ क्षमता; नियम और उम्मीदवार बार-बार बदलने पर पारंपरिक वर्गीकरणकर्ता की तरह पुनः प्रशिक्षण की आवश्यकता नहीं।
Jev की तुलना समान प्रतिस्पर्धियों से
| तुलना आयाम | Jev (System One निर्णय मॉडल) | Gemini 2.5 Flash (सामान्य LLM वर्गीकरण निर्णय के लिए) |
|---|---|---|
| मॉडल सार | निर्णय के लिए प्रशिक्षित वर्गीकरण मॉडल, पाठ जनरेशन क्षमता नहीं | सामान्य ऑटोरिग्रेसिव मल्टीमॉडल बड़ा मॉडल, जिसका मुख्य काम पाठ जनरेशन है |
| प्रतिक्रिया विलंब | 70–500 मिलीसेकंड, स्थिर और पूर्वानुमेय | सैकड़ों मिलीसेकंड से कई सेकंड, prompt लंबाई और आउटपुट token से बहुत प्रभावित |
| कॉल लागत | इनपुट 0.042 डॉलर/दस लाख Token, आउटपुट मुफ़्त | इनपुट-आउटपुट दोनों पर बिलिंग, कुल लागत 10–20 गुना अधिक |
| वर्गीकरण सटीकता | समुदाय के परीक्षण में व्यावसायिक ईमेल वर्गीकरण में Gemini से थोड़ी कम | सामान्य कार्यों में अधिक सटीकता, अधिक व्यापक सेमांटिक समझ |
| आउटपुट रूप | टाइपकृत निर्णय + प्रायिकता वितरण + कैलिब्रेटेड कॉन्फिडेंस | मुक्त पाठ या बंधा JSON, कोई मूल कैलिब्रेटेड कॉन्फिडेंस नहीं |
| हैलुसिनेशन नियंत्रण | पूर्वनिर्धारित विकल्पों तक सख्ती से सीमित, कोई फॉर्मेट हैलुसिनेशन नहीं | सीमा-भंग आउटपुट और फ़ील्ड बदलाव की संभावना |
| बहु-कार्य समानांतर | एक कॉल में कई स्वतंत्र प्रश्नों का समानांतर मूल्यांकन, कोई अतिरिक्त विलंब नहीं | कई कॉल क्रमिक रूप से या जटिल prompt बनाना पड़ता है, संदर्भ क्षरण आसान |
| मल्टीमॉडल क्षमता | केवल संरचित पाठ स्थिति प्रोसेस करता है | छवि, पाठ, ऑडियो, वीडियो का मूल समर्थन, सीधे "छवि देखकर निर्णय" ले सकता है |
Jev के अनुप्रयोग परिदृश्य
- Agent रूटिंग और टूल शेड्यूलिंग: मौजूदा मंस का सर्च, डेटाबेस या कोड एक्सीक्यूशन कॉल करना है यह उच्च-आवृत्ति में तय करता है; केवल पूर्वनिर्धारित वैध API सूची में से चयन करता है, हैलुसिनेटेड टूल नामों को खत्म करते हुए मिलीसेकंड-स्तर की प्रतिक्रिया से Agent के तेज़ चक्रों को सँभालता है।
- ग्राहक सहायता टिकट ट्रिएज: एक कॉल में टिकट की संबद्ध टीम, तात्कालिकता और जानकारी की पूर्णता का समानांतर मूल्यांकन करता है, जिससे रोज़ के लाखों ईमेल/टिकट लगभग शून्य लागत पर स्वतः ट्रिएज हो जाते हैं।
- गेम और सिमुलेशन निर्णय: गेम इंजन के संरचित आउटपुट को प्राप्त करता है, पूर्वनिर्धारित एक्शन सेट के भीतर प्रति सेकंड लगभग 10 बार की गति से तेज़ी से चाल चुनता है, DOOM, Mario जैसे गेम के AI खिलाड़ियों को चलाता है।
- ब्राउज़र ऑटोमेशन: पेज तत्वों को क्रमांकित करने के बाद Jev कदम-दर-कदम तय करता है कि कौन सा बटन दबाना है, कौन सा इनपुट बॉक्स भरना है; केवल पाठ उत्पन्न करने की आवश्यकता होने पर ही जनरेटिव मॉडल पर स्विच करता है, जिससे टिकट खोज जैसे कई चरणों के काम मात्र कुछ सेकंड में पूरे हो जाते हैं।
- संदर्भ संपीड़न और मॉडल रूटिंग: लाखों Token के लंबे संदर्भ में तय करता है कि कौन सी जानकारी महत्वपूर्ण है और कौन सी फेंकी जा सकती है, साथ ही कार्य की जटिलता का रीयल-टाइम पूर्वानुमान लगाकर तय करता है कि हल्के मॉडल को भेजना है या फ्लैगशिप मॉडल को, जिससे लागत और प्रभाव का सर्वोत्तम वितरण मिलता है।
Jev पर अक्सर पूछे जाने वाले प्रश्न
प्र1: Jev क्या है?
उ1: Jev TypeSafe AI द्वारा लॉन्च किया गया एक AI संरचित निर्णय मॉडल है, जो Transformer पर आधारित है लेकिन पाठ उत्पन्न नहीं करता, बल्कि पूर्वनिर्धारित विकल्पों के भीतर Choice (विकल्प), Score (स्कोर), Noul (द्वंद्वात्मक निर्णय) तीन तरह के टाइपकृत निर्णय कैलिब्रेटेड कॉन्फिडेंस के साथ लौटाता है, और विशेष रूप से Agent के उच्च-आवृत्ति निर्णय परिदृश्यों के लिए बनाया गया है।
प्र2: Jev और बड़े भाषा मॉडल में क्या अंतर है?
उ2: Jev एक बड़ा भाषा मॉडल नहीं है; यह वाक्य नहीं उत्पन्न करता, केवल उपयोगकर्ता द्वारा निर्धारित विकल्प और प्रकारों की सीमा में संरचित निर्णय लौटाता है, इसलिए कोई फॉर्मेट हैलुसिनेशन नहीं होता; प्रतिक्रिया विलंब लगभग 70–500 मिलीसेकंड, समान बड़े भाषा मॉडलों से 20–200 गुना तेज़, टूल रूटिंग, टिकट ट्रिएज जैसे उच्च-आवृत्ति निर्णयों के लिए उपयुक्त, पाठ जनरेशन अब भी जनरेटिव मॉडल को सौंपना चाहिए।
प्र3: Jev की प्रतिक्रिया गति और लागत कैसी है?
उ3: एंड-टू-एंड विलंब लगभग 70–500 मिलीसेकंड, प्रति सेकंड लगभग 10 निर्णय चक्र संभव; बिलिंग इनपुट 0.042 डॉलर/दस लाख Token, आउटपुट मुफ़्त, बड़ी मात्रा और उच्च-आवृत्ति निर्णय प्रकार के कॉल के लिए उपयुक्त।
प्र4: Jev किन परिदृश्यों के लिए उपयुक्त है?
उ4: उच्च-आवृत्ति, कम विलंब वाले "कौन सा चुनें" प्रकार के निर्णयों वाले परिदृश्यों के लिए उपयुक्त, जैसे Agent टूल रूटिंग, ग्राहक सहायता टिकट ट्रिएज, गेम AI चाल चयन, ब्राउज़र ऑटोमेशन, और लंबे संदर्भ में सूचना छानबीन व मॉडल रूटिंग।
अक्सर पूछे जाने वाले प्रश्न
Jev क्या है?
Jev TypeSafe AI द्वारा लॉन्च किया गया एक AI संरचित निर्णय मॉडल है, जो Transformer पर आधारित है लेकिन पाठ उत्पन्न नहीं करता, बल्कि पूर्वनिर्धारित विकल्पों के भीतर Choice (विकल्प), Score (स्कोर), Noul (द्वंद्वात्मक निर्णय) तीन तरह के टाइपकृत निर्णय कैलिब्रेटेड कॉन्फिडेंस के साथ लौटाता है, और विशेष रूप से Agent के उच्च-आवृत्ति निर्णय परिदृश्यों के लिए बनाया गया है।
Jev और बड़े भाषा मॉडल में क्या अंतर है?
Jev एक बड़ा भाषा मॉडल नहीं है; यह वाक्य नहीं उत्पन्न करता, केवल उपयोगकर्ता द्वारा निर्धारित विकल्प और प्रकारों की सीमा में संरचित निर्णय लौटाता है, इसलिए कोई फॉर्मेट हैलुसिनेशन नहीं होता; प्रतिक्रिया विलंब लगभग 70–500 मिलीसेकंड, समान बड़े भाषा मॉडलों से 20–200 गुना तेज़, टूल रूटिंग, टिकट ट्रिएज जैसे उच्च-आवृत्ति निर्णयों के लिए उपयुक्त, पाठ जनरेशन अब भी जनरेटिव मॉडल को सौंपना चाहिए।
Jev की प्रतिक्रिया गति और लागत कैसी है?
एंड-टू-एंड विलंब लगभग 70–500 मिलीसेकंड, प्रति सेकंड लगभग 10 निर्णय चक्र संभव; बिलिंग इनपुट 0.042 डॉलर/दस लाख Token, आउटपुट मुफ़्त, बड़ी मात्रा और उच्च-आवृत्ति निर्णय प्रकार के कॉल के लिए उपयुक्त।
Jev किन परिदृश्यों के लिए उपयुक्त है?
उच्च-आवृत्ति, कम विलंब वाले "कौन सा चुनें" प्रकार के निर्णयों वाले परिदृश्यों के लिए उपयुक्त, जैसे Agent टूल रूटिंग, ग्राहक सहायता टिकट ट्रिएज, गेम AI चाल चयन, ब्राउज़र ऑटोमेशन, और लंबे संदर्भ में सूचना छानबीन व मॉडल रूटिंग।
