İçerik özeti

Jev, TypeSafe AI'nin yapılandırılmış karar modelidir; cümle üretmez, önceden tanımlanmış seçenekler içinde Choice (Seçenek), Score (Puan), Noul (Evet/Hayır) olmak üzere üç tür tiplemeli karar ve kalibre güven skoru döndürür; gecikme yaklaşık 70–500 milisaniye, benzer büyük dil modellerinden 20–200 kat hızlı, tek çağrıda birden fazla sorunun paralel değerlendirilmesini destekler, Agent'ın yüksek frekanslı karar senaryoları için uygundur.

Jev Nedir

Jev, TypeSafe AI'nin geliştirdiği yapılandırılmış karar modelidir; kurucusu eski OpenAI araştırmacısı Diogo Almeida'dır. Jev Transformer tabanlıdır, ancak bir büyük dil modeli değildir; cümle üretmez, önceden tanımlanmış seçenekler içinde tiplemeli kararlar döndürür: Choice (Seçenek), Score (Puan), Noul (Olasılık), birlikte güven skoru. Modelin yanıt gecikmesi yaklaşık 70–500 milisaniyedir ve özellikle Agent'ın yüksek frekanslı karar senaryoları için tasarlanmıştır: araç yönlendirmesi, destek bileti triyajı, oyun kararları gibi.

Jev'in Temel Özellikleri

  • Choice Seçenek Kararı: Önceden tanımlanmış seçenek listesinden (en fazla 255) en uygun olanı seçer; seçenek, olasılık dağılımı ve güven skoru döndürür; yönlendirme ve sınıflandırma için uygundur.
  • Score Puanlama: Girdiyi özel bir ölçeğe (ör. 1–5 düzey) göre puanlar; puan, olasılık ve güven skoru döndürür; aciliyet, kalite veya risk düzeyini ölçmek için kullanılır.
  • Noul Evet/Hayır Kararı: "Bu ifade doğru mu" sorusuna 0–1 arasında bir olasılık değeri verir; insan devrine gerek var mı, harekete geçilmeli mi gibi ikili kararlar için uygundur.
  • Paralel Çok Soru: Tek API çağrısında birden fazla soru aynı anda sorulabilir; aynı girdiyi paylaşır, bağımsız ve paralel değerlendirilir; soru eklemek gecikmeyi neredeyse artırmaz ve bağlam bozulması yaratmaz.
  • Güven Skoru Çıktısı: Choice ve Score, kalibre edilmiş güven skoru ile birlikte gelir; kod bununla triyaj yapabilir — yüksek güvende otomatik yürütme, düşük güvende büyük modele yükseltme veya insan devrine geçme.
  • Halüsinasyonsuz Tiplemeli Çıktı: Çıktıyı kullanıcının tanımladığı seçenek ve tür sınırlarına katı biçimde sınırlar; JSON ayrıştırma gerekmez; format hatalarını ve sınır dışı yanıtları ortadan kaldırır.
  • Son Derece Düşük Gecikme: Uçtan uca yanıt yaklaşık 70–500 milisaniye; benzer büyük dil modellerinden 20–200 kat hızlı; saniyede yaklaşık 10 karar döngüsünü destekler.

Jev'in Üç Çıktı Türü

  • Choice (Seçenek Kararı): Kullanıcının önceden tanımladığı seçenek listesinden (en fazla 255) en uygun olanı seçer; seçilen seçeneği, her seçeneğin olasılık dağılımını ve güven skorunu döndürür; yönlendirme, sınıflandırma, araç seçimi gibi "çoktan birini seç" senaryoları için uygundur.
  • Score (Ölçek Puanlaması): Girdi durumunu kullanıcının belirlediği puan ölçeğine göre puanlar; puanı, her düzeyin olasılık dağılımını ve güven skorunu döndürür; aciliyet değerlendirmesi, kalite derecelendirmesi, risk sınıflandırması gibi "kaç puan" senaryoları için uygundur.
  • Noul (Evet/Hayır Kararı): Bir ifadenin doğru olup olmadığına dair 0–1 arasında bir olasılık değeri verir; ayrı bir güven skoru döndürmez; "insan devrine gerek var mı", "harekete geçilmeli mi" gibi ikili karar senaryoları için uygundur.

Üçünün İlişkisi: Aynı API çağrısında serbestçe birlikte kullanılabilir; aynı girdi durumunu paylaşır, paralel ve bağımsız değerlendirilir — soru eklemek gecikmeyi neredeyse artırmaz ve bağlam bozulması yaratmaz.

Jev Nasıl Kullanılır

  • Hesap Oluşturma: Jev'in resmi sitesi https://console.typesafe.ai/ adresine gidin; kayıt olduktan sonra doğrudan kullanabilirsiniz.
  • API Key Alma: Konsolda bir API Key oluşturup kopyalayın; sonraki arayüz çağrılarında kimlik doğrulama için kullanılır.
  • Girdi Durumu (State) Hazırlama: Mevcut durumu yapılandırılmış metin veya veri olarak düzenleyin; ör. oyun durumu, web sayfası öğe listesi, e-posta içeriği; Jev ham ekran yerine durum tanımını görür.
  • Soru Tanımlama (Questions): İhtiyaca göre üç ilkel türden birini seçin — Choice (Seçenek Kararı), Score (Ölçek Puanlaması), Noul (Evet/Hayır Kararı); her soruda yalnızca tek bir somut şey sorun.
  • İstek Gönderme: REST API veya resmi SDK üzerinden istek gönderin; State ve birden fazla soru aynı çağrıda yer alır, model tüm soruları paralel değerlendirir.
  • Tiplemeli Sonucu Ayrıştırma: Seçenek/puan/olasılık ve güven skoru gibi güçlü tipte sonuçları doğrudan alın; JSON istemi veya ek ayrıştırıcı yazmaya gerek yoktur, kod doğrudan tüketebilir.
  • Kodla Çok Soru Birleştirme: Karmaşık kararları atomik sorulara böldükten sonra her boyutun sonucunu kod mantığıyla ağırlıklı olarak birleştirin; modelin tek soruda her şeyi tartmasına izin vermeyin.
  • Güven Skoruyla Triyaj: Dönen güven skoruna göre strateji tasarlayın; ör. %90'ın üzerinde otomatik yürütme, %60–90 arası büyük modele yükseltme, %60 altında insan devrine geçme.
  • Kendi Verinizle Kalibrasyon Doğrulama: Otomatik karar kurallarını devreye almadan önce iş verisiyle modelin olasılıklarının gerçek sonuçlarla uyumunu kontrol edin; yalnızca tek seferlik güven skoruna bakmayın.
  • Üretim Modelleriyle Birlikte Kullanma: Metin üretimi gereken senaryolar (ör. form doldurma) için ayrı bir üretim modeli çağırın; Jev yalnızca "hangisini seç" tipindeki yüksek frekanslı karar adımlarından sorumludur.

Jev'in Temel Avantajları

  • Aşırı Hız: Uçtan uca gecikme yalnızca 70–500 milisaniye; benzer büyük dil modellerinden 20–200 kat hızlı; saniyede yaklaşık 10 yüksek frekanslı karar döngüsü destekler.
  • Format Halüsinasyonu Yok: Çıktı, kullanıcının tanımladığı seçenek ve tür sınırlarına katı biçimde sınırlıdır; JSON ayrıştırma gerekmez; hatalı yanıt ve format hatalarını ortadan kaldırır.
  • Kalibre Güven Skoru: Kalibre edilmiş olasılık dağılımı ve güven skoru döndürür; kod bununla otomatik yürütme, model yükseltme veya insan müdahalesi kararı verebilir.
  • Paralel Çok Soru: Tek çağrıda birden fazla bağımsız soru aynı anda değerlendirilir; aynı girdiyi paylaşır, gecikmeyi neredeyse artırmaz, bağlam bozulması yaratmaz.
  • Karar ve Üretimin Ayrılması: "Karar verme" işini tam metin üretiminden ayırır; küçük işler için büyük model kullanma israfını önler; üretim modelinin uzmanlaştığı metin üretimine odaklanmasını sağlar.
  • Kodla Birleştirilebilir: Atomik soru tasarımı iş mantığını kodda kalıcı kılar; öncelik değişikliklerinde prompt yeniden yazmak yerine yalnızca katsayı değiştirilir; kontrol edilebilirlik ve sürdürülebilirlik daha yüksektir.
  • Genel Anlamsal Anlama: Transformer mimarisi üzerine kurulu, genel anlamsal anlama yeteneğine sahiptir; kurallar ve adaylar sık değiştiğinde geleneksel sınıflandırıcılar gibi yeniden eğitim gerekmez.

Jev'in Benzer Rakipleriyle Karşılaştırması

Karşılaştırma Boyutu Jev (System One Karar Modeli) Gemini 2.5 Flash (Sınıflandırma-Karar için Genel LLM)
Model Özü Karar vermek için eğitilmiş sınıflandırma modeli, metin üretim yeteneği yok Genel otoregresif çok kipli büyük model, metin üretimi ana işi
Yanıt Gecikmesi 70–500 milisaniye, kararlı ve öngörülebilir Yüzlerce milisaniye ile birkaç saniye; prompt uzunluğu ve çıktı token sayısından büyük ölçüde etkilenir
Çağrı Maliyeti Girdi 0,042 dolar/milyon Token, çıktı ücretsiz Girdi ve çıktı için iki yönlü ücretlendirme, toplam maliyet 10–20 kat yüksek
Sınıflandırma Doğruluğu Topluluk testlerinde ticari e-posta sınıflandırmasında Gemini'den biraz düşük Genel görevlerde daha yüksek doğruluk, daha kapsamlı anlamsal anlama
Çıktı Biçimi Tiplemeli karar + olasılık dağılımı + kalibre güven skoru Serbest metin veya kısıtlı JSON, yerel kalibre güven skoru yok
Halüsinasyon Kontrolü Önceden tanımlı seçeneklere katı sınır, format halüsinasyonu yok Sınır dışı çıktı ve alan kayması olasılığı var
Çok Görev Paralelliği Tek çağrıda birden fazla bağımsız soruyu paralel değerlendirir, sıfır ek gecikme Seri çoklu çağrı veya karmaşık prompt birleştirme gerekir, bağlam bozulması kolay
Çok Kipli Yetenek Yalnızca yapılandırılmış metin durumunu işler Görüntü, metin, ses, video yerel olarak desteklenir, doğrudan "görerek bakarak karar" verilebilir

Jev'in Uygulama Senaryoları

  • Agent Yönlendirmesi ve Araç Zamanlama: Mevcut niyetin arama, veritabanı mı yoksa kod çalıştırma mı çağırması gerektiğini yüksek frekansla değerlendirir; yalnızca önceden tanımlı geçerli API listesinden seçim yapar; hayali araç adlarını ortadan kaldırırken milisaniye düzeyinde yanıtla Agent'ın hızlı döngülerini destekler.
  • Müşteri Destek Bileti Triyajı: Tek çağrıda bir biletin ait olduğu ekibi, aciliyetini ve bilginin tam olup olmadığını paralel değerlendirir; günlük milyonlarca e-posta/bilet neredeyse sıfır maliyetle otomatik triyajdan geçer.
  • Oyun ve Simülasyon Kararları: Oyun motorunun ürettiği yapılandırılmış durumu alır; önceden tanımlı eylem seti içinde saniyede yaklaşık 10 kez hızlı hamle seçer; DOOM, Mario gibi oyunların AI oyuncularını yönlendirir.
  • Tarayıcı Otomasyonu: Sayfa öğelerini numaralandırdıktan sonra Jev hangi düğmeye tıklanacağı, hangi alanın doldurulacağı adım adım belirler; yalnızca metin üretimi gerektiğinde üretim modeline yönelir; bilet arama gibi onlarca adımlık işlemleri birkaç saniyede tamamlar.
  • Bağlam Sıkıştırma ve Model Yönlendirme: Milyon token'lık uzun bağlamda hangi bilgilerin kritik, hangilerinin atılabileceğini değerlendirir; görevin karmaşıklığını gerçek zamanlı tahmin ederek hafif model mi yoksa amiral gemisi model mi gönderileceğine karar verir; maliyet ve etkinin en iyi dengesini sağlar.

Jev Hakkında Sıkça Sorulan Sorular

S1: Jev nedir?

C1: Jev, TypeSafe AI'nin geliştirdiği yapılandırılmış karar modelidir; Transformer tabanlıdır ancak metin üretmez, önceden tanımlanmış seçenekler içinde Choice (Seçenek), Score (Puan), Noul (Evet/Hayır) olmak üzere üç tür tiplemeli kararı kalibre güven skoruyla birlikte döndürür; Agent'ın yüksek frekanslı karar senaryoları için tasarlanmıştır.

S2: Jev'in büyük dil modellerinden farkı nedir?

C2: Jev bir büyük dil modeli değildir; cümle üretmez, yalnızca kullanıcının tanımladığı seçenek ve tür sınırları içinde yapılandırılmış kararlar döndürür, bu nedenle format halüsinasyonu yoktur; yanıt gecikmesi yaklaşık 70–500 milisaniye, benzer büyük dil modellerinden 20–200 kat hızlıdır; araç yönlendirmesi, destek bileti triyajı gibi yüksek frekanslı kararlar için uygundur, metin üretimi yine de üretim modellerine bırakılmalıdır.

S3: Jev'in yanıt hızı ve maliyeti nasıldır?

C3: Uçtan uca gecikme yaklaşık 70–500 milisaniye, saniyede yaklaşık 10 karar döngüsü desteklenir; ücretlendirme girdi için 0,042 dolar/milyon Token, çıktı ücretsizdir; yüksek hacimli, yüksek frekanslı karar tipi çağrılar için uygundur.

S4: Jev hangi senaryolar için uygundur?

C4: Yüksek frekanslı, düşük gecikmeli "hangisini seç" tipi kararların gerektiği senaryolar için uygundur: Agent araç yönlendirmesi, müşteri destek bileti triyajı, oyun AI hamle seçimi, tarayıcı otomasyon işlemleri ve uzun bağlamda bilgi süzme ile model yönlendirme.

Sık sorulan sorular

Jev nedir?

Jev, TypeSafe AI'nin geliştirdiği yapılandırılmış karar modelidir; Transformer tabanlıdır ancak metin üretmez, önceden tanımlanmış seçenekler içinde Choice (Seçenek), Score (Puan), Noul (Evet/Hayır) olmak üzere üç tür tiplemeli kararı kalibre güven skoruyla birlikte döndürür, Agent'ın yüksek frekanslı karar senaryoları için tasarlanmıştır.

Jev'in büyük dil modellerinden farkı nedir?

Jev bir büyük dil modeli değildir; cümle üretmez, yalnızca kullanıcının tanımladığı seçenek ve tür sınırları içinde yapılandırılmış kararlar döndürür, bu nedenle format halüsinasyonu yoktur; yanıt gecikmesi yaklaşık 70–500 milisaniye, benzer büyük dil modellerinden 20–200 kat hızlıdır; araç yönlendirmesi, destek bileti triyajı gibi yüksek frekanslı kararlar için uygundur, metin üretimi yine de üretim modellerine bırakılmalıdır.

Jev'in yanıt hızı ve maliyeti nasıldır?

Uçtan uca gecikme yaklaşık 70–500 milisaniye, saniyede yaklaşık 10 karar döngüsü desteklenir; ücretlendirme girdi için 0,042 dolar/milyon Token, çıktı ücretsizdir; yüksek hacimli, yüksek frekanslı karar tipi çağrılar için uygundur.

Jev hangi senaryolar için uygundur?

Yüksek frekanslı, düşük gecikmeli "hangisini seç" tipi kararların gerektiği senaryolar için uygundur: Agent araç yönlendirmesi, müşteri destek bileti triyajı, oyun AI hamle seçimi, tarayıcı otomasyon işlemleri ve uzun bağlamda bilgi süzme ile model yönlendirme.