言葉を読み、
次の処理を決める。

文章を作らない、判定専用のモデル

JevはTypeSafe AIが提供するAIモデルです。同社はJevを「System Oneモデル」の最初の1つと位置づけています。

LLMと同じように自然な文章を読み取りますが、返すのは型の決まった答えと確率だけです。返信の文章や説明文、コードは書きません。

「System One」という考え方

名前は行動経済学の本『ファスト&スロー』で広まった「速く直感的な思考（システム1）」に由来します。数秒で下せる判断をJevが受け持ち、迷うものは人や推論型のモデルへ回す、という分担です。

公式は大きな判断を小さな質問に分け、答えをコードで組み合わせるよう勧めています。優先度が変わったときは、文章の指示を書き直さず、コードの係数を変えればよい、という考え方です。

確率が「較正」されている

Jevは答えに付く確率が実際の当たり外れに合うよう訓練されています。これを較正と呼び、「90%」と答えたものを集めると約9割が当たる状態を目指します。

ただし公式も、較正は多数の予測で見た性質で、1件ごとの答えが正しいとは限らないと書いています。確かさを0〜1で表すconfidenceが付くのは、選択（Choice）と採点（Score）の答えだけです。

LLMとの違い

内部の構造（アーキテクチャ）は公開されていません。公式が明かしているのは、RLCDという方法で較正された判定を返すよう訓練したことまでです。Jevの読み方についての公式表記は、当社が確認した範囲では見つかりませんでした。

Jev そのものの説明（読み方と名前の由来・仕組み・料金・始め方）は、入門記事「Jevとは？判定専用モデルの仕組み・料金・始め方」にまとめています。

出典：公式 System One ↗　公式 Confidence ↗　公式 Models ↗　公式 Introduction ↗

判定する材料（state）

stateはテキストだけを受け付けます。使える形は文字列・JSONのオブジェクト・テキストの配列の3つです。画像・音声・動画は受け付けないので、先に文章や項目に直してから渡します。

公式は各部分に名前を付けられるオブジェクト形式を基本として勧めています。比べて判断したい情報（問い合わせ文と規定など）は、1つのstateにまとめて入れます。

質問は3つの型を混ぜられる

質問は選択（Choice）・採点（Score）・当てはまるか（Noul）の3型です。1回の呼び出しに、型の違う質問を複数入れられます。

質問はそれぞれ独立して、同じstateに対して並行で判定されます。公式は質問を増やしても応答時間はほとんど変わらないと書いています。

長さの上限

1回の呼び出しはstateと全部の質問を合わせて64Kトークンまでです。stateと一番長い質問の組み合わせは、32Kトークンまでです。公式はstateが長くなるほど精度が変わる点にも注意を促しています。

出典：公式 State ↗　公式 Models ↗（2026年9月28日確認）

料金

公式の料金は、入力100万トークンあたり0.042ドルです。出力は無料で、費用は入力のトークン数だけで決まります。対象は現行版 jev-1.13.0 です（2026年9月28日確認）。

無料で使える枠（クレジット）の有無は、当社が確認した公式ドキュメントには載っていませんでした。

月の費用の目安

1回に渡すトークン数ごとに、公式の料金で計算しました。出力は無料なので、入力だけで計算しています。

経由するサービスによって、料金や上限の扱いが変わることがあります。Vercel AI Gateway経由で使う場合は、同社の表示も確認してください。

始め方（4ステップ）

1. Playgroundで試します。公式コンソールにログインし、文章を貼って質問を足します。コードを書かずに結果を見られます。
2. APIキーを作ります。コンソールでキーを発行し、環境変数 TYPESAFE_API_KEY に入れます。
3. SDKを入れます。Pythonは pip install typesafe-sdk（3.10以上）です。JavaScriptは npm install @typesafe-ai/sdk です。SDKを使わず、HTTPで POST /v1/systemone を呼ぶこともできます。
4. Vercel AI Gatewayを使う場合は、モデル名に typesafe-ai/jev を指定します。当社はこの方法で呼んでおり、TypeSafe AIのコンソールは使っていません。

出典：公式 Quick start ↗　公式 Client SDKs ↗　公式 Playground ↗

当社の呼び出し方

当社は判定したい文章と質問を渡すだけの小さな呼び出し用スクリプトを使っています。質問は「はい/いいえ」「選択」「採点」の3形式で、複数をまとめて1回で聞けます。

返ってくるのは、答えと確率、使ったトークン数、かかった時間です。1回あたりの応答は約0.4秒です。経由サービス側でデータを保存しない設定も付けています。

版を固定する

モデル名には、版を固定した jev-1.13.0 と、最新の正式版を指す jev-latest があります。jev-latest は新しい版が出ると向き先が変わり、こちらが何もしなくても答えが変わることがあります。

公式は閾値を調整したら版を固定し、移行は自分の都合で進めるよう勧めています。応答には答えた版が入るので、結果と一緒に記録しておくと後で比べられます。

(a) 資料から読み取った値を、3段で確かめる

製品仕様の公開資料から、小型モデル（Claude Haiku 4.5）で数値を抜き出しました。抜き出した値は、下の3段を通ったものだけ採用します。通らない値は空欄のまま残します。

3段を通した結果、採用した値の誤りは0件でした。正しい値の99%を採用し、残り1%は空欄です。

公式の分類では、活用領域「AIの結果を検証」に当たります。

(b) 検索サジェストの並べ替え

自社で運営する分析ツールで、名前の入力候補を並べ替える処理にJevを使っています。先に手元の一覧で文字の一致を調べて候補を出し、Jevの結果が届いたら並べ替えます。本番で稼働中で、Jevの応答は約0.5秒です。

公式の分類では、ユースケース「検索・情報取得」に当たります。

(c) 写真から料金を出す試作

写真を画像対応の小型モデルで文章にし、Jevが決まった質問で判定する構成です。金額は判定をもとにプログラムが料金表で計算し、AIには直接出させません。3段がつながって動くことを確かめ、文章にする工程の分だけ2〜3秒遅れることも分かりました。

公式の分類では、活用領域「リアルタイム処理」に当たります。

(d) 検討中の使い道（案）

社内の経費処理では、明細を1行ずつ店の区分に照らして判定する案を準備しています。まだ動かしていません。

診断型のLPでは、回答に合わせて、用意した文章や部品からJevが選ぶ案があります。Jevは文章を作れないので、表示するのは定型文か、別のモデルが作った文です。

公式の分類では、経費の案はユースケース「法務・コンプライアンス」、LPの案は「見込み客の発見」に近い形です。

当社の実測（日本語の資料）

日本語の資料から読み取った値の検証では、文字の違いを99.9%見抜きました。一方で、表の区切りの読み違いは見逃し、閾値0.95を超えて通った誤りもありました。

当社で誤りが出たのは、言葉の意味よりも表の構造を読み取る場面でした。

第三者の日本語ベンチマーク（当社未検証）

IVRyのテックブログが、日本語の評価セットでJevを検証しています（2026年9月25日公開）。Jevは文章を書けないため、選択式の問題に絞っています。日本語は19セット・延べ77,781件、英語版を含めると24セット・延べ104,758件です。

比較相手は日本語LLMのランキング上位2モデルです。試験問題では2モデルより10ポイント以上高く、文の関係の判定（自然言語推論）ではやや低い結果でした。

比較モデルの値はランキングの公開値で、例を見せる数などの条件がそろっていません。記事自身も、試験問題だけが高い理由は分からないとしています。検証の費用は約2.7ドル（入力 約6,300万トークン）でした。

出典：IVRyテックブログ（Zenn）「日本語ベンチマークでJevの性能を検証する」 ↗（2026年9月28日確認）

当社の確認状況：当社未検証

公式の見解

公式は英語が主な学習言語で、精度も英語が最も高いと書いています。日本語などの他の言語も扱えますが、同じ水準ではありません。日本語で使う前に自分のデータで試し、振り分けではconfidenceをよく見るよう勧めています。

出典：公式 Models（Language support） ↗

当社の実測

当社の運用では、1回の応答は約0.4〜0.5秒です。短い文に1問を聞いた試験では、続けて呼んだ2回目以降が0.42〜0.58秒でした。しばらく間が空いた最初の1回は、約1秒かかりました。

公式の上限

公式の上限は毎秒10万トークン、毎秒80リクエストです。超えると「429 Too Many Requests」が返り、公式SDKは間を置いて自動で再試行します。公式は需要が多いため上限は予告なく変わることがあると書いています。

応答時間の目安は、公式ブログには70〜500ミリ秒とあり、ドキュメントの仕様表には載っていません。

出典：公式 Models ↗（2026年10月4日確認）

「193.6倍速い・444.6倍安い」について

公式サイトのトップには「193.6倍速く、444.6倍安い」とあります。注記は「System Oneに向く作業の流れでの比較」です。例として、Jevは0.114秒・0.000081ドル、LLMは8.566秒・0.013880ドルと示されています。

どのLLMとどの作業で比べたかは、トップページの文面からは確認できませんでした。当社はこの数字を検証していません。

出典：TypeSafe AI 公式サイト ↗（2026年9月28日確認）

論文「JEV vs. LLMs as Rubric Judges」

2026年9月24日にarXivで公開された、研究者2名の論文です（arXiv:2609.29769）。採点基準に沿った審査で、JevがLLMの代わりになるかを調べています。7つのベンチマークから作った9つの採点パネルで、速さ重視の3つのLLMと比べました。

正解率がLLMと有意に違ったのは、27組の比較のうち8組です。はい/いいえの基準ではJevが上回ることが多く、段階評価の基準では下回りました。残りの多くは、差がはっきりしませんでした。

9パネルの合計で、LLMはJevより費用が16〜325倍、時間が28〜350倍かかりました。一方、Jevが自信を持って間違えた問題は、LLMもほぼ同じように間違えています。そのため「Jevで判定し、迷う分だけLLMへ回す」構成でも、正解率の上積みは最大2.7ポイントでした。値は2026年9月28日の改訂版（v2）のもので、初版では費用が29〜325倍、時間が30〜220倍、上積みが最大1.5ポイントでした。

当社でも、同じ文字情報を別のモデルに読ませて照らし合わせる方法では、誤りを1つも止められませんでした。そこで3段目は、ページの画像を見せる方式にしています。

出典：arXiv:2609.29769 ↗（2026年10月4日確認・v2の要旨のみ）

技術背景

公式によると、JevはRLCDという方法で、較正された判定を返すよう訓練されています。顧客のデータで追加学習はしておらず、全員が同じモデルを使います。

公式は顧客のリクエストや応答をJevの学習に使わないと書いています。内部の構造（アーキテクチャ）やモデルの大きさは、当社が確認した範囲では公開されていません。

出典：公式 Models ↗　公式 AI primer ↗