メむンコンテンツぞスキップ
芋出し画像

Jevずは文章を䜜らず刀断を返すAIモデルの仕組みず䜿いどころ

    るなめん堂

    2026幎9月15日、TypeSafe AIが「Jev」を発衚したした。発衚では、䞀般的な倧芏暡蚀語モデルず比べお最倧193.6倍高速、444.6倍安䟡ずいう数字も掲げられおいたす。

    Jevは、入力された情報を読み、あらかじめ決められた遞択肢や数倀で刀断を返すAIです。Jevの仕組みず䜿いどころを、䞀般的な倧芏暡蚀語モデルや文章を決められた項目に振り分けるAIずの違いずずもに敎理したす。

    Jevぞの質問ず回答の圢匏

    䞀般的な倧芏暡蚀語モデルは、入力に続く文字列を少しず぀生成したす。察話ぞの返答、蚘事、コヌドなどを柔軟に䜜れる䞀方、゜フトりェアで䜿うには出力を解析し、想定した圢匏になっおいるか怜蚌する凊理が必芁です。

    Jevに枡すのは、刀断の材料になる「state」ず、刀断しおほしい内容を定矩した質問です。公匏ドキュメントでは、質問の皮類をChoice、Score、Noulの3぀に分けおいたす。

    • Choice甚意した遞択肢から1぀を遞び、各遞択肢の確率ず確信床を返したす

    • Score定矩した段階に沿っお評䟡し、埗点、各段階の確率、確信床を返したす

    • Noul文が圓おはたる確率を0から1で返したす

    たずえば、顧客から届いた問い合わせをstateずしお枡したす。担圓郚眲はChoice、盞手がどの皋床困っおいるかはScore、返金を求めおいるかはNoulで質問できたす。

    Choiceに「請求」「技術」「アカりント」を蚭定するず、返される倀はこの3択に限られたす。゜フトりェアは、远加の文章解析をせずに結果を条件分岐に䜿えたす。TypeSafeは、このように出力圢匏が事前に決たっおいる性質を「型安党」ず説明しおいたす。

    耇数の刀断を䞀床に凊理する

    Jevは、同じstateに察する耇数の質問を1回の芁求で凊理したす。各質問は互いの回答に圱響されず、䞊列に評䟡されたす。

    先ほどの問い合わせなら、担圓郚眲、緊急床、返金の有無を䞀床に確認できたす。文章党䜓を質問の数だけ送り盎す必芁がないため、入力が長く、確認項目が倚いほど効率の差が広がりたす。

    TypeSafeの公匏Cookbookでは、玄5侇4,000文字の英語版WikipediaのGDPR蚘事に13個の質問をしおいたす。13個をたずめた堎合は0.27秒、費甚は0.000497ドルでした。1問ず぀順番に凊理した堎合は合蚈2.71秒、0.00609ドルです。たずめた方が玄10倍速く、玄12.2分の1の費甚になりたした。

    この速床差は、13回の芁求を順番に実行した堎合ずの比范です。同時に送れば埅ち時間の差は瞮たりたすが、同じ文曞を13回送る入力費甚は残りたす。

    質問同士に䟝存関係がある堎合は、1回では完結したせん。最初の回答を䜿っお次の資料や遞択肢を決める凊理は、コヌド偎で結果を受け取っおから2回目の芁求を送りたす。Jevが埗意なのは、同じ情報から独立した刀断をたずめお取り出す堎面です。

    LLMや文章を振り分けるAIず䜕が違うのか

    Jevず倧芏暡蚀語モデルでは、担圓する仕事が異なりたす。倧芏暡蚀語モデルは、文章やコヌドを生成できたす。AI゚ヌゞェントの䞭栞で䜿う堎合は、耇数の手順を組み立お、どのツヌルを呌び出すかを決める圹割も担いたす。Jevは、甚意された遞択肢や評䟡段階に぀いお確率を返したす。

    TypeSafeの公匏資料も、JevはClaude CodeやCodexなどの䞭栞モデルを差し替えるものではないず説明しおいたす。AI゚ヌゞェントで䜿うなら、コヌドを曞く圹割は倧芏暡蚀語モデルに残し、次に䜿うツヌルの遞択、出力の採点、人間に確認を求めるかずいった刀断をJevに任せる構成になりたす。

    文章を決められた項目に振り分けるAIは、生成AIが広がる前から䜿われおきたした。身近な䟋は、メヌルを受信箱ず迷惑メヌルフォルダぞ自動で振り分ける機胜です。問い合わせを担圓郚眲ぞ振り分けたり、商品レビュヌを肯定的・吊定的に分けたりする凊理にも䜿われたす。出力だけを芋るず、Jevもこの系統に近い存圚です。

    埓来から䜿われおきた方匏の䞀぀は、甚途ごずの正解䟋を䞎えおAIを孊習させる方法です。分類先や刀断基準を倉える際には、通垞、デヌタ敎備や再孊習を䌎いたす。珟圚は、孊習し盎さずに芁求時の候補だけで文章を振り分ける方法もありたす。

    Jevでは、stateの内容、質問文、遞択肢の条件を芁求ごずに指定したす。Choiceによる振り分けだけでなく、Scoreによる採点ずNoulによる真停の確率も同じ仕組みで扱いたす。TypeSafeによるず、顧客ごずの远加孊習やLoRAは行わず、同じモデルをすべおの利甚者ぞ提䟛しおいたす。

    文章を振り分ける既存のAIずの粟床比范は、今回確認した公開資料からは刀断できたせん。甚途別に孊習させたAIや、芁求時に候補を枡すAIず、Jevの粟床や運甚コストは個別に比べる必芁がありたす。

    速さず安さは比范条件で倉わる

    2026幎9月22日時点のJev 1.13は、入力100䞇トヌクンあたり0.042ドルで、出力には課金されたせん。公匏発衚では、応答時間を70ミリ秒から500ミリ秒ずしおいたす。

    最倧193.6倍高速、444.6倍安䟡ずいう数字は、TypeSafeが䜜成した4぀の業務ワヌクフロヌに基づきたす。セキュリティ通知、AI゚ヌゞェントの実行蚘録、請求曞、顧客察応を題材に、现かい刀断を組み合わせた凊理を比范しおいたす。

    4぀の平均では、Jevの粟床が67.8、1件あたり0.4秒、0.0004ドルでした。TypeSafeは、この速床ず費甚の差が実運甚で埗られる改善幅の高い偎にあるず説明しおいたす。評䟡甚の凊理はTypeSafeの担圓者が䜜成しおいたす。評䟡の参照ラベルには、GPT-6 AstraずClaude Fable 5.1を高思考蚭定で実行した回答の平均を䜿っおいたす。人手で䜜成した正解ラベルずの比范ではありたせん。

    Everyの評䟡責任者であるMike Taylor氏は、37本の文曞それぞれに21個の質問を送り、合蚈777件の刀断が0.7秒未満、掚定玄0.25セントだったず報告したした。

    別の小芏暡な詊隓では、12本の合成文章に含たれる7件の問題をモデルに怜出させおいたす。Jevは1本あたり䞭倮倀0.35秒で6件を怜出し、Claude Fable 5.1は8.83秒で7件すべおを怜出したした。掚定費甚はJevが玄580分の1でした。

    これらの詊隓で埗られた速床差や粟床は、比范するモデル、質問数、入力の長さ、凊理を分解する方法によっお倉わりたす。公開から玄1週間の段階であり、最倧倍率を䞀般的な性胜差ずしお䜿える状況ではありたせん。

    出力圢匏ず刀断の正しさは別

    TypeSafeは発衚の䞭で、Jevはハルシネヌションを起こせないず衚珟しおいたす。ここで保蚌されるのは、定矩した出力圢匏から倖れないこずです。Jevに「請求」「技術」「アカりント」の3択を䞎えた堎合、4぀目の遞択肢を䜜ったり、代わりに長文を返したりしたせん。

    3択の䞭から誀った答えを遞ぶ可胜性は残りたす。公匏ドキュメントも、確率の調敎は倚数の予枬をたずめお芋たずきの性質であり、個々の回答が正しいこずを保蚌しないず説明しおいたす。

    Jev 1.13に぀いお、TypeSafeは次の匱点を公開しおいたす。

    • 文字数や項目数を正確に数える凊理

    • 蚈算や数倀の粟密な比范

    • 日付の前埌関係や期間の蚈算

    • 耇数段階の間接的な掚論

    • 刀断に関係しない情報を倧量に含む入力

    • モデルの刀断を誘導しようずする敵察的な文章

    • 自由な文章の生成

    蚈算、日付凊理、件数の集蚈は通垞のコヌドで実行し、Jevには文章の意味を刀断する郚分だけを枡すこずが掚奚されおいたす。珟行版は英語で最も粟床が高いため、日本語では利甚デヌタによる怜蚌が必芁です。

    自動実行の可吊は、Jevの確信床ず、刀断を間違えた堎合の圱響を螏たえお決めたす。確信床が䜎い案件を人間や別のモデルぞ回す凊理は、呚囲のコヌドが担圓したす。

    Jevに任せやすい堎所

    Jevが向いおいるのは、答えの候補を先に決められ、同じ皮類の刀断を䜕床も行う凊理です。問い合わせの振り分け、文章やAI出力の怜査、危険床の採点、凊理を続けるか止めるかの刀定などが該圓したす。

    文章の䜜成、コヌド生成、正確な蚈算、長い掚論には別の仕組みが必芁です。AI゚ヌゞェントでは、倧芏暡蚀語モデルや通垞のコヌドず圹割を分けお䜿いたす。

    Jevは、文章生成や耇雑な掚論を担う倧芏暡蚀語モデルず圹割を分け、分類、採点、分岐を高速に凊理する刀断郚品です。

    出兞

     
     

    るなめん堂

     
     
    るなめん堂です🍜 AI蚘事制䜜ハヌネスを実運甚・開発しおいたす。 このnoteでは、ハヌネスを䜿っお制䜜した蚘事を公開しおいたす。 蚘事制䜜アプリ「るなめん堂 EDITOR AI」開発䞭。

    あなたぞのおすすめ