一文字も書かないAI「Jev」超解説 —— System One Modelは何を捨てて、何を手に入れたのか
2026年9月15日、サンフランシスコのAIラボTypeSafe AIが最初のモデル「Jev（ジェヴ）」を早期アクセスで公開した。創業者のディオゴ・アルメイダはOpenAIのポストトレーニングチーム出身で、ChatGPTの原型をつくったInstructGPT論文の共著者である。Jevは文章を生成しない。状態（state）と型付きの問い（questions）を受け取り、選択・スコア・確率という型付きの答えを、確信度つきで一度に返すだけのモデルだ。自己回帰生成を捨てた結果として同社は「20〜200倍速い、40〜400倍安い」と主張し、入力100万トークンあたり0.042ドル、出力トークンは無課金という価格を提示した。Hacker Newsのスレッドは1,800点を超え、公開から数日でCloudflareのWorkers AIとVercelのAI Gatewayに載った。一方で、看板に掲げられた「ハルシネーションしない」の中身はスキーマ適合の数学的保証であって、判断が正しいことの保証ではない。公開されたベンチマークの「正解」も、他社フロンティアモデル2種の平均との一致度である。本稿は発表を一次資料まで遡って分解し、検証可能な部分、まだ誰も検証していない部分、そして実務としてどう扱うべきかを整理する。
1. 発表の事実関係を先に固定する
事実関係は単純だ。TypeSafe AIは2024年設立、本拠はサンフランシスコ。創業者はアルメイダ（CEO）、エリック・ガフニ、サーシャ・シェンの3名。ステルス期間はおよそ2年。9月15日に最初のモデルJevの早期アクセスを開始し、同時にDCVCがリードする4,000万ドルのシード調達を公表した。翌16日には開発者向けアクセスの受け入れが本格化している。公開時点で名前の出ている本番顧客はなく、売上の開示もない。ウェイトリスト方式で、バッチごとにAPIキーが配られている段階だ。
モデルの重みは公開されていない。セルフホストもVPC内への配置もできず、現時点では閉じたマネージドAPIとしてのみ提供される。金融や医療のようにデータを外に出せない領域では、これだけで採用検討が止まる。
発表当日のHacker Newsスレッドは1,856点・485コメントまで伸びた。AIモデルの発表としては異例の数字で、しかもコメント欄の半分近くが称賛ではなく、主張の定義をめぐる詰問に費やされている。CEO本人が何十回も返信しており、そのやり取り自体が一次資料として読む価値を持つ、珍しい発表になった。
2. Jevは結局、何をするモデルなのか
Jevの入力は二つある。ひとつは「state」——いま手元のコードが持っているデータそのものだ。サポートチケットの本文、ログ1行、メールの本文、ゲームの座標を詰めたJSON。構造化されていても、していなくてもいい。もうひとつが「questions」——そのstateについて聞きたいことを、型つきで宣言したもの。
答えの型は3種類しかない。
Noul（ヌール） は「これは真か」に対して真偽値ではなく0から1の確率を返す。1に近ければ強い「はい」、0に近ければ強い「いいえ」、0.5付近は「わからない」を意味する。名前の由来はベルヌーイ（Bernoulli）で、コード上のif文に対応する。ふつうの分類器がtrueだけを返して、それが実はコイン投げだったことを後から知らせないのに対して、Noulは最初からコイン投げの目盛りごと渡してくる。
Choice は「この選択肢のどれか」に答える。選択したラベル、各選択肢の確率、確信度が返る。ルーティング、カテゴリ分け、トリアージ。コードのmatch文に対応する。選択肢の濃度は255まで対応する。
Score は「このルーブリックのどの段階か」に答える。品質評価、深刻度、優先度。ソートに対応する。
ドキュメントは、ひとつの問いは「具体的で、範囲が絞られた一つのこと」だけを聞くべきだと明示している。複雑な判断はモデルの中で推論させるのではなく、原子的な問いに分解して、自分のコードで組み立て直す。「時間に正確で、賢くて、経験がある」を一つのScoreで測るなという例がドキュメントにあるが、これはJevの思想そのものだ。一つ高くて一つ低い入力はどこにも置けず、確信度が下がり、スコアの意味が壊れる。だから三つに割って、コードで合成する。
重要なのは、問いが連鎖しないことだ。ある答えが別の問いの文脈になることはない。前の判断に依存する判断が必要なら、コード側で二回目のリクエストを出す。分解の責任は完全にアプリケーション側にある。
出力は文字列ではなく値なので、パースするものがない。JSONが途中で切れて再試行、という工程が消える。呼び出し側のコードは、返ってきた値と確信度でそのまま分岐できる。
3. なぜ速いのか —— 文字列を捨てた代償と見返り
通常の言語モデルはトークンを1個ずつ、直前のトークンを条件として順番に生成する。「承認」という二文字を得るために、モデルは思考の道筋も、丁寧な前置きも、JSONの波括弧もキー名も、全部トークンとして吐き出し、その全部に課金される。
Jevは宣言された問いをすべて並列に評価し、一度のクエリで全部の答えを返す。出力スキーマが呼び出し側によって事前に固定されているので、不正な値も、欠けたフィールドも、頼んでいないキーも、構造上返しようがない。同社はこれを「数学的に不可能」と表現している。反証は一件の反例で済むはずだが、いまのところ出ていない。
コンテキストは32,000トークン。stateと問いで共有する。100万トークンを謳うフロンティアモデルの30分の1以下だが、チケット1件、文章1段落という想定ワークロードでは誰も気づかない制約だ。逆に言えば、契約書1本を丸ごと読ませる用途は最初から想定外である。
対応していないものも明快だ。文章生成、コード生成、要約、翻訳、説明——すべて不可。画像入力も非対応。チャットUIは存在しない。そして推論トレースがない。判断が間違って見えたとき、読むべき理由の説明はどこにもなく、与えた選択肢上の確率分布があるだけだ。監査可能な理由づけが要件に含まれる規制業務では、これは不便ではなく、明確な採用不可要因になる。
4. RLCD —— 本当の賭けはキャリブレーションにある
速度も価格も、実は派生物にすぎない。TypeSafeが賭けているのは訓練手法のほうだ。RLCD（Reinforcement Learning for Calibrated Decisions、キャリブレートされた判断のための強化学習）は、RLHFやRLVRと明示的に対置されている。
RLHFは人間の好みを最適化する。人間の評価者が好む答えが報酬になる。アルメイダはここに構造的な欠陥を見ている。人間の好みを最適化すると、モデルは「読み手にとって正しく見える答え」を出すようになる。つまり、どれだけ間違っていても正しく見える。過剰約束はバグではなく仕様だ、というのが彼の言い方である。だから人間をループから外せない。なぜLLMは人間の監督を必要とするのか、という問いに対する彼の答えは、訓練の時点で人間をループに入れたからだ、というものだ。
RLVRは検証可能な報酬を最適化する。正解にたどり着いた思考の系列全体を強化するので、「80%の確からしさ」を出力するようには訓練されない。正解を出し、不正解を出さないように訓練されるだけだ。
RLCDが最適化するのは確率そのものである。実際の答えが「いいえ」だったときに{はい:0.9, いいえ:0.1}という分布を出したら強く罰し、{はい:0.6, いいえ:0.4}なら弱く罰する。手法の系譜としては「キャリブレーテッドRL」と呼ばれてきたものに近く、概念そのものは新しくない。難しいのは、大規模モデルの上で、多様なタスクに対して同時に成立させることだ。
キャリブレーションが本当に成立していれば、何が変わるのか。確信度70%と言ったときに、その集団のおよそ70%で正しい——この性質が、自動化の設計を根本から変える。キャリブレートされていない精度85%の分類器は、残り15%を見つける手段を与えてくれない。キャリブレートされた精度70%のモデルは、不確かなケースだけを人間か上位モデルに回して、確かなケースを自動処理させてくれる。精度の絶対値ではなく、精度と自動化率のトレードオフを操作できることが価値なのだ。
ただし、これは各問いが個別にキャリブレートされているという話でしかない。HNで指摘された通り、個々の答えの確信度が正しくても、それらを合成した最終判断がキャリブレートされている保証はどこにもない。合成スコアに閾値を引くことはできるが、同じスコアを持つ誤答は複数ありうる。「許可されていない操作」は、他の次元で高得点だからといって許容されるようにはならない。ワークフロー全体でどの誤りが通過するかを、自分のデータで検証する仕事は、結局開発者側に残る。
5. 数字を出どころまで分解する
報道によって倍率がばらついたのには理由がある。同社が提示している数字は一種類ではない。
看板のレンジは20〜200倍速く、40〜400倍安い。ブログの表では速度を40〜200倍と書いており、同社の資料内でも表記が揺れている。193.6倍・444.6倍という突出した数字は、自社のワークフロー評価におけるピーク値だ。応答時間は端から端まで70〜500ミリ秒で、これをフロンティアモデルの同等タスク3〜329秒と比べている。同社自身、公開したevalは西海岸の自社ラップトップから叩いたものだと注記している。
価格は最も検証しやすい。入力100万トークンあたり0.042ドル。出力は計測すらしない。フロンティアLLMの入力単価は0.20〜10ドル、出力は入力の5倍程度というのが同社の比較前提だ。安すぎて課金する意味がない、という主張は、そもそも長い文字列を生成しないという構造から素直に出てくる。補助金で下駄を履かせていないことは証明できない、と同社も認めている。
ローンチデモの実測は0.114秒対8.566秒（GPT-5.6 Terra）で、倍率にすると75.1倍。公表レンジの中には収まるが、看板の193.6倍からは遠い。これは重要な感覚値だ。ピーク値は特定の多段分岐ワークロードのものであり、普通の1コールで出る数字ではない。
そしてデモ自体に注記が付いている。クエリは大幅に単純化されており、画面上で読みやすいようにキー名は人間向けに選ばれている。stateも短く濃密な一段落で、サンプリング方式の差が出やすい——つまり自社に有利になる——構成だと同社が自ら書いている。
6. 「ハルシネーションしない」の正確な射程
ローンチで最も広く誤読され、最も重要な留保がここだ。
保証されているのはスキーマ適合である。定義した集合の外の値は返せない。壊れた出力は出ない。それだけだ。判断が正しいことは保証していない。5つのカテゴリから選べと言われたモデルは6つ目を発明できないが、5つのうち間違ったほうを選ぶことはできる。同社のハルシネーション率グラフに載っている0%という数字も、経験的な測定値ではなく、スキーマ保証から演繹された値であることが注記されている。
HNではこの一点に議論が集中した。無効な型を出せないことは認めるが、完全に間違った有効値は出せるのだから「ハルシネーションしない」は言い過ぎではないか、という指摘に対して、CEOは「それは機械学習全般に言えることで、ランダムフォレストがハルシネーションするとは言わないだろう」と返している。線形分類器はハルシネーションするか、という問い返しもした。
反論の側が繰り返したのは、型安全性は事実の正しさではない、という一行だ。LLMの文脈でハルシネーションとは、事実として提示された誤った答えを指す。値が間違っているなら、それが型に適合しているかどうかは関係ない、と。さらに厳しい指摘もある。Noulモードでは真偽の確率を返さざるを得ないので、入力がそもそも真偽で答えられる範囲外にあるとき、モデルは棄権できず、答えを作るしかない。
制約付きデコーディングとの比較も繰り返し出た。JSONスキーマを送ればOpenAIもAnthropicも内部で文法に変換して制約デコードしている。BNF文法による制約生成は何年も前からある。だから型安全性そのものはJevの防御可能な独自性ではなく、独自なのは並列アーキテクチャとキャリブレーション訓練のほうだ——というのが、技術的には最も的確な整理だろう。
7. ベンチマークが測っているのは「一致度」であって「正確さ」ではない
これは同社自身が開示している。ワークフロー評価では、正解データを使っていない。最も大きく賢い外部モデル——具体的にはGPT-6 AstraとFable 5.1——の予測の平均を参照確率として使っている。
つまりスコアが測っているのは、Jevが他社フロンティアモデル2種とどれだけ一致するかであって、どれだけ正しいかではない。
その一致度スコアで、Jevは67.8%、上位比較対象は74.1%。差は6.3ポイント、比率にして約91.5%。自社が選んだ指標の上で、Jevがフロンティアモデルより正確だと示す数字は、どこにも存在しない。同社が主張しているのはあくまで、ほぼ同等の知能を2桁安く2桁速く出せる、という費用対効果のフロンティアだ。
さらに三つの開示がある。ワークフローは自社のモデル能力チームが作成した（選択バイアスがありうる）。速度比較には単純化したクエリを使っている。参照モデルがOpenAIとAnthropicなので、それらに有利な偏りが入る。三つとも自分から書いている点は、平均的なローンチより誠実だ。それでも、ベンチマーク表が中立な測定ではなく、有利なケースの記述であることは変わらない。
HNでは「そもそも最初のタイトルが『新しいフロンティアモデル』だったのが誤解を招く」という批判が上位に来た。構造化判断の速度・コストのフロンティアを進めた、という言い方なら誰も文句を言わなかっただろう、と。
8. 唯一の外部検証が示したこと
現時点で最も有用な外部データ点は、メディアEveryの評価担当者による検証だ。公開済み記事27本と、AIっぽく書いた模造品10本の計37文書に、21個の問いを一度に投げた。
777件の判断が0.7秒未満で返り、推定コストは0.25セント。1秒あたりおよそ1,110判断、1判断あたり約0.0000032ドル。11のシナリオ全体では1,709判断が合計1セント未満。スループットと価格については、もう議論の余地がない。
より示唆的なのは一対一の比較だ。合成した12本の文章に4項目のライティング検査をかけ、Claude Fable 5.1の高エフォート設定と突き合わせた。Jevは1文章あたり中央値0.35秒、Fableは8.83秒。およそ25倍速く、コストは約580分の1。精度は、仕込んだ7つの欠陥のうちJevが6つ、Fableが7つを検出した。
見逃した1件が境界線を教えてくれる。「保護者と職員が一緒に使い方を教え合う共有予定表」という提案文に、説明されていない飛躍があることをJevは3回の試行すべてで指摘できなかった。主張が前提から導かれていないと気づくのは、読み手の側で筋を追う作業だ。それは定義上、System Oneのモデルが引き受けない仕事である。
9. デモの読み方 —— Doomとウィキレース
最も記憶に残るデモは、Jevにゲーム状態を毎秒10クエリ投げてDoomをプレイさせるボットだ。稼働コストは1時間あたりおよそ7ドル。1時間36,000クエリなので、1判断あたり約0.0002ドルになる。もうひとつはウィキレース——あるWikipediaページから別のページへ、リンクだけを辿って到達するゲームで、1ステップごとに数百から数千のリンクから選ばせる。
どちらも製品ではない。価格と遅延が、これまでモデルを置けなかったループの内側に入れるところまで下がった、という論証である。
ただし批判も正確だ。Doomデモは画像を見ていない。テキストを含む構造化された状態表現を渡している。敵は座標として供給されているはずで、遮蔽物の影響を受けない情報にアクセスしている可能性がある。同じ入力を与えればLLMももっとうまく遊ぶだろう、という指摘は妥当だ。反論としては、そもそも状態からテキスト、テキストから行動への変換がリアルタイムで回ることを示すのがデモの目的であり、他のモデルはその速度では回らない、という点が残る。
ウィキレースについても、比較対象は推論モードを切ったLLMだと注記されている。推論を有効にすればLLMの見栄えはずっと良くなる、と同社が書いている。見ていて退屈にならないようにした結果だという。
もうひとつ示唆的なのは、公開されたHome Assistantのデモで、複数の意図が混ざった発話を二つの命令に分解する部分だけ、外部のLLM（Anthropicの小型モデル）に投げていたことだ。これは弱点というより、この技術の正しい使われ方を示している。JevはLLMの置き換えではなく、LLMの下に敷く層である。
10. 流通の速さが意味すること
技術的な評価とは別に、公開から数日で起きたことを見ておく価値がある。
CloudflareのWorkers AIにサードパーティモデルtypesafe/jevとして載り、Worker内からenv.AI.run()で直接呼べるようになった。VercelのAI Gatewayにもtypesafe-ai/jevとして載り、AI SDK 7のexperimental_evaluateという新しいAPI経由で使える。stateと名前つきの問いのマップを渡し、boolean（Noulに相当）、choice、scoreが返る。確信度はプロバイダメタデータの下に入る。
エッジ実行基盤とフロントエンド基盤の両方が、公開から数日で自分たちのゲートウェイに載せた。これは、判断をソフトウェアの内側に置くという発想が、インフラ事業者にとって自明に筋が通って見えたことを意味する。ウェイトリストの外にいる開発者でも、既存のゲートウェイ契約の範囲で試せる状態が、公開直後に整ってしまった。
一方で、オープンウェイトを求める声も同じ速さで上がった。ローカルのみで組んだホームオートメーションをクラウドに依存させたくない、という反応は象徴的だ。実際、公開翌日には「2時間で似たようなものを組んだ」という報告も流れている。再現が容易かどうかは、これから数か月で判明する。
11. 実務判断 —— 移すもの、移さないもの
現実的な導入は、LLMを引き剥がすことではない。高頻度・低判断のコールをLLMから降ろすことだ。
移す候補は明確だ。サポートチケットのトリアージ、コンテンツのタグ付け、リードの選別、スパムや不正の検知、感情の分類。どれも、よく調整された分類器で足りる仕事をフロンティアモデルにやらせ、誰も読まない説明文の分まで課金されている領域である。
もうひとつの強い適合はガードレールだ。高価なモデルが書き、Jevが検査する。ポリシー違反か、出典と矛盾していないか、人間に回すべきか。1判断あたり1,000分の1セント以下なら、1レスポンスに5つの検査をかけても成立する。
そしてリアルタイムのループ。秒あたり数十の判断が必要な処理——ゲーム状態、不正スコアリング、入札、ライブモデレーション——は、これまで価格と遅延の両面でモデルを入れられなかった。
LLMに残すものも明確だ。生成を伴うもの。説明が必要なもの。多段の推論依存があるもの。そして、規制当局が理由を尋ねてくるもの。正直な整理は、移行ではなく二層構成である。
導入前に答えるべき問いは四つある。第一に、自社のモデルコールのうち、生成ではなく判断であるものは何割か。2割を切るなら、ベンダーを増やす手間に見合わない。第二に、キャリブレーションを検証するためのラベル付きデータがあるか。なければ数百件を作れるか。第三に、確信度が低いときのフォールバックは何か。人間か、より大きなモデルか。第四に、自動判断に説明を要求するコンプライアンス要件があるか。あるなら、提供できる説明は存在しない。
日本語圏に固有の論点も付け加えておく。日本語入力での精度は公式に確認されていない。参照モデルが英語圏のフロンティアモデルであり、ワークフローも英語で作られている以上、日本語の敬語表現やあいまいな依頼文でどう振る舞うかは、各自が自分のデータで測るしかない。「人間のオペレーターに、明日の17時に電話してほしい」という依頼に対して「人間のオペレーターを求めているか」という問いを立てれば、答えは「はい」になる。時制の留保は落ちる。これはモデルの誤りではなく、問いの設計の誤りだ。そして問いの設計は、あなたの仕事として残る。
12. Jevonsという名前に込められた賭け
モデル名は経済学者ウィリアム・スタンリー・ジェヴォンズに由来する。蒸気機関の効率が上がったとき、石炭の消費量は減らずに増えた——資源の利用効率が向上すると総消費量はむしろ増加する、というジェヴォンズのパラドックスである。
込められた賭けは明快だ。判断1回のコストを端数の丸めに落としても、誰も金を節約しない。桁違いに多くの判断をするようになる。知能のコストが1桁下がるたびに、ユースケースは数桁増える。
クラス名の「System One Model」はダニエル・カーネマンの『ファスト＆スロー』から取られている。速く直感的なシステム1と、遅く熟慮的なシステム2。ただし、カーネマンの図式ではシステム1は誤りやすさの代名詞でもある。同社は、System Oneモデルは代替手段より信頼できるものにできると考えている、と書いているが、その理由は「今後説明する」として留保されたままだ。
ここに、このローンチ全体の性格が凝縮されている。主張は大胆で、留保は誠実に開示され、決定的な証拠だけがまだ出ていない。
13. 今後2四半期、何を見ておくべきか
外部データセットでの精度・信頼度曲線が出るか。 欠けている決定的な成果物はこれだ。真の正解を持つ公開データセット上の信頼度図（reliability diagram）。RLCDが主張通りに機能しているなら、これは最も簡単な証明になる。出てこないという事実が続くこと自体が、情報になる。理想的には、確信度に閾値を引いたとき「精度90%を保ったまま何%を自動化できるか」という形の指標がほしい。
フロンティアラボが構造化出力モードで追ってくるか。 制約デコーディングも型付き出力も、主要APIには既にある。防御可能なのはキャリブレーション訓練と並列アーキテクチャであって、型安全性ではない。既存プレイヤーが小さな分類コールの価格差を詰めてくるかを見る。
実名の顧客が出るか。 公開2週間の製品にウェイトリスト運用は正しい姿勢だ。ただし2桁の節約を主張する会社が、提供開始から2四半期経っても公に語る顧客を1社も出せないなら、それは別の意味を持つ。
トークン上限が伸びるか。 32,000トークンはチケットには十分で、契約書には足りない。遅延特性を損なわずに上限を伸ばせれば、対象ワークロードは一気に広がる。
アーキテクチャ論文か、オープンな再現が出るか。 同社は論文執筆を検討しているとしつつ、アーキテクチャは当面伏せる方針だ。外部からの再現が成功すれば、参入障壁の議論は根本から変わる。
14. 結論
Jevについて確実に言えることは、意外に少なくない。速度と価格は外部検証で裏が取れた。型安全性は構造的に保証されており、反証は出ていない。判断と生成を分離するという設計思想は筋が通っており、インフラ事業者が数日で自社ゲートウェイに載せた事実がその説得力を裏づけている。
同時に、確実に言えないことも明確だ。精度の絶対値は、自社ベンチマークの上ですらフロンティアモデルに届いていない。「ハルシネーションしない」は型についての主張であって、正しさについての主張ではない。キャリブレーションという最も重要な主張には、外部データセットでの証拠がまだない。そして問いの分解という一番難しい作業は、そっくり開発者側に残されている。
判断を下すための問いはひとつだ。あなたのシステムが毎月フロンティアモデルに投げている小さな分類コールは、全体の何割か。それが大きいなら、今四半期に評価する価値がある。小さいなら、これは動くより見ておくべきローンチだ。
シードステージ、モデル1本、実名顧客ゼロ、32,000トークン、他社モデルの答えを正解にしたベンチマーク。それが現在地である。アーキテクチャが本当に新しいことと、それがあなたのワークロードで意味を持つことは、別の命題だ。後者に答えられるのは、ラベル付きデータを数百件用意して、確信度のバケットごとに的中率を数える1日の作業だけである。その1日が、本物の自動化と、速く間違える仕組みとを分ける。
主な参照元
TypeSafe AI, "Introducing System One Models & Jev"（公式ローンチ記事、2026年9月15日） https://typesafe.ai/blog/introducing-system-one-models-and-jev
TypeSafe AI ドキュメント https://docs.typesafe.ai/ ／ ワークフロー評価 https://evals.typesafe.ai/
Hacker News "Introducing System One Models and Jev"（CEOの直接応答を含む議論スレッド） https://news.ycombinator.com/item?id=49717558
Every, "Mini-Vibe Check: TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds"（外部検証） https://every.to/also-true-for-humans/mini-vibe-check-typesafe-s-jev-judged-everything-i-ve-written-in-0-7-seconds
The Register, "TypeSafe AI debuts model for machines that plays Doom"（2026年9月16日）
InfoWorld, "TypeSafe AI's new models work with machines, not humans"
The Decoder, "Former OpenAI researcher builds an AI model that judges options instead of writing text"
Cloudflare AI docs, Jev (typesafe) https://developers.cloudflare.com/ai/models/typesafe/jev/
Vercel Changelog, "TypeSafe AI's Jev now available on AI Gateway"
Ouyang et al. (2022), "Training language models to follow instructions with human feedback" https://arxiv.org/abs/2203.02155
本稿の数値・主張は2026年9月18日時点の公開情報に基づく。倍率・価格・提供形態は変動しうる。
