
Jevは一語も書くことを拒む:TypeSafe AIの意思決定モデルが何をするのか、そしてその後の監査で何が明らかになったのか
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100万トークンあたり · 141 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100万トークンあたり · 175 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 89 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100万トークンあたり · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 120 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 93 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 196 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 115 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100万トークンあたり
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
Jev 1.13(typesafe/jev-1.13)は、TypeSafe AIの最初のモデルであり、読者がチャットボックスではなくコスト表を通じて出会う可能性が高い。なぜならチャットボックスが存在しないからだ。2026年9月15日にDiogo Almeida——InstructGPT論文の共著者であり、ChatGPTをアシスタントのように振る舞わせた研究の——によって発表されたJevは、テキストをまったく生成しない。状態の断片(メール、ログ行、サポートチケット、ゲーム座標のJSONブロブ)と型付きの質問のリストを受け取り、型付きの回答を返す。あなたが提供した集合からの選択、ルーブリック上のスコア、またははい/いいえの確率で、それぞれが独自の信頼値を持つ。散文もコードも説明もない。TypeSafeの売り文句は、この狭さこそが製品だというもので、それによって生成モデルには到底かなわない速度と価格が手に入る——同社の発表資料によれば「同等のLLM」より20〜200倍高速で、40〜400倍安く、入力トークン100万個あたり0.042ドル、出力の請求額はゼロ。2026年9月21日から一般提供されており、TypeSafeはウェイトリストを撤廃し、新規アカウントに5ドルのクレジットを付与し始めた——ベンダー自身の換算では、定価で約1億2000万入力トークンに相当する。このモデルは本記事のニュースより前から存在する。OrcaRouterは2026年9月24日にtypesafe/jev-1.13をカタログに追加し、現在では、隣に並ぶように設計された生成モデルと同じキーでルーティングしている。これが今日知っておく価値のある変更だ。このページが今考慮しなければならない2つ目の事柄はTypeSafeのものではない。RSI-Jev——JevスタイルのSystem One意思決定モデルを構築するサードパーティのオープンプロジェクトで、現在のリリースは4B RSI-Jev v6.0-VL、日付は2026年10月6日——だ。これはJevのワイヤーフォーマットを意図的にコピーしており、そのライセンス表記にはTypeSafe AIとは無関係であると明記されている——TypeSafeのJevではなく、TypeSafeの重みでもなく、短い名前の同じモデルでもない。本記事の最後のセクションは、そこに置くのがふさわしい。なぜなら、Jevの立場のどれだけが堀(moat)なのかという問いに対する、現時点で最も鋭い答えだからだ。
最初の48時間に公表された中で最も有用な数字は、それらのどれでもない。それはEveryによるもので、同社の評価責任者がJevを、公開済みのEvery記事27本とAI風に仕立てた10本の対照記事、合わせて37文書に対して走らせ、37文書すべてに一度に21の質問を投げかけた。結果は0.7秒未満で777件の判定、コストはおよそ0.25セントだった。EveryのCEOが実施した2つ目のテストでは、12本の合成パッセージ——6本は欠陥なし、6本は欠陥を意図的に仕込んだもの——を4つの文章チェックに照らした。Jevは1パッセージあたり中央値0.35秒で返してきたのに対し、高エフォート設定のClaude Fable 5.1は8.83秒だった。つまり約25倍高速で、コストはおよそ1/580。Jevは仕込まれた7つの欠陥のうち6つを検出した。Claude Fable 5.1は7つすべてを検出した。Everyの評決は「good but not perfect(優れているが完璧ではない)」であり、これが公表された最初の独立系テストから得られるJevについての正直な一行の読みだ——速度とコストの主張は第三者との接触に耐え、精度の主張はフロンティアの一歩下にとどまり、サンプルは誰もそこから本番導入の結論を導くべきではないほど小さい——その差はその後の評価によって、双方向に部分的に埋められている。
この記事がどのような種類の証拠を扱っているかについて一言。これほど新しいモデルでは、証拠の階層が急速に変わったからだ。Jevは実在し、呼び出し可能である。文書化されたエンドポイント、Python SDK、モデルエイリアス、公表された価格がある。ローンチはベンダー発表であり、リークではなく、存在するかどうかを誰も推測していない。しかしTypeSafeが前面に掲げる性能主張はすべてTypeSafe自身のものであり、アーキテクチャは未公開、重みも公開されておらず、20~200倍という見出しの背後にあるベンチマークダッシュボードは、公開リーダーボードではなく一連の社内ワークフロー評価である。独立したテストは、ローンチ当日には欠けていた要素ではなくなっている——現在、少なくとも3件の別個の外部評価があり、その中には事前登録された実行と、Jevが見たことのない入力でJevをテストするために特別に作られた研究が含まれる——そしてそれらは速度についてはベンダーと一致する一方で、精度とキャリブレーションについてはより複雑な話をしている。本記事は、ベンダーの数値、独立系の数値、未解決の問いを、存在しない合意へと平均化するのではなく、目に見える形で分けておく。
TypeSafeが実際に出荷したもの
Jevは、TypeSafeがSystem Oneモデルと呼ぶものの最初の例だ。その名は、チャットボットが模倣するより遅い熟慮的モードとは対照的な、ダニエル・カーネマンによる認知の速く直感的な半面から借りている。TypeSafeが対置しているのは、テキスト生成器に構造化出力を出させるよう強制し、その後そのテキストをコードが信頼できるものへと解析し直すという標準的なパターンだ。Jevはテキストを完全に省略する。TypeSafe自身のドキュメントは、この点を率直に述べている。「大規模言語モデル(LLM)は、人間が読むためのテキストを生成するように設計されている。あなたのコードが消費する判断をモデルに下させる必要があるとき、そこに不一致が生じる。」
出力サーフェスは3つのプリミティブであり、それ以外には何もない。あなたが尋ねるすべての質問は、それらのいずれかでなければならない:
• 選択 — 用意したリストから1つのオプションを選び、選択されたオプションに加えて各候補の確率と信頼度を返します。オプションはフィールドごとに255個が上限です。それを超える場合、TypeSafeのドキュメントでは、候補を個別にスコアリングしてから選択するという2段階のパターンが説明されています。
• スコア — 状態を順序付きルーブリック上に位置づけ、レベル、レベルごとの確率、および信頼度を返します。0~1 スケールのチャーンリスクがドキュメント内の例です。
・Noul — 「no」と「null」を組み合わせたかばん語 — 単一のイエス/ノーで答えられる主張であり、それが真である較正済みの確率を返す。

興味深い特性は、個々のプリミティブではなく、それらがどう組み合わさるかにある。3つすべてを1回のAPI呼び出しで混在でき、すべての質問は、同じ状態への1回の共有読み取りに対して並列に評価される。TypeSafeのドキュメントには、質問を追加しても「応答時間はほとんど変わらない」と書かれており、独立したテストも実践面でそれを裏付けている — 37文書にまたがる21の質問が、同じ0.7秒以内に収まった。これが判断あたりの価格を急落させる理由だ。支払っているのは、より長い生成ではなく、1回のパスに対してなのだ。
ドキュメントに記載され、初期ユーザーによって報告されている実用上の範囲は次のとおりです。リクエスト予算は約64,000トークンで、そのうち約32,000トークンが状態と単一の最長質問をカバーします — TypeSafeのドキュメントは、状態が大きくなるにつれて精度が変化すると注記しています。起動時には画像や音声の入力はありません。また、リクエストとレスポンスの形式はchat-completionsの慣例ではないため、既存のクライアントは単にベースURLをそれに向けるだけでは済みません。2026年9月21日、TypeSafeがウェイトリストを廃止し、アカウントを持つ誰でもJevを利用できるようにしたことで、アクセスは障害ではなくなりました。新しいアカウントには5ドルのクレジットが付与され、ベンダーによれば、これは定価で約1億2000万入力トークンに相当します。TypeSafe自身のホームページでは今もJevをアーリーアクセス中と説明していますが、ドキュメントはそのレッテルを繰り返していません。ドキュメントは、アクセス制限ではなく、毎秒100Kトークンと毎秒40リクエストという動的に調整される制限を公開しています。ブラウザのプレイグラウンドはAPIと並んで今も存在し、jev-latestがモデルエイリアスとして残っています。
RLCDは校正済みという意味であり、優先という意味ではありません
TypeSafeは、同社自身のドキュメントによると、RLCD——Reinforcement Learning for Calibrated Decisions——と呼ぶ手法でJevを訓練している。この頭字語は新しく、初期の報道ではその展開が一貫していないため、それが実際に何を指すのかをはっきりさせる価値がある。というのも、その区別こそが研究上の主張のすべてだからだ。
RLHFは人間が好む出力に最適化する。RLVRは検証可能な正しさ、つまりテストケースが通るタイプの正しさに最適化する。RLCDはキャリブレーションに最適化する。モデルが70%の自信があると言うなら、約70%の確率で正しいはずである。それは正しいこととは別の目標であり、これがJevのすべての回答が単なる答えではなく確率分布を伴って提供される理由である。意図された故障モードは、自分が知らないときを知っているモデルであり、そうすればあなたのコードがそれについてどうすべきか判断できる。
実務上、それによって得られるのはコントロールサーフェスだ。文書化されているパターンは3つの信頼度バンド——最上位では自動的に実行し、中間ではフラグを立てるか確認を求め、最下位では人間に回す——であり、しきい値はモデル側ではなくコード側に置かれる。そのバンドが誠実かどうかはあなたのデータに関する実証的な問いであり、TypeSafe が明示的に「自分で答えよ」と述べているものの一つでもある。そこでは信頼度のしきい値はユースケース固有であり、自分のラベル付き事例に対して検証すべきだと注記されている。この指示はドキュメントの中で最も重要な一文であり、そしてドキュメントに含まれていないのは、それらのバンドの背後にある手法がその名の通りのことをしているかどうかについての外部からの説明だ。今週になって部分的なものが一つ現れたが、それは開示ではなく再構成である。RSI-Jev の RL ポストモーテムは、RLCD について公表された推測を制御された7アームで再構成し(1万3800問のスライス、アームあたり1,500ステップ)、失敗したものも含め、すべてのアームに何が起きたかを公開している。その中で RL のあらゆる報酬が生のキャリブレーションを悪化させた。安価な事後的信頼度ヘッドは、プロパースコアのアームを除くすべてを回復させた。そして、どの目的関数も信頼度の順序を改善しなかった。末尾では、RLCD が含まねばならない3つの要素を列挙しているが、それは TypeSafe の内部に関する主張としてではなく、この手法がどう機能しうるかについての仮説として表現されている——その内部を社外の誰も見たことがないのだから。これを、以下に整理したキャリブレーションに関する主張の横に並ぶ最初の第三者による証拠として読んでほしい。それらを内部から覗いたものとしてではなく。この手法自体の背景は、解説記事 RLCD Explained にある。
数字を、誰が作成したかで並べ替えたもの
ここが、Jevに関するほとんどの報道が曖昧になるところなので、情報の出所について明確にしておく価値がある。以下に、何がベンダーから来たものか、何が独立系テスターから来たものか、そして何が単に不明なのかを示す。
• ベンダー報告のみで未再現 — 主要な速度とコストの主張。フロンティアLLM呼び出しの3~329秒に対し、エンドツーエンドのレイテンシは70~500ms。20~200倍高速かつ40~400倍安価。単一のベストケースのワークフロー結果は193.6倍高速で444.6倍安価と宣伝されている。TypeSafeは、これらが普遍的な数値ではなくベストケースであることを認めている。
• ベンダー報告であり、価格表で確認できる——入力トークン100万あたり0.042ドル、つまり10億あたり42ドルで、出力は無料。出力が無料なのは販促ではなく仕組み上の理由だ。計量すべき自己回帰デコーディングが存在しないため、請求すべき出力トークンもない。規模感を示すと、同じ発表資料では、一般的なフロンティアの入力価格は100万あたり0.20〜10ドルで、出力はしばしば入力価格の約5倍とされている。
• ベンダー報告による社内ベンチマーク — TypeSafe 自身のワークフローダッシュボードで、4つのタスクにわたる711件のケース。参照回答はグラウンドトゥルースではなく、GPT-6 Astra と Claude Fable 5.1 の平均判断から導出された。このダッシュボードで Jev は67.8%を集計し、最良の比較対象は74.1%。内訳:セキュリティインシデントは Opus 5 の66.2%に対して61.7%、エージェントトレース可観測性は76.6%に対して71.6%、請求書処理は79.1%に対して61.8%、カスタマーサービスは78.3%に対して76.0%。このチャートで Jev はコストとレイテンシの列で勝ち、精度の列では負けている。ダッシュボード自体はハーネスバイアスの可能性を注記しており、TypeSafe は製品アップデートに紐づく単発の評価を優先し、公開リーダーボードを意図的に避けたと述べている。
• 独立に測定された小規模サンプル — 最初の外部テストである、上記のEveryによる実行:0.7秒未満で約0.25セントで777件の判定。11の実験を通じて、合計1セント未満で1,709件の判定。12パッセージの分類タスクにおいて、Claude Fable 5.1よりも約25倍高速で、コストは580分の1。一方で、比較対象が捉えた7つの仕込まれた欠陥のうち1つを見逃した。Every自身の結論は、本番投入前にはるかに徹底した精度チェックを望むというものだった — そのチェックはその後、以下のように一部実現している。
• 独立に測定され、事前登録され、さらに大規模——外部チームは2026年9月20日に事前登録された評価を公開し、単一のリクエストが送信される前に21の実験と50の予測を確定し、5,721回の呼び出しにわたって実施した。400項目の参照セットで、Jevはゼロショットで95.9%を記録し、手書きのキーワードルールの77.2%、教師ありTF-IDFベースラインの66.0%を上回った。同じ研究は、見出しよりも重要な失敗モードを記録している。質問内の基準の説明が誤っていた場合、精度は16.7%に急落し、そのタスクのランダム推測の下限である25%を下回った。著者らは反対方向の自らのバイアスを開示している——反証された21件の予測のうち18件は同じように外れた。彼らは失敗を予測し続け、間違い続けたからである。
• 独立に測定された分布外のもの — 2026年9月19日に公開された別個のキャリブレーション研究では、ラベルがテキストのどこにも現れない内部のアカウント階層ポリシーに部分的に依存する、ルール生成のサポートチケット900件が作成されたため、どのモデルもそれを記憶できなかった。そして、それらは3,721件の公開ベンチマーク項目と並べて実行された。合成アームでは、Jevの期待キャリブレーション誤差は0.107で、著者らが完全にキャリブレーションされたモデルに対して算出した0.024のノイズフロアと比べて約4.4倍だった。公開ベンチマークでは、同じ研究で0.024から0.032が測定された。これら2つの範囲の差が、この発見である。
• 不明 — アーキテクチャ。公開時点で論文はなく、パラメータ数も、学習計算量の開示も、重みもない。TypeSafeは、詳細は「今のところは胸に秘めておく」としており、論文は後日になる可能性があると述べている。9月中旬の再現の波はこの点を変えなかった。それらのプロジェクトは独自のアーキテクチャでその振る舞いを再構築しており、いずれもTypeSafeのモデルがどのように動作するのかを開示していない。第三者のプロジェクトが現在公開しているオープンチェックポイントは、そのプロジェクト自身のものであり、TypeSafeによるリリースではない。そして、それらは上記の記述を何も変えない——ベンダーが何を公開し、何を公開していないかの完全な説明は、『Jevはオープンソースなのか?』にある。

それらの階層にまたがるパターンは一貫しており、それは200xという見出しが示唆するパターンではない。独立系の数値もベンダーの数値も、Jevが劇的に安く、劇的に速いという点で一致している。どこにも、TypeSafe自身の数値を含め、価格帯で比較対象となるフロンティアモデルより精度が高いことを示す数値はない——ベンダー自身のダッシュボードでも、優秀なミッドティアモデルと同程度の水準に落ち着いている。新しい外部の取り組みが加えるのは、新しい見出しではなく、精度に関する話に形を与えることだ。以前に見たことのあるタスクタイプでは、非常に強く見えることがある。事前登録されたチーム自身の400項目参照セットでゼロショット95.9%と、比較対象としたキーワードおよびTF-IDFベースラインをはるかに上回っている。これまで見たものとは似ても似つかないように作られた入力では、その自信は足場を失う。依然として成り立つ比較は、「100分の1の価格でフロンティアモデルと同じくらい賢い」ではない——「1回の呼び出しあたり1セントの何分の1かで、ミッドティアモデルの判断力に近く、毎ターン実行できるほど速い」だ。
「ゼロハルシネーション」が意味することと意味しないこと
TypeSafeの発表資料には、Jevのツール呼び出しエラー率が0%である一方、比較モデルには非ゼロのエラー率があることを示すグラフが含まれており、「ハルシネーション耐性」という表現がモデルとともに広まっている。どちらも事実だが、どちらも読んだときに受ける印象より射程が狭い。
その保証は構造的なものだ。モデルが実行される前に、起こり得るすべての答えがあらかじめ列挙される——選択肢のリスト、評価基準、または真偽の主張をあなたが提供するのだから——したがって、宣言された型の外側の値を出力する余地はない。不正な形式のツール呼び出しは、Jev が生み出せるものではない。これは紛れもないエンジニアリング上の特性であり、JSON のパース失敗に対するリトライロジックを一週間書いてきたことのある人にとっては、実際の金銭的価値がある。
それは正しさについての主張ではない。スキーマに適合した回答でも、依然として間違っていることはある。Jev は請求に関する苦情を自信を持って技術キューに回すことができ、その出力は完全に整形式でありながら役に立たない、ということもあり得る。アルメイダ自身もそう述べており、自信を持って間違うことはあり得ると認めている。両方の事実をうまく抱えるなら、Jev は出力フォーマットに由来する種類のエラーを排除し、判断に由来する種類にはまったく何もしない、ということになる。つまり正確さの問題は完全にキャリブレーションの問題であり、キャリブレーションこそ自分で測定しなければならないものなのだ。
最初の外部評価は、その構造的保証が本番環境でどう振る舞うかについて、具体的な警告を追加している。Jev は常にあなたが提供した回答のいずれかを返すため、あなたが「上記のいずれにも該当しない」を用意しない限り、それを言う方法がない。9月の事前登録された実行では、有効なカテゴリが存在しない素材を分類するよう依頼し、範囲外のメッセージ30件のうちフラグが立ったものは0件で、いずれも信頼度0.99で返された。ケーキのレシピやランダムな文字のページが、高い信頼度でカテゴリとして返ってくる。なぜなら、要求が求めていたのはカテゴリそのものだからだ。修正策はモデル設定ではなく設計上の習慣である。すべての Choice リストに明示的なエスケープ選択肢を含め、すべての Noul claim に false 分岐を含め、それが欠けている場合は自分の質問文のバグとして扱う。
自分のデータでキャリブレーションの主張を検証する方法
キャリブレーションは、数百の例とMLインフラなしで適切に確認できる数少ないモデル特性の一つであり、Jevが本番経路に触れる前に重要な唯一のテストだ。手順は短い。
すでにラベルが付いている数百件のケースを用意する。Jev に重要な問い——ルーティング判断、リスクスコア、欠陥チェック——を尋ね、報告された信頼度ごとに回答をバケット分けする。次に、信頼度0.9のバケットが約90%の確率で正しいか、0.7のバケットが約70%か、以下同様に確認する。適切にキャリブレーションされたモデルは対角線を描く。単に自信があるだけのモデルは、すべてを0.9超に固めてしまい、実際に正しいのは70%の確率でしかなく、これが自動化パイプラインを静かに壊す形だ。
同じテストが、どのしきい値を使うべきかを教えてくれます。もし0.9のバケットがあなたのデータで本当に90%の精度があるなら、それを自動化できます。もし中間バンドがぐちゃぐちゃなら、それを人間に回すか、生成モデルに渡して、高コストなパスに曖昧さを処理させます。その分割 — 自信のある多数派には安価なモデル、不確実な残りには高価なモデル — こそが、Jevが主張している実際のアーキテクチャであり、モデルを置き換えではなくコンポーネントとして理解するのが最適である理由です。
分布外研究は、その問いに対する最初の外部からの答えであり、お墨付きではなく警告である。決定方針が本文に存在しない900件の合成サポートチケットに対して実行すると、Jevの信頼度は精度と一致しなくなった。期待較正誤差は0.107で、ノイズフロアの0.024に対して、同じセットで完全に較正されたモデルが記録する値の約4.4倍だった。3つの公開ベンチマークでは0.024〜0.032だった——つまりこのモデルは、それが構築され測定された種類のデータでは十分に較正されており、タスクが不慣れになった途端に実質的にそうではなくなる。スコア・プリミティブは3つの中で最も弱く、精度44.7%、平均申告確率0.74だった。研究の著者自身が読者に求めているのは、その結果の正確な大きさではなく方向性を取ることだ。n=900の1つの合成タスクファミリーは一般法則ではないからである。しきい値を書く誰にとっても重要なのは方向性のほうだ。意思決定を自動化する前に、自分のラベルで上記のバケット化テストを実行せよ。公開ベンチマークで見える較正は、あなたのトラフィックで得られる較正ではないからだ。
費用はいくらか、計算して説明します
料金体系は非常にシンプルで、推論しやすい——これは珍しい。入力は100万トークンあたり$0.042——TypeSafeが公表している料金であり、OrcaRouterのカタログに掲載されている料金——で、出力は無料。ドキュメントに記載された予算であるおよそ64,000入力トークンでは、最大サイズの呼び出し1回でも0.3セント未満しかかからない。
報告された2つの数字が規模感を伝えている。初期のユーザーは約5,000件のリクエストをおよそ2ドルで実行した。Doomのデモ — Jevが生のピクセルではなくゲーム状態のテキスト記述を使ってボットを操作したもの — は、1秒あたり約10回の呼び出しで、1時間あたり約7ドルだった。そしてEveryの37文書にわたる777件の判定は、およそ4分の1セントだった。これが、興味深いユースケースを明らかにする数字だ。その価格なら、エージェントループの毎ターンをチェックすることはコストの判断ではなくなり、デフォルトになる。
それがJevの本当の論拠だ。ターンごとの検証パス——このツール呼び出しは前回のものと矛盾していなかったか、この出力はユーザーが述べた意図と整合しているか、これはフラグを立てるべきか——は、フロンティアモデルを使えば技術的には常に可能だったが、規模の面では経済的に不合理だった。100万トークンあたり0.042ドル、出力課金なしであれば、同じパスが毎ターン手頃な価格になる。ここでの価値は、Jevがフロンティアモデルより優れた思考をするということではない。実際そうではないからだ。価値は、常に参照されるのに十分なほど安く、速く思考することにある。
はっきり言っておく価値がある。それが次に当然出てくる疑問だからだ。OrcaRouter は 2026年9月24日に typesafe/jev-1.13 をカタログに追加し、このモデルは本日Jev 1.13 モデルカードで公開中だ。200以上のモデルに対応する単一の API で、プロバイダー定価をそのまま0%のマークアップで提供しているため、ベンダーの値下げは出荷されたその日にこちら側にも反映される。どのように提供されているかについては、よく尋ねられる2点を挙げておく。リクエストは POST /v1/systemone に送られ、非ストリーミングで、65,536トークンのコンテキストに対応する。これは chat-completions の形ではないので、Jev はチャットルートに折り込まれるのではなく、独自のエンドポイントタイプに置かれている。そしてカードには当社独自の7日間の配信ウィンドウが掲載されており、これはベンダーからの再掲ではなく、9月24日以降に当社のプレイグラウンド経由で流れたトラフィックを測定したものだ。p50 151ミリ秒、p95 247ミリ秒、毎秒349出力トークン、7,620万トークン全体で0.49%のエラー率。だからこそ、Jev が提唱する2モデルパターンは2つの契約ではなく単一の契約になる。Jev が型付きの判断を下し、生成モデルが散文、コード、説明を必要とする部分を担い、どちらの半分も同じキーでプロバイダー定価で課金され、自動フェイルオーバーによって、較正が不十分だった判断コンポーネントが本番インシデントに発展するのを防ぐ。

ジェヴが当てはまらない場所
制限事項はベンダーによって異例なほど明確に示されており、そのためこのセクションは正直に書くのが容易だ。Jevは自由文を生成できない。コードを書くこともできない。会話をすることもできない。チャットインターフェースも画像入力もなく、リクエスト予算はおよそ64,000トークン——そのうち約32,000トークンが状態と最長の単一質問をカバーする——で、価格で比較対象とされている長コンテキストモデルより一桁少ない。選択フィールドは最大255個の選択肢に限られる。そして、上述の「ハルシネーションなし」という性質は、真実性ではなく出力形式に関するものだ。
このネットはかなり狭い用途にしか適合しない。良い用途:大量の分類とルーティング、ガードレールと検証パス、レイテンシが重要な意思決定、大規模な文書セットの並列スコアリング、正解が本当に選択肢、尺度上の数値、またはブール値であるようなあらゆる場面。悪い用途:あらゆる種類のオープンエンド生成、長いコンテキストの推論、マルチターン対話、または正解が文であるようなタスク。あなたの問題が型付きの質問に還元できないなら、Jev はそれを解決する安価な方法ではない — そもそも解決する方法ではない。
また、その位置づけには、今後も引き継ぐ価値のある公正な批判もある。Jevをフロンティアモデルと呼ぶのは、このモデルが獲得していない信用を借りることになる。Jevはコードを書くことも、チャットすることも、一文を書くこともできない。しかも比較チャートはフロンティアモデルをベースラインとして頼っている一方で、精度の列は別のことを物語っている。より擁護に耐える主張、そして証拠が実際に支持する主張は、TypeSafeが構造化された意思決定における速度とコストのフロンティアをはるか先まで押し広げた、というものだ。それは成し遂げたこととして大きなものだ。それはGPT-6 AstraやClaude Fable 5.1に匹敵するモデルを構築することとは別物である。
何がこの状況を変えるでしょうか
これを決着させるには4つのことが必要だが、モデルが公開されてからの1週間で、そのうち3つが動いた。
• 公表されたアーキテクチャ論文、あるいはオープンウェイト。依然として最大の空白だ。Jevがどのようにしてその速度を実現しているかについては、すべてがブラックボックスのままだ。そして、並列評価がそのメカニズムだという主張——アルメイダが引く類推は、トランスフォーマーがリカレントネットワークを置き換えたのと同じように逐次計算を置き換えるというものだ——は、実証された結果ではなく、単なる断言にすぎない。以下のオープンソースの波はその振る舞いを再実装しているが、そのいずれもTypeSafeのモデルがどのように機能するかを開示していない。設計が公表されるまでは、その速度は事実であり、説明はマーケティングである。
• より大きなサンプルによる2回目の独立評価。これは部分的に成功した。事前登録された9月20日の実行は5,721件の呼び出しと400項目の参照セットを対象としており、これはEveryの12のパッセージよりはるかに大きなサンプルで、はるかによく設計されたものであり、Jevについて現存する最も強力な単一の証拠である。また、それは自作であり、単一日・単一拠点で、1つのモデルバージョンに対して実行され、チームは結果とともに自らの限界を公表している。それが確定させるのは、Jevが設計対象の事柄において真に優れているということであり、確定させないのは、他の誰かのタスクでどのように性能を発揮するかである。
• 現実的で雑然とした入力に対するキャリブレーション監査。これは響いた、そしてこの記事で最も心地よくない結果だ。上の分布外研究は、モデルにとって不慣れになるように作られた素材で実行された最初の監査であり、完全にキャリブレーションされたモデルのノイズフロアのおよそ4.4倍で信頼度が精度から乖離していることを見つけた — 一方、同じモデルは3つの公開ベンチマークではよくキャリブレーションされているように見えた。900項目からなる1つの合成タスクファミリーは判定ではない、と著者らは述べている。それは問いを「Jevはキャリブレーションされているか?」から「何に対してキャリブレーションされているのか?」へと移すのに十分であり、いずれにせよその方がより有用な問いだ。
• Jev自身の基準でJevを打ち負かす再現実装。まだそれは現れていない。そしてこの波は9月に止まったわけではない。公開から約48時間以内に、少なくとも6つの独立したオープンプロジェクトがJev型の意思決定モデルを出荷していた——1つは4億2,100万パラメータのエンコーダ上に構築され、1つは9Bモデル上のLoRAで、1つは数十キロバイトに収まるほど小さかった——そして9月23日までに、そのうちの1つがモデルホスティングのトレンドリストの首位に立っていた。それらのプロジェクトが公開する比較はすべて、代替案を構築したチームによる自己申告であり、それぞれが独自の評価セットを使用している。結果は異なる方向を指している。ニュース分類で勝るクローンは77クラスの意図タスクでは大差で負け、バイト単位で同一の入力で行われた唯一の独立した直接対決では、9つのスイートのうち6つでJevが先行している。単一のベンチマークにおけるJev自身の精度は、今や4つの異なる評価によって4つの異なる値として公開されている。その波の中で生き残ったのはRSI-Jevであり、それはこの主張の具体的で日付の明示された実例だ。JevスタイルのSystem One意思決定モデルを構築するサードパーティのオープンプロジェクトで、コードはMIT、重みはHugging Face上でApache-2.0、ライセンス表記には「Not affiliated with TypeSafe AI.」と記されている。今週のリリースは4BのRSI-Jev v6.0-VLで、2026-10-06に公開され、471回の実験を実行しそのごく一部しか採用してこなかった自己改善ループにおける7番目のものだ。訓練済みの回答ヘッドを備えたQwen3.5-4B-Baseのタワーで、意思決定ごとに1回のフォワードパス、生成は一切ない。トークンではなく深さを使う——回答ヘッドは層16、20、32にあり、リクエストは最初に確信を持った層で停止する。1台のH200、bf16で中央値23、27、40 ms——そしてTypeSafeのワイヤフォーマットを正確に話す。同じリクエスト、同じ3種類の質問タイプ、同じ信頼度統計量なので、Jev向けに書かれたものは変更なしでこれに対しても動作する。プロジェクト自身の公開Decision Indexでは、あるリリースで38.38から46.24を報告しており、ホールドアウトセットで0.698、MMLU-Proで0.440——自身のボード上の自身の数値であり、これとJev 1.13の間の独立した直接対決は存在しない。これはJevの重みのリリースではなく、TypeSafeのモデルをオープンにするものでもなく、TypeSafeが製作したものでも推奨したものでもない。その系列の以前のリリースはQwen3.5-2B-Base上の2Bモデルであり、このプロジェクトの名を上げたRLの結果はv3.0のもので、日付は2026-09-28、3つ前のリリースにあたる。RLステージが、それが継続した教師ありモデルを上回った最初のリリースであり、16候補に対するリストワイズ再ランキング報酬によって、再ランキングのR@1が自身の親モデルの0.192から0.308へ、60%の上昇、スイートコスト0.0028で引き上げられた。当社のカタログにはRSI-JevのIDはない。当社が提供しているのはsystemoneエンドポイント上のtypesafe/jev-1.13であり、このプロジェクトは独自のリポジトリから運用されている。初めて読む人向けの完全な解説は「What Is RSI-Jev?」にある。
あの波が示しているのは、Jev が打ち負かされたということではなく、オープンモデルを週末で作っておおよそこの仕事をさせられるということだ。これは、堀がどこにあるかについての、より長持ちする別の主張である。そこから導かれる姿勢は、一週間前より狭く、より具体的だ。Jev は実在し、出荷済みで、異常に安価なモデルであり、今やアカウントを持つ誰にでも開かれている。出力信頼性において真の構造的優位があり、ベンダー自身の数値では精度は中位層あたりにあり、キャリブレーションの主張はローンチ以降に二度、独立に検証されている。一度は大規模で都合のよい自作ベンチマークで、もう一度は信頼度スコアが保たなかった未知の入力で。二番目の結果をより情報量の多いものとして扱うべきだ。あなたのワークフローに、フロンティアモデルを使うのは無駄になるほど頻繁に尋ねられる型付きの質問に還元できるステップがあるなら、これはそれを尋ねる最も安価な方法の一つだ — そして返される信頼度の値こそ、信頼する前に自分のデータで試すべき部分であり、速度ではない。二つ目のアカウントなしでも試せる: typesafe/jev-1.13 は、Jev 型のワークフローが必要とする生成モデルと並んで OrcaRouter で稼働中だ。
