TITLE

TypeSafeAIの新モデル「Jev」— LLMは書く、Jevは選ぶだけ

投稿日：2026.09.19

Jevの仕組み: 選択肢の中から確率で選ぶだけ

Jevが提供するAPIには、Choice(選択肢から選ぶ)、Score(ルーブリックで採点する)、Noul(真偽に近い問いに0〜1の確率で答える)という3種類のプリミティブがあります。それぞれの問いは並列かつ独立に評価され、種類の異なる質問を1回のAPI呼び出しに混在させることもできます。

学習方法にはRLCD(Reinforcement Learning for Calibrated Decisions)という新しい手法を使っています。既存のRLHFやRLVR(検証可能な報酬による強化学習)が流暢な文章生成能力を鍛えるのに対し、RLCDはキャリブレーションされた(認識論的に正直な)確率をSystem Oneタスク向けに最適化する、とTypeSafeは説明しています。

文章を1トークンずつ紡ぐLLMの「書く」と、あらかじめ用意した選択肢から確率つきで1つを選ぶJevの「選ぶ」を対比させた概念図。

文章を1トークンずつ紡ぐ従来のLLMと、あらかじめ用意した選択肢から1つを選ぶだけのJevは、同じ「AIモデル」という言葉でくくるには設計思想があまりに違います。

数字が示す違い: ミリ秒の応答とほぼゼロの価格

Jevのエンドツーエンドのレイテンシは70〜500ミリ秒です。TypeSafeは公式ブログで、構造化判断タスクにおいて既存のフロンティアLLM比40〜200倍高速だと主張しており、比較対象の既存LLMは同種のタスクに3〜329秒かかったとしています。

価格は入力トークン100万あたり0.042ドル(10億トークンで42ドル)、出力トークンは無料です。出力が選択肢のラベルと確率だけで、生成される文章量そのものが極端に少ないために成立する価格設定だと私たちは考えています。

「型エラーが起きない」は「判断が正しい」ではない

TypeSafeは、Jevが許可された回答の集合の中からしか選ばないため「幻覚を起こさない」「型エラーが起きない」と説明しています。これは出力形式についての構造的な保証であり、選んだ判断そのものが正しいという保証ではありません。

私たちが社内で動かしているZulip連携のAIエージェントも、無人実行時に自動送信できるカテゴリを承認済みの7種類のテンプレート(問い合わせ確認・受領連絡・エスカレーション・完了報告・通知・レビュー依頼・デプロイ承認)に固定しています。ただしこれはJevのようにモデルの生成そのものが選択肢の外に出られない構造的な保証ではなく、生成した文面を送るカテゴリだけを7種に絞る運用ゲートで、選んだカテゴリ内の文面自体は依然として自由生成です。事前に定義した集合の外に出さないという発想の一部は共通していますが、保証の強さはJevとは大きく異なります。

選択肢に絞ることが防ぐのは出力形式の逸脱であって、選んだ選択肢が業務上正しいかどうかは別の検証が必要です。導入を検討する場面でも、この2つを混同しない設計が要ります。

企業にとっての意味: 使いどころとまだ早い理由

TypeSafeが挙げる想定用途は、AI主導のワークフロー内での条件分岐、LLM出力の検証・ガードレール、大量データの高速処理、リアルタイムアプリケーションの4つです。いずれも「あらかじめ答えの範囲を絞れる判断」を大量にさばく場面で、Jevの並列・低レイテンシという特性と噛み合います。

ただし発表時点のJevはウェイトリスト制のearly access(限定クローズドベータ)で、まだ一般提供(GA)ではありません。実際の性能や精度を自社のワークフローで確かめられるのは、ベータへの参加が認められてからになります。

チャット・チェックリスト・メーターなど複数の入力がAPIゲートウェイに集まり、選択肢への分岐として出力される様子を描いたフラットイラスト。

まとめ

導入検討の最初の一歩は、TypeSafeのウェイトリストに並ぶことではなく、OpenJevのようなオープン実装を使って既存のLLMでも同じ設計思想(選択肢を絞った判断)を試作できるかを自社のワークフローで確かめることです。条件分岐やガードレールのように答えの範囲を事前に列挙できる判断はSystem One Model型の候補になりますが、自由記述が必要な判断は対象外です。TypeSafeが示す価格やレイテンシの数字はクローズドベータの段階のもので、GA時に変わる可能性があります。