TypeSafe AI udostępnił Jev - model specjalistyczny zaprojektowany do podejmowania precyzyjnych decyzji w systemach agentowych. Zamiast działać jak tradycyjny chatbot czy asystent kodujący, Jev przyjmuje na wejściu niustrukturyzowany stan (tekst lub JSON) i zwraca typed decyzje z wyliczonymi prawdopodobieństwami i poziomami pewności. To podejście idealnie odpowiada potrzebom systemu autonomicznego, gdzie agent musi wielokrotnie odpowiadać na pytania - który model wybrać, czy komenda jest bezpieczna, czy ten fragment tekstu jest istotny, czy zadanie zostało ukończone.
Model opiera się na trzech podstawowych primitivach: Choice wybiera jedną opcję ze zbioru i zwraca prawdopodobieństwo dla każdej opcji oraz poziom pewności (obsługuje do 255 opcji), Score ocenia stan na podanej skali rubrykami i zwraca rozkład probabilistyczny, a Noul określa prawdopodobieństwo prawdziwości danego stwierdzenia. Wszystkie pytania są przetwarzane równolegle dla tego samego stanu w jednym zapytaniu. Diogo Almeida, założyciel TypeSafe i były badacz OpenAI pracujący nad instrukcją follow-up w ChatGPT, wykorzystał proprietary metodę zwaną Reinforcement Learning for Calibrated Decisions (RLCD), aby zapewnić, że wyższa pewność modelu koreluje z wyższą dokładnością.
Według wewnętrznych ewaluacji workflow TypeSafe Jev pracuje 193,6 razy szybciej i kosztuje 444,6 razy mniej niż modele referencyjne GPT-6 Astra i Fable 5.1. Jednak sama firma zaznacza, że te liczby znajdują się na wyższym końcu rzeczywistych zysków. Taka wydajność może być przełomowa dla aplikacji agentowych, gdzie liczba wywołań modelu jest krytycznym czynnikiem kosztowym i opóźnienia systemu - każde milisekundy zaoszczędzane w setce małych decyzji sumują się w znaczącą poprawę wydajności całego systemu.