記事を読み込み中…

VECTOR

画面を準備しています…

TypeSafeがJev 1.14.0をリリース、画像対応や長文コンテキストなどの実験的機能を公開 | Vector | Vector

ダッシュボードに戻る

A.I.AI

TypeSafeがJev 1.14.0をリリース、画像対応や長文コンテキストなどの実験的機能を公開

We’re releasing Jev 1.14.0 along with experimental features for dreamers

YHacker News2026年10月15日 06:11

AIが原文を翻訳・要約しています

TypeSafeはAIモデルの新バージョン「Jev 1.14.0」をjev-previewとしてリリースした。本バージョンでは多言語サポートの改善が期待されるほか、APIヘッダーのフラグ経由で画像対応(マルチモーダル)、バウンディングボックスを返す新データ型「box」、長文コンテキストの制限解除といった実験的機能が利用可能となった。1週間後にjev-latestが1.14.0に更新される予定で、廃止通知期間はjev-1.13.0が60日前、jev-1.14.0が30日前と設定されている。

KEY POINTS要点記事から抽出した重要情報

TypeSafeがAIモデルの新バージョン「Jev 1.14.0」をjev-previewとしてリリースし、画像対応(マルチモーダル)や長文コンテキストの制限解除などの実験的機能を公開した。

CONTEXT文脈編集部による背景整理

TypeSafeが自社AIモデルJevでマルチモーダル対応やコンテキスト拡張を導入したことは、競合先端モデルに対する機能追従と開発者エコシステム維持の観点から重要。新機能の実装によるAPI利用料の増加やエンタープライズ採用の進展を注視したい。

原文を読むAnalyzed at 2026年10月15日 07:02

A.I.AI

TypeSafe AI、Jevモデルを発表:従来のLLMより40~200倍高速、40~400倍安価な新クラスのフロンティアモデル

TypeSafe AI が新クラスのフロンティアモデル「System One Model」とその第1弾「Jev」を発表し、早期アクセスで提供開始した。
Jev は既存 LLM 比で 40〜200 倍高速、コストも 40〜400 倍安価とされ、入力トークン 0.042 ドル・出力トークンはほぼ無料という価格体系を示す。
文字列生成を放棄し構造化出力に特化することでハルシネーションを起こさず、ソフトウェアに直接組み込める「スマートIF文」としての利用を想定している。

YHacker News2026年9月16日

A.I.AI

Jev(TypeSafe AIの新モデル)の確率分布キャリブレーションの精度は低い

TypeSafe AIが新モデル「Jev」を発表。LLM(System Two)に対しSystem One(速い思考)の決定モデルとして位置づけ、Transformerに分類器を接続した構成で特定タスクに特化せず文脈を即時利用できる
物理的に既知の分布(ガウス、ポアソン等)でのテストでJevの出力確率分布のキャリブレーション精度が低いことが判明。分布を過度にピークへ偏らせ、裾の確率質量を扱えず、問題文にピークがあるとその近傍ビンに高い確率を割り当てる傾向
一方でJevは問題に適した分布を選択する能力は非常に高い。数学面では単純計算は得意だが多段階計算では精度が低下する

YHacker News2026年10月3日

A.I.AI

Jev:Xでのデモ、ツール、スキル、統合機能のキュレーション

TypeSafe AIが提供するJevは、テキストやJSONに関する型付き質問に回答するモデルで、ルーティング、ランキング、エージェントの次アクション選択などの限定的な意思決定に使われる
Jev向けに、レビュー済みプロジェクト、再利用可能なスキル、短いコード例、X・GitHub・YouTubeのクリエイターデモをまとめた33件のレビュー済みピックが公開されている
Python SDKを用いたコード例や、ブラウザ・ネイティブ/デスクトップ環境での利用方法、ゲームやクリエイティブツールでの応用例、ローカル代替案の調査が紹介されている

YHacker News2026年9月22日

A.I.AI

テキスト分類のための言語モデル:Bag-of-WordsからJevまで

TypeSafe AIが新しいテキスト分類モデル「Jev」を開発し、GPT-5.6 Lunaと同等の性能を持ちながら桁違いに高速かつ安価であると主張している。
Jevはカスタムファインチューニングなしで多様な分類タスクに対応できる汎用性と使いやすいAPIを特徴とし、手法として「Reinforcement Learning for Calibrated Decisions (RLCD)」を用いているとされるが、アーキテクチャと学習アルゴリズムの詳細は非公開。
JevはChoice API、Noul API、Score APIというAPI群を提供し、IMDb映画レビューデータセットで性能評価が行われ、クローンモデルについても言及されている。

YHacker News2026年9月29日

A.I.AI

Jevのキャリブレーションは不可能

TypeSafeの「System One Model」Jevは、テキスト生成ではなく定義済み出力セットから確率付きの決定を返す。学習データなしで多様な分類問題に適用可能とされる
Jevは公平なコインが表になる確率を0.92と予測するなど、出力確率がmiscalibratedになる事例が報告されている
キャリブレーションはデータ分布に依存するため、TypeSafeのデータで調整されていてもユーザー側のデータ分布ではずれる。正確な確率が必要な場合はユーザー自身のラベル付きデータでの再キャリブレーションが必要

YHacker News2026年9月23日

A.I.AI

TypeSafe AI、Jevモデルを発表:従来のLLMより40~200倍高速、40~400倍安価な新クラスのフロンティアモデル

TypeSafe AI が新クラスのフロンティアモデル「System One Model」とその第1弾「Jev」を発表し、早期アクセスで提供開始した。
Jev は既存 LLM 比で 40〜200 倍高速、コストも 40〜400 倍安価とされ、入力トークン 0.042 ドル・出力トークンはほぼ無料という価格体系を示す。
文字列生成を放棄し構造化出力に特化することでハルシネーションを起こさず、ソフトウェアに直接組み込める「スマートIF文」としての利用を想定している。

YHacker News2026年9月16日

A.I.AI

Jev(TypeSafe AIの新モデル)の確率分布キャリブレーションの精度は低い

TypeSafe AIが新モデル「Jev」を発表。LLM(System Two)に対しSystem One(速い思考)の決定モデルとして位置づけ、Transformerに分類器を接続した構成で特定タスクに特化せず文脈を即時利用できる
物理的に既知の分布(ガウス、ポアソン等)でのテストでJevの出力確率分布のキャリブレーション精度が低いことが判明。分布を過度にピークへ偏らせ、裾の確率質量を扱えず、問題文にピークがあるとその近傍ビンに高い確率を割り当てる傾向
一方でJevは問題に適した分布を選択する能力は非常に高い。数学面では単純計算は得意だが多段階計算では精度が低下する

YHacker News2026年10月3日

A.I.AI

Jev:Xでのデモ、ツール、スキル、統合機能のキュレーション

TypeSafe AIが提供するJevは、テキストやJSONに関する型付き質問に回答するモデルで、ルーティング、ランキング、エージェントの次アクション選択などの限定的な意思決定に使われる
Jev向けに、レビュー済みプロジェクト、再利用可能なスキル、短いコード例、X・GitHub・YouTubeのクリエイターデモをまとめた33件のレビュー済みピックが公開されている
Python SDKを用いたコード例や、ブラウザ・ネイティブ/デスクトップ環境での利用方法、ゲームやクリエイティブツールでの応用例、ローカル代替案の調査が紹介されている

YHacker News2026年9月22日

A.I.AI

テキスト分類のための言語モデル:Bag-of-WordsからJevまで

TypeSafe AIが新しいテキスト分類モデル「Jev」を開発し、GPT-5.6 Lunaと同等の性能を持ちながら桁違いに高速かつ安価であると主張している。
Jevはカスタムファインチューニングなしで多様な分類タスクに対応できる汎用性と使いやすいAPIを特徴とし、手法として「Reinforcement Learning for Calibrated Decisions (RLCD)」を用いているとされるが、アーキテクチャと学習アルゴリズムの詳細は非公開。
JevはChoice API、Noul API、Score APIというAPI群を提供し、IMDb映画レビューデータセットで性能評価が行われ、クローンモデルについても言及されている。

YHacker News2026年9月29日

A.I.AI

Jevのキャリブレーションは不可能

TypeSafeの「System One Model」Jevは、テキスト生成ではなく定義済み出力セットから確率付きの決定を返す。学習データなしで多様な分類問題に適用可能とされる
Jevは公平なコインが表になる確率を0.92と予測するなど、出力確率がmiscalibratedになる事例が報告されている
キャリブレーションはデータ分布に依存するため、TypeSafeのデータで調整されていてもユーザー側のデータ分布ではずれる。正確な確率が必要な場合はユーザー自身のラベル付きデータでの再キャリブレーションが必要

YHacker News2026年9月23日

TypeSafeがJev 1.14.0をリリース、画像対応や長文コンテキストなどの実験的機能を公開

TypeSafeがJev 1.14.0をリリース、画像対応や長文コンテキストなどの実験的機能を公開

関連記事

TypeSafe AI、Jevモデルを発表:従来のLLMより40~200倍高速、40~400倍安価な新クラスのフロンティアモデル

Jev(TypeSafe AIの新モデル)の確率分布キャリブレーションの精度は低い

Jev:Xでのデモ、ツール、スキル、統合機能のキュレーション

テキスト分類のための言語モデル:Bag-of-WordsからJevまで

Jevのキャリブレーションは不可能

関連記事

TypeSafe AI、Jevモデルを発表:従来のLLMより40~200倍高速、40~400倍安価な新クラスのフロンティアモデル

Jev(TypeSafe AIの新モデル)の確率分布キャリブレーションの精度は低い

Jev:Xでのデモ、ツール、スキル、統合機能のキュレーション

テキスト分類のための言語モデル:Bag-of-WordsからJevまで

Jevのキャリブレーションは不可能