TypeSafe AIの「Jev」とは？既存LLMとの違いを解説のアイキャッチ画像

AI Jev TypeSafe AI 新情報・新機能

TypeSafe AIの「Jev」とは？既存LLMとの違いを解説

※本記事は広告が含まれる場合があります。

出典：X（@typesafeai）

TypeSafe AIは2026年9月15日、新しいモデル群「System One Models」と、その初の公開モデル「Jev」を発表しました。Jevは文章を生成する一般的な大規模言語モデルとは異なり、ソフトウェアが直接利用できる型安全な構造化判断を高速に出力することを目的としています。この記事では、Jevの特徴と既存LLMとの違いを、TypeSafe AIの公表内容に基づいて整理します。

みつた

こんにちは。今回は、型安全な構造化値を並列生成するTypeSafe AIの「Jev」について、既存LLMとの違いや速度・コスト評価の注意点を解説します。

この記事のチェックポイント

  • Jevは、非構造化データを受け取り、型付けされた確率的な判断を出力するモデルです。
  • 自由な文章ではなく、事前に定義された構造化値を出力します。TypeSafe AIは、スキーマとの一致が保証され、型エラーが発生しないと説明しています。
  • 既存LLMがトークンを逐次生成するのに対し、Jevはすべての出力を並列に生成します。
  • TypeSafe AIは、JevがSystem One型タスクで既存LLMと同程度の知能水準を示しながら、速度と効率を約2桁改善すると主張しています。
  • 速度やコストに関する数値はTypeSafe AIによる評価結果であり、比較条件や評価方法には同社が明記した制約があります。

Jevとは何か

出典：X（@CompleteSkeptic）

Jevは、TypeSafe AIが発表した新しいモデル群「System One Models」に属する初の公開モデルです。2026年9月15日に発表され、同日時点で早期アクセスとして提供されています。

System One Modelsは、ソフトウェアが直接利用できる、高速で構造化された意思決定を目的としています。想定されているのは、チャットや文章作成ではなく、分類、振り分け、スコアリング、抽出、条件分岐など、コード内の判断に組み込む用途です。

TypeSafe AIはJevを、非構造化された状態を入力し、型付けされた確率的な判断を出力する「フロンティア水準の知能を備えた関数呼び出し」と表現しています。

Jevの技術基盤には、新しいモデルアーキテクチャ、効率を高める並列サンプラー、Reinforcement Learning for Calibrated Decisions（RLCD）と呼ばれる学習手法が含まれます。RLCDは、System One型タスクについて、不確実性を反映した確率付きの判断を最適化する手法と説明されています。

「System One Models」という名称は、ダニエル・カーネマンの『Thinking, Fast and Slow』における、速く直感的な「システム1」と、遅く熟慮的な「システム2」の区別に由来します。「Jev」は、ウィリアム・スタンレー・ジェヴォンズにちなんだ名称です。

既存LLMとの出力方式の違い

既存の大規模言語モデル（LLM）は、直前までのトークンを条件に次のトークンを生成し、この処理を繰り返してチャット回答、文章、コードなどの文字列を作ります。

文字列は柔軟で汎用性が高い一方、ソフトウェアで利用するには出力の解析と検証が必要です。TypeSafe AIは、既存LLMの出力にはハルシネーション、拒否、型に合わない値などが含まれる可能性があると指摘しています。

Jevは自由な文字列を生成せず、可能な出力と構造を事前に定義したうえで、型安全な構造化値を返します。TypeSafe AIによると、スキーマとの一致が保証されるため、Jevは型エラーを起こしません。

サンプリング方式にも違いがあります。既存LLMがトークンを逐次生成するのに対し、Jevはすべての出力を1回の問い合わせで並列に生成します。TypeSafe AIは、この方式を高い速度と効率につながる特徴として挙げています。

一方、Jevは文字列生成の柔軟性を持ちません。汎用的なチャットや文章作成ではなく、事前に定義された選択肢や構造の中で判断する用途に特化したモデルです。

確率・信頼度と型安全性

TypeSafe AIは、Jevのすべての回答に確率と信頼度が付属すると説明しています。高い信頼度が高い精度に対応するよう調整され、似た入力には似た回答を返す一貫性も重視されています。

同社は、既存LLMには信頼度を尋ねても過信したり、一貫性のない数値を示したりする傾向があると指摘しています。例として、あるタスクを95％の確率で処理できても、失敗する5％のケースをモデル自身が示せなければ、そのタスクを自動化できないと説明しています。

TypeSafe AIは、Jevが型安全な構造化値だけを出力し、ハルシネーションを起こさないとも主張しています。また、同社が示す型エラー率0％は実測結果ではなく、スキーマとの一致が設計上保証されていることに基づく数値です。

この点は、自由な文字列を生成できる既存LLMとの大きな違いです。既存LLMは多様な出力に対応できる一方、TypeSafe AIによると、どれほど高性能でもハルシネーションや型エラーが残ります。Jevは出力範囲を事前に制約することで、ソフトウェアに組み込みやすい判断を返すことを重視しています。

速度・コストと想定用途

TypeSafe AIは、JevがSystem One型タスクで既存LLMと同程度の知能水準を示しながら、速度と効率を約2桁改善すると説明しています。

同社が掲載した比較では、フロンティアモデルのエンドツーエンド応答時間が3〜329秒であるのに対し、TypeSafeの応答時間は70〜500ミリ秒です。同程度の知能水準を持つSystem One型の問い合わせでは、40〜200倍高速になる可能性があるとしています。

価格について、TypeSafe AIが示した既存LLMの入力コストは100万トークン当たり0.20〜10ドルで、出力トークンは入力トークンのおよそ5倍です。Jevの入力価格は100万トークン当たり0.042ドル、すなわち10億トークン当たり42ドルです。出力は「計測するには安価すぎる」として無料とされています。

TypeSafe AIが挙げるJevの用途は次のとおりです。

  • 分類、振り分け、スコアリング、抽出、条件分岐を行うAIワークフロー
  • 大規模データからの特徴量や洞察の抽出
  • 応答速度が重要なリアルタイムアプリケーション
  • LLMのプロンプト、推論過程、出力の判定や検証
  • ガードレールや脱獄の検出

同社のワークフロー評価では、すべてのモデルに同じワークフローを与え、GPT-6 AstraとFable 5.1の平均を参照確率として比較しています。TypeSafe AIによると、Jevはこの評価で約2桁にわたってパレートフロンティアを占めました。ホームページに掲載された「193.6倍高速」「444.6倍安価」という数値も、この評価に基づいています。

公表された比較結果の注意点

Jevの性能や既存LLMとの差は、TypeSafe AIが公開した評価と説明に基づくものです。同社自身も、評価結果には複数の注意点があると説明しています。

公表された速度評価は、同社サービスの拠点がある米国西海岸から、通常はノートパソコンを使って実施されています。また、「193.6倍高速」「444.6倍安価」という結果について、同社は実環境における改善幅としては大きい側に位置すると見込んでいます。

評価用ワークフローは、Jevを有利にする目的で作られたものではなく、同社によると学習分布にも含まれていません。ただし、同社のモデル能力チームのメンバーが作成したため、偏りが存在する可能性があります。

比較対象のLLMには、出力をJevのAPIと互換性のある構造化判断に制約する「System One LLM」ラッパーが使われています。同社によると、この方法はLLMから判断を得るうえで最も正確である一方、確率なしで判断を出させる場合より遅く、高価になる傾向があります。

横並びのデモについても、問い合わせが単純化され、入力には短く密度の高い段落が使われています。TypeSafe AIは、この比較条件がJevにとって有利であることを明記しています。

Jevは、既存LLMをあらゆる用途で置き換えるものとして紹介されているわけではありません。自由な文章生成ではなく、型安全な構造化出力、確率付きの判断、並列処理による速度を重視したモデルです。比較する際は、チャットや文章作成ではなく、ソフトウェア内の意思決定を自動化するという目的の違いを踏まえる必要があります。

情報元・出典：

-AI, Jev, TypeSafe AI, 新情報・新機能