- AI Database Newsletter
- Posts
- 文章を1文字も書かないAI「Jev」完全解説
みなさん、こんにちは。
チャエンです。（自己紹介はこちら）
2026年9月15日、サンフランシスコのスタートアップ TypeSafe AI が、Jev（ジェヴ） というモデルを公開しました。
このモデル、文章を1文字も書きません。要約もしない。翻訳もしない。コードも書かない。メールの返信も作れない。チャットもできません。
そのかわり、こういうものを返します。ぜんぶ数字です。
返金要求か？ → 0.97
不正利用の可能性は？ → 0.08
怒りの強さは？ → 4.2 / 5
担当部署は？ → billing（確率0.92）
人間が見るべきか？ → 0.81
数字だけ？そんなもの何に使うの？と思った方。ここがこの記事の本題です🔥そして、この発表がHacker Newsで 1,832ポイント・482コメント という今年でも屈指の規模で議論され、日本のエンジニアのタイムラインまで一晩で埋め尽くした理由でもあります。
今回は今話題のJevを解説していきます。これまでのAIツールとどこが異なるのか、ぜひ最後までご覧ください。
Table of Contents
0.30秒でわかるまとめ
何が出た
TypeSafe AIの「Jev」。同社が「System One Model」と呼ぶ新しいモデル種別の第1号。現行版はjev-1.13.0で、jev-latestという別名がこれを指している発表日
2026年9月15日。同日にステルスを脱し、DCVC主導の4,000万ドルのシード調達も発表誰が作った
CEOのDiogo Almeida氏(元OpenAI、InstructGPT論文の第4著者。会社はRLHFとChatGPTの共同発明者と説明)、CTOのErik Gafni氏、COOのSasha Sheng氏資金
シード4,000万ドル(DCVCリード)。評価額2億ドルはForbesが事情に詳しい人物の話として報じたもので、会社の公式発表ではないできること
選択(Choice)、採点(Score)、Yes/No(Noul)の3種類。すべて確率つき。
各質問は同じ入力に対して並列かつ独立に評価されるため、質問を増やしても遅延はほぼ変わらないできないこと
文章・コード・説明の生成、チャット。入力はテキスト(文字列、JSON、配列)のみで、画像・音声・動画は非対応。コンテキスト
32,000トークン速度
エンドツーエンド70〜500ms(公式値)。チームの西海岸サーバーからの社内評価で、比較対象のチャット型フロンティアモデルは3〜329秒価格
入力$0.042 / 100万トークン(1ドル160円換算で約6.7円)、出力は無料ウリの数字
193.6倍速い・444.6倍安い。ただしこれは単一ワークフローでの最良ケースで、TypeSafe自身も普遍的な数字ではないと認めている。一方、Everyによる独立テストでは、抽出タスクでClaude Fable 5.1比で約25倍速く580倍安いという結果触り方
公式はウェイトリスト制。待ちたくなければVercel AI Gatewayでモデル名typesafe-ai/jevとして同じ価格で使える。加えてOpenRouterにもJev 1.13が9月18日付で掲載
1.Jevとは何か
1-1. いままでのAIツールのやり取り
あなたがカスタマーサポートの自動化を作るとします。ChatGPTやClaudeとのやり方は以下だと思います。
問い合わせ本文をGPTやClaudeに渡す
↓
「この問い合わせを分析して、担当部署と緊急度をJSONで返して」とお願いする
↓
AIが文章としてJSONを1文字ずつ書く
↓
返ってきた文字列をパースする
↓
たまに壊れている。たまに途中で切れる。たまに余計な解説が付いてくる
↓
リトライする
上記の方法での課題は、遅い・高い・そしてたまに壊れる。
そして私たちはAIに文章を投げても、本当に欲しかった答えは文章ではなかったですよね。欲しかったのは「billing」というラベルと「0.87」という数字だけという新しいアプローチ方法です。
なのに文章を書くために設計されたモデルに、わざわざ文章を書かせて、それを人間の代わりにプログラムが読み解いていました。
宮地俊充さんはこれを 「生成という税金」 と呼んでいました。うまい表現だと思います。Jevが外したのは、まさにこの税金です。
1-2. これまでの課題を解決するJevのやり方
Jevはどのように解決したのでしょうか。以下がやりとりです。
【渡すもの①】state（状態）
問い合わせ本文、契約状況、過去の対応履歴などをまとめたテキスト or JSON
【渡すもの②】questions（型付きの質問）
「返金要求か？」 → Noul型（Yes/Noの確率がほしい）
「どの部署に回す？」 → Choice型（billing / technical / sales から1つ）
「怒りの強さは？」 → Score型（0〜2の段階で）
↓ ぜんぶ同時に、1回のリクエストで
【返ってくるもの】型付きの答え＋確率
返金要求 : 0.97
部署 : "billing"（確率 billing 0.92 / technical 0.07 / sales 0.01、確信度 0.85）
怒りの強さ : 1.4（0=冷静 / 1=不満 / 2=激怒 の目盛りの上での位置）
文字列は一切生成されません。 パースも要りません。返ってきた瞬間から、あなたのコードが if で分岐できる値が生成されます。
そのあとは、普通のプログラムで書きます。
if answers["human_review"].noul >= 0.90:
escalate_to_human(ticket) # 即エスカレーション
elif answers["human_review"].noul >= 0.60:
double_check_with_llm(ticket) # 高性能LLMでもう一度見る
else:
auto_reply(ticket) # 自動処理
TypeSafe自身は、この設計を 「賢いif文（smart if-statements）」 と呼んでいます。
『AIに全部を考えさせるのではなく、曖昧なところだけAIに判断させて、ルールはコード側に戻す。』
これがSystem One Modelの発想です。
Reply