هوش مصنوعی Jev چیست و چگونه کار می کند؟

برای دسته‌بندی پیام‌های پشتیبانی یا ارجاع درخواست‌ها به بخش درست، همیشه نیازی به مدل‌های زبانی بزرگ نیست. گاهی برنامه فقط به یک تصمیم مشخص نیاز دارد؛ اما وقتی این تصمیم هزاران بار تکرار می‌شود، سرعت و هزینه پردازش اهمیت پیدا می‌کند. Jev برای انجام همین تصمیم‌های سریع و پرتکرار طراحی شده است.

Jev، نخستین مدل System One شرکت TypeSafe AI، توسط دیوگو آلمیدا، پژوهشگر سابق OpenAI، توسعه یافته است. این مدل به‌جای تولید متن آزاد، خروجی‌های نوع‌دار و احتمال‌های کالیبره‌شده را مطابق با طرح‌واره (Schema) تعریف‌شده برمی‌گرداند. طبق اطلاعات منتشرشده، زمان پاسخ‌گویی آن بین ۷۰ تا ۵۰۰ میلی‌ثانیه است و پردازش هر یک میلیون توکن ورودی ۰٫۰۴۲ دلار هزینه دارد؛ خروجی نیز هزینه جداگانه‌ای ندارد.

ویدیوهای منتشرشده از سرعت بالای Jev توجه زیادی به این مدل جلب کرده‌اند. با این حال، کاربرد اصلی آن در وظایفی مانند دسته‌بندی و مسیریابی درخواست‌هاست، نه جایگزینی کامل مدل‌های زبانی بزرگ. در ادامه بررسی می‌کنیم Jev چیست، چگونه کار می‌کند، چه تفاوتی با LLMها دارد و استفاده از آن در پروژه‌های واقعی چه محدودیت‌هایی دارد.

Jev چیست؟

Jev نخستین مدل هوش مصنوعی شرکت TypeSafe AI است که در ۱۵ سپتامبر ۲۰۲۶ معرفی شد. برخلاف مدل‌های زبانی بزرگ (LLM)، این مدل برای تولید متن یا گفت‌وگو طراحی نشده است؛ بلکه اطلاعات را بررسی می‌کند و تصمیم‌هایی در قالب مشخص برمی‌گرداند که نرم‌افزار بتواند مستقیما از آن‌ها استفاده کند.

Jev از خانواده System One است؛ نامی برگرفته از مفهوم «تفکر سریع و شهودی» در کتاب دنیل کانمن. شرکت TypeSafe با الهام از این مفهوم، Jev را برای تصمیم‌گیری‌های سریع و پرتکرار، مانند دسته‌بندی پیام‌ها و مسیریابی درخواست‌ها، طراحی کرده است.

برای استفاده از Jev، دو نوع ورودی به مدل داده می‌شود:

• داده‌های وضعیت (State): اطلاعاتی مانند متن تیکت پشتیبانی یا جزئیات یک تراکنش.
• پرسش‌های نوع‌دار (Typed Questions): پرسش‌هایی که قالب پاسخ آن‌ها از قبل مشخص شده است.

هوش مصنوعی Jev این ورودی‌ها را در یک مرحله (Single Pass) پردازش می‌کند و پاسخ‌های ساختاریافته همراه با احتمال‌های کالیبره‌شده برمی‌گرداند. این ساختار استفاده از خروجی را در نرم‌افزار ساده‌تر می‌کند، اما درست‌بودن تمام تصمیم‌های مدل را تضمین نمی‌کند.

نام Jev نیز از ویلیام استنلی جوونز، اقتصاددان قرن نوزدهم، گرفته شده است. براساس «پارادوکس جوونز»، کاهش هزینه استفاده از یک منبع می‌تواند مصرف آن را افزایش دهد؛ ایده‌ای که TypeSafe آن را به تصمیم‌گیری با هوش مصنوعی تعمیم داده است.

از تصمیم‌گیری سریع با Jev تا استفاده از مدل‌های زبانی بزرگ؛ قابلیت‌های هوش مصنوعی را با سرویس لیارا به پروژه خود اضافه کنید.
خرید API هوش مصنوعی لیارا

Jev چگونه کار می کند؟

شرکت TypeSafe هنوز جزئیات کاملی از معماری و زیرساخت Jev منتشر نکرده است. طبق گزارش TechCrunch، توسعه این مدل حدود دو سال و با استفاده از داده‌های مصنوعی (Synthetic Data) انجام شده است. برخی تحلیلگران احتمال می‌دهند Jev بر پایه معماری ترنسفورمر (Transformer) ساخته شده باشد، اما این موضوع هنوز تایید نشده است.

تفاوت اصلی Jev با مدل‌های زبانی بزرگ (LLM) در نحوه تولید پاسخ است. مدل‌های گفت‌وگومحور معمولا خروجی را توکن‌به‌توکن تولید می‌کنند؛ بنابراین زمان پاسخ‌گویی آن‌ها به طول متن و شرایط اجرا بستگی دارد. در مقابل، Jev برای تولید پاسخ‌های ساختاریافته، بدون نیاز به تولید متوالی متن طراحی شده است.

به گفته TypeSafe، این مدل داده‌های وضعیت (State) و پرسش‌های نوع‌دار (Typed Questions) را دریافت می‌کند و پاسخ‌ها را در یک مرحله پردازش موازی (Single Parallel Pass) برمی‌گرداند. این روش می‌تواند زمان پاسخ‌گویی را در وظایفی مانند دسته‌بندی پیام‌ها و مسیریابی درخواست‌ها کاهش دهد؛ هرچند سرعت واقعی به نوع وظیفه و شرایط اجرا بستگی دارد.

کاربردهای هوش مصنوعی Jev چیست؟

در بسیاری از نرم‌افزارها، تصمیم‌گیری فقط با چند شرط ثابت امکان‌پذیر نیست. برای تشخیص منظور کاربر از یک پیام یا ارزیابی محتوای متنی، برنامه باید اطلاعات ورودی را درک کند. Jev برای چنین وظایفی کاربرد دارد؛ جایی که معیار تصمیم‌گیری مشخص است، اما پاسخ به تحلیل محتوای ورودی نیاز دارد.

۱. دسته بندی و مسیریابی درخواست ها

در برنامه‌هایی که از چند مدل زبانی استفاده می‌کنند، Jev می‌تواند موضوع و پیچیدگی درخواست را ارزیابی کند. سپس برنامه براساس این ارزیابی، پرسش‌های ساده را به مدل‌های سبک‌تر و درخواست‌های پیچیده را به مدل‌های توانمندتر ارسال می‌کند. این روش کمک می‌کند بدون استفاده از مدل‌های گران‌قیمت برای تمام درخواست‌ها، هزینه پردازش کنترل شود.

۲. ارزیابی محتوای کاربران

پیش از انتشار پیام‌های کاربران، می‌توان آن‌ها را از نظر توهین، هرزنامه یا افشای اطلاعات حساس بررسی کرد. Jev نتیجه این بررسی‌ها را برمی‌گرداند و برنامه سیاست انتشار را اعمال می‌کند. بهتر است برای موارد مبهم، مسیر بررسی انسانی در نظر گرفته شود تا تشخیص احتمالی مدل مستقیماً به حذف محتوا منجر نشود.

۳. امتیازدهی و انتخاب اسناد در سیستم های RAG

در سیستم های تولید تقویت شده با بازیابی (RAG)، انتخاب اسناد مرتبط با پرسش کاربر اهمیت زیادی دارد. Jev می‌تواند اسناد بازیابی‌شده را براساس میزان ارتباط معنایی با پرسش امتیازدهی کند. برنامه نیز از این امتیازها برای انتخاب متن‌هایی استفاده می‌کند که در اختیار مدل زبانی قرار می‌گیرند؛ بدون اینکه انتخاب فقط به شباهت کلمات محدود شود.

۴. کنترل و نظارت بر ایجنت های هوش مصنوعی

در برنامه‌هایی که از عامل‌های هوش مصنوعی استفاده می‌کنند، Jev می‌تواند درخواست‌ها، پاسخ‌ها و فراخوانی ابزارها را از نظر نقض سیاست‌های امنیتی، افشای اطلاعات یا تزریق دستور (Prompt Injection) ارزیابی کند.

برای نمونه، اگر یک عامل قصد اجرای عملیاتی حساس را داشته باشد، نتیجه بررسی Jev می‌تواند به برنامه کمک کند تا عملیات را متوقف کرده و تایید کاربر را درخواست کند. البته کنترل دسترسی و اجرای محدودیت‌های امنیتی همچنان بر عهده خود برنامه است و Jev تنها نقش یک لایه نظارتی کمکی را دارد.

تفاوت Jev با ChatGPT و مدل های زبانی بزرگ چیست؟

Jev و مدل‌های زبانی بزرگ (LLM) هر دو می‌توانند در پردازش اطلاعات و تصمیم‌گیری‌های نرم‌افزاری استفاده شوند، اما برای کارهای متفاوتی طراحی شده‌اند. مدل‌های زبانی نیز با قابلیت Structured Outputs می‌توانند پاسخ‌هایی مطابق JSON Schema تولید کنند. تفاوت اصلی در نوع وظایفی است که هر مدل برای انجام آن‌ها مناسب‌تر است.

جدول زیر Jev را با مدل‌های زبانی مولد، از جمله مدل‌های مورد استفاده در ChatGPT، مقایسه می‌کند.

معیار	Jev	مدل‌های زبانی بزرگ (LLM)
نوع خروجی	انتخاب، احتمال یا امتیاز با ساختار مشخص	متن، کد یا داده ساختاریافته
کاربرد اصلی	دسته‌بندی، مسیریابی و امتیازدهی به درخواست‌ها	گفت‌وگو، تولید محتوا، برنامه‌نویسی و استدلال
هزینه API	هزینه براساس توکن‌های ورودی؛ بدون هزینه جداگانه برای خروجی طبق تعرفه اعلام‌شده	وابسته به مدل؛ معمولا ورودی و خروجی تعرفه جداگانه دارند
محدودیت‌ها	متن آزاد یا توضیح متنی تولید نمی‌کند و ممکن است تصمیم اشتباه بگیرد	ممکن است اطلاعات نادرست تولید کند؛ حتی با خروجی ساختاریافته

چه زمانی از Jev و چه زمانی از ChatGPT استفاده کنیم؟

انتخاب مدل به کاری بستگی دارد که برنامه باید انجام دهد. اگر هدف تشخیص موضوع یک تیکت، تعیین فوریت درخواست یا انتخاب از میان چند گزینه باشد، Jev ارزش بررسی دارد. اما برای نوشتن پاسخ پشتیبانی، تولید کد یا تحلیل مسائل پیچیده، مدل‌های زبانی بزرگ مناسب‌تر هستند.

این دو می‌توانند در یک پروژه مکمل یکدیگر باشند. در سامانه پشتیبانی، Jev تیم مسئول و فوریت تیکت را مشخص می‌کند و مدل زبانی براساس اطلاعات درخواست، پاسخ پیشنهادی را می‌نویسد.

برای انتخاب نهایی، بهتر است دقت، زمان پاسخ‌گویی و هزینه هر دو مدل را روی داده‌های واقعی پروژه مقایسه کنید. اگر Jev با هزینه کمتر به دقت موردنیاز برسد، می‌تواند جایگزین مناسبی برای مدل زبانی در همان وظیفه باشد.

مهم ترین قابلیت های Jev چیست؟

فرض کنید کاربری تیکتی درباره قطعی سایت ثبت می‌کند. سامانه پشتیبانی باید تشخیص دهد درخواست به کدام تیم ارجاع داده شود، چقدر فوری است و آیا می‌توان آن را بدون دخالت انسان پردازش کرد. قابلیت‌های Jev می‌توانند در بخش‌های مختلف این فرایند به کار گرفته شوند.

۱. خروجی نوع امن (Type-Safe)

در Jev، نوع داده و گزینه‌های مجاز از قبل مشخص می‌شوند. مدل پاسخ را مطابق همان ساختار برمی‌گرداند؛ بنابراین نیازی به استخراج اطلاعات از متن آزاد نیست.

در سامانه پشتیبانی، می‌توان گزینه‌های technical و billing را تعریف کرد. Jev با بررسی پیام مربوط به قطعی سایت، یکی از این مقادیر را برمی‌گرداند و برنامه تیکت را به تیم مربوط ارجاع می‌دهد.

۲. احتمال های کالیبره شده (Calibrated Probabilities)

Jev برای برآورد احتمال‌ها و نمایش میزان عدم‌قطعیت مدل آموزش دیده است. این قابلیت به توسعه‌دهنده کمک می‌کند تصمیم بگیرد کدام درخواست‌ها خودکار پردازش شوند و کدام‌یک به بررسی انسانی نیاز دارند.

اگر میزان اطمینان مدل به انتخاب تیم فنی 0.95 باشد، سامانه می‌تواند براساس آستانه تعیین‌شده تیکت را خودکار ارجاع دهد. اما با اطمینان 0.55، ممکن است بررسی انسانی لازم باشد. این آستانه باید با داده‌های واقعی پروژه تنظیم شود.

شرکت TypeSafe بخشی از این قابلیت را به روش آموزشی RLCD نسبت می‌دهد که هدف آن هماهنگ‌کردن احتمال‌های اعلام‌شده با دقت واقعی مدل است. به این معنا که اگر مدل برای تعداد زیادی تصمیم احتمال ۸۰ درصد اعلام کند، انتظار می‌رود حدود ۸۰ درصد آن‌ها درست باشند؛ البته این موضوع باید با داده‌های واقعی هر پروژه ارزیابی شود.

۳. تصمیم گیری سریع با تاخیر پایین (Low Latency)

شرکت TypeSafe زمان پاسخ‌گویی Jev را بین ۷۰ تا ۵۰۰ میلی‌ثانیه اعلام کرده است. چنین سرعتی می‌تواند تشخیص موضوع و ارجاع تیکت را هم‌زمان با ثبت درخواست ممکن کند، بدون اینکه کاربر انتظار طولانی داشته باشد. البته این بازه تضمینی نیست و زمان واقعی به نوع وظیفه و شرایط اجرا بستگی دارد.

۴. ترکیب خروجی Jev با منطق برنامه

نتایج Jev را می‌توان وزن‌دهی کرد، با داده‌های دیگر مقایسه کرد یا در شرط‌های if به کار برد. به این ترتیب، تصمیم نهایی براساس قوانین تعریف‌شده در برنامه گرفته می‌شود.

در ادامه همان فرایند پشتیبانی، Jev احتمال فوری‌بودن تیکت را برآورد می‌کند. برنامه این مقدار را با تعداد کاربران تحت‌تاثیر قطعی ترکیب کرده و اولویت رسیدگی را تعیین می‌کند. اگر سیاست اولویت‌بندی تغییر کند، توسعه‌دهنده می‌تواند شرط‌ها و وزن معیارها را در کد اصلاح کند، بدون اینکه لازم باشد پرسش‌های مدل تغییر کنند.

انواع خروجی Jev؛ تفاوت Noul , Choice و Score

همه تصمیم‌هایی که Jev می‌گیرد از یک نوع نیستند. گاهی باید احتمال درست‌بودن یک گزاره مشخص شود، گاهی لازم است مدل از میان چند گزینه انتخاب کند و گاهی هم باید به یک وضعیت امتیاز بدهد. Jev برای این سه کاربرد، خروجی‌های Noul , Choice و Score را ارائه می‌دهد که هرکدام روش متفاوتی برای بیان نتیجه دارند.

۱. Noul؛ پاسخ بله یا خیر همراه با احتمال

Noul برای پرسش‌هایی استفاده می‌شود که پاسخ آن‌ها بله یا خیر است. خروجی عددی بین صفر و یک است؛ مثلا برای پرسش «آیا این پیام حاوی اطلاعات شخصی است؟»، مقدار 0.9 یعنی مدل احتمال پاسخ مثبت را ۹۰ درصد برآورد کرده است.

مقدار نزدیک به 0.5 نشان‌دهنده تردید مدل است، نه متوسط‌بودن شدت ویژگی مورد بررسی. در این نوع خروجی، فیلد جداگانه‌ای برای confidence وجود ندارد و همان عدد، احتمال پاسخ مثبت را نشان می‌دهد.

۲. Choice؛ انتخاب از میان گزینه های مشخص

در Choice، گزینه‌های مجاز از قبل تعیین می‌شوند. برای مثال، هنگام تشخیص زبان برنامه‌نویسی یک قطعه‌کد، می‌توان گزینه‌های Python، JavaScript، Go و «سایر» را تعریف کرد.

Jev محتمل‌ترین گزینه را در فیلد choice و احتمال هر گزینه را در probabilities برمی‌گرداند. فیلد confidence نیز میزان اطمینان مدل به انتخاب را نشان می‌دهد. هرچه احتمال‌ها میان چند گزینه پراکنده‌تر باشند، اطمینان مدل کمتر خواهد بود.

۳. Score؛ امتیازدهی براساس معیارهای مشخص

Score برای ارزیابی مواردی کاربرد دارد که چند سطح دارند؛ مانند شدت خطای نرم‌افزاری. برای مثال، می‌توان سه سطح «اشکال ظاهری»، «اختلال با راه‌حل موقت» و «توقف کار بدون راه‌حل موقت» تعریف کرد. هر سطح باید توضیح مشخصی داشته باشد تا مدل بداند براساس چه معیاری امتیاز می‌دهد.

سطوح از صفر شماره‌گذاری می‌شوند و مقدار score از میانگین وزن‌دار شماره آن‌ها براساس احتمال هر سطح به دست می‌آید؛ بنابراین ممکن است اعشاری باشد. امتیاز بالاتر به معنای اطمینان بیشتر نیست. در این مثال، score شدت خطا را نشان می‌دهد، درحالی‌که confidence و probabilities به بررسی میزان اطمینان مدل کمک می‌کنند.

نمونه ساختار خروجی Jev در JSON

فرض کنید Jev یک تیکت پشتیبانی را بررسی کرده و قرار است فوریت درخواست، تیم مسئول و شدت مشکل را مشخص کند. بخش answers از پاسخ فرضی API می‌تواند به شکل زیر باشد:

{
  "answers": {
    "is_urgent": {
      "type": "noul",
      "noul": 0.95
    },
    "department": {
      "type": "choice",
      "choice": "technical",
      "probabilities": {
        "technical": 0.85,
        "billing": 0.15
      },
      "confidence": 0.78
    },
    "severity": {
      "type": "score",
      "score": 1.4,
      "legend": {
        "0": "minor",
        "1": "workaround",
        "2": "blocked"
      },
      "probabilities": {
        "0": 0.1,
        "1": 0.4,
        "2": 0.5
      },
      "confidence": 0.7
    }
  }
}

در این مثال، Jev احتمال فوری‌بودن درخواست را ۹۵ درصد برآورد کرده، تیم فنی را برای رسیدگی انتخاب کرده و شدت مشکل را با امتیاز 1.4 ارزیابی کرده است. برنامه می‌تواند از این مقادیر برای تعیین مسیر رسیدگی استفاده کند یا درخواست‌هایی با اطمینان پایین را برای بررسی انسانی کنار بگذارد.

سرعت، هزینه و عملکرد Jev چقدر است؟

در تصمیم‌گیری‌های پرتکرار، علاوه بر سرعت پاسخ‌گویی، هزینه پردازش و دقت مدل هم اهمیت دارد. شرکت TypeSafe زمان پاسخ Jev را بین ۷۰ تا ۵۰۰ میلی‌ثانیه اعلام کرده است. البته این اعداد بیشتر از آزمایش‌هایی در غرب آمریکا و نزدیک محل میزبانی سرویس به دست آمده‌اند و ممکن است در مناطق دیگر، به دلیل تاخیر شبکه، متفاوت باشند.

هزینه استفاده از Jev

براساس تعرفه رسمی اکتبر ۲۰۲۶، پردازش هر یک میلیون توکن ورودی ۰٫۰۴۲ دلار هزینه دارد و خروجی رایگان است. برای نمونه، هزینه پردازش ۱۰۰ میلیون توکن ورودی، با همین تعرفه، ۴٫۲ دلار می‌شود.

نتایج بنچمارک Jev و محدودیت های آن

TypeSafe براساس بنچمارک‌های داخلی خود ادعا می‌کند Jev در برخی گردش‌کارها تا ۱۹۳٫۶ برابر سریع‌تر از مدل‌های زبانی مقایسه‌شده عمل کرده است. با این حال، این نتیجه را نمی‌توان به تمام کاربردها تعمیم داد.

در این آزمایش‌ها، پاسخ مرجع از میانگین پیش‌بینی دو مدل زبانی پیشرفته به دست آمده، نه پاسخ‌های مستقلی که درستی آن‌ها تایید شده باشد. همچنین مدل‌های رقیب ملزم به تولید خروجی ساختاریافته همراه با احتمال‌ها بوده‌اند که می‌تواند زمان و هزینه پردازش را افزایش دهد.

محدودیت دیگر به ورودی‌های طولانی مربوط می‌شود. طبق مستندات TypeSafe، فعال‌کردن حالت زمینه بلند (Long Context) می‌تواند سرعت و دقت Jev را کاهش دهد. بنابراین، برای ارزیابی عملکرد واقعی این مدل، بهتر است دقت، زمان پاسخ‌گویی و هزینه آن را با داده‌های واقعی پروژه و ورودی‌هایی با طول متفاوت آزمایش کنید.

محدودیت های Jev چیست و چه زمانی نباید از آن استفاده کرد؟

اگر برنامه به گفت‌وگو با کاربر، تولید متن، کدنویسی یا استدلال چندمرحله‌ای نیاز دارد، Jev انتخاب مناسبی نیست. این مدل برای تصمیم‌گیری‌های مشخص طراحی شده و برخلاف مدل‌های زبانی بزرگ (LLM)، متن آزاد تولید نمی‌کند. همچنین، خروجی نوع‌امن (Type-Safe) تضمین‌کننده درستی پاسخ نیست؛ Jev ممکن است اطلاعات ورودی را اشتباه تفسیر کند، حتی اگر نتیجه را در قالب درست برگرداند.

در کارهایی مانند شمارش دقیق، محاسبات عددی و مقایسه‌های پیچیده نیز نباید بدون ارزیابی به Jev تکیه کرد. برای چنین وظایفی، استفاده از منطق قطعی برنامه یا مدل‌های استدلالی مناسب‌تر است. شرکت TypeSafe هم توصیه می‌کند دقت Jev را با داده‌های واقعی هر پروژه بسنجید و تنها به نتایج بنچمارک‌ها اکتفا نکنید.

پشتیبانی چندزبانه Jev در نسخه ۱.۱۴ بهبود یافته، اما عملکرد یکسان آن در تمام زبان‌ها تضمین نشده است. اگر برنامه شما با متن فارسی کار می‌کند، بهتر است پیش از استفاده عملی، مدل را با نمونه‌های واقعی فارسی آزمایش کنید، آستانه اطمینان مناسبی تعیین کنید و برای تصمیم‌های نامطمئن، امکان بررسی انسانی را در نظر بگیرید.

چگونه از Jev استفاده کنیم؟

برای شروع کار با Jev لازم نیست از ابتدا آن را داخل پروژه پیاده‌سازی کنید. TypeSafe یک Playground در اختیار توسعه‌دهندگان قرار داده تا بتوانند State، پرسش‌ها و نوع خروجی را آزمایش کنند و قبل از اتصال API، رفتار مدل را روی چند نمونه واقعی بسنجند. بعد از ساخت API Key، همین ساختار را می‌توان از طریق API در برنامه استفاده کرد.

دسترسی به Playground و API

Playground برای تنظیم پرسش‌ها و بررسی خروجی‌هایی مثل Noul , Choice و Score مناسب است. وقتی ساختار درخواست مشخص شد، همان منطق را می‌توان از طریق endpoint مربوط به System One به بک‌اند منتقل کرد. کلید API باید فقط در سمت سرور نگه‌داری شود و نباید داخل کد فرانت‌اند قرار بگیرد.

اگر می‌خواهید Jev را از طریق لیارا به پروژه خود متصل کنید، پس از ایجاد سرویس هوش مصنوعی و دریافت کلید API، می‌توانید درخواست‌های خود را به مدل ارسال کنید. مراحل اتصال، تنظیم متغیرهای محیطی و نمونه کد را می‌توانید در مستندات راه اندازی Jev در لیارا مشاهده کنید.

فراخوانی Jev در Python

در Python با SDK یا یک درخواست HTTP، می‌توان State و پرسش‌ها را برای Jev ارسال کرد. برای مثال، متن یک تیکت همراه با پرسش‌هایی درباره موضوع، فوریت و نیاز به ارجاع ارسال می‌شود و پاسخ مدل به‌صورت داده ساختاریافته برمی‌گردد.

استفاده از خروجی در بک اند

خروجی Jev بهتر است مستقیماً به معنی «اجرا» نباشد. بک‌اند باید براساس احتمال، امتیاز یا گزینه انتخاب‌شده تصمیم بگیرد. مثلاً اگر احتمال یک تشخیص از آستانه تعیین‌شده بیشتر بود، عملیات خودکار انجام شود و موارد نامطمئن برای بررسی انسانی یا پردازش بیشتر در صف جداگانه قرار بگیرند.

نسخه Jev 1.14 چه قابلیت های جدیدی دارد؟

در نسخه Jev 1.14، شرکت TypeSafe پشتیبانی آزمایشی از ورودی تصویر را اضافه کرده است. به این ترتیب، Jev می‌تواند علاوه بر متن، محتوای تصاویر را نیز بررسی کند و در تصمیم‌گیری‌های خود در نظر بگیرد. خروجی جدید Box هم برای مشخص‌کردن موقعیت یا محدوده‌ای خاص در تصویر معرفی شده است.

در این نسخه، پشتیبانی چندزبانه بهبود یافته و امکان پردازش ورودی‌های طولانی‌تر (Long Context) نیز فراهم شده است. با این حال، قابلیت‌هایی مانند ورودی تصویر، Box و Long Context هنوز آزمایشی هستند و پردازش متن‌های طولانی ممکن است سرعت و دقت مدل را کاهش دهد. بهتر است پیش از استفاده در محیط عملیاتی (Production)، عملکرد این قابلیت‌ها را با داده‌های واقعی پروژه، به‌ویژه متن‌های فارسی و تصاویر، آزمایش کنید.

جمع بندی

Jev برای جایی ساخته شده که نرم‌افزار به‌جای تولید متن، به یک تصمیم مشخص نیاز دارد؛ تصمیمی که بتوان آن را مستقیم وارد منطق برنامه کرد. تمرکز روی انتخاب، امتیاز و احتمال، در کنار پردازش موازی، آن را برای کارهایی مثل مسیریابی درخواست‌ها، ارزیابی محتوا و کنترل گردش‌کار مناسب می‌کند.

اما مزیت Jev فقط زمانی معنا دارد که در داده‌های واقعی پروژه حفظ شود. دقت مدل، رفتار آن در موارد مبهم و هزینه خطا باید کنار سرعت و قیمت سنجیده شوند؛ چون خروجی منظم و Type-Safe، تصمیم درست را تضمین نمی‌کند.

سوالات متداول

۱. Jev چه تفاوتی با ChatGPT دارد؟

ChatGPT و مدل‌های زبانی مشابه برای کارهایی مانند گفت‌وگو، تولید متن، کدنویسی و استدلال طراحی شده‌اند. Jev روی تصمیم‌های مشخص در نرم‌افزار تمرکز دارد و به‌جای تولید متن آزاد، خروجی‌هایی مانند انتخاب، احتمال و امتیاز برمی‌گرداند. این دو مدل می‌توانند در یک سیستم نقش‌های متفاوت و مکمل داشته باشند.

۲. مدل System One چیست؟

System One نام خانواده‌ای از مدل‌های TypeSafe AI است که برای تصمیم‌های سریع و مشخص طراحی شده‌اند. این نام از مفهوم System 1 یا تفکر سریع و شهودی الهام گرفته شده است. Jev نخستین مدل عمومی معرفی‌شده از این خانواده است.

۳. آیا Jev ممکن است تصمیم اشتباهی بگیرد؟

بله. Type-Safe بودن خروجی Jev فقط تضمین می‌کند که پاسخ با ساختار تعریف‌شده سازگار باشد و به معنی صحیح‌بودن تصمیم نیست. به همین دلیل، دقت مدل، احتمال‌ها و آستانه‌های تصمیم‌گیری باید روی داده‌های واقعی هر پروژه ارزیابی شوند.

۴. سرعت و قیمت Jev چقدر است؟

TypeSafe AI زمان پاسخ Jev را بین ۷۰ تا ۵۰۰ میلی‌ثانیه اعلام کرده است. براساس تعرفه اکتبر ۲۰۲۶، هزینه پردازش هر یک میلیون توکن ورودی ۰٫۰۴۲ دلار است و برای خروجی هزینه جداگانه‌ای دریافت نمی‌شود. زمان پاسخ واقعی می‌تواند با توجه به اندازه ورودی، موقعیت شبکه و شرایط سرویس متفاوت باشد.

۵. Jev برای چه پروژه هایی مناسب است؟

Jev بیشتر برای نرم‌افزارهایی مناسب است که تعداد زیادی تصمیم مشخص و پرتکرار دارند؛ مانند دسته‌بندی تیکت‌ها، مسیریابی درخواست‌ها، ارزیابی محتوا، امتیازدهی داده‌ها و نظارت بر AI Agentها. برای تولید محتوا، گفت‌وگو یا استدلال چندمرحله‌ای، مدل‌های زبانی عمومی انتخاب مناسب‌تری هستند.