For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/ja/articles/jev-decision-model-typesafe-ai-870m-serie-7b7d7513.md.
わずか数週間で、TypeSafe AIは比較的無名の存在から、AI分野で最も注目されるインフラスタートアップの一つへと躍進しました。
わずか数週間で、TypeSafe AIは比較的無名の存在から、AI分野で最も注目されるインフラスタートアップの一つへと躍進しました。
同社は現在、ポストマネー評価額75億ドルで、8億7,000万ドルのシリーズAを発表しています。
これはどのような状況でも注目に値するニュースです。しかし、この勢いを生み出した製品が通常とは異なります。Jevは、チャットボットを目指すモデルではなく、長い文章を生成するモデルでもなく、主にコードを書くために設計されたモデルでもありません。
その役割は、より限定されています。
意思決定です。
一般的なJevへのリクエストは、次のようなものです。
この状態において、
ソフトウェアはどの選択肢を選ぶべきか？
次のようなものではありません。
詳しい説明を書いてください。
TypeSafeはJevをSystem Oneモデルと呼んでいます。これは、ソフトウェアが直接利用できる、迅速で範囲が限定された構造化された意思決定のために設計されたモデルです。
自由形式のテキストではなく、Jevは次のようなものを返します。
この限定された設計により、Jevは十分に低コストかつ高速になり、従来型のフロンティアLLMでは遅すぎたり高コストになったりするような、大量のソフトウェアワークフロー内でも実行できるようになっています。
そして、市場の反応は極めて大きなものでした。
TypeSafe AIは2024年にサンフランシスコで設立されました。
Jevのローンチ前、同社はおよそ2年間にわたってステルス運営を続けていました。
同社が公に躍進したのは2026年9月15日です。この日にTypeSafeは最初のSystem Oneモデルを発表し、その背後にあるトレーニング手法、**較正された意思決定のための強化学習（Reinforcement Learning for Calibrated Decisions、RLCD）**を説明しました。
原典によると、TypeSafeはJevのローンチ前後に4,000万ドルのシードラウンドを発表していました。その1か月も経たないうちに、同社はさらに大規模なシリーズAを発表しました。
TypeSafeの公式資金調達発表では、次の内容が確認されています。
| 項目 | 確認された内容 |
|---|---|
| シリーズA | 8億7,000万ドル |
| ポストマネー評価額 | 75億ドル |
| 主幹投資家 | Andreessen Horowitz |
| その他の明示された参加者 | Sequoia Capital、DCVC、エンジェル投資家 |
| 取締役会への追加 | Martin Casado |
同社は新たな資金を次の用途に使うとしています。
重要なのは、投資家が別の汎用フロンティアモデルだけに賭けているわけではないという点です。
投資家が賭けているのは、異なるモデルカテゴリーです。
Jevの中核となる考え方は単純です。多くのソフトウェアシステムに必要なのは、段落ではありません。
必要なのは意思決定です。
例として、次のようなものがあります。
従来のLLMでもこれらの問いに答えられます。しかし通常は、自己回帰型のテキスト生成を通じて回答します。
TypeSafeは、アプリケーションがすでに回答の形式を把握している場合、それは非効率だと主張しています。
Jevの設計は、次のようになります。
構造化された状態
↓
型付きの質問
↓
並列意思決定の計算
↓
確率 + 範囲が限定された出力
↓
アプリケーションが結果に応じて分岐
TypeSafeはこれを「マシンネイティブ」なインテリジェンスと説明しています。モデルは、人間が読むための言語を生成するのではなく、コードに組み込まれることに最適化されています。
TypeSafeが現在提示しているJevの価格は次のとおりです。
入力：100万トークンあたり0.042ドル
出力：無料／従量課金なし
この価格は、ほとんどの汎用フロンティアモデルを大きく下回ります。
理由はアーキテクチャにあります。
Jevは、任意のテキストを1トークンずつ生成しているわけではありません。TypeSafeによれば、Jevのサンプラーは、意思決定に必要な範囲が限定された出力を並列で返します。
同社は、サービスのエンドツーエンドのレイテンシーがおよそ70〜500ミリ秒の範囲にあり、同等のSystem One型ワークロードではJevが40〜200倍高速になり得ると主張しています。
これらの数値はTypeSafeが公開した評価結果に基づくものであり、Jevが想定するタスク形状におけるベンダー側の主張として読む必要があります。
TypeSafeの最も強い主張の一つは、Jevが型エラーを生成しないというものです。
これは正確に解釈する必要があります。
アプリケーションが範囲の限定された出力スキーマを宣言した場合、Jevはその出力契約に適合する値を返すという意味です。
例えば、次のようなものです。
許可される回答：
- 承認
- 審査
- 却下
Jevが突然、次のようなものを返すことは想定されていません。
私の推論について5段落のエッセイを紹介します……
これは、本番ソフトウェアにとって重要な信頼性の特性です。
しかし、型安全性は、意味的な意思決定が常に正しいことを意味しません。
モデルは有効な却下という値を返しながら、誤ったビジネス上の意思決定をする可能性があります。
そのため、Jevは確率と信頼度の情報も返します。アプリケーションは、次のような閾値を定義できます。
信頼度 >= 0.95
→ 自動化
0.70 <= 信頼度 < 0.95
→ 二次チェック
信頼度 < 0.70
→ 人による審査
したがって、モデルの有用性は分類品質と較正の両方に左右されます。
原典における最も強い独立した採用シグナルは、Vercelから来ています。
Vercelはローンチ直後にJevをAI Gatewayへ追加し、有料チームがどれほど速く使い始めたかを追跡しました。
Vercelによると、Jevは24時間以内に有料チームの約13%に到達しました。
これは当時のAI Gatewayのモデルローンチ史上、過去のどのモデルよりも2倍以上の広がりでした。
Vercelはまた、Jevが最初の12時間以内に比較対象となったすべてのモデルを上回り、その後も初日のリードを広げ続けたと説明しています。
これは、Jevの利用がカジュアルなチャットボット採用とは異なるため重要です。
人間が新しいチャットボットを数回試して、そのまま使わなくなることはあります。
一方、ソフトウェアに組み込まれたモデルは、継続的にリクエストを受け取ることができます。
これにより、利用パターンは大きく変わります。
人間が使うチャットボット：
ユーザーがアプリを開く
→ メッセージを送る
→ 待つ
→ アプリを閉じる
ソフトウェア内の意思決定モデル：
リクエストが届く
→ 意思決定モデルが実行される
→ アプリケーションが分岐する
→ 一日中繰り返される
原典は、この状況を簡潔な観察で表現しています。
人は眠ります。コードは眠りません。
原典はさらに、TypeSafeと投資家の発言として、Jevがローンチから3日以内におよそ1兆トークンを処理したと述べています。
TypeSafeは後に、このトラフィックは一時的な急増ではなく、持続的なものだったと説明しました。
同社のシリーズA発表では現在、Fortune 500企業のおよそ3分の1がJevを利用または統合しているとされ、顧客が本番環境のコストをすでに数百万ドル削減したと主張しています。
これらはTypeSafe自身の事業指標であり、独立監査を受けた数値ではありません。しかし、投資家がJevを単なる開発者向けのバイラルなデモ以上のものと見なした理由を説明する材料にはなります。
この利用パターンは、マシン間の需要を示唆しています。
Jevが次のような処理に組み込まれると、
周辺のソフトウェアがその分岐に到達するたびに呼び出される可能性があります。
まさにこれが、TypeSafeが設計したワークロードです。
Jevの起源は、非常に対称的です。
TypeSafeの共同創業者兼CEOであるDiogo Almeidaは、以前Google BrainとOpenAIに勤務していました。
TypeSafeの公式チームページでは、同氏をRLHFとInstructGPTの共同発明者の一人と説明しています。これらの研究は、ChatGPTとGPT-4につながる取り組みです。
OpenAI在籍時、Almeidaは、基盤となる言語モデルを、指示に従い人々と自然に対話できるシステムへと変える手法に取り組んでいました。
OpenAIを退職した後、同氏は、ソフトウェア内のインテリジェンスにとってチャットがデフォルトのインターフェースであるべきなのか、次第に疑問を持つようになりました。
TypeSafeのJevローンチ記事で、同氏はその変化を次のように要約しています。モデルが会話において極めて高い能力を持つようになったのなら、なぜ自動化は同じ速度で進歩していないのか、と。
チャットボットは柔軟性を重視して最適化されています。
人間が出力を読む場合、この柔軟性は価値があります。
しかし、本番ソフトウェアが求めるものは、しばしば正反対です。
TypeSafeの立場は、これらのタスクに汎用的な言語生成を使うことは、しばしば必要以上に強力な抽象化だというものです。
フロンティアモデルに構造化された回答を書かせ、その後でテキストを検証するのではなく、Jevは範囲が限定された意思決定を直接行うように設計されています。
同社のスローガンは、この理念を表しています。
神ではなく、本番環境を構築せよ。
この表現は意図的に挑発的ですが、その根底にある考え方は実用的です。あらゆるAI製品を一つの万能モデルへのステップと捉えるのではなく、本番環境で確実に動作するソフトウェアのために最適化するということです。
TypeSafeは、自社のトレーニング手法を**較正された意思決定のための強化学習（Reinforcement Learning for Calibrated Decisions、RLCD）**と呼んでいます。
同社はこれを、次の2つのよく知られたアプローチと対比しています。
| トレーニングの方向性 | 主な最適化対象 |
|---|---|
| RLHF | 人間が好む回答 |
| RLVR | 検証可能な推論結果 |
| RLCD | 較正された構造化意思決定 |
Jevの場合、較正が中心的な役割を果たします。
モデルが0.90と示した場合、適切な評価分布において、その程度の信頼度を受けた事象が実際に約90%の確率で正しいことを目指します。
アイデアを一文で入力するだけで、We0 AI が紹介サイト、ページ、CMS を生成し、公開後の顧客獲得と流入拡大を支援します。
無料登録で完全なプロジェクトを 1 つ生成
1 つの完全な生成フローを試し、最初のプロジェクトのドラフトをすぐに確認するのに最適です。
これは、較正されていないラベルだけを提供する場合よりも、自動化されたワークフローの設計にとってはるかに有用です。
アプリケーションは、モデルの不確実性をポリシーに変換できます。
高い信頼度
→ 自動化
中程度の信頼度
→ 別のモデルに尋ねる、または追加ルールを適用
低い信頼度
→ 担当者へエスカレーション
これが、意思決定モデルが大量処理システムに適している理由の一つです。
意思決定モデルは不確実性をなくすわけではありません。
不確実性をソフトウェアが扱いやすくするのです。
原典は、Almeidaが公開ベンチマーク競争に懐疑的であることも取り上げています。
TypeSafeは評価結果を公開していますが、ローンチ資料では通常とは異なるほど多くの注意点を説明しています。
例えば、同社は次の点を明示しています。
これは有用な区別です。
TypeSafeは依然として自社モデルを積極的にマーケティングしていますが、Jevがあらゆる場面でフロンティアLLMを置き換えるべきだとは主張していません。
同社のドキュメントでは、製品の役割を次のように位置付けています。
生成型LLM
→ 書く、推論する、説明する、コードを書く、会話する
意思決定モデル
→ 分類する、ルーティングする、スコアリングする、検証する、ゲートする、優先順位を付ける
両者は同じシステム内で連携できます。
TypeSafeのリーダーシップはAlmeidaだけではありません。
公式チームページには、次の人物が掲載されています。
より広いチームには、OpenAI、Google Brain、Meta/FAIR、Stripe、Airbnb、Plaid、Dockerなどの出身者が含まれています。
この経歴は、製品の重点を説明するのに役立ちます。
Jevは新しい消費者向けインターフェースの創出よりも、開発者がインフラの深部に組み込めるものを作ることに重きを置いています。
Jevの急速な採用は、もう一つの効果ももたらしました。
このカテゴリーが非常に速く認知されたため、大手インフラ企業やモデル企業が数週間以内に競合製品をリリースし始めたのです。
原典は、まさにこの変化をもって締めくくられています。
Microsoftは、構造化された意思決定スコアリング専用モデルであるMicrosoft-Decision-1を発表しました。
このモデルはQwen3.5-9Bをベースとしており、Microsoft Foundryのパブリックプレビューで利用できます。
対応するタスクには、次のようなものがあります。
固定された選択肢の集合を与えると、Microsoft-Decision-1はそれらの選択肢に対して較正された確率スコアを返します。
Microsoftは、約15万件の質問を対象とする36ベンチマークの比較で最高精度を達成したと報告しており、社内評価ではGPT-6 Solより大幅に高速だったと述べています。
これらはMicrosoft独自のベンチマーク結果であるため、開発者は普遍的な性能ランキングと見なす前に、自社のワークロードでモデルを検証する必要があります。
OpenAIも同じ方向へ進み、2026年10月6日にDecisions APIをパブリックベータとしてリリースしました。
このAPIはGPT-6 Lunaを基盤としており、テキスト、画像、またはその両方を受け付けます。
対応する構造化された質問タイプは3つです。
| タイプ | 結果 |
|---|---|
| Predicate | 条件が真である確率 |
| Choice | 提供された選択肢からの1つの選択と、それぞれの確率 |
| Score | 順序付けられたレベルに対する確率加重スコア |
OpenAIは、関連するタスク形状において、専用APIはResponses API経由でGPT-6 Lunaを使う場合よりも、およそ10倍高速に意思決定を返せると説明しています。
ベータ版の価格設定は非常にシンプルです。
入力：100万トークンあたり0.10ドル
出力：出力トークンへの課金なし
キャッシュ読み取り料金：なし
キャッシュ書き込み料金：なし
Jevとの主な違いはアーキテクチャです。
Jevは、TypeSafeが専用に構築したSystem Oneモデルファミリーです。
一方、OpenAIのDecisions APIは、GPT-6 Lunaを中心とした専用の意思決定インターフェースを公開しています。
ただし、アプリケーション開発者の観点では、両者は似たニーズに応えます。
状態を入力
→ 型付きの範囲限定意思決定を出力
Cloudflareはさらに早く参入し、10月1日にClefとClef-flashを発表しました。
両者はWorkers AIで利用できる意思決定モデルであり、Cloudflareは重みもApache 2.0ライセンスでオープンソース化しました。
これらはJev互換のAPI形式に従っており、System One型の意思決定リクエストを中心に構築されたワークフローへ容易に組み込めます。
Cloudflareの報告は次のとおりです。
| モデル | サイズ | コンテキスト | 主な用途 |
|---|---|---|---|
| Clef | 27B | 64K | より高い意思決定品質 |
| Clef-flash | 9B | 64K | 非常に低いレイテンシー |
Cloudflare独自のテストスイートでは、ClefまたはClef-flashが注目された10種類の意思決定ベンチマークのうち7つで首位となりました。一方、When2CallやBRIGHTなど一部の個別タスクでは、Jevのほうが優れていました。
Cloudflareは、中央値のレイテンシーについても次のように報告しています。
Clef： 209.3ミリ秒
Clef-flash：38.8ミリ秒
Jev： 524.1ミリ秒
繰り返しになりますが、これらの数値はCloudflareの評価環境によるものです。
競争環境を示す有用な証拠ではありますが、あらゆるデプロイメントにおける普遍的なレイテンシー保証ではありません。
原典の中心的な論点は、Jevが巨額の資金調達を実現したということだけではありません。
一つのモデルカテゴリーが、珍しい存在からほぼ即座に競争の激しい分野へ変化したということです。
数週間のうちに、市場には次の製品が登場しました。
各実装は異なりますが、共通する洞察があります。
すべてのAIリクエストに生成テキストが必要なわけではない。
多くの本番タスクは、インテリジェントなif文に近いものです。
例えば、次のようになります。
不正確率が0.98を超える場合：
ブロックする
不正確率が0.70を超える場合：
審査する
それ以外の場合：
許可する
難しいのは分岐を書くことではありません。
難しいのは、現実世界の複雑なコンテキストから、役に立つ較正済みの確率を生成することです。
意思決定モデルは、その能力をどこでも実行できるほど安価にしようとしています。
一見すると、特化型の意思決定モデルは汎用LLMへの脅威に見えます。
実際には、AIの総消費量を増やす可能性があります。
汎用エージェントは、高頻度の制御ポイントに意思決定モデルを利用できます。
ユーザーリクエスト
→ 意思決定モデルがルートを選択
→ 複雑な推論が必要な場合だけLLMが処理
→ 意思決定モデルが出力を評価
→ ワークフローを継続またはエスカレーション
これにより、開発者は本当に必要な部分に高価な推論を限定できます。
それ以外の処理は、より安価な範囲限定モデルで処理できます。
結果として、AI呼び出しは減るのではなく、全体として増える可能性があります。
この考え方は、Jevという名称とも一致します。TypeSafeによれば、この名称は経済学者William Stanley Jevonsと、効率の向上によってコストが下がり新たな用途が開かれることで総消費量が増える可能性があるというジェヴォンズのパラドックスに由来します。
AIインフラでは、同じ論理が次のように表れます。
より安価な意思決定
→ より多くの意思決定が経済的に可能になる
→ より多くのソフトウェアにAIの制御ポイントが加わる
→ マシンインテリジェンスの総利用量が増加する
JevはTypeSafe AI初のSystem Oneモデルであり、自由形式のテキスト生成ではなく、高速で構造化された意思決定を行うよう設計されています。アプリケーションの状態と型付きの質問を受け取り、確率と信頼度の情報を伴う範囲限定の回答を返します。
TypeSafeは現在、Jevの入力トークン100万個あたり0.042ドルと提示しており、出力トークンには従量課金を設定していません。この価格はJevの構造化意思決定インターフェースに適用されるものであり、汎用テキスト生成モデルに適用されるものではありません。
TypeSafeの最も強い正式な主張は、出力の型安全性に関するものです。範囲を限定したスキーマにより、モデルが任意の不正な形式の出力を生成することを防ぎます。ただし、これはすべての意味的な意思決定が正しいことを意味しません。そのため、較正、閾値、評価、人による審査が依然として重要です。
Vercelによると、AI Gatewayでのローンチから24時間以内に、有料チームの約13%がJevを利用しました。Vercelは当時、JevをAI Gateway史上最も速く採用されたモデルと説明しています。
Decisions APIは、GPT-6 Lunaを基盤とするOpenAIのパブリックベータAPIエンドポイントです。テキストと画像の証拠を受け付け、Predicateの確率、選択肢、スコアを返します。OpenAIは、これらの意思決定タスクについて、Responses API経由でGPT-6 Lunaを使う場合と比べておよそ10倍低いレイテンシーを主張しています。
Microsoft-Decision-1は、Microsoft Foundryのパブリックプレビューで利用できる構造化意思決定モデルです。Qwen3.5-9Bをベースとしており、分類、ルーティング、ランキング、評価、検証、ワークフロー制御向けに設計されています。
CloudflareはClefとClef-flashをオープンソースまたはオープンウェイトの意思決定モデルと説明し、Apache 2.0ライセンスで公開しています。これらはWorkers AI経由でもホスティングされ、Jev互換のSystem One API形式を使用します。
通常はそうではありません。意思決定モデルは、範囲が限定された大量の意思決定に適しています。一方、汎用LLMは、生成、説明、複雑な推論、オープンエンドなツール利用に引き続き適しています。多くの本番システムでは、両者を併用することになるでしょう。
TypeSafe AIの8億7,000万ドルのシリーズAが重要なのは、単一のスタートアップを評価したからだけではありません。これは、プロダクションソフトウェアの深部に組み込まれる、高速で範囲が限定され、機械可読な意思決定システムというモデルカテゴリーを検証したからです。
JevのVercelでの急速な採用、低い入力価格、構造化出力、較正を重視した設計は、開発者が関心を持つ理由を示しています。ただし、Jevの最も強い性能主張は依然として文脈の中で読む必要があります。TypeSafeが直接発表したものもあれば、Vercel、Cloudflare、Microsoft、OpenAIが異なる条件でそれぞれ測定したものもあります。
最も重要な市場シグナルは、競合が現れるまでの速さです。数週間のうちに、Microsoft、OpenAI、Cloudflareはいずれも同じ基本的な問題を対象とする製品を提供しました。
Jevの最大の成果は、単一のベンチマークや一度の資金調達ではないのかもしれません。本番AIの大きな部分は、そもそも話す必要がないと証明したことなのです。
ひとことから始めて、数分で完全なサイトを手に入れましょう。
