TypeSafe AIが2026年9月に公開した「Jev」は、ChatGPTやClaudeと同じ「AIモデル」
というジャンルに見えて、出力の作り方が根本的に違う。この違いを仕組みから見ていく。

## 出力空間が「文章」ではなく「選択肢」

LLMは次のトークンを逐次予測して文章を生成する。
その文章が最終的にコードや仕様書になる。この「逐次生成」自体が速度のボトルネックで、
かつ出力は原理上「何でも書ける」ため、想定外の形式やハルシネーションが発生し得る。

Jevは逆に、呼び出し側が選択肢の集合をリクエストに含め、
Jevはその中のどれに当たるかを確率付きで返すだけ。
公式APIドキュメント(docs.typesafe.ai/api)で確認したリクエスト形式は以下の通り。

```json
{
　　"state": "注文した商品が二回も届いていません。",
　　"model": "jev-latest",
　　"questions": {
　　　　"department": {
　　　　　　"type": "choice",
　　　　　　"instructions": "どの担当チームが対応すべきか?",
　　　　　　"criteria": {
　　　　　　　　"shipping": "配送の遅延や紛失",
　　　　　　　　"returns": "返品や交換",
　　　　　　　　"billing": null
　　　　　　}
　　　　}
　　}
}
```

レスポンスは選択肢・確率分布・confidenceを返す。

```json
{
　　"answers": {
　　　　"department": {
　　　　　　"choice": "shipping",
　　　　　　"probabilities": {"shipping": 0.9, "returns": 0.08, "billing": 0.02},
　　　　　　"confidence": 0.85
　　　　}
　　}
}
```

出力空間が選択肢に固定されているため、「期待した形式から外れる」
「存在しない選択肢を答える」という構造的破綻が原理的に起きない。
Gigazineの記事で紹介されていた「ツール呼び出しエラー率0%」は、
この制約の直接的な結果と見てよい。

## 質問タイプは3種類

ドキュメント上、質問タイプはChoice(選択肢から1つ)の他にScore・Noul
があると分かっている。Choice/Scoreは確率分布とconfidenceを返す。
1回のAPI呼び出しに複数の質問を同じstateに対して並列に投げられ、
質問同士の干渉が起きにくい設計になっている。
Mr. Buzzoni氏の実測ポストでは、13個の質問を1回にまとめた方が
13回に分けるより12.2倍安く10倍速かったと報告されている(ただし
本人の検証であり、TypeSafe AI公式の数値ではない)。

## 速いことの正体

LLMの遅さは「逐次生成」に起きる。Jevは選択肢を並列に評価して
返すだけなので、入力を読んでから1回の出力で済む。
これはTransformerがRNNの逐次処理を並列処理に置き換えて
高速化した構図と同じだ、とJev開発者のDiogo Almeida氏も述べている。

## 使い所

この構造は「文章を生成する必要がない判断」に向いている。
安全かどうかの判定、担当部署の振り分け、完了判定など、
エージェントのループの中で頻発する小さなyes/no判断がそれに当たる。
逆に、コードを書く・説明文を作るといった「文章そのものが成果物」
の仕事には使えない。LLMが担ってきた仕事の一部を、構造化された
判断だけ切り出して専用モデルに渡す、という役割分担が
今後広がるかが注目点だ。

[AIモデル「Jev」を開発、GPT-5.6 Terra級の性能でタスクを安価かつ超高速に実行可能](https://gigazine.net/news/20260916-system-one-jev/)
[TypeSafe AI API Reference](https://docs.typesafe.ai/api)
[ChatGPT共同開発者がLLMとは異なる方法で処理するAIモデル「Jev」を開発 - GIGAZINE](https://gigazine.net/news/20260916-system-one-jev/)
[Mr. Buzzoni (@polydao) - Jev engineering for Claude Code](https://x.com/polydao/status/2103689373774483815)
[Diogo Almeida (@CompleteSkeptic) - Transformer/RNNの並列化になぞらえた投稿](https://x.com/CompleteSkeptic/status/2099925684256899543)

Generated by Claude Sonnet 5

プロンプト:
　　SNS からポストを集めます:
　　　　Grok を使って、テーマに関して有益な情報と評価されたポストを探してください。
　　　　Markdown ファイルにポスト列を保存します。
　　ポストの内容を質問します:
　　　　Claude を使って、質問します。
　　　　（記事）について解説してください。
　　　　（添付）
　　　　関連するSNSのポストを集めてきました。
　　　　〜に関して興味深いポイントを挙げてください。
　　　　取得したいポストのURLや、関連するポストも方針を示せばこちらで集められます。
　　記事を書きます:
　　　　以上を元に、エンジニアが興味を持ちそうな技術系ブログの記事を書こうと思います。
　　　　記事の本文で言及している情報元の URL を記事の最後につけてください。
　　　　2000文字以内で Markdown ファイルに書いてください。
　　　　収まりそうもないなら、どの内容を書くかの選択肢を示してください。

リンク:
    https://gigazine.net/news/20260515-apple-mie-kernel-memory-corruption/

Simple and Visual