Jev یک مدل هوش مصنوعی تازه است که برخلاف ChatGPT و Claude متن نمی‌نویسد ؛ فقط تصمیم می‌گیرد. اگر برنامه‌نویس هستی و در نرم‌افزارت کارهایی مثل تشخیص اسپم، دسته‌بندی درخواست‌ها یا امتیازدهی داری، این مقاله نشان می‌دهد Jev دقیقاً چه می‌کند، چطور کار می‌کند و کجا به درد می‌خورد.

Jev چیست؟ تعریف ساده

وقتی با ChatGPT یا Claude حرف می‌زنی، مدل جواب را کلمه‌به‌کلمه می‌نویسد. اما در بسیاری از نرم‌افزارها اصلاً متنی لازم نیست. سیستمی که باید بفهمد یک ایمیل اسپم است یا نه، یا یک درخواست پشتیبانی را به کدام بخش بفرستد، فقط به یک انتخاب کوچک نیاز دارد. Jev برای همین کارها ساخته شده است.

Jev را شرکت TypeSafe AI در ۱۵ سپتامبر ۲۰۲۶ معرفی کرد. بنیان‌گذار این شرکت، دیوگو آلمیدا، پیش‌تر در OpenAI کار می‌کرد.

چرا به Jev «مدل سیستم یک» می‌گویند؟

TypeSafe مدل Jev را «مدل سیستم یک» (System One) می‌نامد. این اسم از دنیل کانمن، روان‌شناس برنده نوبل، گرفته شده که فکر کردن انسان را به دو بخش تقسیم کرد:

سیستم ۱: تفکر سریع و شهودی؛ مثل تشخیص فوری اینکه یک چهره عصبانی است.

سیستم ۲: تفکر کند و عمیق؛ مثل حل یک مسئله ریاضی.

ایده Jev این است که مثل سیستم ۱ عمل کند: خیلی سریع و بدون نوشتن پاراگراف، یک تصمیم بگیرد. کار «سیستم ۲»، یعنی فکر کردن عمیق و نوشتن، همچنان با مدل‌های زبانی بزرگ است.

فرق Jev با ChatGPT و مدل‌های زبانی بزرگ

Jev چت‌بات نیست. به تعبیر خود شرکت، برای گفت‌وگو ساخته نشده و برای «تصمیم‌های داخل نرم‌افزار» طراحی شده است. خروجی‌اش متن آزاد نیست؛ پاسخ‌هایی از پیش تعریف‌شده است، همراه با احتمال هر پاسخ.

مدل‌های زبانی (ChatGPT، Claude) Jev

خروجی متن آزاد، کلمه‌به‌کلمه یکی از پاسخ‌های از پیش تعریف‌شده، با احتمال

کار اصلی نوشتن، گفت‌وگو، استدلال تصمیم، دسته‌بندی، امتیازدهی

سرعت معمولاً چند ثانیه برای یک جواب حدود ۷۰ تا ۵۰۰ میلی‌ثانیه

خطر «توهم» ممکن است چیزی بسازد که وجود ندارد بسیار کمتر؛ بیرون از فهرست تو جوابی نمی‌دهد

پردازش خروجی متن باید تحلیل و تبدیل شود مستقیم در کد قابل استفاده است

سه نوع پرسش در Jev

انتخاب (Choice): یکی از چند گزینه‌ای که خودت تعریف کرده‌ای؛ مثلاً «فنی، مالی یا فروش؟».

امتیاز (Score): نمره دادن روی مقیاسی مثل ۱ تا ۵؛ مثلاً «شدت این مشکل چقدر است؟».

بله یا خیر: خروجی، احتمال «بله» بودن جواب است؛ مثلاً «احتمال اسپم بودن این ایمیل».

Jev چطور کار می‌کند؟ یک مثال واقعی

فرض کن یک شرکت بیمه می‌خواهد ادعاهای خسارت را بررسی کند و یک ادعای ۴٬۲۰۰ دلاری رسیده است. با یک مدل زبانی بزرگ باید از مدل بخواهی متنی بنویسد و بعد آن متن را تحلیل کنی. با Jev روند ساده‌تر است:

سؤال‌ها را از قبل تعریف می‌کنی: «آیا احتمال کلاهبرداری دارد؟»، «این ادعا از کدام نوع است؟»، «شدت خسارت را از ۱ تا ۵ امتیاز بده.»

داده را می‌فرستی: فایل ادعا همراه سؤال‌ها به Jev داده می‌شود.

Jev یک‌جا جواب می‌دهد: هر سه پاسخ در حدود ۷۰ تا ۵۰۰ میلی‌ثانیه برمی‌گردد و هر کدام یک احتمال یا امتیاز اطمینان دارد.

نرم‌افزار تصمیم می‌گیرد: کد تو بر اساس این خروجی، پرونده را برای بررسی انسانی می‌فرستد یا خودکار تأیید می‌کند.

نکته کلیدی این است که پاسخ‌ها از پیش تعریف شده‌اند. Jev نمی‌تواند دسته جدیدی بسازد یا جوابی بیرون از فهرست تو بدهد. همین باعث می‌شود خطر «توهم» (Hallucination)، که در مدل‌های متنی رایج است، بسیار کمتر شود.

کاربردهای Jev در برنامه‌نویسی

مسیریابی درخواست‌ها: تشخیص اینکه یک پیام را کدام مدل یا بخش باید پاسخ دهد (Model Routing).

کنترل ایجنت‌های هوش مصنوعی: بررسی اینکه یک ایجنت پیش از انجام کاری، آن کار را مجاز می‌داند یا نه.

فیلتر و دسته‌بندی محتوا: تشخیص اسپم، کلاهبرداری یا محتوای نامناسب در حجم بالا.

امتیازدهی و اولویت‌بندی: مثلاً تعیین فوری بودن یک تیکت پشتیبانی.

تحلیل حجم زیادی از متن: یک پژوهشگر با Jev هزاران چکیده مقاله هوش مصنوعی را بررسی کرده و تغییر سبک نوشتن پژوهش‌ها را در ۳۰ سال نشان داده است.

نکته‌های مهم برای استفاده درست از Jev

Jev را جای همه مدل‌ها نگذار. برای نوشتن، استدلال پیچیده یا پاسخ به انسان، مدل‌های متنی هنوز بهترند. در بسیاری از سیستم‌ها، مدل بزرگ «فکر و نوشتن» را انجام می‌دهد و Jev تصمیم‌های کوچک بین آن‌ها را می‌گیرد.

احتمال‌ها را جدی بگیر. خروجی Jev یک احتمال است، نه حکم قطعی. برای تصمیم‌های مهم آستانه مشخص بگذار و موارد مرزی را به انسان بسپار.

پیش از استفاده کامل، آزمایش کن. شرکت‌ها معمولاً Jev را چند هفته کنار مدل فعلی‌شان اجرا می‌کنند و نتیجه‌ها را مقایسه می‌کنند.

ادعاها را با احتیاط بخوان. TypeSafe ادعا کرده Jev تا ۱۹۳ برابر سریع‌تر و ۴۴۴ برابر ارزان‌تر از مدل‌های بزرگ است. در یک آزمون داخلی شرکت، دقت Jev حدود ۶۷٫۸٪ و دقت یک مدل بزرگ ۶۷٫۹٪ گزارش شده است. این اعداد را خود شرکت منتشر کرده و هنوز منبع مستقلی آن‌ها را تأیید نکرده است.

پرسش‌های متداول درباره Jev

آیا Jev جایگزین ChatGPT است؟

نه. Jev متن نمی‌نویسد و برای گفت‌وگو ساخته نشده است. کارش تصمیم‌های سریع داخل نرم‌افزار است و در کنار مدل‌های زبانی بزرگ به کار می‌رود، نه به‌جای آن‌ها.

آیا Jev متن‌باز است؟

تا زمان نوشتن این مقاله، کد و وزن‌های Jev منتشر نشده و اطلاعات فنی آن محدود است.

Jev برای چه کسانی مفید است؟

برای برنامه‌نویس‌ها و تیم‌هایی که در نرم‌افزارشان تصمیم‌های تکراری زیادی دارند؛ مثل دسته‌بندی، فیلتر، امتیازدهی و مسیریابی درخواست‌ها.

جمع‌بندی

Jev نشان می‌دهد آینده هوش مصنوعی همیشه به معنای مدلی نیست که بیشتر حرف بزند. گاهی مدلی که یک انتخاب درست را دقیق، سریع و ارزان انجام می‌دهد، از مدلی که پاسخ طولانی می‌نویسد مفیدتر است. Jev هنوز تازه است، اما اگر برنامه‌نویس هستی یا روی سیستمی با تصمیم‌های تکراری کار می‌کنی، ارزش دنبال کردن دارد.

برای آشنایی بیشتر با مفهوم‌هایی مثل مسیریابی مدل، ایجنت‌ها و توهم در هوش مصنوعی، فلش‌کارت‌های هوش مصنوعی آکادمی بدیعی را ببین، و برای یادگیری ساختن نرم‌افزارهای هوشمند، سری به دوره‌های آکادمی بزن.

منابع: گزارش‌های منتشرشده در سپتامبر ۲۰۲۶ درباره معرفی Jev و مستندات TypeSafe AI. اطلاعات این مقاله بر پایه همین منابع است و ممکن است با گذشت زمان تغییر کند.