Model System One
Penilaian bertipe yang cepat untuk perangkat lunak, bukan LLM percakapan.
Model System One mengambil keputusan terstruktur dengan cepat agar dapat langsung digunakan perangkat lunak. Model dalam kelas ini mengevaluasi keadaan dan menghasilkan jawaban bertipe beserta probabilitasnya. Jev adalah model unggulan TypeSafe sekaligus model System One publik pertama. Seperti LLM, model ini memahami masukan bahasa alami. Tidak seperti LLM, model ini tidak menulis balasan, menghasilkan kode, atau membuat penjelasan tentang penalarannya. Anda menetapkan kemungkinan jawaban melalui Choice, Score, dan Noul.
Perbedaannya dengan LLM
LLM dilatih untuk melanjutkan teks. Model System One dilatih untuk menghasilkan keputusan terkalibrasi: probabilitas dioptimalkan berdasarkan hasil agar mencerminkan ketidakpastian di seluruh kelompok prediksi. Kalibrasi tidak menjamin bahwa satu jawaban tertentu benar. Namun, Anda dapat menetapkan gerbang dalam kode—bertindak, meninjau, atau mengeskalasi—alih-alih mengurai paragraf.
Anda tidak pernah meminta Jev menyusun surel atau fungsi. Anda menanyakan antrean mana yang harus menangani tiket, seberapa frustrasi pelanggan terdengar, atau apakah suatu pesan meminta pengembalian dana. Tabel pada halaman konsep TypeSafe memakai ketiga contoh tersebut: Choice menghasilkan choice: "billing", Score dapat menghasilkan 1.4 pada skala frustrasi 0-2, dan Noul dapat menghasilkan 0.95 untuk pemeriksaan pengembalian dana ya/tidak.
Nama System One berasal dari Thinking, Fast and Slow karya Daniel Kahneman. System 1 bekerja cepat dan intuitif. System 2 lebih lambat dan penuh pertimbangan. TypeSafe menempatkan penilaian cepat pada model dan alur kendali lambat pada aplikasi Anda. Jika tugas memerlukan rantai rujukan tidak langsung yang panjang atau penulisan bebas, pekerjaan itu seharusnya ditangani model generatif atau kode, bukan Jev 1.13.
RLCD sebagai pengganti RLHF
TypeSafe melatih Jev dengan Reinforcement Learning for Calibrated Decisions (RLCD). RLHF adalah tumpukan yang digunakan untuk membuat model percakapan selaras dengan preferensi pengguna. RLVR merupakan jalur umum bagi model penalaran panjang. RLCD adalah jalur yang didokumentasikan TypeSafe untuk System One: memberi imbalan pada keputusan terkalibrasi, bukan token yang fasih. Artikel peluncuran juga menyebut arsitektur baru dan sampler paralel yang mengevaluasi banyak pertanyaan terhadap satu state.
Karena bobotnya digunakan bersama, Anda tidak melakukan fine-tuning atau adaptasi LoRA pada Jev menggunakan data pelanggan. Masukkan catatan hak milik ke dalam keadaan. Nyatakan aturan ranah dalam instruksi dan kriteria. Pecah penilaian luas menjadi pertanyaan atomik, lalu gabungkan angkanya dalam kode. Penilaian komposit dan model klasik hilir yang memakai probabilitas Jev merupakan cara yang didokumentasikan untuk melakukan spesialisasi tanpa melatih salinan privat.
Saat ini, Jev hanya menerima teks. String, objek JSON, dan larik teks diperbolehkan. Piksel dan bentuk gelombang tidak didukung. Bahasa Inggris merupakan bahasa pelatihan utama; CJK dan aksara lain diterima dengan akurasi lebih rendah, jadi lakukan pengujian sebelum mengarahkan beban kerja non-Inggris. Keyakinan pada Choice dan Score merupakan cara praktis untuk memastikan bahasa yang lebih lemah tersebut tetap melewati pemeriksaan manusia.
Penilaian cepat dalam alur kerja yang lebih besar
Untuk permintaan pengembalian dana, alur yang didokumentasikan adalah: susun keadaan berisi pesan, transaksi, dan kebijakan; ajukan pertanyaan independen secara bersamaan (apakah pengembalian dana diminta, apakah bukti menunjukkan tagihan ganda, apakah kebijakan mengizinkannya); lalu gabungkan jawaban dengan pemeriksaan deterministik dan teruskan untuk ditindaklanjuti atau ditinjau. Setelah Primitives tersedia, Anda dapat merangkainya. Keluaran bertipe memungkinkan kode memeriksa jawaban tanpa pengurai untuk sisa prosa.
fan-out spekulatif adalah pola yang membuat cara ini murah. Anda mengirim pertanyaan yang mungkin tidak diperlukan, termasuk yang mengasumsikan jenis perangkat atau intent tertentu, lalu membuang hasil yang tidak relevan setelah panggilan selesai. Perjalanan bolak-balik berurutan harus menunggu setiap tahap. Jev mengevaluasi peta secara paralel, sehingga pertanyaan tambahan nyaris tidak menambah latensi. Itulah sebabnya demo rumah pintar dapat menanyakan kategori, domain, perangkat, dan tindakan sekaligus.
Panggil model System One dengan typesafe-sdk, @typesafe-ai/sdk, atau POST https://api.typesafe.ai/v1/systemone. Kolom model memilih build; contoh dokumentasi memakai jev-latest, yang saat ini mengarah ke jev-1.13.0. Mulailah dengan bentuk keadaan dan Primitives, lalu tambahkan gerbang keyakinan sebelum efek samping otomatis apa pun.
Yang tetap berada di luar System One
Pembuatan konten, perencanaan jangka panjang, dan agen yang memakai alat merupakan pekerjaan System Two menurut istilah Kahneman. Jev 1.13 tidak akan menulis surel pengembalian dana, SQL, atau paragraf Wikipedia berikutnya. Model ini akan memberi tahu apakah tiket tersebut meminta pengembalian dana, antrean mana yang harus menanganinya, dan seberapa yakin penilaian itu. Pasangkan dengan model generatif saat Anda benar-benar memerlukan keluaran token.
Identitas numerik juga tidak termasuk. Penghitungan, urutan tanggal, dan jarak heksadesimal harus ditangani dalam kode. Halaman jaggedness adalah katalog untuk kasus-kasus batas tersebut, terakhir ditinjau 17 September 2026. Alur kerja System One yang mengabaikan katalog itu akan tampak terkalibrasi, tetapi tetap merutekan berdasarkan pembacaan literal yang keliru.
Piksel tetap tidak digunakan hingga TypeSafe merilis input gambar. Doom, Wikiracing, dan asisten rumah pintar semuanya mengirim teks. Jika produk Anda berupa kamera, transkripsikan atau deskripsikan terlebih dahulu. Jika produk Anda berupa audio, aturan yang sama berlaku. Kapasitas 64k dan 32k diperuntukkan bagi token, bukan frame.
System One adalah kelas produk yang saat ini memiliki satu anggota publik. Jika TypeSafe merilis model kedua pada endpoint yang sama, kolom model digunakan untuk memilihnya. Sebelum itu terjadi, jev-1.13.0 adalah ID berversi di balik jev-latest dan jev-preview. Perlakukan setiap model percakapan atau penalaran lainnya sebagai kelas berbeda, meskipun berada dalam keseluruhan alur kerja yang sama.
RLCD adalah metode pelatihan yang disebut TypeSafe untuk kelas ini. Itu bukan opsi yang Anda kirim dalam permintaan. Anda tetap menulis instruksi dan kriteria, serta tetap menggabungkan jawaban dalam kode. Perbedaannya terletak pada tujuan pengoptimalan bobot: keputusan terkalibrasi, bukan token percakapan. Itulah sebabnya keluarannya berupa Choice, Score, atau Noul, bukan paragraf.
Gunakan model percakapan untuk menulis. Gunakan Jev untuk menentukan pilihan pada titik percabangan. Keduanya dapat berbagi alur kerja, tetapi tidak semestinya berbagi prompt. Pemisahan itulah inti keberadaan model System One di samping LLM.
Kahneman adalah sumber penamaannya, bukan mode runtime. Anda tetap memilih sendiri Choice, Score, atau Noul.
Sumber