System One モデル

LLMとの違い

LLMはテキストの続きを生成するよう学習されます。System Oneモデルは較正済みの意思決定向けに学習され、予測群における不確実性を反映するよう、結果に照らして確率が最適化されています。較正されていても、個々の回答が正しいとは限りません。ただし、段落を解析する代わりに、実行、確認、エスカレーションといったゲートをコードで設定できます。

Jevにメールや関数の下書きを依頼することはありません。チケットをどのキューが担当すべきか、顧客がどの程度不満そうか、メッセージが返金を求めているかを尋ねます。TypeSafeのコンセプトページにある表では、この3例を使用しています。Choiceはchoice: "billing"を返し、Scoreは0-2の不満度尺度で1.4を、Noulは返金要否の二択判定で0.95を返せます。

System Oneという名称は、Daniel Kahnemanの『ファスト＆スロー』に由来します。System 1は高速で直感的、System 2は低速で熟慮的です。TypeSafeでは高速な判定をモデルに、低速な制御フローをアプリケーションに担当させます。長い間接参照の連鎖や自由形式の文章作成が必要なタスクは、Jev 1.13ではなく生成モデルまたはコードに任せます。

RLHFではなくRLCD

TypeSafeは、Reinforcement Learning for Calibrated Decisions（RLCD）を用いてJevを学習させます。RLHFは、対話モデルを人間の意向に沿わせるための手法です。RLVRは、長文推論モデルで一般的な手法です。RLCDは、TypeSafeがSystem One向けに解説している手法で、流暢なトークンではなく、適切に較正された意思決定に報酬を与えます。リリース記事では、新しいアーキテクチャと、1つのstateに対して多数の質問を評価する並列サンプラーにも触れています。

重みが共有されているため、顧客データを使ってJevをファインチューニングしたり、LoRAで適応させたりはしません。機密記録はstateに入れます。ドメインルールは指示と基準に落とし込みます。広範な判定を個別の質問に分割し、数値をコードで組み合わせてください。非公開コピーを学習せずに特化させる方法として、複合スコアリングと、Jevの確率を入力とする後段の従来型モデルがドキュメントに記載されています。

Jevが現在受け付けるのはテキストのみです。文字列、JSONオブジェクト、テキスト配列を使用できます。ピクセルや波形には対応していません。主な学習言語は英語です。CJKなどの文字体系も受け付けますが精度は低いため、英語以外の処理を振り分ける前にテストしてください。精度が低い言語を人間の確認ゲート下に置くには、ChoiceとScoreでConfidenceを使うのが現実的です。

大規模なワークフロー内での高速判定

返金リクエストについて、ドキュメント記載の処理手順は次のとおりです。メッセージ、取引、ポリシーを含むstateを構築し、独立した質問（返金が要求されたか、証拠から重複請求が確認できるか、ポリシー上許可されるか）をまとめて尋ね、回答を決定論的なチェックと組み合わせて実行または確認へ振り分けます。Primitivesが揃ったら、それらを組み合わせます。出力に型があるため、残った文章を解析するパーサーなしでコードから回答を調べられます。

投機的fan-outによって、このパターンを低コストで運用できます。デバイス種別や意図を仮定する質問など、不要かもしれない質問も送り、呼び出し後に無関係な結果を破棄します。逐次往復では各段階で待ち時間が発生します。Jevはマップを並列評価するため、質問を増やしてもレイテンシはほとんど変わりません。スマートホームデモでカテゴリ、領域、デバイス、操作をまとめて質問できるのはこのためです。

System Oneモデルは、typesafe-sdk、@typesafe-ai/sdk、またはPOST https://api.typesafe.ai/v1/systemone.で呼び出します。modelフィールドでビルドを選択します。ドキュメント例ではjev-latestを使用しており、現在はjev-1.13.0を指しています。まずstateの形式とPrimitivesを使い、自動的な副作用を発生させる前にconfidenceゲートを追加してください。

System Oneの対象外となるもの

Kahnemanの用語では、生成、長期的な計画、ツールを使うエージェントはシステム2の仕事です。Jev 1.13は返金メール、SQL、Wikipediaの次の段落を書きません。チケットが返金案件か、どのキューが担当すべきか、その判定にどの程度確信があるかを返します。実際にトークンを出力する必要がある場合は、生成モデルと組み合わせてください。

数値の同一性判定も対象外です。数え上げ、日付の前後関係、16進数の距離はコードで処理します。jaggednessページには、これらの注意点がまとめられており、最終確認日は17 September 2026です。この一覧を無視するSystem Oneワークフローは、適切に較正されているように見えても、字面の読み違いに基づいて振り分けてしまいます。

TypeSafeが画像入力に対応するまで、ピクセルは扱えません。Doom、Wikiracing、スマートホームアシスタントはいずれもテキストを送信します。製品がカメラなら、先に文字起こしか画像の説明を行ってください。音声製品にも同じルールが適用されます。64kと32kはトークンの上限であり、フレーム数ではありません。

System Oneは製品クラスであり、現在公開されているモデルは1つだけです。TypeSafeが同じエンドポイントで第2のモデルを公開した場合は、modelフィールドで選択します。それまでは、jev-1.13.0がjev-latestとjev-previewの背後にあるバージョン付きIDです。同じワークフロー内にある場合でも、その他のチャットモデルや推論モデルは別クラスとして扱ってください。

RLCDは、このクラスについてTypeSafeが挙げる学習手法です。リクエストで渡すスイッチではありません。指示と基準は引き続き記述し、回答もコードで組み合わせます。違いは、重みが何を目的に最適化されたかです。チャット用トークンではなく、較正済みの意思決定が対象です。そのため、出力は段落ではなくChoice、Score、またはNoulになります。

文章作成にはチャットモデルを使い、分岐判断にはJevを使ってください。両者を同じワークフローで使うことはできますが、プロンプトは共有すべきではありません。LLMの隣にSystem Oneモデルを置く要点は、この役割分担にあります。

Kahnemanは名称の由来であり、実行モードではありません。Choice、Score、Noulのいずれを使うかは自分で選択します。