TypeSafe AI روز ۱۵ سپتامبر ۲۰۲۶ با ۴۰ میلیون دلار سرمایه معرفی شد و اولین مدلش، Jev، را در حالت early access (با waitlist) عرضه کرد. بنیان‌گذار و CEO آن، Diogo Almeida، سابقه‌ی کار در OpenAI دارد و از نویسندگان مقاله‌ی InstructGPT است.
ایده جالب است: به‌جای ساختن یک LLM بهتر برای تولید متن، مدلی بسازیم که مستقیم برای تصمیم‌گیری داخل نرم‌افزار طراحی شده.
مشکل کجاست؟
LLMها برای chat عالی‌اند، ولی در automation هنوز دردسر دارند: خروجی string است و باید parse و validate شود، latency بالاست و confidenceای که خودشان می‌دهند همیشه قابل اعتماد نیست.
Jev چه می‌کند؟
Jev از دسته‌ی جدیدی به اسم System One Models است (نامش از تمایز System 1 و System 2 دنیل کانمن آمده):
• ورودی: متن یا state نامرتب (مثلاً JSON) + مجموعه‌ای سؤال تایپ‌شده
• خروجی: از قبل type مشخص دارد؛ انتخاب بین گزینه‌ها (`Choice`)، امتیاز (`Score`) یا بله/خیر با احتمال (`Noul`)، همراه با confidence
• همه‌ی سؤال‌ها در یک query و به‌صورت موازی جواب داده می‌شوند، نه توکن‌به‌توکن مثل LLMهای autoregressive
آموزش هم با روشی به اسم **RLCD** (Reinforcement Learning for Calibrated Decisions) انجام شده. هدفش این است که احتمال‌ها واقعاً معنی داشته باشند: وقتی مدل می‌گوید ۹۰٪ مطمئنم، انتظار می‌رود تقریباً در ۹۰٪ موارد مشابه درست باشد.
ادعاهای شرکت:
• latency حدود 70 تا 500 میلی‌ثانیه، یعنی 40x تا 200x سریع‌تر از LLMهای frontier در taskهای System One
• قیمت
$0.042 برای هر یک میلیون توکن ورودی؛ خروجی رایگان• «no type errors»: چون خروجی از قبل schema دارد، مدل نمی‌تواند مقداری خارج از ساختار تعریف‌شده برگرداند
⚠️ «no type errors» یعنی خروجی type-safe است، نه اینکه «هیچ‌وقت اشتباه نمی‌کند». تصمیم می‌تواند از نظر ساختار کاملاً معتبر باشد و باز هم غلط. بیشتر اعداد بالا هم از benchmarkهای خود شرکت است.
منبع:
https://typesafe.ai/blog/introducing-system-one-models-and-jev
