مدل‌های معمولی متن می‌سازند. Jev برای یک کار محدودتر طراحی شده: برنامه state را می‌دهد، گزینه‌های خروجی را از قبل تعریف می‌کند و مدل یک تصمیم typed با probability و confidence برمی‌گرداند.
😀 شرکت TypeSafe AI اسم این دسته را System One model گذاشته. یعنی مدل برای تصمیم‌های سریع، تکراری و bounded ساخته شده، مثل انتخاب ابزار بعدی، انتخاب element درست در UI، score دادن به یک گزینه، یا pass و fail کردن یک نتیجه.
👤 عددهای خود TypeSafe جذاب‌اند: latency حدود ۷۰ تا ۵۰۰ میلی‌ثانیه، قیمت $0.042 برای هر یک میلیون input token و بدون هزینه output token. نکته مهم این است که type-safe بودن شکل خروجی را تضمین می‌کند، اما صحت تصمیم باید با threshold و eval سنجیده شود.
💬 در تست Browser Use روی Google Flights، loop مبتنی بر Jev زمان median را از ۹.۴۵ به ۷.۰۹ ثانیه رساند و browser protocol calls از ۱۰۹۲ به ۱۰۱ رسید. دامنه این نتیجه محدود است: سه تکرار روی یک task و یک browser profile.
📄 در WebBrain نتیجه محتاطانه‌تر بود. Jev به‌عنوان sidecar تصمیم‌گیری اضافه شد، اما مدل اصلی هنوز برای screenshot، planning، text generation، verification و fallback لازم بود. وقتی این مراحل باقی می‌مانند، سود یک classifier سریع می‌تواند با overhead integration خنثی شود.
🧪 واقعیت جالب‌تر از طرف CUA آمد. مدل CUA-S1-FORMS با ۷۰۶ هزار پارامتر و checkpoint حدود ۲.۸MB روی task فرم‌پرکردن خودش ۹۹.۷٪ گرفت، در حالی که hosted Jev روی همان task ۸۳.۶٪ بود. این یعنی specialist کوچک روی زمین خودش می‌تواند از general decision model بهتر عمل کند.
🔔 برداشت عملی: Jev برای تصمیم‌های محدود و پرتکرار مفید است، مخصوصا وقتی هنوز الگوی product کاملا stable نشده. اما وقتی یک تصمیم high-volume و ثابت شد، احتمالا مدل کوچک local و مخصوص همان کار گزینه بهتری می‌شود. مدل بزرگ هم باید برای ambiguity، زبان و reasoning طولانی بماند.
🟢 https://typesafe.ai/blog/introducing-system-one-models-and-jev
📍 @MedX_Media
