आपने हाल ही में Jev मॉडल के बारे में सुना होगा। यह क्या है?
यह बिल्कुल नहीं बोलता। यह आपसे चैट नहीं कर सकता, दस्तावेज़ नहीं लिख सकता, और न ही कोडिंग कर सकता है।
लेकिन इस अजीब चीज़ ने पिछले दो दिनों में AI समुदाय में धूम मचा दी है, जिसमें $40 मिलियन का सीड राउंड जुटाया गया है और एक्सेस पाने के लिए लोगों की कतारें लगी हैं।
तो आखिर Jev क्या है?
Jev का जन्म
Jev सैन फ्रांसिस्को की एक कंपनी TypeSafe AI से आया है, जिसे 15 सितंबर 2026 को रिलीज़ किया गया था।
इसके संस्थापक, Diogo Almeida, पूर्व OpenAI शोधकर्ता हैं और RLHF (Reinforcement Learning from Human Feedback) के सह-आविष्कारकों में से एक हैं।
यही वह तकनीक थी जिसने ठंडे भाषा मॉडलों को वाणी और सहानुभूति रखने वाले ChatGPT में बदल दिया।
दूसरे शब्दों में, वे उन लोगों में से थे जिन्होंने AI को बात करना सिखाया।
अब, उस व्यक्ति ने जो AI को बोलना सिखाया था, उसने एक ऐसा AI बनाया है जो बोलने से इनकार करता है।
उनका प्रेरणा सरल है।
उन्होंने कहा कि एक सवाल उन्हें चार साल से परेशान कर रहा था:
मॉडल अब चैटिंग में इंसानों से आगे निकल चुके हैं, तो फिर भी असली ऑटोमेशन इतना कम क्यों है?
हमने खरबों डॉलर निवेश किए हैं, लेकिन आम जीवन में ज्यादा बदलाव नहीं आया है, और अधिकांश सॉफ्टवेयर सच में बुद्धिमान नहीं हैं।
Jev क्या है?
ChatGPT जैसे मॉडल वाक्पटु सलाहकारों की तरह होते हैं।
वे आपके हर सवाल का जवाब देते हैं, संदर्भ उद्धृत करते हैं, घंटों तक चैट करते हैं, उनकी EQ (भावनात्मक बुद्धिमत्ता) ऊंची होती है, और वे किसी भी विषय को संभाल सकते हैं।
Jev एक अलग प्रजाति है।
यह एक उत्पादन लाइन पर त्वरित गुणवत्ता निरीक्षक की तरह है: आप इसे सामग्री देते हैं, और यह व्याख्या, अभिवादन या टिप्पणी करने के बजाय आपको एक स्पष्ट निर्णय देता है।
Doubao जैसे मॉडल, जिनका हम रोज़ाना उपयोग करते हैं, धीमी और मेहनत भरी तर्कशक्ति की विशेषता रखते हैं, जैसे जटिल गणितीय समस्याओं को हल करना।
Jev सहज निर्णय लेने की क्षमता रखता है, जैसे किसी के चेहरे को देखकर तुरंत जान लेना कि वह गुस्से में है या नहीं।
सरल शब्दों में: "एक नजर डालो, नतीजा पाओ।"
बातूनी चैटबॉट्स बाधा क्यों हैं?
कल्पना करें कि आप एक ऑनलाइन स्टोर चलाते हैं जहाँ रोज़ाना सैकड़ों ग्राहक सेवा संदेश आते हैं। आप चाहते हैं कि AI उन्हें स्वचालित रूप से रूट करे: लेखांकन को लेखांकन, लॉजिस्टिक्स को लॉजिस्टिक्स, और तकनीकी मुद्दों को तकनीकी टीम को।
यह सरल लगता है।
यदि आप मानक LLM का उपयोग करते हैं, तो प्रक्रिया कुछ इस प्रकार दिखती है:
चरण 1: आप एक लंबा प्रॉम्प्ट लिखते हैं और विनती करते हैं, "कृपया बताएं कि यह संदेश किस विभाग से संबंधित है। ध्यान दें, केवल विभाग का नाम उत्तर दें, कुछ और मत कहें।"
चरण 2: कभी-कभी यह आज्ञाकारी होकर "Accounting" (लेखांकन) उत्तर देता है, और आप खुश होते हैं।
लेकिन कभी-कभी यह अपने आप को नियंत्रित नहीं कर पाता, और एक पैराग्राफ उत्तर देता है, जैसे, "यह संदेश मुख्य रूप से लेखांकन मुद्दों से संबंधित प्रतीत होता है; मैं सुझाव देता हूं कि पहले कटौती रिकॉर्ड की पुष्टि करें, फिर..." यह मदद करने की बहुत अधिक कोशिश करता है और अपनी जीभ पर काबू नहीं रख पाता।
चरण 3: आपके प्रोग्राम को उस विस्तृत उत्तर से कीवर्ड "Accounting" निकालने के लिए अतिरिक्त तर्क की आवश्यकता होती है। यह प्रक्रिया अव्यवस्थित और त्रुटिपूर्ण होती है।
चरण 4: सबसे महत्वपूर्ण मुद्दा: यह कभी-कभी भ्रम (hallucinate) करता है।
आपने तीन विभाग सेट किए हैं, लेकिन यह चौथा लौटा सकता है या एक मौजूदा न होने वाला विभाग बना सकता है। इसे "भ्रम" (Hallucination) कहा जाता है।
मूल कारण यह है कि टेक्स्ट बहुत स्वतंत्र है।
स्वतंत्रता चैटिंग के लिए अच्छी है।
क्योंकि यह कोई भी टेक्स्ट उत्पन्न कर सकता है, LLM चैट कर सकते हैं, कविता लिख सकते हैं, और कहानियाँ सुना सकते हैं।
लेकिन जब आपको ऑटोमेशन की आवश्यकता होती है, तो यह स्वतंत्रता एक दुःस्वप्न बन जाती है।
आप कभी भी यह गारंटी नहीं दे सकते कि अगली बार यह रास्ते से भटक नहीं जाएगा।
भले ही भटकने की संभावना 10,000 में से 1 हो, आप उसे बिना निगरानी वाली प्रणाली में स्वायत्त रूप से चलाने के लिए साहस नहीं दिखा सकते।
यदि AI अविश्वसनीय, अनियंत्रित और अप्रत्याशित है, तो उस पर भरोसा नहीं किया जा सकता और उसे वास्तविक सॉफ्टवेयर में बड़े पैमाने पर एकीकृत नहीं किया जा सकता।
Jev का समाधान: Q&A को फॉर्म भरने में बदलना
Jev पूरी तरह से इंटरैक्शन पैराडाइम बदल देता है।
आप इसके साथ बातचीत नहीं करते।
आप इसे एक निश्चित संरचना वाला फॉर्म देते हैं, और यह केवल आपके द्वारा परिभाषित किए गए क्षेत्रों में बॉक्स चेक करता है।
प्रत्येक कॉल के लिए दो चीज़ें आवश्यक हैं।
पहला, "State": जिस सामग्री का निर्णय करना है।
यह एक वाक्य जितना सरल हो सकता है, जैसे, "मेरे कार्ड से दो बार शुल्क लिया गया।" या जटिल, जैसे एक पूर्ण टिकट रिकॉर्ड, ग्राहक सेवा संवाद, या ऑर्डर जानकारी और रिफंड नीतियों के साथ संरचित डेटा।
आप सभी पृष्ठभूमि संदर्भ एक साथ प्रस्तुत करते हैं, जैसे विशेषज्ञों से निर्णय मांगने से पहले मेज़ पर फाइलें फैलाना।
दूसरा, "Question": आप इससे क्या निर्णय चाहते हैं।
यह हमेशा एक सख्ती से प्रारूपित उत्तर लौटाता है।
आपका प्रोग्राम इसे बिना पार्स किए, साफ किए, या अनुमान लगाए सीधे उपयोग कर सकता है।
महत्वपूर्ण बात यह है कि एक कठोर गारंटी है: यह गणितीय रूप से असंभव है कि यह प्रारूप गलत भर दे या तालिका से बाहर का उत्तर दे।
सभी संभावित उत्तर पहले से लॉक कर दिए गए हैं। यह केवल आपके दिए गए विकल्पों में से ही चुन सकता है और स्क्रिप्ट से बाहर नहीं जा सकता।
इसलिए आपको ठीक वही प्रकार का उत्तर मिलता है जिसकी आपने मांग की थी, जो स्थिर संचालन के लिए एक आधार प्रदान करता है।
Jev की विशेषताएं
1. बहुविकल्पीय (Multiple Choice)
एक ग्राहक संदेश आता है: "मुझे जूते का गलत आकार मिला, क्या मैं साइज़ 10 के लिए एक्सचेंज कर सकता हूँ?" आप पूछते हैं, "इसे किस टीम को भेजा जाना चाहिए?" विकल्प: Returns (वापसी), Logistics (लॉजिस्टिक्स), Accounting (लेखांकन)।
यह स्पष्ट रूप से "Returns" उत्तर देता है। यह प्रत्येक विकल्प के लिए विश्वास स्कोर (confidence scores) भी प्रदान करता है। चूंकि संदेश स्पष्ट है, यह लगभग 100% निश्चित है कि यह Returns है, और अन्य के लिए लगभग शून्य।
यदि संदेश बन जाता है "गलत जूते का आकार, और मेरे क्रेडिट कार्ड पर एक अतिरिक्त रहस्यमय शुल्क है, आप क्या करने वाले हैं?" तो यह उतना साफ नहीं है।
यह कह सकता है: 60% संभावना Returns, 40% संभावना Accounting। Jev निश्चित होने का नाटक नहीं करता; यह ईमानदारी से अपनी हिचकिचाहट दिखाता है।
2. रेटिंग स्केल
एक बग रिपोर्ट आती है। आप एक 3-बिंदु स्केल प्रदान करते हैं:
0: सौंदर्य संबंधी दोष, उपयोग पर कोई प्रभाव नहीं;
1: कार्य टूटा हुआ, लेकिन वर्कअराउंड मौजूद है;
2: पूरी तरह से रुका हुआ, अनुपयोगी।
यह "1.3" लौटा सकता है।
1.3 का अर्थ है कि बग मुख्य रूप से "टूटे हुए कार्य के साथ वर्कअराउंड" श्रेणी में है लेकिन थोड़ा "पूरी तरह से रुका हुआ" की ओर झुका हुआ है। यह 1 और 2 के बीच द्विआधारी विकल्प को मजबूर करने की तुलना में अधिक सटीक है, और वास्तविकता के करीब है।
स्केल परिभाषित करते समय, विशिष्ट स्थितियों का वर्णन करें, डिग्रियों का नहीं।
"कार्य टूटा हुआ लेकिन वर्कअराउंड मौजूद है" लिखना अच्छा काम करता है; यह सामग्री के विरुद्ध इसकी तुलना करता है।
लेकिन "मध्यम गंभीरता" लिखना विफल हो जाता है क्योंकि "मध्यम" अस्पष्ट है और इसका कोई संदर्भ बिंदु नहीं है।
इसी तरह, यह 0, 1, 2 जैसे अंकों को नजरअंदाज करता है। आपको SOPs के माध्यम से स्पष्ट रूप से परिभाषित करना होगा कि प्रत्येक स्तर क्या entails करता है।
3. सत्य/असत्य निर्णय
यह 0 से 1 के प्रायिकता स्कोर के साथ हाँ/नहीं उत्तर देता है।
पूछें, "क्या यह ग्राहक रिफंड का अनुरोध कर रहा है?"
यह 0.99 लौटाता है, जिसका अर्थ है लगभग निश्चित रूप से हाँ।
आप एक ही कॉल में कई प्रश्न समानांतर में पूछ सकते हैं:
किस टीम को (बहुविकल्पीय), ग्राहक कितना गुस्से में है (रेटिंग), क्या यह रिफंड अनुरोध है (सत्य/असत्य), क्या टोन क्रोधित है (सत्य/असत्य), क्या ऑर्डर शिप नहीं हुआ है (सत्य/असत्य)।
इनका उत्तर एक साथ, स्वतंत्र रूप से, और समानांतर में दिया जाता है।
अधिक प्रश्न जोड़ने से प्रतिक्रिया समय में लगभग कोई वृद्धि नहीं होती।
इससे एक विपरीत-सहज कोडिंग आदत बनती है: आधिकारिक तौर पर जितने संभव हो उतने प्रश्न पूछने के लिए प्रोत्साहित किया जाता है।
उस संदेश के लिए सभी संभावित निर्णय एक साथ पूछें। भले ही कुछ का अभी उपयोग न हो, इसमें अतिरिक्त समय या लागत बहुत कम लगती है।
यह मानक LLMs के साथ "टोकन बचाने" की मानसिकता के विपरीत है।
स्व-मूल्यांकन
मानक LLMs में एक कमी है: चाहे वे जानते हों या नहीं, वे आत्मविश्वास के साथ उत्तर देते हैं।
यह ऑटोमेशन के लिए घातक है।
उदाहरण:
एक AI जो 95% समय सही होता है, सुनने में ठीक लगता है। लेकिन यदि आप नहीं जानते कि क्यों यह शेष 5% में विफल होता है, तो आप इसे स्वचालित नहीं कर सकते।
Jev प्रत्येक उत्तर के साथ एक "विश्वास" स्कोर जोड़ता है। आप इसका उपयोग यह आंकने के लिए करते हैं कि मॉडल वास्तव में समझता है या नहीं।
विश्वास स्कोर के साथ, आप मानव-जैसी हैंडलिंग लॉजिक डिज़ाइन करते हैं, आमतौर पर तीन स्तरों में:
उच्च विश्वास: स्वचालित प्रसंस्करण, मानव की आवश्यकता नहीं।
मध्यम विश्वास: सावधानीपूर्ण दृष्टिकोण, शायद मानव पुष्टि या अधिक जानकारी इकट्ठा करना।
निम्न विश्वास: इसे जबरदस्ती मत करो। मानव या एक मजबूत/महंगा तर्क मॉडल को रूट करें। यह स्पष्ट रूप से कहता है, "यह मेरे बस से बाहर है, मुझे मत धकेलो।"
यह तंत्र—केवल तभी कार्रवाई करना जब निश्चित हों, अन्यथा अनिश्चितता स्वीकार करना—स्वचालित प्रणालियों पर भरोसा करने की पूर्व शर्त है।
एक AI जो "मुझे नहीं पता" कहता है, उस AI की तुलना में कहीं अधिक विश्वसनीय है जो हमेशा आत्मविश्वास से भरा होता है।
लागत दक्षता
Jev तुलनीय LLMs की तुलना में ~200x तेज और ~400x सस्ता है।
एकल प्रतिक्रिया 70-500ms में होती है, जो एक पलक झपकाने से भी तेज है।
क्यों? क्योंकि Jev को बोलने की आवश्यकता नहीं है।
यह मूल्य निर्धारण पहले सोचे नहीं जा सकने वाले उपयोग के मामलों को खोलता है।
आप विशाल डेटाबेस को आइटम-दर-आइटम फ़िल्टर कर सकते हैं, सब कुछ टैग कर सकते हैं। LLMs के साथ ऐसा करना प्रतिबंधित रूप से महंगा था।
आप इसे UI में एम्बेड कर सकते हैं ताकि यह रियल-टाइम प्रतिक्रिया दे सके, क्योंकि यह इतना तेज है कि उपयोगकर्ताओं को विलंब का अनुभव नहीं होता।
Jev का उपयोग कैसे करें
समस्या को परिभाषित करें
बड़े, अस्पष्ट सवाल न पूछें। उन्हें छोटे, विशिष्ट सवालों में तोड़ें, और फिर कार्यक्रमिक रूप से उत्तरों को संयोजित करें।
उदाहरण:
स्पैम ईमेल का पता लगाने के लिए, आलसी तरीका यह पूछना है, "क्या यह स्पैम है?"
यह बड़ा और अस्पष्ट है।
यह कई निर्णयों को एक अस्पष्ट उत्तर के पीछे छिपा देता है, जिससे यह अपारदर्शी और समायोजन योग्य नहीं रह जाता।
इसके बजाय, "क्या यह स्पैम है?" को छोटे, स्पष्ट निर्णयों में तोड़ें:
क्या यह लॉगिन क्रेडेंशियल मांगता है?
क्या यह दावा करता है कि आपने एक पुरस्कार जीता है जिसमें आपने भाग नहीं लिया था?
क्या यह जल्दबाजी पैदा करता है ("अभी कार्रवाई करें या नुकसान उठाएं")?
क्या प्रेषक का दावा किया गया संस्थान ईमेल डोमेन से मेल खाता है?
क्या लिंक का गंतव्य प्रदर्शित पाठ से मेल खाता है?
प्रत्येक उप-प्रश्न अत्यंत विशिष्ट है, जिससे अस्पष्टता के लिए बहुत कम गुंजाइश बचती है। फिर, अपने कोड में इन उत्तरों को भारित (weight) करें ताकि अंतिम स्पैम जोखिम स्कोर की गणना की जा सके।
Jev एक नई इमारत ब्लॉक होने का लक्ष्य रखता है जिसमें सामान्य ज्ञान निर्णय हो, न कि एक अनियंत्रित काला बॉक्स।
परिदृश्य परिभाषित करें
उपयोग के मामले व्यावहारिक हैं, अक्सर मैनुअल समीक्षा की बोझिलता को प्रतिस्थापित करते हैं।
ग्राहक सेवा:
टिकटों का स्वचालित रूटिंग, रिफंड अनुरोधों का पता लगाना, प्राथमिक देखभाल की आवश्यकता वाले गुस्से वाले ग्राहकों की पहचान करना, कॉल लॉग से फॉलो-अप आइटम निकालना।
सामग्री मॉडरेशन:
स्पैम, दुर्व्यवहार, धोखाधड़ी, गोपनीयता रिसाव को स्वचालित रूप से फ्लैग करना। गंभीरता का ग्रेडिंग: हल्की चेतावनियाँ बनाम बैन। यह काम मनुष्यों के लिए थकाऊ और मानसिक रूप से कष्टदायी है।
भर्ती और बिक्री:
कठोर मानदंडों के विरुद्ध रिज्यूमे को स्कोर करना, उम्मीदवार के अनुभव को भूमिकाओं से मिलाना, बिक्री लीड को योग्य बनाना।
अन्य AIs के लिए QA:
अन्य LLM के आउटपुट की जांच के लिए Jev का उपयोग करें: क्या यह रास्ते से भटका? क्या इसे जेलब्रेक किया गया? क्या उद्धरण गढ़े हुए हैं? क्या टूल पैरामीटर सही हैं?
चूंकि Jev तेज और सस्ता है, मुख्य मॉडल की तुलना में QA के लिए इसका उपयोग करना पैसे की बचत करता है। यह महंगे AI के लिए एक गुणवत्ता गेट जोड़ता है।
बिग डेटा सफाई:
विशाल मात्रा में दस्तावेज़ों, टिप्पणियों, चैट को तेजी से टैग, वर्गीकृत और फ़िल्टर करना। केवल Jev की लागत संरचना इस पैमाने को व्यवहार्य बनाती है।
निष्कर्ष
यदि आप अभी भी भ्रमित हैं, तो इसे याद रखें:
Jev सस्ता है, तेज है, चैट नहीं करता, लेकिन आपको निर्णय लेने में मदद करता है।
जैसे-जैसे बुद्धिमत्ता की लागत एक क्रम (order of magnitude) से गिरती है, उपयोग के मामले घातीय रूप से बढ़ते हैं। ये आपके लिए अवसर हैं।
