Bugün Twitter akışım Jev adında yeni bir modelle dolup taştı.
Birçok kişi ismi görür görmez sorular sormaya başladı: Bu modeli hangi büyük teknoloji şirketi yayınladı? Herkes neden bunun hakkında konuşuyor?
Derinlemesine bir araştırma yaptım ve bu makalede konuyu detaylıca açıklayacağım. Lafı uzatmayalım ve temel soruları doğrudan yanıtlayalım.
S1: Jev tam olarak nedir? Büyük bir teknoloji şirketinin ürünü mü, yoksa sadece bir arayüz (wrapper) mı?
Bu, San Francisco merkezli ve yakın zamanda 40 milyon dolar tohum yatırımı alan TypeSafe adlı bir girişim tarafından bağımsız olarak eğitilmiş, kapalı kaynak kodlu gerçek bir temel modeldir. Kurucu Diogo Almeida daha önce OpenAI'da çalışmış ve InstructGPT makalesinin ortak yazarlarından biri olmuştur. "Jev" adı, ekonomist William Stanley Jevons'tan (Jevons paradoksu ile tanınır) gelmektedir.
S2: Açık kaynak mı?
Tamamen kapalı kaynak.
Resmi ekip şu anda yalnızca bulut API'si sağlıyor; model ağırlıkları kamuya açık değil. Çevrimiçi gördüğünüz çeşitli GitHub depoları, topluluk tarafından geliştirilen ve API'sini çağıran araçlar ve demolardır.
S3: Kod yazabilir, makale üretebilir veya benimle sohbet edebilir mi? Claude veya ChatGPT'nin yerini alabilir mi?
Tek bir kelime bile yazmaz.
Ona şiir veya sıralama algoritması yazmasını söylerseniz hata verir. Sohbet için tasarlanmamıştır ve serbest metin üretimi için bir arayüze bile sahip değildir.
S4: Makale yazamıyorsa, geliştiriciler neden bu kadar heyecanlı?
Çünkü insanlar şunu fark etti: LLM'leri kullandığımız görevlerin çoğu aslında makale yazmayı gerektirmiyor.
İş akışlarını otomatikleştirmek, haberlerin günlük özetlere girip girmeyeceğine karar vermek, müşteri hizmetleri yönlendirmesi (iade mi lojistik mi?) veya Agent araç seçimi—bunların hepsi çoktan seçmeli veya doğru/yanlış sorularıdır. Eskiden bunu yapmak için devasa modelleri çağırmak, saniyelerce beklemek, token başına sentler ödemek ve uzun çıktıları ayrıştırmak için savunmacı kodlar yazmak gerekiyordu.
Jev tam da bunun için inşa edildi: Yalnızca Doğru/Yanlış ve Çoktan Seçmeli soruları işler, sonuçları 100 ms içinde döndürür ve milyon token başına 4 sente mal olur.
Farkı hatırlayın:
ChatGPT insanlar için cevap yazar; Jev programlar için karar verir.
1. Yanıtladığı Üç Soru Türü
Kodlama senaryolarında Jev, üç tür girdiyi kabul eden ultra hızlı bir cevap makinesi gibi davranır.
İlki Doğru/Yanlış (resmi adı Noul).
Ona içerik ve bir önerme verirsiniz, örneğin: "Bu kullanıcı yorumu müşteri hizmetlerine hakaret ediyor mu?"
Bağlamı açıklamaz; boolean olasılığı döndürür (örneğin %94 ihtimalle doğru). Kodunuz >%80 olup olmadığını kontrol eder ve engelleme iş akışını tetikler.
İkincisi Çoktan Seçmeli (resmi adı Choice).
Seçenekleri tanımlarsınız (en fazla 255 adet). Örneğin, Ticket kategorileri: Faturalandırma, Lojistik, İadeler. Olasılık dağılımlarını ve güven skorlarını döndürür.
Önemli nokta: Seçenekleri siz sabitlersiniz; dördüncü bir kategori halüsinasyonu göremez. Programınız bunu doğrudan bir switch-case yapısına besler ve JSON ayrıştırma hatalarından kaçınır.
Üçüncüsü Puanlama (resmi adı Score).
Öğeleri tanımlanan ölçeklerde puanlar (örneğin müşteri öfkesi 1-5 arası) ve dağılımı döndürür.
Ayrıca güçlü bir özelliği var: Bir kez oku, defalarca cevapla.
Ona tek bir ticket metni verin ve aynı anda sorun: Kategori mi? Aciliyet mi? Duygu analizi mi? Yönetici incelemesi gerekiyor mu? Jev bir kez okur, dört soruyu paralel olarak değerlendirir ve yüzlerce milisaniye içinde bitirir.
2. Bu Teknik Yaklaşım Uygulanabilir mi?
Şüpheciler soruyor: Sadece karar veren bir model güvenilir mi, yoksa pazarlama abartısı mı?
Bilgisayar bilimleri ve bilişsel perspektiflerden bakıldığında, bu son derece mantıklı.
LLM'ler yavaş ve pahalıdır çünkü otoregresif üretim kullanırlar. Her token, önceki içerik üzerinde dikkat mekanizmasının yeniden hesaplanmasını gerektirir—bir kompozisyon yazarken her kelimeden sonra durup düşünmek gibidir. Bu durum yaratıcılığa olanak tanır ancak ikili kararlar için verimsizdir (su almak için kamyon kullanmak gibi).
Jev bu mantığı tersine çevirir. Çıktı alanını geliştirici tarafından tanımlanan yuvalarla sınırlar. Token token kodlama çözmek yerine, çıktı katmanında seçenekler için olasılık dağılımlarını tek geçişte hesaplar. Çıkarım süresi 70-500 ms'ye, genellikle ~100 ms'ye sıkışır.
Temel atılım olasılık kalibrasyonudur.
TypeSafe, eğitim yöntemlerini RLCD (Reinforcement Learning Calibrated Decision - Pekiştirmeli Öğrenme Kalibre Karar) olarak adlandırıyor. Küçük sınıflandırıcılar hızlıydı ama genellikle aşırı özgüvenliydi (yanlış olduklarında %99 özgüven gösterirlerdi). Jev, hava durumu tahmini gibi olmayı hedefliyor: %80 dediğinde, istatistiksel olarak zamanın %80'inde haklı çıkıyor. Mühendisler trafiği güvenle yönlendirebilir: %95'te otomatik onay, %60'ta insan incelemesi.
Nobel ödüllü Daniel Kahneman, Sistem 1 (hızlı/sezgisel) ve Sistem 2 (yavaş/düşünerek) düşünceyi tanımlamıştır. İnsanlar eylemlerinin %90'ında Sistem 1'i kullanır. LLM'ler Sistem 2'yi taklit eder. Jev, AI'a Sistem 1'i ekler: Yüksek hızda, hafif, sezgisel yargılama.
Not: Resmi %40-200 hız ve %400 maliyet tasarrufu iddiaları dahili benchmark'lardan gelmektedir. Pazarlama rakamlarını göz ardı etsek bile, mimari gerekçe sağlamdır.
3. Geliştiriciler Bununla Ne İnşa Ediyor?
Yayınlandıktan sonraki günler içinde, topluluklar basit sınıflandırmanın ötesinde ilginç uygulamalar geliştirdi.
1. Ultra Hızlı Tarayıcı Ajanları (Browser Use Topluluğu)
Browser Use topluluğu "Jev Ultrafast" projesini açık kaynak yaptı. Daha önce, AI web ajanları yavaştı çünkü LLM'ler tıklamalara karar vermek için DOM ağaçlarını analiz etmekle saniyeler harcıyorlardı. Şimdi Jev, düğme/giriş seçimini (onlarca öğe arasından çoktan seçmeli bir problem) onlarca milisaniyede hallediyor. Metin üretimi, yalnızca gerektiğinde daha küçük modellere devrediliyor. Zürih'ten Londra'ya uçuş arama işlemi 7,1 saniyede tamamlandı ve betiklenmiş otomasyon gibi hissettirdi.
Proje: https://github.com/browser-use/jev-ultrafast
2. Gerçek Zamanlı Oyun Kararları (Doom Demosu)
TypeSafe, Jev'in Doom oynadığını demo olarak sundu. Girdi, pikseller değil, yapılandırılmış oyun durumu (can, düşman pozisyonu, cephane). Jev, hareket/ateş etme için saniyede ~10 gerçek zamanlı karar veriyor. Bir saatlik oyun ~7$'a mal oluyor. Geleneksel LLM'ler bu gecikmeyi veya maliyeti karşılayamaz.
Demo: https://typesafe.ai/blog/introducing-system-one-models-and-jev
3. Agent Yönlendirme & Araç Seçimi (LangChain Entegrasyonu)
LangChain hızla TypeSafeClassifier eklentisini ekledi. Multi-Agent sistemlerde, "sırada hangi araç var?" veya "döngüden çıkılsın mı?" kararı eskiden önemli bekleme sürelerine neden oluyordu. Jev artık bu kontrol akışı kararlarını anında ele alıyor ve boşta geçen süreyi en aza indiriyor.
Dokümantasyon: https://python.langchain.com (Paket: langchain-typesafe)
4. Gerçek Zamanlı Güvenlik Korumaları (Vercel AI SDK)
Vercel, Jev'i AI Gateway ve AI SDK 7'nin evaluate fonksiyonuna entegre etti. Geliştiriciler onu bir "AI Hakemi" olarak kullanıyor: Üretilen/kullanıcı içeriğinde uyumluluğu, olgusal tutarlılığı veya duyguyu milisaniyeler içinde kontrol ediyor ve moderasyon için pahalı GPT-4o tekrar çağrılarını önüyor.
Bilgi: https://vercel.com/docs/ai-gateway
5. Karmaşık Seçenekler İçin İki Aşamalı Yarış (Wikiracing)
Jev 255 seçenekle sınırlıdır. Binlerce aday için topluluklar iki aşama kullanır: Score (paralel kabaca filtreleme) ardından Choice (ince seçim). Wikiracing atlamaları yüzlerce milisaniyede tamamlanır.
Analiz: https://typesafe.ai/blog/introducing-system-one-models-and-jev
Daha fazla örnek:
- Awesome-Jev: https://github.com/cobanov/awesome-jev
- Foreman (Kod QA Denetleyicisi): https://github.com/thruwire/foreman
Bu örnekler trendi gösteriyor: AI çağrıları katmanlaşıyor.
Büyük modeller stratejistler gibi davranır (karmaşık akıl yürütme, yaratıcı yazarlık); Jev gibi küçük ve hızlı modeller ise haberciler gibi davranır (yönlendirme, filtreleme, uyumluluk kontrolleri).
4. Nasıl Erişilir & Mevcut Sınırlamalar
İki ana giriş noktası var:
- TypeSafe web sitesindeki bekleme listesi. Erken erişim 1-2 gün içinde veriliyor. Python/JS SDK'ları mevcut. Site: https://typesafe.ai Dokümantasyon: https://docs.typesafe.ai
- Beklemeden Vercel AI Gateway veya Cloudflare AI (
typesafe-ai/jev) üzerinden. Aynı fiyatlandırma. Cloudflare: https://developers.cloudflare.com/ai/models/typesafe/jev/
Claude Code veya Cursor kullanıyorsanız, API dokümanlarını yapıştırmanız ve AI'dan bir sınıflandırıcı fonksiyonu yazmasını istemeniz yeterli.
Ancak, resmi dokümanlarda Jev 1.13 için listelenen uzman zayıflıklarına dikkat edin:
- Sayma, hassas aritmetik ve tarih sıralamasında zayıftır.
- Uzun zincirli çok adımlı akıl yürütmede doğruluk düşer.
- Başlıca İngilizce ile eğitilmiştir; Çincede doğruluk daha düşüktür (nüanslı semantik analizlere güvenmeden önce test edin).
- Prompt Injection'a karşı savunmasızdır (kötü niyetli talimatlar seçimleri kaydırabilir).
Onu sihirli bir değnek olarak görmeyin. Yüksek riskli işlemler (iade, silme) için sert kodlanmış izin kontrollerini koruyun.
Sonuç
Devasa modellerin uzun formatlı yazılar ve karmaşık kodlarla övünmesine alıştık. Jev bize şunu hatırlatıyor: Yazılım etkileşimlerinin gerçekten her adım için doğal dil kompozisyonlarına ihtiyacı var mı?
Genellikle programların sadece temiz, hızlı, kalibre edilmiş bir boolean veya enum'a ihtiyacı vardır. LLM'leri ağır üretim görevlerinden çıkarmak ve milisaniyelik tepki veren akıllı if ifadelerini kurmak, düşük maliyetli otomasyonun anahtarı olabilir.
