Jev AI چیست؟ معرفی کامل قابلیت‌ها، قیمت و بنچمارک‌ها

Jev AI یک مدل هوش مصنوعی تخصصی برای تصمیم‌گیری ساختاریافته است. این مدل به‌جای نوشتن پاسخ آزاد، یک وضعیت را می‌خواند و برای پرسش‌های از پیش تعریف‌شده، خروجی نوع‌دار همراه با احتمال یا ضریب اطمینان برمی‌گرداند. به همین دلیل، جای اصلی آن پشت صحنه نرم‌افزارهاست؛ جایی که سرعت، قالب ثابت و امکان تصمیم‌گیری خودکار اهمیت دارد.

در این راهنما می‌خوانید:

• Jev دقیقاً چیست و چه تفاوتی با چت‌بات‌ها و مدل‌های زبانی دارد
• سه نوع پرسش Noul، Choice و Score چگونه کار می‌کنند
• آموزش مرحله‌به‌مرحله محیط آزمایشی و نمونه صحیح رابط برنامه‌نویسی
• عددهای رسمی سرعت، هزینه و بنچمارک با توضیح محدودیت‌های روش ارزیابی
• قیمت، مسیرهای دسترسی و نکته‌های مهم برای کاربران کشورهای مختلف
• و اینکه برای کارهای متنی، هوشا چه گزینه‌ای در اختیار کاربران فارسی‌زبان می‌گذارد.

Jev AI چیست؟

Jev نخستین مدل عمومی از خانواده‌ای است که TypeSafe AI آن را «مدل‌های System One» می‌نامد. ورودی می‌تواند متن یا یک وضعیت ساختاریافته باشد؛ اما خروجی از قبل محدود می‌شود: پاسخ بله/خیر احتمالی، انتخاب از میان چند گزینه یا امتیاز روی یک طیف. بنابراین Jev برای گفت‌وگو، مقاله‌نویسی یا تولید متن آزاد ساخته نشده است.

Jev AI چه تفاوتی با چت‌بات‌ها دارد؟

تفاوت اصلی با چت‌بات‌ها در هدف خروجی است. مدل زبانی تلاش می‌کند دنباله‌ای از واژه‌ها بسازد که برای انسان مفید باشد. Jev پاسخ‌هایی می‌دهد که کد بتواند بی‌واسطه از آن‌ها استفاده کند؛ برای نمونه، مسیر یک تیکت را تعیین کند یا تصمیم بگیرد یک مورد برای بررسی انسانی ارسال شود.

این محدودیت آگاهانه دو نتیجه دارد: قالب خروجی قابل پیش‌بینی است و پاسخ‌ها می‌توانند هم‌زمان محاسبه شوند. بااین‌حال، «نوع‌امن‌بودن – Type-Safe»  به معنی درست‌بودن همیشگی قضاوت نیست. Jev ممکن است تشخیص اشتباه بدهد؛ اما تفاوت این است که از قالب تعریف‌شده خارج نمی‌شود و عدم‌قطعیت را با احتمال یا اطمینان نشان می‌دهد.

Jev چه زمانی رونمایی شد و سازنده آن کیست؟

TypeSafe AI در ۱۵ سپتامبر ۲۰۲۶ (۲۴ شهریور ۱۴۰۵)، پس از دو سال فعالیت پنهانی، Jev را با وضعیت دسترسی اولیه معرفی کرد. اگر می‌خواهید آن را در کنار سایر ابزارهای هوش مصنوعی ببینید، باید Jev را در گروه ابزارهای زیرساختی و تصمیم‌گیری قرار دهید، نه چت‌بات‌های عمومی.

 معرفی رسمی به قلم Diogo Almeida، بنیان‌گذار TypeSafe، منتشر شده است. او در توضیح سابقه خود می‌گوید در OpenAI روی روش‌هایی کار کرده که بخشی از پژوهش‌های منتهی به ChatGPT شدند.

هوش مصنوعی Jev چگونه کار می‌کند؟

در ساده‌ترین بیان، مسیر کار Jev چنین است: «وضعیت بدون ساختار ← پرسش‌های نوع‌دار ← پاسخ‌های احتمالی». برای آشنایی با زمینه کلی این فناوری نیز می‌توانید راهنمای هوش مصنوعی چیست را بخوانید.

TypeSafe این رویکرد را بر سه جزء بنا کرده است: معماری ویژه برای تصمیم‌گیری، نمونه‌برداری موازی و روش آموزشی RLCD یا «یادگیری تقویتی برای تصمیم‌های کالیبره‌شده». در یک درخواست می‌توان چند پرسش مستقل را روی یک وضعیت فرستاد. طبق مستندات، افزودن پرسش‌ها معمولاً تغییر اندکی در زمان پاسخ ایجاد می‌کند؛ بنابراین بهتر است پرسش‌های وابسته به یک وضعیت را در یک فراخوانی کنار هم قرار دهید.

سه نوع پرسش Noul، Choice و Score در Jev AI

نمونه کاربرد	خروجی واقعی	کارکرد	نوع
آیا پیام درخواست بازپرداخت دارد؟	یک عدد بین صفر و یک در فیلد noul؛ احتمال «بله»	قضاوت بله/خیر	Noul
ارجاع تیکت به مالی، فروش یا فنی	گزینه منتخب، توزیع احتمال گزینه‌ها و اطمینان	انتخاب از مجموعه مشخص	Choice
سنجش شدت نارضایتی	جایگاه روی سطوح تعریف‌شده، توزیع احتمال و اطمینان	امتیاز روی طیف	Score

نکته مهم این است که Score الزاماً عددی بین صفر و یک نیست؛ جایگاه آن از سطوحی می‌آید که توسعه‌دهنده تعریف می‌کند و حتی ممکن است بین دو سطح قرار گیرد. همچنین Noul مقدار True یا False جداگانه تحویل نمی‌دهد؛ عدد آن احتمال «بله» است.

یک مثال ساده از کاربرد Jev AI: تریاژ تیکت پشتیبانی

فرض کنید پیام کاربر چنین باشد: «سه روز است پرداخت من ثبت نشده و فروش را از دست می‌دهم. لطفاً فوری پیگیری کنید.» نرم‌افزار می‌تواند هم‌زمان سه پرسش بفرستد: آیا پیام فوری است؟ کدام واحد باید رسیدگی کند؟ شدت نارضایتی روی چه سطحی قرار دارد؟

Jev متن عذرخواهی تولید نمی‌کند. خروجی آن می‌تواند به کد بگوید تیکت به واحد مالی برود، اولویت آن بالا باشد و اگر اطمینان پایین بود، یک کارشناس انسانی تصمیم نهایی را بگیرد. عددهای نمونه صرفاً برای توضیح‌اند؛ نتیجه واقعی باید با درخواست اجراشده ثبت شود.

قابلیت‌های اصلی Jev AI

• خروجی ساختاریافته و نوع‌امن: گزینه‌ها و شکل پاسخ از پیش تعریف می‌شوند؛ بنابراین خطای قالب و تجزیه متن حذف می‌شود.
• تصمیم‌گیری احتمالی: خروجی فقط یک برچسب نیست و میزان عدم‌قطعیت را هم نشان می‌دهد.
• چند پرسش در یک درخواست: Noul، Choice و Score را می‌توان روی یک وضعیت به‌صورت موازی ارزیابی کرد.
• استفاده در زمان نزدیک به بلادرنگ (Real-time): تایپ سیف بازه ۷۰ تا ۵۰۰ میلی‌ثانیه را برای سرویس خود اعلام کرده است؛ زمان واقعی به طول ورودی، منطقه و شبکه بستگی دارد.
• پنجره زمینه ۳۲ هزار توکنی: صفحه مدل Jev در Cloudflare این ظرفیت را اعلام می‌کند.
• قابل استفاده برای کنترل مدل‌های مولد: می‌توان پرامپت، مسیر استدلال یا خروجی یک مدل زبانی را امتیازدهی و برای بررسی انسانی علامت‌گذاری کرد.

این قابلیت‌ها Jev را به جایگزین همه مدل‌های زبانی تبدیل نمی‌کنند. Jev برای تصمیم‌های محدود و تعریف‌پذیر مناسب است؛ هرجا خروجی آزاد، توضیح طولانی یا خلاقیت لازم باشد، مدل زبانی انتخاب مناسب‌تری است.

کاربردهای Jev در نرم‌افزار و کسب‌وکار

• پشتیبانی مشتری: تشخیص فوریت، موضوع و واحد مسئول پیش از ورود کارشناس؛
• پردازش فاکتور و ادعاهای هزینه: بررسی وجود رسید و تعیین مسیر تأیید یا ارجاع؛
• فروش: امتیازدهی سرنخ و مسیریابی درخواست به تیم مناسب؛
• امنیت: ارزیابی هشدارها، تشخیص احتمال تزریق پرامپت و کنترل خروجی عامل‌ها؛
• نظارت بر عامل‌های هوش مصنوعی: تشخیص اینکه یک اجرای خودکار به بازبینی انسان نیاز دارد یا نه؛
• رتبه‌بندی و سیاست‌گذاری: تبدیل قواعد مبهم کسب‌وکار به چند قضاوت محدود و قابل ترکیب در کد.

برای کاربری که به ابزار آماده و عمومی نیاز دارد، هوش مصنوعی آنلاین مسیر ساده‌تری است؛ Jev بیشتر برای تیمی معنا دارد که می‌تواند آن را از طریق رابط برنامه‌نویسی در محصول خود ادغام کند.

بنچمارک Jev AI چه می‌گوید؟

TypeSafe در زمان رونمایی گزارش کرد که Jev در پرسش‌های متناسب با System One، با سطح هوشی نزدیک به مدل‌های زبانی مقایسه‌شده، حدود ۴۰ تا ۲۰۰ برابر سریع‌تر است. عددهای شاخص ۱۹۳٫۶ برابر سرعت بیشتر و ۴۴۴٫۶ برابر هزینه کمتر از چهار گردش‌کار داخلی شرکت به دست آمده‌اند. این عددها ادعای سازنده‌اند، نه نتیجه یک آزمون مستقل.

چهار نمونه منتشرشده عبارت‌اند از رخدادهای امنیتی، مشاهده‌پذیری ردپای عامل، پردازش فاکتور و خدمات مشتری. در نمودار کلی، دقت، هزینه و زمان هر پیکربندی با وزن برابر روی این چهار گردش‌کار میانگین‌گیری شده است.

روش ارزیابی و محدودیت بنچمارک‌ها

برچسب مرجع از میانگین پاسخ‌های GPT-6 Astra و Claude Fable 5.1 در حالت تفکر بالا ساخته شده است. سایر مدل‌ها با تنظیم پیش‌فرض ارائه‌دهنده ارزیابی شده‌اند.

• تیم سازنده هم مدل و هم چارچوب آزمون را ارائه کرده است؛ بنابراین سوگیری احتمالی وجود دارد.
• مرجع، حقیقت زمینی مستقل یا داوری انسانی نیست و از خروجی دو مدل دیگر ساخته شده است.
• مقایسه برای گردش‌کارهای ساختاریافته معتبرتر است و نباید به تولید متن، ترجمه یا کدنویسی تعمیم داده شود.
• خود TypeSafe می‌گوید عددهای ۱۹۳٫۶ و ۴۴۴٫۶ برابر احتمالاً در انتهای بالای سود واقعی قرار دارند.
• زمان پاسخ به محل سرور و شبکه وابسته است؛ TypeSafe ارزیابی‌های منتشرشده را عمدتاً از لپ‌تاپ‌های ساحل غربی آمریکا اجرا کرده است.

Jev در مقایسه با مدل‌های زبانی

مدل زبانی عمومی	Jev	معیار
متن، کد یا پاسخ آزاد	تصمیم نوع‌دار و احتمالی	نوع خروجی
تولید محتوا، گفت‌وگو و کارهای عمومی	دسته‌بندی، امتیازدهی و مسیریابی	کار اصلی
تولید توکن به‌صورت ترتیبی	پاسخ به پرسش‌ها به‌صورت موازی	روش تولید خروجی
نیازمند اعتبارسنجی قالب در کارهای حساس	قالب از پیش تعریف‌شده و بدون خطای نوع	اتصال به نرم‌افزار
امکان پاسخ آزاد و توضیح‌پذیر	فاقد تولید متن آزاد	محدودیت اصلی

برای نمونه، خانواده GPT-5.6 برای گفت‌وگو و تولید محتوا ساخته شده است؛ Jev می‌تواند پیش یا پس از چنین مدلی، نقش مسیریاب یا ارزیاب را بازی کند.

ویدیوها و دموی معرفی Jev

صفحه رسمی رونمایی Jev  سه نمونه دیداری مهم دارد: مقایسه Jev و یک مدل زبانی، بازی Doom و Wikiracing. در دموی Doom، ورودی Jev وضعیت ساختاریافته بازی شامل متن و داده است؛ نه تصویر یا فریم خام. این تصحیح برای جلوگیری از برداشت نادرست درباره توانایی بینایی مدل مهم است.

شما می‌توانید دموهای رسمی را در صفحه معرفی System One و Jev ببینید.

قیمت Jev AI و هزینه استفاده

در تاریخ ۱۸ سپتامبر ۲۰۲۶، قیمت رسمی TypeSafe برای Jev برابر ۰٫۰۴۲ دلار به‌ازای هر یک میلیون توکن ورودی است و هزینه توکن خروجی رایگان اعلام شده است. این همان ۴۲ دلار برای یک میلیارد توکن ورودی است.

صفحه Jev در Vercel AI Gateway نرخ ورودی را به‌صورت گرد‌شده ۰٫۰۴ دلار برای هر یک میلیون توکن نمایش می‌دهد. برای برآورد مالی نهایی، نرخ درگاه انتخابی، هزینه شبکه یا زیرساخت جانبی و شرایط حساب را همان روز بررسی کنید؛ قیمت یک مدل تازه ممکن است تغییر کند.

توضیح	خروجی	ورودی	مسیر
قیمت اعلامی سازنده در روز بررسی	رایگان	۰٫۰۴۲ دلار / یک میلیون توکن	TypeSafe
عدد گرد‌شده در کاتالوگ	در صفحه مدل جداگانه درج نشده	۰٫۰۴ دلار / یک میلیون توکن	Vercel AI Gateway
قیمت باید در داشبورد بررسی شود	وابسته به صورتحساب پلتفرم	وابسته به صورتحساب پلتفرم	Cloudflare

نحوه دسترسی به Jev از کشورهای مختلف

سه مسیر رسمی برای استفاده وجود دارد: کنسول TypeSafe، درگاه Vercel و مدل شریک در Cloudflare. شرایط هر مسیر یکسان نیست و منبع رسمی TypeSafe جدول کشوربه‌کشور منتشر نکرده است.

1. TypeSafe: ابتدا وارد محیط آزمایشی شوید و برای دسترسی اولیه یا کلید رابط برنامه‌نویسی حساب بسازید. ورود کاربران از فهرست انتظار انجام می‌شود.
2. Vercel AI Gateway: مدل Jev در کاتالوگ درگاه قرار دارد و استفاده از آن تابع حساب، صورتحساب و محدودیت‌های خود Vercel است.
3. Cloudflare: مدل typesafe/jev به‌صورت شریک ثالث در فهرست مدل‌ها دیده می‌شود. Workers AI روی طرح‌های رایگان و پولی ارائه می‌شود، اما هزینه Jev باید در داشبورد حساب بررسی شود.

درباره ایران نمی‌توان از روی بازشدن یا نشدن یک صفحه، حکم قطعی صادر کرد. دسترسی فنی، امکان ساخت حساب، پذیرش شرایط استفاده و پرداخت چهار موضوع جدا هستند و ممکن است تغییر کنند. بنابراین پیش از انتشار یا خرید، هر سه مسیر باید با حساب واقعی و در تاریخ همان روز آزمایش شوند. در این مقاله ادعای «تست عملی از ایران» مطرح نمی‌شود، چون گزارش مستند و قابل بازتولیدی از تیم نویسنده در دسترس نیست.

آموزش شروع کار با Jev AI

برای تجربه اولیه، محیط Playground ساده‌ترین مسیر است. مراحل زیر بر اساس راهنمای رسمی TypeSafe تنظیم شده‌اند. نام گزینه‌ها ممکن است با به‌روزرسانی رابط تغییر کند.

۱. وارد Playground شوید و متن یا داده مورد بررسی را در بخش State قرار دهید.

مشتری نوشته است: سه روز است اتصال حساب پرداخت من خطا می‌دهد و فروش را از دست می‌دهم. لطفاً فوری کمک کنید.

۲. یک پرسش Noul بسازید. شناسه را is_urgent و دستور را «آیا پیام فوریت یا حساسیت زمانی را نشان می‌دهد؟» قرار دهید.

۳. برای مسیریابی، پرسش Choice با گزینه‌های billing، technical و sales بسازید. برای سنجش نارضایتی، پرسش Score با سطوح «آرام»، «ناراضی» و «بسیار عصبانی» اضافه کنید.

۴. ارزیابی را اجرا کنید. در خروجی، مقدار noul احتمال «بله»، choice گزینه منتخب و confidence میزان تمرکز توزیع احتمال را نشان می‌دهد. برای Score نیز جایگاه روی سطوح تعریف‌شده برمی‌گردد.

۵. پس از آزمایش، کلید رابط برنامه‌نویسی را از داشبورد بگیرید و درخواست را به نشانی رسمی زیر ارسال کنید.

curl -X POST https://api.typesafe.ai/v1/systemone \   -H “Authorization: Bearer $TYPESAFE_API_KEY” \   -H “Content-Type: application/json” \   -d ‘{     “model”: “jev-latest”,     “state”: “Customer payment has failed for three days and sales are being lost.”,     “questions”: {       “is_urgent”: {         “type”: “noul”,         “instructions”: “Does this message express urgency?”       },       “department”: {         “type”: “choice”,         “instructions”: “Which team should handle this?”,         “criteria”: {           “billing”: “Payments and subscriptions”,           “technical”: “Bugs and integrations”,           “sales”: “Pricing and new accounts”         }       }     }   }’

مزایا و محدودیت‌های Jev

محدودیت	مزیت
متن آزاد، توضیح و گفت‌وگو تولید نمی‌کند.	خروجی مستقیم و قابل استفاده در کد است.
قضاوت معنایی می‌تواند اشتباه باشد؛ فقط قالب تضمین می‌شود.	عدم‌قطعیت با احتمال یا اطمینان نمایش داده می‌شود.
داده مستقل کافی برای سنجش ادعاهای سازنده هنوز محدود است.	هزینه ورودی اعلام‌شده بسیار پایین و خروجی رایگان است.
دسترسی اولیه و شرایط منطقه‌ای ممکن است تغییر کند.	برای گردش‌کارهای بلادرنگ و پرتکرار طراحی شده است.

بهترین کاربرد Jev زمانی است که مسئله را بتوان به چند سؤال محدود و قابل اقدام شکست. اگر تیم هنوز نمی‌داند خروجی مطلوب چیست یا به توضیح باز و خلاقانه نیاز دارد، محدودکردن زودهنگام کار به Noul، Choice و Score ممکن است نتیجه را ضعیف کند.

آیا Jev جایگزین ChatGPT است؟

خیر. ChatGPT و مدل‌های زبانی برای مکالمه، تولید و ویرایش متن، خلاصه‌سازی و حل کارهای عمومی مناسب‌اند. Jev برای تصمیم‌های نوع‌دار داخل نرم‌افزار ساخته شده است. این دو می‌توانند مکمل باشند: Jev درخواست را دسته‌بندی کند، مدل زبانی پاسخ را بنویسد و Jev خروجی را برای ریسک یا انطباق بررسی کند.

اگر هدف شما گفت‌وگو و کار روزمره با متن است، چت جی پی تی فارسی از نظر تجربه کاربری به نیازتان نزدیک‌تر از یک رابط تخصصی تصمیم‌گیری است.

برای تحلیل و دسته‌بندی متن، هوشا چه کمکی می‌کند؟

پلتفرم هوش مصنوعی فارسی هوشا محیط فارسی، دسترسی بدون نیاز به ابزار تغییر آی‌پی، پرداخت ریالی و دسترسی به چند مدل در یک حساب را فراهم می‌کند. کاربران همچنین روزانه ۲۰ مکالمه رایگان با ChatGPT دارند.

مدل‌های متنی موجود در هوشا برای تحلیل، خلاصه‌سازی، بازنویسی و دسته‌بندی متن مناسب‌اند. بااین‌حال، تا تاریخ بررسی این مقاله، Jev در هوشا ارائه نمی‌شود و تجربه مدل‌های متنی هوشا معادل رابط نوع‌دار، احتمالی و کم‌تأخیر Jev نیست.

جمع‌بندی

Jev تلاش TypeSafe برای جداکردن «تصمیم‌گیری ماشینی» از «تولید متن» است. خروجی محدود، محاسبه موازی و احتمال‌های کالیبره‌شده آن برای دسته‌بندی، مسیریابی و کنترل گردش‌کار جذاب‌اند. قیمت ۰٫۰۴۲ دلار برای هر یک میلیون توکن ورودی و تأخیر اعلامی ۷۰ تا ۵۰۰ میلی‌ثانیه نیز آن را برای فراخوانی‌های پرتعداد قابل بررسی می‌کند.

در مقابل، آمار سرعت و هزینه هنوز عمدتاً از ارزیابی داخلی سازنده می‌آید و نباید به همه کارهای هوش مصنوعی تعمیم داده شود. تیم‌های فنی بهتر است یک مسئله محدود، داده آزمون واقعی و آستانه ارجاع به انسان تعریف کنند و سپس Jev را در کنار گزینه‌های موجود بسنجند.

نویسنده: الهه میرمیران