TypeSafe AI lanceert Jev: een taalmodel dat alleen cijfers teruggeeft
TypeSafe AI heeft vorige week Jev uitgebracht, een model dat tekst als invoer accepteert maar uitsluitend zwevende-kommagetallen teruggeeft als antwoord op classificatievragen.
👁 116 keer gelezen
TypeSafe AI heeft vorige week Jev gepresenteerd, een model dat tekst als invoer accepteert maar in plaats van tekst uitsluitend zwevende-kommagetallen teruggeeft - kansscores die overeenkomen met categorieën, ja/nee-oordelen en beoordelingen. Het bedrijf noemt dit een “System One model”; ontwikkelaar en blogger Simon Willison sluit zich aan bij de term “decision model” als duidelijker alternatief.
- Jev rekent alleen voor invoer-tokens: $0,042 per miljoen tokens, goedkoper dan GPT-5 Nano ($0,05/miljoen)
- Het model beantwoordt drie vraagtypen - ja/nee (Noul), meerkeuze en scores - allemaal als kansgetallen tussen 0 en 1
- Vragen worden parallel verwerkt, waardoor honderd vragen even snel gaan als één enkele vraag
Jev werkt met een zogeheten “state”-object: een string, een reeks strings of naam-waardeparen die bijvoorbeeld een artikel, een klant of een ander record beschrijven. Daarop stel je één of meer vragen, en het model stuurt per vraag een getal terug. Drie vraagtypen zijn beschikbaar. “Noul”-vragen zijn ja/nee-stellingen die een getal tussen 0 en 1 opleveren - de naam is afgeleid van de Bernoulli-verdeling, bevestigde de CEO van TypeSafe op Hacker News. Bij meerkeuze-vragen krijg je naast de gekozen optie ook een kansverdeling over alle opties. Score-vragen werken met een numerieke schaal met omschrijvingen per niveau.
TypeSafe omschrijft Jev als:
Think of Jev as a frontier-intelligence function call: unstructured state in, typed probabilistic decisions out.
Qua prijs wijkt Jev sterk af van gewone taalmodellen: uitvoer is gratis, en voor invoer rekent het bedrijf $0,042 per miljoen tokens - minder dan de $0,05 per miljoen van OpenAI’s GPT-5 Nano. Vragen worden parallel verwerkt, zodat honderd vragen in theorie even snel worden beantwoord als één vraag.
Willison wijst ook op een keerzijde: Jev is een stap verder in de richting van volledig ondoorzichtige machine-learning. Een gewoon taalmodel kan zijn redenering toelichten, al is die toelichting niet gegarandeerd betrouwbaar. Jev geeft uitsluitend een getal terug, zonder enige uitleg over welke signalen tot dat oordeel hebben geleid. Bias-risico’s zijn daardoor moeilijker te detecteren.
Praktisch: Jev is interessant voor wie classificatietaken goedkoop en snel wil uitvoeren - spamdetectie, labelsuggesties, prioritering of het herrangschikken van zoekresultaten. Een veelgenoemde toepassing is search reranking: haal 100 kandidaten op met een goedkoop algoritme zoals BM25, laat Jev ze vervolgens scoren op relevantie. De lage prijs en parallelle verwerking maken dat haalbaar op schaal. Let wel: zonder verklaarbare uitvoer is het model ongeschikt voor beslissingen die transparantie of juridische verantwoording vereisen.
Google · Jouw bronnenHoger in Google - met één klikToevoegen aan voorkeursbronnen →
More on this from HELDER
