Jevのオープンソース版「Laya」を使ってみた：考えずに、直感で即答する元祖「System One Models」 - GMOインターネットグループ グループ研究開発本部
2026.09.25 Jevのオープンソース版「Laya」を使ってみた：考えずに、直感で即答する元祖「System One Models」 TL;DR Convai Innovations の Nandakishor Mukkunnoth 氏が公開したオープンソースの意思決定モデル Laya は、状態 (State) と型付きの質問 (Choice / Score / Noul) を受け取り、テキストを生成せずに較正された確率を1回のフォワードパスで返すモデルです。機能的には Jevと同等のコンセプトのモデルですが、Laya はローカルで実行可能な上に速度面でも Jev を大幅に上回ります。Mac向けに最適化されたLaya-MLXも開発され、Apple Silicon上での高速動作も可能です。その一方で、Layaにはコンテキストウィンドウのサイズが小さい点などの制約・限界も存在します。 L
みんなJevの話してる。やってないの俺だけ
はじめに 2026年9月中旬あたりから、タイムラインが急に「Jev」の話題で埋まりました。「LLMより200倍速い」「出力トークン無料」「ハルシネーションしない」と景気のいい言葉が並ぶ一方で、自分はまだAPIキーすら持っていません。 やってないのは俺だけか…という焦りを燃料に、Jevとは何か、なぜ騒がれているのか、LLMと何が違うのかを一次情報と検証記事から調べた整理メモです。 そもそもJevとはなんぞや Jevは、サンフランシスコのスタートアップ TypeSafe AI が開発した意思決定モデルです。同社はこれを「System One モデル」という新しいカテゴリの第1号と位置づけています。 ひとことで言うと 「文章を書かないAI」 です。「アプリケーションの状態（state）」と「型が決まった質問」を受け取り、決められた形の答えを確率付きで 返します。答えを読むのは人間ではなく、呼び出
Jevが返すconfidenceの意味〜Jevの応答を受けてループエンジニアリングでどう捌くか〜(実例つき)
本記事は筆者個人の見解であり、所属する組織の公式見解ではありません。 また、ここで使う TypeSafe の System One API は公開されて間もないものです。仕様が変わる可能性があります。本文の記述と実測値は執筆時点のものです(2026年9月22日〜23日。jev-latest で投げ、レスポンスの model を記録した測定ではすべて jev-1.13.0 でした)。最新の挙動は公式ドキュメントをご確認ください。 はじめに エージェントを回していると、判断を挟みたい箇所が増えます。CI が落ちたとき、リトライするのか、自動修正を試すのか、人を呼ぶのか。社内から上がってきたイシューを、どのチームに渡すのか、書き直しを頼むのか。 エージェントを回し続けるには、ループのどこで判断を挟み、どこで人間に渡すかを決めなければなりません。本記事ではこれをループエンジニアリングと呼びます。自
JevとローカルLLMは何が違うのか？｜未知知識の挙動、ルール判定、そして「三値論理」によるグレーゾーン救出
先に結論を言います: 推論精度や機能はローカルで完全に代替できるため「インフラ要件（GPUの有無・機密性）」で使い分けるのが正しく、どちらを使う場合も Yes/No を捨てて「三値論理（保留）」で設計するのが鉄則です。 1. はじめに：確率較正の先にある「実務での適用境界」 前回の検証記事『Jevはサイコロを振らないがローカルLLMは振れるのか？｜「較正された確率」の検証と命題設計のブレークスルー』では、林寛太氏のnoteに端を発するサイコロ問題を追試しました。素朴な Yes/No では確率が 50:50 や過信に縮退するものの、「命題の補集合を明示する（出目1 vs 出目2〜6）」というクエリ正準化により、Jev もオープンモデルも理論値（16.7% vs 83.3%）と極めて精緻に一致することを実証しました。 しかし、ここで開発者として次なる疑問が湧き上がります。 「確率特性が分かった
Jevはサイコロを振らないがローカルLLMは振れるのか？｜「較正された確率」の検証と命題設計のブレークスルー
先に結論を言います 「モデルがサイコロを振らないのではない。Yes/Noという質問の立て方が事象空間を壊していた」: 未観測情報ゼロ下で「出目1か？（はい/いいえ）」と問うと、肯定バイアスと最大エントロピーにより確率が 50% 前後に縮退します。しかし、選択肢を 「出目は1である」vs「出目は2〜Nのいずれかである」 と補集合を明示する質問形式に改めるだけで、Kev-4B や Qwen3.5-4B は 理論値（16.7% や 1.0%）に極めて忠実な確率 を出力できます。 実務配備の解：「クエリ正準化レイヤー（Canonicalization Filter）」の常駐: 実務において人間や上位エージェントに毎回注意深く補集合を書かせる運用は破綻します。判定エンジンの前段に 「クエリ正準化レイヤー」を常駐させ、素朴な二値質問を MECE な対称命題へ自動コンパイル することで、質問設計のミスを
Jevをローカルでどこまで再現できるか検証しました｜オープンDecision Model比較と実戦配備
先に結論を言います Jev のインターフェースはローカルで再現可能: 汎用LLM（Qwen3.5-4B）や専用 Decision Model（Kev-4B）により、比喩や論理境界を高精度に見抜く判定器が手元の GPU で動きます。 Kev-4B と Qwen3.5-4B の違い: Kev-4B: テキスト生成を排した Zero-Decode アーキテクチャにより、バッチ並列化で 1問あたり約 20ms の低遅延を達成可能（VRAM 約 8.5GB）。身分開示等の判定に強い一方、動的バッチや Prefix キャッシュを備えた専用サービング基盤が未整備。 Qwen3.5-4B: 境界識別力テスト（全26試行）で 100% 正解 と極めて高い安定性を発揮。大量走査なら SGLang（RadixAttention で秒間 36行）、デスクトップ常駐なら llama-server（4-bit 量子化
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Eikos - a caiovicentino1 Collection
jev-playground/docs/fit.md at main · mizchi/jev-playground
ローカル動作するJevっぽいものを調べてたら、なんとマルチモーダル対応もできてた！ - Qiita