LLMの代わりになる？ 文章を生成しないAI「Jev」を日本語で試してみた
- 文章を生成しないAI「Jev」は、判断と確率を返すモデルで、LLMとは異なる出力方式を持つ
- Choice・Score・Noulの3種類の返り値形式、LLMのStructured Outputsとの出力方式の違い
- Jevは文章生成せず判断と確率を返すため、処理に応じた使い分けが重要で、実際の性能は入力内容に依存する
AI関連ブログ記事まとめ
AI コーディングエージェントの1タスクが8時間かかる理由を、45日分のセッション履歴から測ってみた
- AIコーディングエージェントの1タスクが8時間かかる理由は、文脈の積み上げと指示の不備が主因
- コンテキストサイズが100kトークンを超えると遅延が10倍に、検証スキルのロード不足と指示の無限スコープが原因
- 指示に完了条件と時間上限を明記しないと1指示で200回以上のモデル呼び出しと400分以上の時間がかかる
「話さないAI」Jevは何が違う？ LLMと組み合わせて考える、効率化とコスト削減
- Jevはソフトウェアに組み込む「判断係」のAIモデルで、問い合わせを分類する
- Choice・Score・Noulの3つの判断機能があり、出力は無料で入力単価が低い
- Jevの入力単価はTerraの約48分の1で、出力無料の課金方式がコスト削減に繋がる
既存の LLM が CPU なら、 Jev はその GPU 版みたいなやつ
- JevはLLMの処理を高速化し、構造化データ出力を可能にした
- LLMのデコーディング層を構造化データに変更、256並列処理が可能
- 500msの遅延でリアルタイム処理が可能、日本からの通信では遅延が発生する
元ヤフーエンジニア社長が考える、AIを使いこなす人と使えない人の決定的な差
- AIを使いこなす人と使えない人の差は「全部任せられないか」から考えるかどうか
- 一部だけ任せるのではなくすべてをAIに任せられないか考える、音声入力で効率化
- 最後は自分で判断する姿勢が重要で、AIに頼りきると人間としての価値がなくなる
「LLMじゃないAI」が来た! TypeSafe AI「Jev」はなぜ文字列生成を捨てたのか
- TypeSafe AIがLLMではないSystem One Modelsを発表、第一弾はJev
- 並列サンプラーと型付き構造化出力、RLCDという独自の強化学習手法を採用
- 出力コストが無料で応答時間が数十〜数百倍速いが、自由な文章生成は不可
話題のJevとは？文章を書かずに判断だけを返すAIモデルをざっくり解説
- Jevは文章を生成せず、選択肢ごとの確率と確信度を返すAIモデル
- 選択肢から1つ選ぶChoice、段階評価のScore、Yes/NoのNoulの3種類の問いに対応。確信度で処理を分岐可能
- 確信度が0.9以上なら自動処理、0.5以上なら人間確認、それ以下なら人が振り分け。計算や日付比較は不得意と明記
AWS AI-DLC Unicorn Gymに参加して感じた、AI時代に開発者の仕事はどう変わるのか
- AWS AI-DLCではAIが判断点を提示し、人が意思決定と検証を行う
- AI-DLC Workflows v2は決定論的なエンジンで進行を管理し、AIが実行を担当する
- 開発者は判断の背景やリスクを次の工程に引き継ぐ必要がある
Grok Botで遊んでみた。｜AI｜AIエージェント｜Grok Bot｜Grok｜
- Grok Botはスレッドの概念を排除し、1つの長い会話とBot分担で整理する設計
- スレッドではなく1対1の会話＋グループチャットで話題を分ける、Botの役割分担とグループチャットの使い分け
- スレッド運用に慣れているユーザーは違和感を感じる可能性がある
2026年版 LLM勢力図&モデルまとめ
- 2026年現在のLLM勢力図と主要モデルの特徴がまとめられている
- ChatGPT、Claude、Gemini、DeepSeek、Qwen、Moonshot、Liquid AI、xLSTM、Jevなどのモデルと、Transformerの代替アーキテクチャが紹介されている
- LLMの性能やアーキテクチャの選択が開発戦略に直接影響するため、モデルの特徴を理解することが重要
国内AIエージェント動向(2026/9/18号)
- 国内のAIエージェント導入が業務実装、ナレッジ整備、運用定着へと移行している
- 住友電装の監査AI、介入AI、レビューAI、アビームとNotionのAgent OS、TinyFishの自律Web操作
- AIエージェント導入の競争軸がモデル性能から業務実装、ナレッジ整備、運用定着、効果検証へ移行している
AIが読んでいるもの、書いているもの ― トークンの話
- AIエージェントのトークン使用量を節約する方法が説明されている
- トークンはAIが文章を処理する単位で、入力と出力の両方に影響する。読ませすぎない、考えさせすぎない、出力させすぎない、やり直させないの4つのポイントが挙げられている
- AIに必要な情報に集中させることが重要で、不要な情報や処理を減らすことでトークンを節約できる
Jevでハーネスエンジニアリング
- JevはSystem One Modelとして、LLMと異なる高速で低コストな判断APIとして登場
- System One Model、inputがGPT 5.6 Lunaより約八割引きの安さ、outputは無料、汎用分類機としての用途
- Vercel版のAPIは無料ユーザでは使えないため、ProプランにアップグレードするかAI Creditにチャージする必要がある
「#AI とできたこと」投稿コンテスト開催！ Gemini と一緒に、次の「できた！」へ踏み出そう
- Geminiとnoteのコラボ投稿コンテストが開催される
- AIを使った日常の「できた」体験をエッセイやマンガで投稿
- 投稿には#AIとできたことと#Geminiのハッシュタグをつけること
ASI( 超人工知能 )時代の個人の「表現」はどうなるのか - Geminiとの対話
- ASI時代の表現は、自己意識と世界との共鳴体として進化する
- 表現・共有・反応・接続の一体化とシャボン玉の融合、透明度の高い自己意識の必要性
- 自己の感情や身体感覚を明確に受け取れる力が、意識の海での自己認識を支える
【Jev】文章を返さない判断モデル Jev とは？〜システム運用での活用方法についても想像してみる〜
- Jevは文章を生成せず、判断と確率を返すモデルである
- Choice型は選択肢と確率分布、Score型は点数、Noul型は0〜1の確率を返す
- 確信度のしきい値を設定して自動処理と人間の判断を分ける設計が必要
Jev 所感 ダラダラと書く
- Jevは構造化出力に特化したAIで、LLMと協働して業務を高速化できる
- LLMが状態取得やテキスト化、Jevが次のアクション選択を担当、UIの動的生成にも適する
- 単独で使うよりLLMと組み合わせたワークフローで効果的で、判断軸の言語化が必須
Jev（TypeSafe AI）はみんなどうやって使っているのか？
- Jevは選択・段階評価・真偽の3種類の質問に対応し、文を返さずに確率と信頼度を返す判断モデル
- 選択（Choice）、段階評価（Score）、真偽（Noul）の3種類の質問、入力トークンのみの料金体系
- 日本からの利用では300ミリ秒前後の応答時間で、1秒に何度も呼び出す設計は避けるべき
OCI Enterprise AI(Generative AI)で利用できるモデルをIAMポリシーで制限してみる
- OCI Enterprise AIでIAMポリシーでモデルを制限できるようになった
- target.model.idで特定のモデルだけ許可、他のグループの権限が重なると制限が効かない
- 専用ユーザーを使い、他のグループの権限を確認する必要がある
Jevとは何か？ 従来型LLMやAIエージェントとの違いを理解する
- Jevは確率付きで分類や条件判定の結果を返すAIモデルで、従来のLLMやAIエージェントとは異なる
- 従来のLLMは状況を解釈して次の行動を決定するが、Jevは分類結果を確率で返すことでプログラム側で処理を明確に定義できる
- Jevを使うにはプログラム側で処理を事前に定義する必要があり、繰り返しの判断を低コストで実行できるが、柔軟性は低下する
