✛ X:001 Y:001
SPEC.101 // 2026.09 ✛
システム仕様 // 型安全な意思決定エンジンREV. 101.4

Jev 101

Jev を習得する。型安全な AI 意思決定を構築する。

Jev 101 は、型安全な AI 意思決定(Typed AI Decisions)の理解と本番導入を支援する、独立した初心者向け実践ガイド・リソース集・対話型ラボです。

FIG. 01 // TYPED DECISION BLUEPRINT
┌ 00:00:2442°N 71°W ┐
INPUT
01 / State
Customer Ticket #4829

"Package tracking stalled 4 days ago at Chicago hub, need rush delivery or full refund immediately."

FORMAT: JSONIMMUTABLE
TYPED
02 / Question
choice Logic

Determine primary operational route and refund eligibility.

4 CANDIDATESZERO DRIFT
OUTPUT
03 / Decision
shipping_escalation

Calibrated probability output with type-checked certainty.

CONFIDENCE: 91%118ms
CARTESIAN PROBABILITY GAUGES [0.0 → 1.0]
P(choice) Probability Distribution
Sum: 1.000
1.0
0.5
0.0
0.65
shipping
0.28
refund
0.14
billing
0.05
other
EVALUATION VERDICTVERIFIED

shipping_escalation

Unlike unpredictable raw chat completions, Jev evaluates categorical decisions over constrained state, returning mathematically verified probability vectors with zero JSON syntax drift.

Top Confidence

91%

Runtime Latency

118 ms

ENGINE_STATUS: STABLE
LATENCY: ~100msCALIBRATION: 99.4%

意思決定の解剖 // 3大プリミティブ

雑多な入力から型安全な意思決定への最短経路

Jev は State(状態)、Questions(設問)、判定型を常に可視化し、モデルが何をどのように判断しているかを完全に追跡可能にします。

01 // DATA

State(状態)

ソフトウェアがすでに把握している事実情報。

// STATE CONTRACT
state: Record<string, unknown>
// Immutable context snapshot
02 // CRITERIA

Question(設問)

Jev に判断させたい意思決定の定義。

// QUESTION SCHEMA
type: 'choice' | 'score' | 'noul'
// Constrained decision targets
03 // VERIFIED OUTPUT

Typed answer(型付き回答)

統計的信頼度(Confidence)が付与された Choice、Score、または Noul。

// CERTAINTY GUARANTEE
P(choice) ∈ [0.0, 1.0], Σ = 1.0
// Mathematically calibrated confidence

アーキテクチャ比較 / 型安全な意思決定 vs 自由生成型 LLM

ソフトウェア内部の意思決定において System 1 モデルが LLM を凌駕する理由

大半のソフトウェア判定に必要なのは、厳格に制限された型付きの値と信頼できる統計的確率であり、JSON パース失敗を引き起こす冗長な自然言語テキスト生成ではありません。

SPECIFICATION MATRIX
Jev (System One Model)
Standard LLM (Chat / JSON)
フォーマットの完全性
100% 構造保証(構文/型エラー 0%)

許可された型(Choice / Score / Noul)のみを出力。物理アーキテクチャ上スキーマハルシネーションが発生しません。

0.58%〜45% で JSON パース失敗・再試行発生

逐次テキストを JSON へ無理やりパース。パース失敗時は再試行ループが発生し遅延が増大。

推論エンドツーエンド遅延
70ms〜500ms(単一フォワードパス)

並列フォワードサンプラーにより、70ms〜500ms で全設問を同時判定。

3,000ms〜15,000ms(自己回帰トークン生成)

逐次トークン生成のため出力長に応じて遅延が増加。通常 3〜15 秒を要します。

トークンあたりのコスト
100万トークンあたり $0.042(出力トークン無料)

入力 $0.042 / 100万トークン。出力トークン完全無料。フロンティアモデル比約400倍安価。

100万トークンあたり $0.20〜$10.00(出力は入力の3〜5倍)

$0.20〜$10.00 / 100万トークン。出力トークンは入力の 3〜5 倍の追加費用が発生。

信頼度指標(Confidence)
RLCD によるネイティブ確率較正(信頼度=正解率)

RLCD(較正意思決定強化学習)により、出力信頼度を実際の正解率と数学的に同期。

プロンプト自己申告による主観的推測(未較正)

プロンプトによるモデルの自己申告確信度は未較正であり、過信バイアスを伴います。

ONLINE LAB // LIVE WORKBENCH

リアルタイム実行と検証

Adjust the state payload, tweak the evaluation criteria, and inspect real calibrated outputs.

代表的なプリセット例:
Questions(判定設問)
routingchoice

Route this customer support ticket to the best team.

shippingDelivery delay, stuck tracking, or damaged parcel.
refundExplicit request for money back or cancellation.
billingInvoice questions, overcharge, or payment error.
otherGeneral questions or unrelated inquiry.

Output(判定結果)

shipping

sample
shipping
91%
refund
6%
billing
2%
other
1%
confidence91%
modeljev-latest

これは構造理解のためのサンプル出力です。Playground を開くと実際のプロバイダーリクエストを実行できます。

客観的ベンチマーク // 科学的検証

モデルが得意とする意思決定領域を客観視する

データセットバージョン、プロバイダー、モデル、レイテンシ、失敗ケースをすべて公開した透明なベンチマーク結果。

ベンチマーク
EXPERIMENT_SPEC_V1SAMPLE SIZE: N=1,200

Transparent, reproducible benchmark runs with dataset versions, provider models, latency breakdowns, and failure case distributions clearly annotated.

AVG LATENCY

118ms

CALIBRATION

99.4%

PARSE DRIFT

0.00%

READY TO SHIP

まずはひとつの意思決定から始めよう

用語集を調べ、リソースを探索し、サンプルを動かしてみましょう。Jev 101 は最初の半日の学習障壁をゼロにするために作られています。