Jevとは？TypeSafe AIの判定専用モデルの仕組み・料金・始め方

結論​（即答）​: Jevとは

Jev​（ジェブ）は、​米国の​TypeSafe AIが​2026年9月15日に​公開した​AIモデルです。

文章を​読んで​判断は​しますが、​文章は​書きません。​返すのは​あらかじめ決めた​選択肢の​どれに​当たるか、​段階の​どこに​当たるか、​条件が​成り​立つ確率の​3種類だけです。​選択肢ごとの​確率と、​答えの​確かさを​表す confidence も​一緒に​返ります。

公式は​Jevを​「System One モデル」の​最初の​1つと​呼びます。​料金は​入力100万トークンあたり0.042ドルで、​出力は​無料です。​応答時間は​公式の​表示で​70〜500ミリ秒、​当社の​実測で​約0.4〜0.5秒でした。

検索結果に​出てくる​日本脳炎ウイルス​（JEV）とは​別物です。

出典: TypeSafe AI 公式ブログ​「Introducing System One Models & Jev」、​公式ドキュメント Models​（2026年10月4日確認）

開発元の​TypeSafe AIは​どんな​会社か

TypeSafe AI​（法人名 TypeSafe AI, Inc.）は、​米国サンフランシスコに​拠点を​置く​AIの​開発会社です。​創業メンバーは、​CEOの​Diogo Almeida氏、​COOの​Sasha Sheng氏、​CTOの​Erik Gafni氏の​3人です。

Almeida氏は​OpenAIと​Google Brainの​出身で、​ChatGPTの​土台に​なった​RLHFと​InstructGPTの​共同発明者だと​公式の​チーム紹介に​あります。​公式ブログに​よると、​2年間の​非公開の​開発を​経て、​最初の​モデルと​して​Jevを​公開しました。

2026年10月4日時点で​公開している​モデルは​Jevだけです。​モデルの​ほかに、​ブラウザで​試せる​Playground、​Pythonと​JavaScriptの​SDK、​コーディングAI向けの​スキルを​配布しています。

出典: 公式チーム紹介、​公式の​利用規約​（所在地）、​公式ブログ、​公式ドキュメント Models​（2026年10月4日確認）

読み方と​名前の​由来

公式の​読み方の​表記は​見当たりません。​当社は​「ジェブ」と​読んでいます。

名前の​由来は、​19世紀英国の​経済学者ウィリアム・スタンレー・ジェヴォンズ​（William Stanley Jevons）です。​公式ブログに​そう​書かれています。

蒸気機関の​効率が​上がって、​かえって​石炭の​需要が​増えた​ことを​指摘した​人です。​TypeSafe AIは、​AIの​判断が​安くなる​ほど​使い道が​桁違いに​増える、と​いう​見立てを​この​名前に​込めています。

「System One」の​名は、​『ファスト&スロー』で​広まった​「速く​直感的な​思考​（システム1）」から​来ています。​数秒で​下せる​判断を​Jevが​受け持ち、​熟考が​要る​判断は​人や​LLMに​残す、と​いう​分担です。

出典: TypeSafe AI 公式ブログ​（2026年10月4日確認）

Jevにできること・できない​こと

Jevにできるのは​「答えを​選択肢で​書き出せる​判断」です。​文章・コード・​説明は​作れません。

公式に​よると、​Claude Code や​ Cursor などの​コーディングAIの​中身は​Jevに​置き換えられません。​コーディングAIには、​Jevを​呼び出すコードを​書かせる​使い方を​します。​その​ための​公式スキルも​配布されています。

出典: 公式ドキュメント Jev with coding agents、​Jev 1.13 jaggedness​（2026年10月4日確認）

仕組み: 材料​（state）と​質問を​渡し、​確率で​受け取る

Jevに​渡すのは​「判定する​材料​（state）」と​「質問」の​2つです。​質問は​3つの​型から​選び、​1回の​呼び出しに​複数入れられます。

質問は​それぞれ独立に、​同じ​材料に​対して​並行で​判定されます。​質問を​増やしても​応答時間は​ほとんど​変わらない、と​公式は​書いています。

確率が​「較正」されている

Jevは​答えに​付く​確率が​実際の​当たり外れに​合うよう​訓練されています。​「90%」と​答えたものを​集めると​約9割が​当たる、と​いう​状態です。​公式は​これを​較正​（calibration）と​呼び、​RLCDと​いう​独自の​訓練方法で​この​性質を​持たせたと​説明しています。

ただし較正は、​多数の​答えを​まとめて​見たときの​性質です。​1件ごとの​答えが​正しい​ことまでは​約束しません。

confidence で​「自動でやるか、​人に​回すか」を​決める

confidence は、​Choice と​ Score の​答えに​付く​確かさの​指標です。​Noul には​付きません​（確率​そのものが​確かさを​表すため）。

confidence が​高い​答えは​アプリ側で​自動処理し、​低い​答えは​人や​上位の​LLMに​回します。​境目の​値は​アプリ側の​コードで​決めます。​当社は​資料の​読み取り検証で​閾値を​0.95に​置きました。

出典: 公式ドキュメント Primitives、​Choice、​Noul、​Confidence​（2026年10月4日確認）

LLM・​小型モデル・ルールとの​違い

違いは​「何を​返すか」です。​LLMは​文章を​返し、​Jevは​型の​決まった​値と​確率を​返します。

迷ったら​「答えを​選択肢で​書き出せるか」で​決めます。​書き出せれば​Jev、​文章が​要るなら​LLM、​計算で​出せるならルールです。

公式ブログは、​同じ​水準の​判断で​LLMより​40〜200倍速いと​しています。

公式サイトの​トップは​「193.6倍速く、​444.6倍安い」と​掲げています。​注記は​「System One に​向く​作業の​流れでの​比較」で、​当社は​未検証です。

精度に​ついては、​開発元の​CEOが​4つの​業務フローの​平均で​67.8%と​発表しました。​比較に​出した​GPT-5.6 Solの​74.1%には​届きません。​売りは​精度より、​速さと​費用です。

出典: TypeSafe AI 公式ブログ、​公式サイト、​開発元CEOの​X投稿​（2026年10月4日確認）

料金と​無料枠

料金は​入力100万トークンあたり0.042ドル​（10億トークンで​42ドル）です。​トークンは、​AIが​文章の​量を​数えるときの​単位です。​出力は​無料で、​費用は​渡した​文章の​量だけで​決まります。​対象は​現行版の​ jev-1.13.0 です。

1ドル=158円で​換算すると、​入力100万トークンあたり約6.6円です​（2026年10月2日の​終値157.83円を​丸めた​概算。​Trading Economics、​2026年10月4日確認）。

円換算は​1ドル=158円の​概算です。

公式ドキュメントと​公式ブログには、​無料枠の​記載が​ありませんでした​（2026年10月4日確認）。​無料枠が​あると​書く​解説記事も​ありますが、​公式では​確認できませんでした。

Vercel AI Gateway など別の​サービスを​経由すると、​料金の​請求元や​上限の​扱いが​変わります。​経由先の​表示も​確認してください。​月の​費用の​考え方は​ Jev ユースケース図鑑の​「料金と​始め方」 にも​載せています。

出典: 公式ドキュメント Models​（2026年10月4日確認）

登録と​始め方

始め方は​3通りです。​公式の​コンソールで​登録するか、​Vercel AI Gateway か​ Cloudflare Workers AI を​経由します。

TypeSafe AIは​2026年9月15日に​早期提供​（early access）を​始めました。

待機リスト​（waitlist）の​開発者から​順に​受け入れると​発表しています。

日本からの​登録を​禁じる​記載は、​公式の​顧客契約に​ありません。​国の​制限と​して​書かれているのは、​米国の​禁輸対象国からの​利用禁止だけです​（2026年10月4日確認）。​当社も​日本から​利用しています。

公式コンソールを​使う​手順は​次のとおりです。

1. Playground に​ログインし、​文章を​貼って​質問を​足します。​コードを​書かずに​結果を​見られます
2. コンソールで​APIキーを​発行し、​環境変数 TYPESAFE_API_KEY に​入れます
3. SDKを​入れます。​Pythonは​ pip install typesafe-sdk（3.10以上）、​JavaScriptは​ npm install @typesafe-ai/sdk です
4. SDKを​使わない​場合は、​HTTPで​ POST https://api.typesafe.ai/v1/systemone を​呼びます

モデル名には、​版を​固定した​ jev-1.13.0 と、​最新の​正式版を​指す jev-latest が​あります。jev-latest​ は、​新しい​版が​出ると​そちらを​指すようになります。​閾値を​決めたら、​版を​固定して​使います。

当社の​呼び出しは​ Vercel AI Gateway 経由で、​TypeSafe AI の​コンソールは​使っていません。

出典: 公式 Quick start、​公式 Models、​Vercel AI Gateway の​モデルページ、​Cloudflare の​モデルページ​（2026年10月4日確認）

呼び出しの​最小例

公式 Quick start の​例から、​Choice の​質問1つだけを​残したものです。​問い​合わせ文​（state）を​渡し、​担当チームを​3つから​選ばせます。

送る​内容:

{
  "state": "Hi, I've been trying to connect my Stripe account for 3 days and the integration keeps failing. I'm losing sales. Please help ASAP.",
  "model": "jev-latest",
  "questions": {
    "department": {
      "type": "choice",
      "instructions": "Which team should handle this",
      "criteria": {
        "billing": "Payment or subscription issues",
        "technical": "Bugs or integration problems",
        "sales": "Pricing or account questions"
      }
    }
  }
}

返ってくる​内容:

{
  "model": "jev-1.13.0",
  "answers": {
    "department": {
      "type": "choice",
      "choice": "technical",
      "confidence": 0.78,
      "probabilities": {
        "technical": 0.85,
        "sales": 0.0,
        "billing": 0.15
      }
    }
  }
}

選んだ​答えが​ choice、​選択肢ごとの​確率が​ probabilities、​答えの​確かさが​ confidence に​入ります。​公式の​例は​3問を​1回で​送っており、​返る​値は​その​3問分を​載せたものです。​ここでは​1問分だけを​抜き出しました。

出典: 公式 Quick start​（2026年10月4日確認）

対応する​入力と​長さの​上限

受け付けるのは​テキストだけです。​形は​文字列、​JSONの​オブジェクト、​テキストの​配列の​3つです。​画像・音声・動画は​渡せません。

9月28日の​確認時点の​利用上限は、​毎秒​25万トークン・毎分​1,200リクエストでした。​公式は​需要に​応じて​予告なく​変えると​書いています。

画像を​扱いたいときは、​先に​画像を​読める​モデルで​文章に​してから​渡します。​当社の​写真の​試作では、​この​工程の​分だけ2〜3秒遅れました。

出典: 公式ドキュメント Models、​State​（2026年10月4日確認）

日本語で​使えるか

日本語でも​使えます。​ただし精度が​一番高いのは​英語で、​他の​言語は​同じ​水準ではないと​公式は​書いています。

日本語の​製品資料から​読み取った​値の​検証に、​当社は​Jevを​使いました。​文字の​違いは​99.9%見抜いた​一方、​表の​区切りの​読み違いは​見逃しました。​閾値0.95を​超えて​通った​誤りも​あります。

そこで、​プログラムに​よる​照合の​あとに​Jevで​判定し、​通らなかった​値は​上位の​LLMに​回す3段に​しました。​18資料・817値で、​採用した​値の​誤りは​0件です。

IVRyの​テックブログも、​日本語の​評価セット19種で​Jevを​試しています。​日本語の​試験問題では​比較した​2つの​LLMより​10ポイント以上高く、​文の​関係の​判定ではやや​低い​結果でした​（当社未検証）。

数値の​詳細と​出典は​ Jev ユースケース図鑑の​「日本語の​精度」 と​ ​「当社の​実測」 に​まとめています。

出典: 公式ドキュメント Models​（Language support）、​IVRyテックブログ​（Zenn）​（2026年10月4日確認）

代表的な​使い​道5つ

公式が​挙げる​使い道は​19あります。​始めやすいのは​次の​5つです。

当社は​「検索サジェストの​並べ替え」を​本番で​動かし、​「資料から​読み取った​値の​検証」にも​使っています。

19の​ユースケースと、​出典つきの​公開事例11件は​ Jev ユースケース図鑑 に​まとめています。​公開事例だけを​見たいときは​ 「公開されている​活用事例」​ から​どうぞ。

出典: 公式ドキュメント Example use cases​（2026年10月4日確認）

向かない​仕事と​注意点

公式は​ jev-1.13 の​苦手な​場面を​9つ​公開しています​（2026年10月2日更新）。​要点は​次のとおりです。

• 書いたとおりに​読む: 言外の​意図は​くみません。​条件と​境目の​例を​質問文に​書きます
• 計算と​数を​数えるのが​苦手: 合計や​個数は​コードで​出し、​Jevには​意味の​判断だけを​聞きます
• 日付の​前後比較が​苦手: 年・月・日を​コードで​取り出して​比べます
• 関係の​ない​情報が​多いと​精度が​落ちる​: 質問に​必要な​部分だけを​材料と​して​渡します
• 選択肢の​並び順で​答えが​揺れる​ことがある​: 順番を​入れ替えて​答えが​変わらないか​確かめます
• 文章は​作れない​: 文章が​要る​部分は​LLMに​任せます

当社が​使って​分かった​注意点も​あります。​閾値0.95でも、​表の​区切りを​読み違えた​値が​0.96〜0.97で​通りました。

逆に、​Jevだけで​誤りを​全部止めようと​すると、​正しい​値の​25%も​落ちます。​閾値を​下回った​値は​捨てず、​上位の​LLMに​回すのが​当社の​運用です。

当社が​踏んだ​失敗の​一覧は​ Jev ユースケース図鑑の​「使う​前の​注意点」 に​あります。

出典: 公式ドキュメント Jev 1.13 jaggedness​（2026年10月4日確認）

よく​ある​誤解

「Jevは​新しい​チャットAIだ」​: 会話も​文章の​生成もしないので、​チャットAIと​しては​使えません。​返すのは​選択・点数・確率だけです。

「LLMより​賢い」​: 公式の​発表でも​精度は​GPT-5.6 Solより​低く、​売りは​速さと​費用です。

「確率が​高ければ​正しい」​: 1件ごとには​言えません。​較正は​多数の​答えを​まとめて​見た​性質で、​当社でも​0.96の​誤りが​通りました。

「Jevで​迷った​分を​LLMに​回せば​精度が​上がる」: ​上がり幅は​小さいと​いう​研究が​あります。

2026年9月に​arXivで​公開された​論文に​よると、​Jevと​LLMは​同じ​問題で​間違えやすい​傾向が​あります。​組み合わせても​上積みは​最大2.7ポイントでした​（9月28日の​改訂版の​値）。​当社が​3段目で​上位の​LLMに​ページの​画像を​見せる​方式を​選んだのは、​同じ​文字情報を​別の​モデルに​読ませても​誤りを​止められなかった​ためです。

出典: arXiv:2609.29769​「JEV vs. LLMs as Rubric Judges」​（2026年10月4日確認・要旨のみ）

よく​ある​質問

Jevは​無料で​使えますか？

無料枠は​公式ドキュメントに​載っていません​（2026年10月4日確認）。​料金は​入力100万トークンあたり0.042ドルで、​出力は​無料です。​短い文に​1問聞くだけなら、​1万回で​約0.13ドルでした​（当社実測）。

ChatGPTや​Claudeの​代わりに​なりますか？

なりません。​Jevは​文章も​コードも​書きません。​文章は​LLM、​選択肢で​答えられる​判断は​Jevと​分けて​使います。

「Jev AI」と​「TypeSafe」は​同じものですか？

TypeSafe AIが​会社名、​Jevが​その​会社の​モデル名です。​APIの​窓口名は​「System One API」です。

プログラミングができなくても​試せますか？

試せます。​公式コンソールの​ Playground で、​文章を​貼って​質問を​足すだけで​結果を​見られます。​業務に​組み込むときは​プログラムが​要ります。

日本語の​精度は​どの​くらいですか？

英語ほど​高くは​ありません。​当社の​日本語資料では​文字の​違いを​99.9%見抜いた​一方、​表の​読み違いは​見逃しました。​自分の​データで​試してから​使ってください。

PDFや​画像は​読めますか？

読めません。​PDFは​文字を​取り出してから​渡します。​画像は​読める​モデルで​先に​文章に​してから​渡します。

応答は​どの​くらい​速いですか？

公式の​表示は​70〜500ミリ秒です。​当社の​実測では​約0.4〜0.5秒で、​しばらく​間が​空いた​最初の​1回は​約1秒かかりました。

自社の​データで​学習させられますか？

できません。​全員が​同じ​モデルを​使います。​調整は​質問文や​選択肢の​書き方で​行います。

顧客の​リクエストと​応答は​学習に​使わないと​公式は​書いています。

版が​変わると​結果は​変わりますか？

変わる​ことがあります。jev-latest​ は、​新しい​版が​出ると​そちらを​指すようになります。​閾値を​決めたら​ jev-1.13.0 のように​版を​固定します。

論文は​ありますか？

あります。​2026年9月24日に​arXivで​公開された​「JEV vs. LLMs as Rubric Judges」です。

採点基準に​沿った​審査で、​LLMは​費用が​16〜325倍、​時間が​28〜350倍かかりました。​値は​9月28日の​改訂版のもので、​初版は​29〜325倍・30〜220倍です。