Type Safe.AI hat sein erstes Modell Jev gestartet, ein System-One-Modell, das sich von LLMs unterscheidet. Während LLMs das nächste Token vorhersagen und Text generieren, bewerten System-One-Modelle einen Zustand und erzeugen strukturierte Antworten. Jev verwendet RLCD (Reinforcement Learning für kalibrierte Entscheidungen) anstelle von RLHF und trainiert das Modell, Entscheidungen und Wahrscheinlichkeiten zurückzugeben.

Die Eingabe ist ein Zustand – Kontext plus Fragen. Es kann eine einfache Nachricht wie „Ist es möglich, dass ich meine PIN-Nummer ändere?“ sein, ein JSON-Objekt mit Feldern oder ein Array von Nachrichten. Best Practice ist die Verwendung eines Objekts mit klaren Feldnamen.

Fragen werden mit Primitiven beantwortet: Choice für vordefinierte Optionen (z. B. Lieferung, Abrechnung, Kontozugriff), Score für geordnete Werte (z. B. negativ, neutral, positiv) und Noul für Ja/Nein. Das Modell gibt Wahrscheinlichkeiten für alle Werte zurück und liefert Konfidenzniveaus.

Konfidenz ist entscheidend für die Entscheidungsfindung. Bei automatischen Antworten kann das Modell, wenn es eine Anfrage mit hoher Konfidenz klassifiziert, automatisch antworten; wenn unsicher, kann es eskalieren. Dies macht Jev geeignet für Klassifizierungs- und LLM-as-a-judge-Aufgaben.

Wichtige Entitäten: Unternehmen: Type Safe.AI, OpenAI