Type Safe.AI meluncurkan model pertamanya, Jev, model System One yang berbeda dari LLM. Sementara LLM memprediksi token berikutnya dan menghasilkan teks, model System One mengevaluasi suatu keadaan dan menghasilkan jawaban terstruktur. Jev menggunakan RLCD (Pembelajaran Penguatan untuk Keputusan Terkalibrasi) alih-alih RLHF, melatih model untuk mengembalikan keputusan dan probabilitas.

Input adalah keadaan—konteks plus pertanyaan. Ini bisa berupa pesan sederhana seperti "Apakah mungkin bagi saya untuk mengubah nomor PIN saya?", objek JSON dengan bidang, atau array pesan. Praktik terbaik adalah menggunakan objek dengan nama bidang yang jelas.

Pertanyaan dijawab menggunakan primitif: Choice untuk opsi yang telah ditentukan (misalnya, pengiriman, penagihan, akses akun), Score untuk nilai terurut (misalnya, negatif, netral, positif), dan Noul untuk ya/tidak. Model mengembalikan probabilitas untuk semua nilai, memberikan tingkat kepercayaan.

Kepercayaan sangat penting untuk pengambilan keputusan. Untuk balasan otomatis, jika model mengklasifikasikan permintaan dengan kepercayaan tinggi, ia dapat merespons otomatis; jika tidak yakin, ia dapat meningkatkan. Ini membuat Jev cocok untuk tugas klasifikasi dan LLM-as-a-judge.

Entitas Kunci: Perusahaan: Type Safe.AI, OpenAI