Type Safe.AI выпустила свою первую модель, Jev, модель System One, которая отличается от LLM. В то время как LLM предсказывают следующий токен и генерируют текст, модели System One оценивают состояние и выдают структурированные ответы. Jev использует RLCD (обучение с подкреплением для калиброванных решений) вместо RLHF, обучая модель возвращать решения и вероятности.

Входные данные — это состояние: контекст плюс вопросы. Это может быть простое сообщение, например «Возможно ли для меня изменить свой PIN-код?», объект JSON с полями или массив сообщений. Лучшая практика — использовать объект с четкими именами полей.

На вопросы отвечают с помощью примитивов: Choice для предопределенных вариантов (например, доставка, выставление счетов, доступ к аккаунту), Score для упорядоченных значений (например, отрицательный, нейтральный, положительный) и Noul для да/нет. Модель возвращает вероятности для всех значений, предоставляя уровни уверенности.

Уверенность имеет решающее значение для принятия решений. Для автоответов, если модель классифицирует запрос с высокой уверенностью, она может ответить автоматически; если не уверена, она может эскалировать. Это делает Jev подходящим для задач классификации и LLM-as-a-judge.

Ключевые сущности: Компании: Type Safe.AI, OpenAI