System One モデル / Jev

要点#

System One モデル (typesafe.ai Jev が代表) は LLM とは別軸の AI モデル分類。

• 入力: text (現状) — "structured program state" 前提
• 出力: 型安全な構造値 + 各枝の calibrated probability。type error を絶対起こさない保証
• 学習: RLCD (Reinforcement Learning for Calibrated Decisions) — 人間 preference を追う LLM とは違い、epistemically honest な確率を最適化
• 速度: 70-500ms (LLM の 40-200x)
• 料金: input $0.042 / M tokens、output 無料
• 制約: 255 カーディナリティ、text only、cloud API のみ

Kahneman の System 1 / System 2 の類推:

• System 1 = 反射的 / 型判定 / 分類 / ルーティング → Jev
• System 2 = 熟慮 / 因果推論 / 文章生成 → LLM

LLM とどう役割分担するか#

Agent graph 上の設計パターン#

[観測 raw]  →  [text 要約 (LLM or rule)]  →  [Jev: 型付き分類]  →  branch
                                                     │
                    ┌────────────────────────────────┤
                    ▼                                ▼
              [高信頼: 既知パターン]           [低信頼: LLM に詳細調査]
              → 自動 patch / 定型対応         → open-ended reasoning

Jev を挟むメリット:

1. LLM 呼び出しの 回数と入力長を圧縮 できる (料金 + レイテンシ)
2. calibrated confidence で threshold gate が使える (LLM の "self-report confidence" は当てにならない)
3. 型が graph node 間で担保 される (structured output の retry が消える)
4. LLM は開放推論に専念できる

使い所と使えない所#

使い所:

• ログ分類、issue 起票時の severity / component ラベリング
• LLM 出力の verifier (schema 準拠検査 + 意味的整合検査)
• 大量観測から異常だけを LLM に渡す前段フィルタ
• routing (どの sub-agent / どの tool を呼ぶか)

使えない所:

• 生の時系列 / 画像 (text 化のロスあり)
• 開放的な文章生成
• オンプレ / air-gapped 環境 (現状 cloud API)
• 255 を超えるカーディナリティ (2 段 scoring はできるが 1 発ではない)

現状 (2026-09 時点)#

• Early access (waitlist)
• typesafe.ai が提供、 West Coast の cloud API
• 学習を "RLCD" と名付けている点はマーケ用語かもしれないが、"人間 preference ではなく calibration を最適化" という差別化はコンセプトとして筋が通っている
• 他社が追随するかは未知数、System 1 / System 2 の役割分担という考え方は独立に有用

関連#

• LLM structured output (JSON schema + retry) — 現状の "Jev の代替" だが calibration も型保証も甘い
• Agent graph 系 (LangGraph, autogen) — Jev を node として組み込むと計算量・信頼性が両立する
• Bayesian filter / Kalman — 「観測から belief を更新」という発想は Jev と同じで、Jev は "多クラス categorical posterior を LLM 風入力で更新できる" と読める