ما هو Jev؟ نموذج Jev AI من TypeSafe

Jev نموذج قرار طوّرته TypeSafe AI، وهي شركة ناشئة في سان فرانسيسكو. لا يكتب Jev نصوصاً: ترسل إليه جزءاً من الحالة، مثل تذكرة دعم أو سجل تنفيذ (trace) لوكيل أو كائن JSON، مع مجموعة من الأسئلة محددة النوع، فيعيد إجابات منظمة مع احتمالات يمكن لشيفرتك أن تتصرف بناءً عليها مباشرة. حتى أكتوبر 2026 الإصدار الحالي هو Jev 1.13، ويُقدَّم عبر API الخاص بـ TypeSafe وعدة بوابات بسعر 0.042 دولار لكل مليون رمز إدخال (input token)، بينما رموز الإخراج مجانية.

يستند هذا المقال إلى توثيق TypeSafe، وتوثيق الشركاء LangChain وVercel وCloudflare وPydantic، والتغطية الصحفية. لم نشغّل Jev في مشروع لعميل، لذا ننسب كل رقم أداء أدناه إلى الجهة التي قاسته.

من طوّر Jev؟

تصف TypeSafe AI نفسها بأنها مختبر ذكاء اصطناعي «يبني بنية تحتية لذكاء أصيل للآلة من أجل الأتمتة». وتذكر صفحة الفريق ثلاثة مؤسسين: Diogo Almeida (الرئيس التنفيذي)، وSasha Sheng (الرئيسة التنفيذية للعمليات، وكانت مهندسة أبحاث في Meta/FAIR)، وErik Gafni (الرئيس التنفيذي للتكنولوجيا، وهو مؤسس سابق لشركة Ravel ومن أوائل موظفي Invitae وFreenome). وتقول الشركة إن Almeida «شارك في ابتكار RLHF وInstructGPT» وعمل في OpenAI وGoogle Brain، وتذكر TechCrunch أنه غادر OpenAI قبل عامين لتأسيس TypeSafe.

خرجت TypeSafe من مرحلة العمل السري في 15 سبتمبر 2026 بتمويل تأسيسي (seed) يقارب 40 مليون دولار بقيادة DCVC. ويذكر البيان الصحفي للإطلاق أن سنة التأسيس هي 2024، ولا يسمّي مستثمرين آخرين. أما أرقام التقييم المتداولة على الإنترنت فهي منقولة عن مصادر ثانوية ولم تؤكدها الشركة.

هل Jev نموذج LLM؟

تقول TypeSafe إنه ليس كذلك. ففي توثيقها، Jev هو «النموذج الرئيسي لـ TypeSafe وأول نموذج System One»، ونموذج System One «يقيّم حالة ويعيد إجابات محددة النوع واحتمالات» (صفحة مفهوم System One). والصفحة نفسها صريحة بشأن ما لا تفعله هذه النماذج: فهي «لا تكتب ردوداً، ولا تنتج شيفرة، ولا تولّد شروحاً لاستدلالها».

المصطلح مأخوذ من كتاب Daniel Kahneman ‏Thinking, Fast and Slow (التفكير السريع والبطيء)، حيث النظام الأول سريع وحدسي والنظام الثاني بطيء ومتأنٍّ. أما اسم Jev فإشارة إلى عالم الاقتصاد William Stanley Jevons ومفارقة Jevons.

تصف TechCrunch نموذج Jev بأنه «نموذج جديد قائم على المحوّلات (transformer)» و«ليس نموذجاً لغوياً كبيراً». لم تنشر TypeSafe البنية ولا عدد المعاملات، والتخمينات الخارجية بأنه مبني على نموذج LLM مفتوح الأوزان غير مؤكدة. وبشأن التدريب، يذكر التوثيق طريقة تسمى Reinforcement Learning for Calibrated Decisions، أو RLCD، وقال Almeida لـ TechCrunch إن النموذج مدرَّب «حصرياً على بيانات اصطناعية».

كيف يعمل Jev؟

يحمل الطلب الواحد أمرين: state (نص أو كائن JSON أو مصفوفة)، وخريطة من questions المسمّاة محددة النوع. يُقيَّم كل سؤال «بالتوازي وبمعزل عن غيره مقابل الحالة نفسها»، وتقول TypeSafe إن إضافة أسئلة «بالكاد تغيّر زمن الاستجابة». المدخلات نصية فقط، ولا يدعم الصور أو الصوت أو الفيديو.

هذا مثال Python من دليل البدء الرسمي، منقولاً كما نُشر:

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

client = TypeSafeClient()

ticket = "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."

response = client.system_one(
    state=ticket,
    questions={
        "department": Choice(
            instructions="Which team should handle this",
            criteria={
                "billing": "Payment or subscription issues",
                "technical": "Bugs or integration problems",
                "sales": "Pricing or account questions",
            },
        ),
        "frustration": Score(
            instructions="How frustrated the customer appears",
            criteria=[
                "Calm, just stating facts",
                "Frustrated but civil",
                "Very angry, strong language",
            ],
        ),
        "is_urgent": Noul(
            instructions="The message conveys urgency or time-sensitivity",
        ),
    },
)

print(response.answers["department"].choice)  # "technical"
print(response.answers["frustration"].score)  # 1.0
print(response.answers["is_urgent"].noul)     # 1.0

في نموذج الاستجابة على الصفحة نفسها، يعود department بالقيمة technical مع احتمال 0.85 لـ technical و0.15 لـ billing، وثقة قدرها 0.78. واستهلك الاستدعاء كله 392 رمز إدخال. لا يوجد ما يحتاج إلى تحليل (parsing)، والاحتمالات تخبر شيفرتك بمدى يقين النموذج.

ما أنواع الأسئلة في Jev؟

هناك ثلاثة أنواع، ويمكن الجمع بينها في استدعاء واحد (مرجع API).

Choice يختار خياراً واحداً من مجموعة تحددها أنت، ويعيد الخيار المختار وتوزيع الاحتمالات الكامل وقيمة ثقة. يمكن أن يضم سؤال Choice الواحد حتى 255 خياراً. أما المجموعات الأكبر فتحتاج إلى عملية أبطأ من مرحلتين.

Score يقيّم الحالة على سلّم تقييم مرتّب من مستويين على الأقل و10 مستويات على الأكثر. ويعيد score مرجّحاً بالاحتمالات قد يقع بين مستويين، وlegend، والاحتمالات، وقيمة ثقة. ويحذّر التوثيق من قراءة مقادير دقيقة من قيمة score.

Noul هو نوع نعم/لا. يعيد احتمال أن تكون الإجابة نعم في حقل اسمه noul، بين 0 و1، ويقبل وصفين اختياريين criteria.true وcriteria.false. لا يحتوي Noul على حقل confidence. لم تشرح TypeSafe سبب التسمية، وتسمي واجهة API في بوابة Vercel النوع نفسه boolean.

تأتي قيمة confidence في Choice وScore من شكل التوزيع: 1 حين يتركز الاحتمال كله على نتيجة واحدة، و0 حين يتوزع بالتساوي. وتضيف TypeSafe تنبيهاً لمن يضبط عتبات القرار: «تُقاس المعايرة عبر مجموعات من التنبؤات، ولا تضمن أن تكون إجابة بعينها صحيحة».

هل يهلوس Jev؟

تقول الصفحة الرئيسية «Zero Hallucinations» (صفر هلوسة). أما منشور الإطلاق فأكثر حذراً: نسبة 0% لأخطاء النوع والهلوسة تستند إلى ضمانات المخطط (schema) و«ليست قياساً تجريبياً». عملياً، يعني ذلك أن Jev لا يستطيع إعادة خيار لم تعرّفه أو إجابة مشوهة البنية. لكنه قد يختار الخيار الخاطئ. وقد عبّر Armin Ronacher، الرئيس التنفيذي للتكنولوجيا في Earendil، عن ذلك لـ TechCrunch بقوله: «في نهاية المطاف، يحيل مشكلة الهلوسة إلى المستخدم إلى حد ما».

ما سرعة Jev؟

يتوقف ذلك على من يقيس. يذكر منشور الإطلاق من TypeSafe زمناً من 70 إلى 500 ملّي ثانية من الطرف إلى الطرف، مقيساً من حواسيب الفريق المحمولة على الساحل الغربي للولايات المتحدة، وأنه «أسرع بـ 40 إلى 200 مرة من النماذج الرائدة» في الاستعلامات التي تناسب System One. ويقول البيان الصحفي «أقل من 100 ملّي ثانية»، وتدّعي الصفحة الرئيسية أنه أسرع بـ 193.6 مرة وأرخص بـ 444.6 مرة من نماذج LLM في سير العمل الخاص بالشركة.

الاختبارات المستقلة تصل إلى مضاعِف أقل. قاست AY Automate وسيطاً قدره 0.33 ثانية مقابل 1.17 ثانية لـ GPT-5.6 Terra، أي نحو 3.6 مرات. وقاست دراسة لخّصها موقع Beri.net زمناً قدره 239 ملّي ثانية من فرنسا مقابل 687 ملّي ثانية لـ Claude Haiku 4.5. أما Cloudflare، التي تبيع نموذجاً منافساً، فقاست وسيطاً قدره 524.1 ملّي ثانية وp95 قدره 536.0 ملّي ثانية. القراءة المنصفة: أزمنة وسيطة من بضع مئات من الملّي ثواني، وسرعة تقارب 2 إلى 6 أضعاف سرعة نماذج LLM السريعة في الاختبارات الخارجية، لا 200 ضعف.

كم تكلفة Jev؟

تتقاضى TypeSafe مبلغ 0.042 دولار لكل مليون رمز إدخال، أي 42 دولاراً لكل مليار، ولا تحتسب رموز الإخراج (صفحة النماذج). لا تزال واجهة API تُبلغ عن usage.output_tokens، لكنها لا تُحتسب في الفاتورة. وتذكر Cloudflare وVercel سعر الإدخال نفسه. أما خطط المؤسسات فتمر عبر فريق المبيعات.

بسعر القائمة، يكلّف استدعاء دليل البدء البالغ 392 رمزاً نحو 0.000016 دولار، أي أن الدولار الواحد يغطي قرابة 60,000 استدعاء بهذا الحجم. وتقرّ TypeSafe أيضاً في منشور الإطلاق بأنها «لا تستطيع إثبات أن تسعيرها غير مدعوم» وتتوقع انخفاض الأسعار.

كيف تحصل على Jev؟

أُطلق Jev مع قائمة انتظار، وبحسب TechCrunch فاق الطلب لفترة وجيزة قدرة الواجهة البرمجية. وفي نحو 20 سبتمبر نشرت TypeSafe على X: «Jev متاح الآن للجميع. لا قائمة انتظار». ويصف دليل البدء الحالي الخطوات: أنشئ حساباً على console.typesafe.ai، وخذ مفتاح API من لوحة التحكم، وجرّب الأسئلة في Playground.

بعض التفاصيل التشغيلية من صفحة النماذج:

حدود المعدل المذكورة هي 100K رمز في الثانية و80 طلباً في الثانية، مع تحذير من أنها «قد تتغير دون إشعار». والحدود الأعلى متاحة مع خطط المؤسسات.
معرّف النموذج الحالي هو jev-1.13.0، ويشير إليه الاسمان البديلان jev-latest وjev-preview. وينصح التوثيق بتثبيت الإصدار بعد ضبط العتبات.
Jev متاح كخدمة مستضافة فقط. الأوزان نفسها تخدم كل الحسابات، دون ضبط دقيق (fine-tuning) على بيانات العملاء، ودون أوزان مفتوحة أو نسخة للاستضافة الذاتية.
«Jev غير مدرَّب على طلبات العملاء أو الاستجابات لها»، وخيار عدم الاحتفاظ بالبيانات (zero data retention) متاح لعملاء المؤسسات.
حد السياق المذكور هو 64k رمز لكل طلب، منها 32k للحالة مع أطول سؤال. وتذكر Cloudflare وVercel حداً قدره 32,000.

ما حزم SDK والتكاملات المتاحة؟

تنشر TypeSafe حزمة SDK للغة Python ‏(typesafe-sdk، الإصدار Python 3.10 أو أحدث)، وحزمة SDK للغتي JavaScript/TypeScript ‏(@typesafe-ai/sdk، الإصدار Node 20 أو أحدث)، وواجهة HTTP مباشرة على POST https://api.typesafe.ai/v1/systemone، ومهارة وكيل (agent skill) لـ Claude Code ووكلاء البرمجة الآخرين. وتعيد حزم SDK افتراضياً محاولة الطلبات عند الخطأين 429 و529 مع تراجع أسّي (exponential backoff).

تشمل تكاملات الشركاء حزمة langchain-typesafe في مرحلة alpha مع وسيط توجيه (routing middleware) تجريبي، وtypesafe-ai/jev على Vercel AI Gateway، وtypesafe/jev على Cloudflare Workers AI، وTypeSafeModel في Pydantic AI، إضافة إلى إدراجه على DigitalOcean وOpenRouter. أما كيف تندمج هذه التكاملات في اختيار الوكلاء للأدوات وتوجيه النماذج، فنتناوله في دليلنا لتوجيه الوكلاء باستخدام Jev.

أين يخفق Jev؟

توثّق TypeSafe ذلك بنفسها في صفحة Jev 1.13 jaggedness (تفاوت الأداء)، التي رُوجعت آخر مرة في 2 أكتوبر 2026. وملخصها: «قد يواجه صعوبة في المهام التي تتطلب مستويات إضافية من الإحالة غير المباشرة. وقد يكون حرفياً جداً في فهمه. ويواجه صعوبة في المهام التي تتطلب دقة رقمية». وتشمل أنماط الإخفاق المذكورة الرياضيات («Jev ليس آلة حاسبة»)، والعدّ، ومقارنة التواريخ والأوقات، والحالات الطويلة المليئة بتفاصيل غير ذات صلة («يعاني Jev من تآكل السياق (context rot)»)، والتعليمات المتناقضة، والميل إلى خيار Choice الذي يأتي أولاً، والمحتوى العدائي. وفي النقطة الأخيرة يقول التوثيق بوضوح إن الحالة بيانات وإن Jev «لا يعاملها افتراضياً على أنها عدائية».

وقد اختُبرت هذه النقطة الأخيرة. نقلت VentureBeat اختباراً أجرته Octomind، أدى فيه حقل مزيف «pre-approved» (موافَق عليه مسبقاً) داخل الحالة إلى خفض احتمال أن يمنع Jev الأمر rm -rf ~/.ssh من 0.76 إلى 0.48. كما أن الإنجليزية هي لغة التدريب الأساسية، أما اللغات الأخرى «فيتعامل معها لكن ليس بالجودة نفسها».

وبشأن الدقة، تضع تقييمات سير العمل التي أجرتها TypeSafe نفسها Jev عند متوسط 67.8%، بمستوى Claude Sonnet 5 ودون GPT-5.6 Sol البالغ 74.1%، مع أخذ التسميات المرجعية من توافق نموذجَي LLM رائدين لا من مُعلِّمين بشريين. نستعرض هذه الأرقام والاختبارات المستقلة في مقال Jev مقابل نماذج LLM.

الأسئلة الشائعة

ماذا تعني «noul» في Jev؟

Noul هو الاسم الذي تطلقه TypeSafe على نوع أسئلة نعم/لا، ويعيد احتمال أن تكون الإجابة نعم. لم تنشر TypeSafe شرحاً للكلمة. وتعرض واجهة API في بوابة Vercel النوع نفسه باسم boolean.

هل Jev مفتوح المصدر؟

لا. تقدّم TypeSafe نموذج Jev كنموذج مستضاف فقط عبر واجهتها البرمجية وبوابات الشركاء، ولا توجد أوزان مفتوحة أو نسخة للتشغيل في مقر العميل. لكن هناك بدائل مفتوحة المصدر: أصدرت Cloudflare نموذج Clef بترخيص Apache 2.0 وتقول إنه «متوافق تماماً مع Jev API»، وأصدرت AWS نموذج Strands Decider 2B.

هل استخدام Jev مجاني؟

ليس بالكامل. رموز الإخراج مجانية، لكن الإدخال يكلّف 0.042 دولار لكل مليون رمز، والسعر نفسه ينطبق على Cloudflare وVercel. أما خطط المؤسسات ذات حدود المعدل الأعلى فتُرتَّب عبر فريق المبيعات في TypeSafe.

هل يستطيع Jev كتابة إجابات أو ملخصات؟

لا. يقول التوثيق إنه «غير مدرَّب على توليد النصوص». يعيد Jev خيارات ودرجات واحتمالات، وإن كان سير عملك يحتاج إلى رد أو ملخص أو شيفرة، فلا يزال نموذج LLM هو من يكتبها.

من هم مؤسسو TypeSafe AI؟

Diogo Almeida (الرئيس التنفيذي)، وSasha Sheng (الرئيسة التنفيذية للعمليات)، وErik Gafni (الرئيس التنفيذي للتكنولوجيا)، بحسب صفحة الفريق لدى الشركة. تأسست TypeSafe عام 2024 ومقرها سان فرانسيسكو.

موقع Jev في نظام حقيقي

Jev أداة ضيقة النطاق: رخيص، وسريع بما يكفي للقرارات المضمّنة في مسار التنفيذ، وضعيف بشكل معلن في الرياضيات والإحالة غير المباشرة. وجدواه تتوقف على عدد القرارات التي يتخذها نظامك، وعلى مدى قابليتها للتقسيم إلى أسئلة ذرّية يمكنك اختبارها على بيانات موسومة. تصمم AI Superior وتبني تطبيقات LLM ووكلاء ذكاء اصطناعي لعملاء الشركات (B2B)، بما في ذلك أعمال التقييم وضبط التكاليف التي تحدد أي نموذج يتولى أي خطوة. إن كنت تخطط لبنية من هذا النوع، فاطّلع على خدمات تطوير نماذج LLM والاستشارات.

ما هو Jev؟ شرح نموذج Jev من TypeSafe لقرارات وكلاء الذكاء الاصطناعي