TypeSafe AI'dan Jev: Yenilikler, Nasıl Çalışır ve Alternatifleri (2026)
Bu yılki model lansmanlarının çoğu daha fazlasını yapmaya odaklanmıştı. Bu lansman ise bilerek ve isteyerek daha azını yapmakla ilgili.
TypeSafe AI; sohbet etmeyen, yazmayan ve kendini açıklamayan bir model yayınladı. Soruları yalnızca tiplendirilmiş değerler ve olasılıklarla yanıtlıyor. Ürünün tüm kapsamı bundan ibaret.
Bu rehber, modelin ne olduğunu ve üç soru tipinin nasıl çalıştığını ele alıyor. Ayrıca fiyatlandırmayı, geliştiricinin modelin hangi konularda yetersiz olduğunu belirttiğini ve çoğu ekibin halihazırda yürüttüğü işlerin yanında nerede konumlandığını inceliyor.
Neler sunuldu
Jev, TypeSafe'in amiral gemisi modelidir. Geliştiricinin resmi belgelerine göre, aynı zamanda "ilk System One modelidir."
Bu yaklaşım, kategorinin geri kalanının çalışma şekline yönelik bir şikayetle başlıyor. Belgelerde, büyük dil modellerinin "insanların okuması için metin üretmek üzere tasarlandığı" belirtiliyor. Kodunuzun işleyeceği bir karara ihtiyaç duyduğunuzda ise "bu durum bir uyumsuzluk yaratıyor."
Belgeler bu uyumsuzluğu açıkça ortaya koyuyor. "Metin üreten bir sistemi yapılandırılmış kararlar vermeye zorluyor, ardından sonuçları kodunuzun güvenebileceği bir şeye dönüştürmek için tekrar ayrıştırıyorsunuz."
Sunulan alternatif ise bu git-gel sürecini ortadan kaldırıyor. Jev, "tiplendirilmiş soruları bir duruma göre değerlendiriyor ve doğrudan yapılandırılmış sonuçlar döndürüyor. Metin üretimi yok, ayrıştırma yok."
Şirketin kendi web sitesi Jev'i bir soy ağacının sonuna yerleştiriyor. Erken dönem dil modelleri, ardından önceden eğitilmiş LLM'ler, ardından RLHF sohbet modelleri, ardından RLVR akıl yürütme modelleri. Şimdi ise "kalibre edilmiş kararlar için pekiştirmeli öğrenme" anlamına gelen RLCD.
System One modeli nedir
İsim ödünç alınmış ve belgeler de bunu doğrudan belirtiyor. Bu isim, "Daniel Kahneman'ın Hızlı ve Yavaş Düşünme kitabında popüler hale getirdiği kavramdan geliyor."
System 1 hızlı ve sezgiseldir. System 2 ise daha yavaş ve temkinlidir. Burada "vurgu, hızlı ve odaklanmış kararlar üzerindedir."
İşlevsel tanım, metafordan daha dardır. Bunlar, "yazılımların doğrudan kullanabileceği hızlı ve yapılandırılmış kararlar almak üzere oluşturulmuş bir yapay zeka modeli sınıfıdır." Böyle bir model "bir durumu değerlendirir ve tiplendirilmiş yanıtlar ile olasılıklar döndürür."
Tek bir satır Jev'i piyasadaki diğer her şeyden ayırıyor. "Bir LLM gibi, bir System One modeli de doğal dil girdisini anlar. Üretilen metin yerine tiplendirilmiş kararlar ve olasılıklar döndürür."
Madalyonun diğer yüzü de geliştirici tarafından açıkça belirtiliyor. System One modelleri "yanıt yazmaz, kod üretmez veya akıl yürütme süreçlerine dair açıklamalar oluşturmaz."
Üç soru tipi
Jev'e prompt yazmazsınız. Bir yanıt alanı tanımlarsınız ve o bu alanın içinden seçim yapar.
Üç temel bileşen (primitive) vardır. Belgelerde her biri için birer örnek verilmiştir.
| Temel Bileşen | Soru | Yanıt alanı | Çıktı |
|---|---|---|---|
| Choice | Bu biletle hangi ekip ilgilenmeli? | billing, technical veya account | choice: "billing" |
| Score | Bu müşteri ne kadar öfkeli? | 0 = sakin, 1 = öfkeli, 2 = çok öfkeli | score: 1.4 |
| Noul | Bu mesaj bir iade mi talep ediyor? | True veya false | noul: 0.95 |
Choice, tanımlanmış bir kümeden bir seçenek belirler. Score, sıralı ve açıklayıcı seviyelere göre derecelendirir. Noul ise bir evet/hayır sorusunun doğru olma olasılığını döndürür.
Score örneğine daha yakından bakmakta fayda var. Yanıt 1 değil, 1.4'tür. Jev, durumu en yakın seviyeye yuvarlamak yerine iki tanımlı seviye arasına yerleştiriyor. Bu, bir metin modelinin döndürdüğü her şeyden farklı bir çıktı biçimidir.
Maliyeti ve kabul ettiği girdiler
Fiyatlandırma sayfası alışılmadık derecede anlaşılır. Bir model lansmanı hakkında sıkça yazılabilecek bir şey değil bu.
Mevcut model jev-1.13.0'dır. Fiyat, milyar token başına $42 veya milyon başına $0.042'dir. Belgelerde ücretlendirmenin "girdi token'ı başına" yapıldığı ve "çıktı token'larının ücretsiz" olduğu açıkça belirtilmiştir.
İstek limitleri saniyede 250.000 token ve dakikada 1.200 istek olarak yayınlanmıştır. Bağlam uzunluğu istek başına 64k token'dır. Bunun 32k'lık kısmı durum (state) ve en uzun soru için kullanılabilir.
Girdi yalnızca metindir. Belgelerde Jev'in "metin dizelerini, JSON nesnelerini ve metin dizilerini değerlendirdiği" belirtiliyor. Ayrıca "Görsel, ses ve video desteğinin (henüz) sunulmadığı" ekleniyor.
Her şey tek bir uç nokta (endpoint) üzerinden çalışır: POST /v1/systemone. Bir model alanı, çağrıyı hangi modelin işleyeceğini seçer.
| Özellik | Değer |
|---|---|
| Model | jev-1.13.0 |
| Fiyat | Milyar token başına $42 / Milyon token başına $0.042, yalnızca girdi |
| Çıktı token'ları | Ücretsiz |
| İstek limitleri | Saniyede 250.000 token; dakikada 1.200 istek |
| Bağlam | İstek başına 64k; durum ve en uzun soru için 32k |
| Girdi türleri | Yalnızca metin |
Asıl dikkat edilmesi gereken kısım: Güven oranı
Fiyatlandırma manşetleri süslüyor olabilir ancak güven oranının ele alınış biçimi çok daha ilginç bir tasarım kararı.
Her Choice ve Score yanıtı, seçenekler veya seviyeler genelinde bir probabilities (olasılıklar) özelliği taşır. Belgeler bundan ne anlam çıkarılması gerektiğini açıklıyor: Tek bir sonuca "yoğunlaşmış bir dağılım kendinden emin bir yanıt anlamına gelirken, yayılmış bir dağılım belirsiz bir yanıtı gösterir."
Ayrı bir confidence (güven) özelliği, bu dağılımı 0 ile 1 arasında tek bir sayıya indirger. Belgelerde belirtilen amaç, "matematiği kendiniz yapmak zorunda kalmadan bir eşik değer belirleyebilmenizdir."
Bu sayının sunulmasının arkasındaki gerekçe bir ilke olarak ifade ediliyor: "İster insan ister makine olsun, akıllı bir sistem dürüst bir belirsizlik ifade edemiyorsa, o sisteme güvenilemez."
Bu durum size daha iyi bir yanıttan ziyade bir yönlendirme kuralı kazandırır. Yüksek güvene sahip yanıtlar doğrudan işlenir. Düşük güvene sahip olanlar ise bir insana yönlendirilir. Belgeler bunu, "ne zaman harekete geçileceğine ve ne zaman bir insana veya akıl yürütme modeline iletileceğine" karar vermek olarak tanımlıyor.
Daha önce bir sınıflandırma iş akışı devreye almış herkes bunun neden önemli olduğunu bilir. Doğruluk oranından ziyade bu iletim (eskalasyon) yolu, sistemin gerçek verilerle karşılaştığında ayakta kalıp kalamayacağını belirler.
Geliştiriciye göre modelin zayıf olduğu yönler
TypeSafe, 2026-09-17 tarihinde gözden geçirilmiş "model jaggedness" (model pürüzlülüğü) adlı bir sayfa yayınlıyor. Burada şirketin bildiği hata modları listeleniyor. Lansmanla birlikte böyle bir şeyin sunulması nadir görülen bir durumdur ve herkesi tahmin yürütme zahmetinden kurtarır.
Özet satırı oldukça samimi. Jev 1.13 "hızlı, kalibre edilmiş ve sağduyulu kararlar vermede başarılı ancak kusursuz değil."
Doğrudan üç zayıf yön belirtiliyor. Model, "ek dolaylılık seviyeleri gerektiren görevlerde zorlanabilir." Anlama konusunda "oldukça düz/kelimesi kelimesine yaklaşabilir." Ve "sayısal hassasiyet gerektiren görevlerde zorluk yaşayabilir."
Hata modları tablosu, her bir hatayı bir çözümle eşleştiriyor. Pilot uygulama yapmayı düşünenler için bunlardan ikisini tekrarlamakta fayda var.
- Matematik ve sayılar için belgelerdeki tavsiye, "Aritmetiği kodda tutun" şeklindedir.
- Alakasız ayrıntılarla dolu büyük bir durum (state) için tavsiye, "Önce filtreleyin; yalnızca sorunun ihtiyaç duyduğu şeyi gönderin" şeklindedir.
Her iki tavsiye de aynı tasarım varsayımına işaret ediyor. Bu bir karar motorudur; bir hesap makinesi veya arama dizini değildir. En iyi performansı, çevreleyen sistem soruyu zaten daralttığında gösterir.
Mevcut işlerinizin yanında bu model nerede konumlanıyor
Geliştiricinin kendi örneğinde gizli, net bir iş bölümü var. Bunu tanımlamak, bu lansmanın sizinle ilgili olup olmadığını belirler.
Belgelenen iade iş akışı bir durum oluşturuyor ve aynı anda birkaç bağımsız soru soruyor. Ardından yanıtları "kod içindeki deterministik kontrollerle" birleştiriyor ve vakayı "eylem veya inceleme için" yönlendiriyor.
Buradaki her adım bir yazılımcı, bir uygulama ve yüksek istek hacmi varsayar. Tüm bunların kendini amorti etmesi için token başına maliyetin gerçekten önemli bir bütçe kalemi olması gerekir.
Çoğu raporlama işi ise diğer biçimdedir. Elinizde bir istek akışından ziyade bir dosya vardır. Kararlar üründen ziyade bir araçtır. Sürecin sonunda ortaya çıkması gereken şey, birinin okuyacağı bir belgedir.
Müşteri geri bildirimlerinin dört bin satırını sınıflandırmak bu işin orta aşamasıdır. Sonu ise üç ana temayı belirten ve istisnaları işaretleyen bir özettir.
Bu ikinci yarı, dosya öncelikli bir çalışma alanının (file-first workspace) üstlendiği iştir. Dışa aktarılan dosyayı yüklersiniz ve kategorileri doğal dille tanımlarsınız. Satırlar etiketlenmiş olarak geri döner ve bunları açıklayan rapor da aynı aşamada sunulur. Powerdrill Bloom bu şekilde çalışır ve ücretsiz sürümü temel slaytları, dokümanları, tabloları ve görselleri zaten kapsar.
Bu ikisi aynı kulvarda rekabet etmiyor. Biri bir ürüne entegre ettiğiniz bir API'dir. Diğeri ise bir kişinin perşembe gününe kadar bir yanıta ihtiyaç duyduğunda e-tabloyu gönderdiği yerdir. Eğer bu sorunun sizin karşılaştığınız versiyonu bir dosya biçimindeyse, Powerdrill Bloom'u Deneyin.
Etiketleme görevinin e-tablo tarafındaki versiyonu için Excel verilerini kategorize etme üzerine bir kılavuz bulunmaktadır. Tema bulma versiyonu için ise müşteri geri bildirimi analizi araçlarının bir derlemesi mevcuttur.
Karşılaştırmaya değer alternatifler
Üç yaklaşım da aynı alanı kapsıyor. Doğru olanı seçmek çoğunlukla hacme bağlıdır.
Yapılandırılmış çıktıya sahip genel amaçlı modeller. Artık her büyük sağlayıcı yanıtları bir şema ile sınırlandırıyor. Karar verme ve içerik üretme için tek bir model elde edersiniz. Bunun maliyeti, karar verme işleri için içerik üretme fiyatları ödemek ve kendi kalibrasyonunuzu kendiniz yapmaktır.
Klasik sınıflandırıcılar. İnce ayar yapılmış (fine-tuned) küçük bir model veya gradyan artırımlı ağaç (gradient-boosted tree) daha da ucuzdur ve tamamen öngörülebilirdir. Bu durum, etiketlenmiş verileriniz ve kararlı bir etiket setiniz olduğu sürece geçerlidir. Ancak düz yazı ile yazılmış bir politikayı anlamayacaktır.
Dosya öncelikli analiz çalışma alanları. Bunlar, karar vermeyi bir teslimat çıktısı üretmenin adımlarından biri olarak ele alır. API yok, şema yok, token başına bütçeleme yok. Ancak bir istek akışının içinde yer alma yeteneği de yoktur.
| Durumunuz buysa | Şuna göz atın |
|---|---|
| Bir ürün içinde milyonlarca karar | Yalnızca karar odaklı bir model |
| Karışık karar verme ve taslak hazırlama, düşük hacim | Yapılandırılmış çıktıya sahip genel bir model |
| Kararlı etiketler ve bol miktarda eğitim verisi | Klasik bir sınıflandırıcı |
| Rapora dönüştürülmesi gereken bir dosya | Dosya öncelikli bir çalışma alanı |
Bunlardan sonuncusunu kapsayan, rapor oluşturma araçları üzerine ilgili bir derleme bulunmaktadır.
Şu an kimler bununla ilgilenmeli
Bir ürün içinde yüksek hacimli karar süreçleri yürüten ekipler, Jev için en net hedef kitledir. Destek talebi yönlendirme, moderasyon kuyrukları, potansiyel müşteri değerlendirme ve uygunluk ön kontrolleri buna tamamen uyar. Buradaki model, günde binlerce kez sorulan ve koddaki bir dallanmayı besleyen dar kapsamlı bir sorudur.
Analizlerinin bir parçası olarak ara sıra sınıflandırma yapan ekipler ise en zayıf hedef kitledir. Jev'i büyük ölçekte cazip kılan ekonomik avantajlar, birkaç bin satırda kendini göstermez. Ayrıca sonrasında özeti yazacak bir şeye hâlâ ihtiyacınız olacaktır.
Geri kalan herkes için bu, benimseyecekleri bir araçtan ziyade ödünç alacakları bir terminolojidir. Hızlı karar vermeyi yavaş sentezlemeden ayırmak, kendi iş akışınıza bakmak için faydalı bir bakış açısıdır. Bu API'ye hiç istek göndermeseniz bile bu bakış açısı geçerliliğini korur.
Değerlendirme yapan herkes için pratik bir not daha: Fiyatlandırma sayfasından önce pürüzlülük (jaggedness) sayfasını okuyun. Bir modelin nerede zayıf olduğunu bilmek, pilot uygulamayı ne kadara mal olduğunu bilmekten çok daha fazla şekillendirir.
Sıkça sorulan sorular
System One modeli nedir?
Yazılımların doğrudan kullanabileceği hızlı ve yapılandırılmış kararlar almak üzere oluşturulmuş bir model sınıfıdır. Bir durumu değerlendirir ve tiplendirilmiş yanıtlar ile olasılıklar döndürür. İsim, Kahneman'ın hızlı ve sezgisel düşünme biçimi olan System 1 kavramına atıfta bulunur. Bir sohbet modelinin aksine yanıt yazmaz, kod üretmez veya akıl yürütme sürecini açıklamaz.
Jev'in maliyeti ne kadar?
jev-1.13.0 için yayınlanan fiyat milyar token başına $42 veya milyon başına $0.042'dir. Ücretlendirme yalnızca girdi token'ları üzerinden yapılır ve çıktı token'ları ücretsizdir.
Jev girdi olarak neleri kabul edebilir?
Yalnızca metin; dize (string), JSON nesnesi veya metin dizisi olarak. Belgelerde görsel, ses ve video desteğinin henüz sunulmadığı belirtilmektedir. Bağlam, istek başına 64k token olup, durum ve en uzun soru için 32k ayrılmıştır.
Bir LLM'den JSON istemekten farkı nedir?
Her ikisi de doğal dil girdisini anlar. Fark, geri dönen çıktıda ve nasıl eğitildiklerinde yatmaktadır. Jev, bir olasılık dağılımı ve bir güven değeri ile birlikte tiplendirilmiş kararlar döndürür. Kalibrasyon, tahmin grupları genelinde ölçülür, bu nedenle tekil bir yanıtın doğru olduğunu garanti etmez.
Jev hangi konularda iyi değildir?
Geliştiricinin pürüzlülük (jaggedness) sayfası; düz okuma, matematik ve sayılar ile tarih ve saat karşılaştırmasını listeliyor. Ayrıca dolaylılık, alakasız ayrıntılarla dolu büyük durumlar, yanıltıcı (adversarial) içerikler ve çelişkili kriterleri de listeliyor. Aritmetik durumlar için belgelenen tavsiyesi, aritmetiği kodda tutmaktır.
Kaynaklar: TypeSafe AI belgeleri — Giriş, System One, Modeller, Güven ve Jev 1.13 pürüzlülüğü (jaggedness), docs.typesafe.ai, 18 Eylül 2026 itibarıyla.