00 概要 — Jevとは何か
超軽量の判断特化モデル「Jev」と、その周辺の「ハーネス設計」をまとめた実践ガイドです。 この章では全体像と、読む前に知っておくべき限界を先に示します。
このガイドについて
2026年9月中旬、TypeSafe AI が新モデル「Jev」を発表しました。文章を書かず、コードも書かない、判断専用の超軽量モデルです。このガイドは、公式情報と公開実装・コミュニティの議論をもとに、「Jevで何ができるか・効果的に使うにはどう設計するか」をまとめたものです。
⚠ 読む前に — 独立検証済みの実測はまだありません Jevは発表直後（2026-09時点）のモデルで、第三者による独立検証済みの実測値はまだ公開されていません。本ガイドの数値はすべて (1) ベンダー（TypeSafe AI）の主張、(2) 実装者自身の報告、(3) バックテストによる推定、のいずれかです。自分の環境で同じ比率になるとは限りません。導入判断の前に、必ず自分の環境で計測してください。
Jevの位置づけ
一般的なLLM（System Two的・遅くて高価だが生成と推論が得意）に対し、Jevは「System One的」な役割に特化しています:
| 通常のLLM（System Two） | Jev（System One） | |
|---|---|---|
| 得意 | 文章生成・コード生成・長い推論 | 選択・採点・二値判定 |
| 不得意 | — | 生成タスク全般 |
| 速度 | 秒〜分 | 0.1秒台（ベンダー主張・0.114秒の例示） |
| 価格 | 入力$1〜10/Mtok台 | 入力$42/10億トークン（=$0.042/Mtok） |
| 出力 | トークン課金 | ほぼ無料（"too cheap to meter"） |
ベンダー主張では、判断タスクで「193.6x速い・444.6x安い」（比較対象: 汎用LLM）。
何ができないか
Jevは文章を生成しません。返すのは型付きの判断だけです:
- 複数の候補から1つを選ぶ（Choice）
- ルーブリックで採点する（Score）
- 「そうか、そうでないか」を返す（Noul）
生成が必要な仕事は、そのまま高いモデルに任せます。Jevは置き換えるものではなく、高価な推論を呼び出す回数そのものを減らすために使います。
「Jevハーネス」とは
「ハーネス（harness）」は、エージェントを動かす周辺の仕組みのことです。Jevハーネスとは、エージェントが作業中に生む大量の小さな判断（どのファイルを見るか・このテストは十分か・もう完成か）を、高価なモデルからJevに逃がす設計の総称です。
削れるのは主に3方向です:
- 高いモデルを呼ぶ回数（ルーティング・完成判定）
- 次のターンに持ち越すトークン（コンテキスト圧縮）
- 無駄な再調査（判定のブレ・完成判定の再推論）
効果的な使い方の全体像
本ガイドの5つの実践章は、次の流れで構成しています:
- 基本概念 — 3プリミティブとconfidence設計
- 5層ハーネス理論 — 判断を逃がす場所の全体像
- クイックスタート — APIの使い方としきい値設計
- Claude Code統合 — fast-jev-compaction導入
- 効果的な使い方と限界 — ユースケースと正しい効果測定
参考リンク
- TypeSafe AI公式（価格・速度の主張の出どころ）
- 公式ドキュメント
- fast-jev-compaction（Claude Code統合の公開実装・MIT）