Bugün son günlerin en çok konuşulan modellerinden birini, Jev‘i ele alacağız. Ne olduğunu, nasıl çalıştığını ve neden bizim için önemli olduğunu birlikte göreceğiz.

Önce bir soru: Otomasyon nerede kaldı?

2022’de ChatGPT çıktığından beri modeller hep aynı yöne gelişti: insanlarla daha iyi sohbet etmek. Sonra kodlama ajanları (coding agents) geldi, modeller bu iş için de eğitildi. Ama bir alan hep eksikti: iş akışı otomasyonu (workflow automation). En zeki modeller bile burada ya çok yavaş ya da çok pahalı kaldı.

Jev’in çıkış noktası tam burası. Bu modeli geliştiren TypeSafe AI’ın kurucusu Diogo Almeida, OpenAI’da RLHF, InstructGPT ve ChatGPT üzerinde çalışmış biri [1]. Yani bugünkü sohbet modellerini yapanlardan biri, şimdi “otomasyon için başka bir modele ihtiyaç var” diyor.

Jev ne?

Jev, 15 Eylül 2026’da erken erişime (early access) açılan ve alıştığımız büyük dil modellerinden (Large Language Model, LLM) farklı olarak metin üretmeyen bir model; bunun yerine olasılık ve güven skorlarıyla (confidence scores) birlikte tipli değerler (typed values) döndürüyor [1]. Kısacası sohbet etmiyor, karar veriyor. Çıktısı da bir insanın okuması için değil, doğrudan yazılımın kullanması için.

Jev’i akılda tutmanın en kolay yolu onu bir “akıllı if ifadesi (smart if statement)” olarak düşünmek [2]. Normal kod “sipariş 100 TL’den büyük mü?” gibi hesaplanabilen koşullarda harika çalışır. Ama koşul bir yargı gerektirdiğinde, mesela “bu müşteri sinirli mi?”, işler karışır. Jev tam bu noktaya yerleşiyor.

Nasıl çalışıyor?

Jev’e iki şey veriyoruz: bir durum (state) ve bu durumla ilgili sorular. Sorular üç tipte olabiliyor: listeden seçim (Choice), bir ölçüte göre puanlama (Score) ya da evet/hayır olasılığı (Noul) [3].

Mesela bir müşteri mesajını şöyle değerlendirebiliriz (kavramı anlatmak için sadeleştirilmiş bir örnek):

{
  "state": "Siparişim hâlâ gelmedi, artık gerçekten sinirliyim!",
  "questions": {
    "kategori": { "type": "choice", "options": ["kargo", "fatura", "teknik"] },
    "ofkeli_mi": { "type": "noul" }
  }
}

Jev her soruya bir cevap ve bir güven oranı döndürüyor. İşin güzel yanı burada başlıyor: güven yüksekse yazılımımız kararı otomatik uyguluyor, düşükse işi bir insana devrediyor [4]. Böylece yapay zekâyı kör bir şekilde değil, ne kadar emin olduğunu bilerek kullanıyoruz.

Jev bu dürüst güven skorlarını, TypeSafe’in “Kalibre Kararlar için Pekiştirmeli Öğrenme” (Reinforcement Learning for Calibrated Decisions, RLCD) dediği eğitim yöntemine borçlu. Buradaki hedef, yüksek güvenin gerçekten yüksek doğruluk anlamına gelmesi [5].

Neden bu kadar hızlı?

Klasik LLM’ler cevabı token token, sırayla üretir. Jev ise tüm soruları tek seferde, paralel olarak cevaplıyor. Sonuç: yanıt süresi 70-500 milisaniye, giriş token’ları milyon başına 0,042 dolar, çıkış token’ları ise ücretsiz [6]. Üstelik bir isteğe soru eklemek yanıt süresini neredeyse hiç değiştirmiyor [7].

Bu hız sayesinde daha önce pratik olmayan işler mümkün hâle geliyor: gerçek zamanlı oyun botları, binlerce e-postayı saniyeler içinde sınıflandırmak, bir isteği en uygun modele yönlendirmek (model routing) gibi.

Nerede işe yaramaz?

Jev her şeyin cevabı değil. Önceden tanımladığımız seçeneklerin dışına çıkamadığı için uydurma cevap veremiyor, ama yine de yanlış seçeneği seçebiliyor; kelimesi kelimesine okuma, hesaplama ve tarih karşılaştırma gibi bilinen zayıf noktaları var [3]. Metin de yazmıyor, özet de çıkarmıyor.

O yüzden doğru formül şu: kararları Jev versin, metin üretimini ve derin akıl yürütmeyi klasik bir LLM yapsın. İkisini aynı sistemde birlikte kullandığımızda hem hızlı hem akıllı iş akışları kurabiliyoruz.

Bir de not düşelim: Jev kapalı kaynak, ama topluluk hemen açık kaynak alternatiflerini üretti. Örneğin Laya, 421 milyon parametreli ve tek bir GPU’da eğitilmiş, benzer mantıkla çalışan bir model [8]. Yani bu yaklaşım tek bir şirketle sınırlı kalmayacak gibi görünüyor.

Daha fazlasını öğrenmek ister misiniz?

Buraya kadar gördüğünüz gibi, Jev ile çalışmak prompt yazmaktan farklı bir düşünme biçimi istiyor: soruları doğru tasarlamak, güven eşiklerini ayarlamak, Jev’i bir LLM ile aynı projede konuşturmak…

Bu yüzden Jev’i AI & LLM Bootcamp müfredatımıza ekledik. Klasik LLM’lerin yanında Jev gibi karar modellerini de kullanarak gerçek iş akışlarını uygulamalı olarak birlikte kuracağız. Otomasyonun yeni dönemine hazırlıklı girmek istiyorsan, yerini şimdiden ayır! Bu bootcamp eğitmeni aynı zamanda ChatBu‘nun yaratıcılarından.

Son söz

Jev’in asıl önemi, her işi dev bir sohbet modeliyle çözmeye çalışma alışkanlığımızı sorgulatması. Bazen ihtiyacımız olan şey uzun uzun düşünen bir model değil, hızlı ve güvenilir karar veren bir model. Önümüzdeki dönemde bu tür modellerin sayısının artacağını ve otomasyonun gerçekten hayatımıza gireceğini göreceğiz.

Görüşmek üzere!

---

Kaynaklar

1. Wikipedia – Jev (AI model): https://en.wikipedia.org/wiki/Jev_(AI_model)
2. Flavio Copes – A deep dive into Jev, TypeSafe’s System One model: https://flaviocopes.com/jev/
3. Firecrawl – What Is Jev? Inside TypeSafe’s Decision-Only AI Model: https://www.firecrawl.dev/blog/what-is-jev
4. TypeSafe AI – Ana Sayfa: https://typesafe.ai/
5. You.com – What Is Jev? TypeSafe AI’s System One Model Explained: https://you.com/resources/what-is-jev
6. TypeSafe AI Blog – Introducing System One Models & Jev: https://typesafe.ai/blog/introducing-system-one-models-and-jev
7. LangChain – What Is Jev? A Guide to TypeSafe AI’s System One Model: https://www.langchain.com/blog/building-a-harness-with-jev
8. Requesty – Jev, week two: https://www.requesty.ai/blog/jev-week-two-four-gateways-open-clones-what-builders-shipped