TypeSafe AI-এর Jev

Jev কী?

Jev হলো TypeSafe AI-এর System One মডেল, যা সফটওয়্যারের মধ্যে কাঠামোবদ্ধ সিদ্ধান্তের প্রয়োজন এমন ডেভেলপারদের জন্য তৈরি। কোনো ব্যক্তির পড়ার মতো উত্তর লেখার বদলে এটি টাইপ করা প্রশ্নের ভিত্তিতে দেওয়া কনটেক্সট মূল্যায়ন করে। ফলাফল রাউটিং, ফিল্টারিং এবং অ্যাপ্লিকেশনের অন্যান্য সিদ্ধান্তে ব্যবহার করা যায়।

তিন ধরনের সিদ্ধান্ত

• Choice: নির্ধারিত বিকল্প থেকে নির্বাচন করে এবং সম্ভাব্যতা ও confidence দেয়।
• Score: নির্দিষ্ট rubric মূল্যায়ন করে এবং score, সম্ভাব্যতা ও confidence ফেরত দেয়।
• Noul: 0 থেকে 1 পর্যন্ত একটি মান দিয়ে কোনো বক্তব্য মূল্যায়ন করে; এই ফলে আলাদা confidence ফিল্ড নেই।

উদাহরণস্বরূপ, একটি সাপোর্ট সিস্টেম জিজ্ঞেস করতে পারে কোনো বার্তা কোন queue-এর জন্য উপযুক্ত, তারপর আলাদাভাবে মূল্যায়ন করতে পারে মানবিক সহায়তা দরকার কি না। প্রতিটি প্রশ্ন নির্দিষ্ট রাখুন এবং অ্যাপ্লিকেশন কোডে সিদ্ধান্তগুলো একত্র করুন।

ব্যবহারিক প্রয়োগের ধারণা

নিচের উদাহরণগুলো সম্ভাব্য নকশা বর্ণনা করে, পরিমাপ করা পণ্যের ফলাফল নয়।

• Support triage: বিলিং-সংক্রান্ত প্রশ্ন, প্রযুক্তিগত সমস্যা ও সাধারণ জিজ্ঞাসার মধ্যে পার্থক্য করুন। উত্তর আলাদা কোনো component বা মানব agent লিখবে।
• Agent routing: কোনো অনুরোধে search, document retrieval নাকি review দরকার তা নির্ধারণ করুন। কোনো tool চালানোর আগে application-কে permissions ও arguments যাচাই করতেই হবে।
• Directory curation: product descriptions-এর জন্য category প্রস্তাব করুন এবং অনিশ্চিত record-গুলো editorial review-এর জন্য চিহ্নিত করুন। কোনো category prediction থেকে vendor-এর claims সত্য—এমন প্রমাণ পাওয়া যায় না।
• Retrieval filtering: নির্বাচিত উপকরণ answering system-এ পাঠানোর আগে সম্ভাব্য document-এর প্রাসঙ্গিকতার score নির্ধারণ করুন।
• Feedback organization: feature request, bug report ও usage question আলাদা করুন। একাধিক স্বাধীন প্রশ্ন mixed intention ধরে রাখতে সাহায্য করতে পারে, সবকিছুকে একটি label-এ বাধ্য করার বদলে।

একটি বাস্তবসম্মত integration workflow

1. আপনার application-এর প্রয়োজনীয় নির্দিষ্ট সিদ্ধান্ত এবং প্রমাণ অপর্যাপ্ত হলে কী হবে তা নির্ধারণ করুন।
2. প্রাসঙ্গিক text-কে state হিসেবে প্রস্তুত করুন। অস্পষ্ট নির্দেশনার ওপর নির্ভর না করে স্পষ্ট option বা criterion লিখুন।
3. Official API বা supported SDK call করে typed result পড়ুন।
4. অস্পষ্ট ও adversarial input-সহ বাস্তব উদাহরণ মূল্যায়ন করুন। সেই ফলাফলের ভিত্তিতে automation threshold নির্ধারণ করুন।
5. Model version নথিভুক্ত করুন এবং model, question বা business rule পরিবর্তনের পর ফলাফল পর্যালোচনা করুন।

কোনো tool directory-এর ক্ষেত্রে, একজন editor আলাদাভাবে জিজ্ঞেস করতে পারেন description-টি audio processing নিয়ে কি না এবং সেখানে transcription-এর স্পষ্ট উল্লেখ আছে কি না। Code এরপর ওই বিচারগুলো একত্র করে একটি proposed category তৈরি করে। প্রমাণ না থাকলে কোনো record review-তে থাকতে পারে। এটি একটি illustrative workflow, Jev বর্তমানে ToolAI-এর publishing operations সম্পাদন করে—এমন দাবি নয়।

মূল্য ও সমর্থিত input

24 সেপ্টেম্বর 2026-এ যাচাই করা হয়েছে: official documentation-এ jev-1.13.0-এর মূল্য প্রতি million input token-এ $0.042 এবং output-token charge নেই বলে উল্লেখ করা হয়েছে। Free output মানেই free API usage নয়। Input কেবল text। Documented budget হলো প্রতি request-এ 64k token এবং state plus longest question-এর জন্য 32k। Integration-এর আগে বর্তমান official specification দেখুন।

সীমাবদ্ধতা ও model selection

Typed answer তবু ভুল হতে পারে। Documented weakness-এর মধ্যে রয়েছে নির্ভুল arithmetic, date comparison, indirect reasoning, distracting context এবং adversarial input। Exact calculation code-এ রাখুন এবং borderline example পরীক্ষা করুন। English হলো প্রধান ভাষা; representative data-তে Chinese ও অন্যান্য ভাষা যাচাই করুন।

Article writing, email drafting, code generation বা open-ended conversation-এর জন্য generation model ব্যবহার করুন। Jev এর পাশাপাশি decision component হিসেবে কাজ করতে পারে। Open-source client library থাকলেই model weight self-hosting-এর জন্য উপলব্ধ—এমন প্রমাণ হয় না।

Official reference

ভূমিকা · মডেল ও মূল্য · পরিচিত সীমাবদ্ধতা। এই profile verified documentation ও illustrative integration advice একত্র করে; এটি স্বাধীন benchmark নয়।

সম্পর্কিত resource দেখুন

Jev model details · TypeSafe Python SDK · TypeSafe JavaScript SDK · TypeSafe Agent Skills