تصور کنید یک عامل هوش مصنوعی به‌جای اینکه چندین پاراگراف درباره‌ی دلیل کلیک بر روی یک دکمه بنویسد، در کمتر از یک ثانیه دستور «کلیک» را صادر کند. این یعنی تبدیل «فکر کردن» مدل به یک فرمان مستقیم نرم‌افزاری که هزینه هر تصمیم آن تنها ۰.۰۰۰۲ دلار است.
بسیاری از عامل‌های فعلی دچار «مالیات استدلال» هستند؛ یعنی مدل باید ابتدا فکر کند، پاسخ را بنویسد و سپس یک برنامه این متن را تحلیل کند تا عملی شود. این چرخه کند، گران و مستعد خطاهای فرمت‌بندی است. شرکت TypeSafe مدل Jev را به‌عنوان نخستین مدل «سیستم یک» (System One) معرفی کرده است؛ مدلی که برای تصمیمات سریع و شهودی طراحی شده و نیازی به تاملات طولانی ندارد.
طبق گزارشی که در ۲۳ سپتامبر ۲۰۲۶ توسط BetterToken منتشر شد، Jev جایگزین مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — نمی‌شود، بلکه به‌عنوان یک لایه تصمیم‌گیرنده با سرعت بالا عمل می‌کند. در این ساختار، توسعه‌دهندگان وضعیت فعلی و مجموعه‌ای از پرسش‌های تایپ‌شده را ارائه می‌دهند و Jev یکی از سه نتیجه ساختاریافته را برمی‌گرداند:
- انتخاب (Choice): تعیین اینکه کدام دسته‌بندی، اقدام یا ابزار باید استفاده شود (همراه با احتمال هر گزینه).
- امتیاز (Score): رتبه‌بندی شدت، مرتبط بودن یا کیفیت (همراه با احتمال هر سطح).
- نول (Noul): تعیین اینکه آیا یک گزاره درست است یا خیر (احتمالی بین ۰ تا ۱).
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی استنتاج مدل‌ها اشاره کردیم، حذف مراحل زائد در زنجیره اجرا، کلید دستیابی به کاربردهای بلادرنگ است. ارزش Jev در این است که مراحلی را که پیش‌تر نیاز به «تفکر، نوشتن و سپس تجزیه» داشت، به یک انتخاب یا امتیاز ساده تبدیل می‌کند.
البته تمام وظایف بر عهده Jev نیست. کارهای زیر همچنان در حیطه کدهای معمولی یا سرویس‌های تخصصی باقی می‌مانند:
- تجزیه صفحات وب (Page parsing)
- تبدیل گفتار به متن (Speech transcription)
- ثبت سفارشات
- جست‌وجوی سریع در ویدیو
بنابراین گردش کار به این شکل تغییر می‌کند: وضعیت فعلی $\downarrow$ مدل Jev (انتخاب یا امتیازدهی) $\downarrow$ کد معمولی (اجرا، فیلتر یا ارجاع به انسان).
در لایه عملیاتی, Jev گام بعدی را انتخاب می‌کند و کد معمولی کار را انجام می‌دهد. این موضوع در پیاده‌سازی Browser Use کاملاً مشهود است. برنامه ابتدا DOM صفحه را می‌خواند و فهرستی از اقدامات ممکن (مثل کلیک یا رفتن به صفحه بعد) را می‌سازد؛ سپس Jev بهترین گزینه را انتخاب می‌کند. در یک دموی جست‌وجوی پرواز، کل فرآیند ۷ ثانیه زمان برد و هزینه آن ۰.۰۰۰۳۹ دلار بود. البته برای تایپ کردن نام شهر در فیلدها، همچنان از یک مدل مولد (Generative Model) استفاده می‌شود.
در مرورگرهای کنترل‌شده با صدا نیز همین تفکیک وجود دارد. میکروفون صدا را می‌گیرد، سرویس تبدیل به متن آن را پردازش می‌کند و Jev در حدود ۳۰۰ میلی‌ثانیه تصمیم می‌گیرد که چه اقدامی صورت گیرد. این سرعت باعث می‌شود دستوراتی مثل «اسکرول به پایین» آنی به نظر برسند.
دموهای بازی برای Doom و Mario نیز این قابلیت تأخیر کم را ثابت کردند. در پروژه Doom، وضعیت بازی (موقعیت، دشمنان و سلاح‌ها) به‌جای پیکسل‌ها به متن ساختاریافته تبدیل می‌شود. Jev در هر ثانیه ۱۰ بار تصمیم می‌گیرد که چه حرکتی انجام دهد که هزینه آن حدود ۷ دلار در ساعت است. این آزمایش‌ها نشان می‌دهد تصمیمات سریع می‌توانند در حلقه‌های بلادرنگ حضور داشته باشند، هرچند هنوز ثابت نشده که این مدل‌ها در برنامه‌ریزی‌های بلندمدت موفق باشند.
در نمونه‌های اولیه معاملات بلادرنگ نیز همین منطق به کار رفته است. شرایط بازار و قیمت‌ها به Jev داده می‌شود و مدل تصمیم به خرید یا فروش می‌گیرد. با این حال، به نقل از منابع، سرعت اجرا به معنای سودآوری نیست و داده‌ای درباره بازده یا هزینه‌های لغزش (Slippage) منتشر نشده است. کدهای قطعی (Deterministic) باید همچنان محدودیت‌های ریسک و حد ضرر را مدیریت کنند.
Jev در طبقه‌بندی معنایی داده‌ها نیز بدون نیاز به مدل‌های گپ‌زننده (Chat models) گران‌قیمت، عملکرد خوبی دارد. برای مثال، در مدیریت ایمیل‌ها و تیکت‌های پشتیبانی، Jev می‌تواند پیام‌ها را به تیم‌های فروش یا فنی ارجاع دهد. این رویکرد در اتوماسیون فرآیندهای اداری بسیار موثر است، مشابه آنچه در تحول پردازش فاکتورهای مالی از چت‌بات به ابزارهای خودمختار مشاهده کردیم. یک پروژه ۵۰۰ ایمیل را در چند ثانیه و با هزینه ۰.۰۳۵ دلار پردازش کرد. توسعه‌دهندگان می‌توانند تیکت‌ها را به چندین فراخوانی Jev تقسیم کنند تا هیچ سیگنال مهمی گم نشود:
- انتخاب: کدام تیم باید تیکت را دریافت کند؟
- امتیاز: سطح فوریت تیکت چقدر است؟
- نول: آیا این مورد نیاز به بازپرداخت وجه یا ارجاع به انسان دارد؟
یک کاربرد دیگر، مسدودکننده تبلیغات معنایی است. به‌جای لیست‌های ثابت، یک افزونه DOM را بررسی کرده و از Jev می‌پرسد که آیا یک المان شبیه تبلیغ است یا محتوای عادی. این سیستم حتی برای دامنه‌های ناشناخته نیز قصد سازنده را می‌فهمد، هرچند ریسک حذف اشتباه توصیه‌های خرید داخل سایت وجود دارد.
در صفحات گسترده (Spreadsheets)، Jev نام ستون‌ها را به وظایف امتیازدهی تبدیل می‌کند. اگر ستونی به نام «فوریت» ایجاد کنید، Jev متن ردیف را خوانده و امتیازی می‌دهد. در یک ویدیو، زمان پردازش هر ردیف حدود ۱۰۰ میلی‌ثانیه گزارش شده است.
سیستم حذف اسپانسرهای یوتیوب نیز از تشخیص مرزها توسط Jev استفاده می‌کند. متن ویدیو به خطوط شماره‌دار تقسیم شده و Jev خطوط مربوط به تبلیغات را شناسایی می‌کند. سپس کد معمولی، پخش‌کننده را به زمان بعد از تبلیغ می‌برد. هزینه این فرآیند حدود ۰.۰۰۵ دلار برای هر ویدیو است.
در لایه گردش کار، Jev وضعیت داخلی سایر عامل‌ها را مدیریت می‌کند. در ابزار fast-jev-compaction، مدل تصمیم می‌گیرد کدام بخش از لاگ‌های ترمینال یا نتایج جست‌وجو برای حفظ فضای پنجره متنی (Context Window) — مثل میز کاری که جا برای چند ورق دارد، نه برای کل کتابخانه — حفظ، کوتاه یا حذف شوند. یک ارزیابی، زمان فشرده‌سازی ۱.۴ ثانیه با نرخ بازیابی (Recall) ۷۵.۵٪ را گزارش کرد.
برای تولید رابط کاربری (UI)، ابزار json-render از Jev در دو مرحله استفاده می‌کند: ابتدا تعیین اجزای مورد نیاز و سپس ترتیب قرارگیری آن‌ها. به‌جای تولید HTML خام، Jev از یک کتابخانه محدود انتخاب می‌کند و کد معمولی صحت JSON را بررسی می‌کند.
با وجود سرعت بالا، Jev یک راهکار جادویی نیست. برای استقرار آن پنج قانون حیاتی وجود دارد:
۱. طراحی پرسش: پرامپت‌ها را مثل کد بنویسید؛ پرسش‌های مبهم منجر به نتایج غلط می‌شوند.
۲. کالیبراسیون آستانه: احتمالات باید روی داده‌های واقعی تست شوند، نه فقط دموها.
۳. طراحی جایگزین (Fallback): باید مشخص باشد در صورت خطای API چه اتفاقی بیفتد (مثلاً ارجاع به انسان).
۴. مدیریت ریسک: اقدامات حساس مثل حذف داده یا معاملات مالی هرگز نباید فقط به تصمیم یک مدل وابسته باشند.
۵. جمع‌آوری خطاها: نسخه‌ی پرامپت و احتمالات مدل باید ذخیره شوند تا علت شکست‌ها تحلیل شود.
مدل Jev در «راه‌اندازی سرد» (Cold Start) و وظایفی که داده‌های برچسب‌دار کمی دارند بسیار موثر است. اما وقتی صدها نمونه باکیفیت جمع‌آوری شود، طبقه‌بندهای سنتی کوچک‌تر احتمالاً سریع‌تر و دقیق‌تر خواهند بود. این تمایل به استفاده از مدل‌های تخصصی‌تر به‌جای راهکارهای عمومی، تداوم همان روندی است که در دوری کسب‌وکارهای متوسط از پلتفرم‌های آماده به نفع توسعه‌های سفارشی دیده‌ایم.
گام بعدی شما
- در گردش کارهای فعلی خود، مراحلی را شناسایی کنید که در آن‌ها مدل باید متنی بنویسد و سپس کد شما آن را Parse کند؛ این‌ها بهترین کاندیدها برای جایگزینی با Jev هستند.
- برای کاهش هزینه استنتاج، به‌جای درخواست خلاصه از مدل‌های مولد، از مدل‌های تصمیم‌گیرنده برای حذف بخش‌های غیرضروری متون (Compaction) استفاده کنید.
- در پیاده‌سازی‌های حساس، Jev را به‌عنوان لایه اول (فیلتر) قرار دهید و تایید نهایی را به یک مدل استدلالی کندتر یا انسان بسپارید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو