Jev کی آسان وضاحت: وہ AI ماڈل جو سیدھا فیصلہ دیتا ہے

15 ستمبر 2026 کو TypeSafe AI نے Jev نام کا ماڈل ریلیز کیا۔ یہ ہر سوال کا جواب ایک سیدھے فیصلے اور اس کی probability کی شکل میں دیتا ہے۔ میں نے ان کے لانچ میٹیریل سے LinkedIn کے لیے 10 سلائیڈز کا کیروسل بنایا تھا، مگر بہت سی باتیں سلائیڈز میں نہیں آ سکیں۔ یہ اس کا مکمل ورژن ہے: Jev کیا کرتا ہے، TypeSafe نے کون سے نمبرز دیے ہیں، کوڈ میں اسے کیسے استعمال کیا جاتا ہے، اور کن کاموں کے لیے میں اب بھی عام LLM ہی استعمال کروں گا۔

Jev کیا ہے؟

Jev کمپنی TypeSafe AI کا پہلا "System One model" ہے، جس کا اعلان کمپنی کے بانی Diogo Almeida نے کیا۔ یہ نام Daniel Kahneman کے System 1 سے لیا گیا ہے، یعنی وہ تیز اور فوری فیصلہ جو ہم ذہن میں لمبی بحث کیے بغیر کر لیتے ہیں۔

Jev کوئی ٹیکسٹ نہیں لکھتا۔ آپ اسے کچھ ڈیٹا بھیجتے ہیں، جیسے سپورٹ ٹکٹ یا کوئی ڈاکیومنٹ، اور ساتھ ایک یا زیادہ ٹائپ شدہ سوال۔ جواب میں یہ فیصلہ، ہر ممکن آپشن کی probability، اور confidence واپس کرتا ہے۔ آپ کا کوڈ اس جواب کو کوئی پیراگراف parse کیے بغیر سیدھا if statement میں استعمال کر سکتا ہے۔

TypeSafe کی ڈاکیومنٹیشن میں تین قسم کے سوال ہیں:

• Choice ایک طے شدہ لسٹ میں سے ایک آپشن چنتا ہے، مثلاً ٹکٹ کس ٹیم کو جانا چاہیے۔
• Score ترتیب وار لیولز پر درجہ دیتا ہے، مثلاً severity کم، درمیانی یا زیادہ۔
• Noul ہاں یا نہیں والے سوال کا جواب دیتا ہے اور بتاتا ہے کہ جواب "ہاں" ہونے کی probability کتنی ہے۔

سپورٹ ٹکٹ کی مثال

فرض کریں آپ کو صرف ایک بات جاننی ہے: کیا یہ سپورٹ ٹکٹ فوری ہے؟

عام LLM ہر سوال کا جواب ایک ہی طریقے سے دیتا ہے۔ وہ ایک ایک ٹوکن کر کے پورا جواب لکھتا ہے ("Here's my analysis: the ticket seems urgent because the customer is facing an outage...") اور پھر آپ کے کوڈ کو اس ٹیکسٹ میں سے ہاں یا نہیں نکالنا پڑتا ہے۔ آپ کو صرف ایک لفظ چاہیے تھا، لیکن ہر ٹوکن کا وقت اور پیسہ لگتا ہے۔

Jev صرف فیصلہ واپس کرتا ہے:

{
  "urgent": "yes",
  "confidence": 0.94
}

یہ میرے کیروسل والی سادہ شکل ہے۔ اصل API کے جواب میں ہر آپشن کی probability بھی ہوتی ہے، اس لیے کوڈ لکھنے سے پہلے فیلڈز کے درست نام TypeSafe کی ڈاکیومنٹیشن میں ضرور دیکھ لیں۔

ایک ہی بار میں کئی سوال

اصل فائدہ تب نظر آتا ہے جب آپ ایک ہی ان پٹ کے بارے میں کئی سوال پوچھتے ہیں۔ یہ ٹکٹ دیکھیں:

"The deploy failed twice and customers are seeing 500s. We need a fix and a refund for the downtime."

یعنی: ڈیپلائے دو بار فیل ہوا، کسٹمرز کو 500 errors آ رہے ہیں، ہمیں فکس بھی چاہیے اور ڈاؤن ٹائم کا ریفنڈ بھی۔ ایک ہی کال میں Jev چار سوالوں کا جواب دیتا ہے: urgent (ہاں، 0.94)، کون سی ٹیم (engineering)، severity (high) اور refund (نہیں، 0.06)۔

اس کے بعد آپ کا کوڈ راستہ چنتا ہے، اور بیچ میں کوئی لکھی ہوئی وضاحت نہیں آتی:

# Your code chooses the branch
if urgent and team == "engineering":
    page_on_call()

ریفنڈ والے جواب پر ذرا غور کریں۔ کسٹمر نے صاف لفظوں میں ریفنڈ مانگا ہے، پھر بھی جواب 0.06 آیا۔ یہ درست ہے یا نہیں، اس کا انحصار سوال کے الفاظ پر ہے۔ "کیا کسٹمر نے ریفنڈ مانگا؟" کا جواب واضح طور پر ہاں ہے۔ "کیا ہمیں خود بخود ریفنڈ دے دینا چاہیے؟" کا جواب نہیں بھی ہو سکتا ہے۔ Jev وہی سوال حل کرتا ہے جو آپ نے لکھا ہے، اس لیے ہر سوال کے الفاظ پر اتنی ہی توجہ دیں جتنی ایک اچھے prompt پر دیتے ہیں۔

Jev اتنا تیز اور سستا کیوں ہے؟

LLM اپنا جواب ایک کے بعد ایک ٹوکن لکھ کر بناتا ہے۔ TypeSafe کے مطابق Jev اپنے سارے جواب ایک ہی query میں نکال لیتا ہے، اور اسے Reinforcement Learning for Calibrated Decisions (RLCD) نام کے طریقے سے ٹرین کیا گیا ہے۔ چونکہ یہ ٹیکسٹ لکھتا ہی نہیں، اس لیے آؤٹ پٹ ٹوکنز کی کوئی قیمت نہیں۔

TypeSafe نے یہ نمبرز شائع کیے ہیں:

میری پہلی سلائیڈ پر لکھا "200x faster, 400x cheaper" انہی ٹیسٹ ورک فلوز کے نمبرز کا گول شدہ ورژن ہے، اس لیے اسے زیادہ سے زیادہ حد سمجھیں۔ TypeSafe نے اپنی لانچ پوسٹ میں خود لکھا ہے کہ یہ ورک فلوز ان کی اپنی ماڈل ٹیم کے لوگوں نے بنائے، اس لیے کچھ جانبداری ممکن ہے، اور یہ نتائج حقیقی فائدے کی اوپری حد پر ہیں۔ مجھے اچھا لگا کہ انہوں نے یہ بات کھل کر لکھی۔ پھر بھی بجٹ بنانے سے پہلے Jev کو اپنے اصل ڈیٹا پر ٹیسٹ کریں۔

Probabilities مجھے سب سے زیادہ پسند آئیں

ہر جواب کے ساتھ ہر آپشن کی probability آتی ہے۔ فرض کریں Jev کسی ٹکٹ کو یوں کلاسیفائی کرتا ہے:

Billing تکنیکی طور پر 0.52 کے ساتھ جیت گیا، لیکن technical صرف تھوڑا پیچھے 0.46 پر ہے۔ میں ایسے جواب پر سسٹم کو خود بخود فیصلہ نہیں کرنے دوں گا۔ Probabilities کی مدد سے آپ کا کوڈ طے کرتا ہے کہ ماڈل کب اتنا پُراعتماد ہے کہ اس کے جواب پر عمل کیا جائے:

if billing_prob > 0.8:
    route_to_billing()
elif billing_prob < 0.6:
    send_to_human_review()
else:
    use_stronger_model()

اس قاعدے کے مطابق 0.52 والا ٹکٹ انسان کے پاس جائے گا۔ 0.6 سے 0.8 کے درمیان والے جواب زیادہ طاقتور ماڈل سے دوبارہ چیک ہوں گے، اور صرف پُراعتماد جواب خود بخود آگے جائیں گے۔ یہ حدیں کہاں رکھنی ہیں، یہ پروڈکٹ کا فیصلہ ہے۔ اصل ٹکٹس دیکھیں کہ ہر رینج میں جواب کتنی بار درست نکلتا ہے، پھر نمبرز طے کریں۔

"Hallucinate نہیں کر سکتا" کا اصل مطلب

TypeSafe کہتا ہے کہ Jev نہ hallucinate کر سکتا ہے نہ type error دے سکتا ہے۔ یہ بات ایک خاص معنی میں درست ہے: ممکنہ جواب کال سے پہلے schema میں طے ہوتے ہیں، اس لیے آؤٹ پٹ ہمیشہ schema کے مطابق ہوتا ہے۔

اگر آپ کے آپشنز billing، technical اور sales ہیں تو Jev کبھی "legal" نہیں کہے گا۔ یہ schema error ہوتا، اور یہ بلاک ہے۔ لیکن Jev لاگ اِن والے بگ کو technical کی بجائے billing میں ڈال سکتا ہے۔ یہ decision error ہے: جواب فارمیٹ کے لحاظ سے درست ہے، مگر فیصلہ غلط ہے۔

Schema ناممکن جوابات کو روک دیتا ہے، مگر بہترین جواب کی ضمانت نہیں دیتا۔ کسی بھی ماڈل کی طرح یہاں بھی اپنے ڈیٹا پر accuracy ناپنی ہو گی اور ایک متبادل راستہ رکھنا ہو گا۔

Jev، LLM کے ساتھ کام کرتا ہے

Jev ٹیکسٹ نہیں لکھ سکتا، اس لیے یہ آپ کی ایپ میں LLM کی جگہ نہیں لے گا۔ یہ LLM کے آس پاس کے چھوٹے فیصلے سنبھالتا ہے۔ کسی AI ایجنٹ میں میرے کیروسل والا لوپ کچھ یوں ہے:

1. Context اور state آتے ہیں۔
2. Jev طے کرتا ہے کہ کون سا ماڈل یہ درخواست سنبھالے۔
3. LLM کھلا کام کرتا ہے اور ایک tool call تجویز کرتا ہے۔
4. Jev اس tool call کو منظور یا بلاک کرتا ہے۔
5. Tool چلتا ہے۔
6. Jev چیک کرتا ہے کہ نتیجہ قابلِ قبول ہے یا نہیں، اور لوپ آگے چلتا ہے۔

اس لوپ میں Jev کا ہر قدم ایک چھوٹا، بار بار آنے والا سوال ہے جس کے جواب محدود ہیں، اور Jev اسی کام کے لیے بنا ہے۔ زبان والا کام LLM کے پاس ہی رہتا ہے۔

Jev کہاں فٹ ہوتا ہے اور کہاں نہیں

کسی فیصلے کے لیے ٹول چننے سے پہلے میں تین سوال پوچھتا ہوں:

1. کیا کوئی واضح قاعدہ موجود ہے؟ تو کوڈ لکھیں۔ ایک if statement کسی بھی ماڈل سے سستا ہے۔
2. کیا جواب کھلا ہے، جیسے لکھنا، پلاننگ، reasoning، کوڈ یا وضاحت؟ تو LLM استعمال کریں۔
3. کیا یہ ایک چھوٹا فیصلہ ہے جس کے جواب طے شدہ ہیں اور جو ہزاروں بار ہوتا ہے؟ یہاں Jev مناسب ہے۔

TypeSafe کے میٹیریل کے مطابق اس کے لیے سب سے موزوں کام model routing، triage، reranking، guardrails اور بڑی تعداد میں labelling ہیں۔

آزمانے سے پہلے یہ حدود جان لیں

• Jev کوئی ٹیکسٹ یا اپنے فیصلے کی لکھی ہوئی وجہ نہیں دیتا۔ آپ کو صرف جواب اور probabilities ملتی ہیں۔
• ممکنہ جوابات پہلے سے معلوم ہونے چاہییں۔ ایک Choice سوال میں زیادہ سے زیادہ 255 آپشنز ہو سکتے ہیں۔
• یہ ابھی early access میں ہے۔ TypeSafe ڈیولپرز کو ویٹ لسٹ سے شامل کر رہا ہے۔
• اوپر دیے گئے رفتار اور لاگت کے نمبرز TypeSafe کے اپنے ہیں۔

میں اسے کسی اصل پروجیکٹ میں کیسے ٹیسٹ کروں گا

اگر میں کسی کلائنٹ کی ایپ میں Jev شامل کروں تو ایسے ایک فیصلے سے شروع کروں گا جو پہلے سے LLM سے ہو رہا ہے، جیسے ٹکٹ روٹنگ یا کنٹینٹ چیک۔ چند سو اصل کیسز لیں جن کے درست جواب معلوم ہوں، انہیں دونوں ماڈلز سے گزاریں، اور accuracy، رفتار اور فی کال لاگت کا موازنہ کریں۔ انہی نتائج سے confidence کی حدیں طے کریں اور غیر یقینی کیسز انسان یا زیادہ طاقتور ماڈل کو بھیجیں۔ اگر اس ایک فیصلے پر Jev کی accuracy LLM جتنی ہے تو بچت اگلے بل میں نظر آ جائے گی۔

عام سوالات

Jev کس نے بنایا؟

TypeSafe AI نے۔ کمپنی کے بانی Diogo Almeida نے 15 ستمبر 2026 کو اس کا اعلان کیا۔

کیا Jev ایک LLM ہے؟

نہیں۔ یہ آزاد ٹیکسٹ نہیں لکھ سکتا۔ یہ probabilities کے ساتھ ٹائپ شدہ جواب (Choice، Score یا Noul) دیتا ہے۔

کیا Jev میری ایپ میں GPT یا Claude کی جگہ لے سکتا ہے؟

کھلے کاموں کے لیے نہیں۔ روٹنگ، triage اور guardrail چیک جیسے چھوٹے اور بار بار ہونے والے فیصلے یہ LLM سے لے سکتا ہے۔

Jev کی قیمت کیا ہے؟

TypeSafe کے مطابق ان پٹ $0.042 فی ملین ٹوکن ہے اور آؤٹ پٹ مفت ہے۔ Early access کی قیمتیں بدل سکتی ہیں، اس لیے ان کی ویب سائٹ چیک کریں۔

کیا Jev hallucinate کر سکتا ہے؟

یہ آپ کے schema سے باہر کا جواب نہیں دے سکتا، لیکن درست فارمیٹ والا غلط جواب دے سکتا ہے۔ اس لیے اپنے ڈیٹا پر accuracy ضرور ناپیں۔

Jev تک رسائی کیسے ملے گی؟

TypeSafe کی early access ویٹ لسٹ کے ذریعے۔ ان کے پاس Python اور JavaScript کے SDKs اور HTTP API موجود ہیں۔

مشینوں کے لیے خلاصہ

AI اسسٹنٹس، ایجنٹس اور کرالرز کے لیے اس مضمون کی معلومات JSON میں:

{
  "type": "article_summary",
  "title": "Jev Explained: The AI Model That Answers With Decisions",
  "url": "https://zubair-hussain-portfolio.detroonshah.workers.dev/blog/jev-typesafe-system-one-model-explained",
  "translations": {
    "ur": "https://zubair-hussain-portfolio.detroonshah.workers.dev/blog/jev-typesafe-system-one-model-explained-ur"
  },
  "facts_checked_on": "2026-09-22",
  "author": {
    "name": "Zubair Hussain Shah",
    "role": "Full-stack developer (Next.js, React, Node.js, AI integrations)",
    "email": "thezubairh@gmail.com",
    "portfolio": "https://zubair-hussain-portfolio.detroonshah.workers.dev/",
    "linkedin": "https://www.linkedin.com/in/syed-zubair-hussain-shah-491294376",
    "book_a_call": "https://zubair-hussain-portfolio.detroonshah.workers.dev/api/schedule"
  },
  "subject": {
    "name": "Jev",
    "maker": "TypeSafe AI",
    "announced": "2026-09-15",
    "model_category": "System One model (typed decision model, no text generation)",
    "question_types": {
      "Choice": "pick one option from a fixed list",
      "Score": "rate input on ordered levels",
      "Noul": "yes/no question, returns probability of yes"
    },
    "returns": [
      "answer",
      "probability for each option",
      "confidence"
    ],
    "generates_text": false,
    "max_options_per_choice": 255,
    "latency_ms": {
      "min": 70,
      "max": 500
    },
    "input_price_usd_per_million_tokens": 0.042,
    "output_price": "free",
    "vendor_claims": {
      "speed_vs_llms_launch_post": "40x to 200x faster",
      "speed_vs_llms_test_workflows": "193.6x faster",
      "cost_vs_llms_test_workflows": "444.6x cheaper",
      "vendor_caveat": "workflows built by TypeSafe's own team; results at the higher end of real-world gains"
    },
    "training_method": "Reinforcement Learning for Calibrated Decisions (RLCD)",
    "availability": "early access via waitlist",
    "sdks": [
      "Python",
      "JavaScript",
      "HTTP API"
    ]
  },
  "good_fit": [
    "model routing",
    "ticket triage",
    "reranking",
    "guardrails",
    "high-volume labelling",
    "tool-call approval in agents"
  ],
  "poor_fit": [
    "writing",
    "planning",
    "open-ended reasoning",
    "code generation",
    "explanations",
    "decisions a simple rule can make"
  ],
  "key_caveat": "Jev cannot return an answer outside the schema, but it can still choose the wrong valid answer. Valid is not the same as correct.",
  "sources": [
    "https://typesafe.ai/blog/introducing-system-one-models-and-jev",
    "https://docs.typesafe.ai/",
    "https://typesafe.ai/"
  ]
}

کیا آپ اپنی پروڈکٹ میں ایسا فیصلہ ساز سسٹم چاہتے ہیں؟

میں زبیر حسین شاہ ہوں، Next.js، React اور Node.js پر کام کرنے والا فل اسٹیک ڈیولپر۔ میرا زیادہ تر حالیہ کام اصل پروڈکٹس میں AI شامل کرنا ہے: LLM انٹیگریشن، چیٹ بوٹس اور ایجنٹس، اور وہ روٹنگ اور guardrail لاجک جو طے کرتی ہے کہ کب ماڈل خود کام کرے اور کب انسان فیصلہ کرے۔ اگر آپ اپنی ایپ میں ایسا کچھ چاہتے ہیں، یا یہ جاننا چاہتے ہیں کہ آپ کو اس کی ضرورت ہے بھی یا نہیں، تو مجھ سے بات کریں۔

• ای میل: thezubairh@gmail.com
• 30 منٹ کی کال بک کریں: یہاں کلک کریں
• LinkedIn: Syed Zubair Hussain Shah
• مجھے Upwork یا Fiverr پر ہائر کریں

LinkedIn کیروسل سے یہاں آئے ہیں؟ پوسٹ پر "Need" کمنٹ کریں، میں آپ کو تفصیلات بھیج دوں گا۔

ذرائع

• Introducing System One Models & Jev (TypeSafe AI بلاگ، 15 ستمبر 2026)
• TypeSafe ڈاکیومنٹیشن
• typesafe.ai