出典: TypeSafe Docs – Cookbooks（2026年9月25日時点）

前提：jev の基本的な使い方

TypeSafe の jev（jev-1.12 / jev-latest）は、文章を生成しないモデルです。「state（判断材料のテキスト）」と「questions（型付きの質問）」を渡すと、各質問への答えを確率つきで返します。

response = client.system_one(
    model="jev-1.12",
    state={"document": text},          # 判断材料
    questions={"q1": Noul(...), "q2": Choice(...)},  # 質問をまとめて渡せる
)
response.answers["q1"].noul          # Yes の確率 (0〜1)
response.answers["q2"].choice        # 選ばれた選択肢
response.answers["q2"].probabilities # 各選択肢の確率
response.answers["q2"].confidence    # 確信度
質問の型 何を聞くか 返り値
Noul Yes / No noul＝Yes の確率（0〜1）
Choice 選択肢から1つ choice・probabilities・confidence
Score 順序のある段階（例：0〜3） score（連続値）・各段階の確率

すべての cookbook に共通する考え方：判断は jev が確率で出し、最終的な決定（閾値・計算・生成）はコードで行う。

1. Self-consistency: nouls

何をしている？ 保険請求の自動審査で、同じ請求を何度判定しても結果がブレないかを検証しています。LLM は温度0でも確率が揺れるので、閾値の近くでは「支払い」と「却下」が入れ替わってしまいます。

流れ

  1. 請求1件に対して14個の審査質問を用意（例：「衝突補償の対象か」「除外事由に当たるか」）
  2. Haiku・GPT mini・GPT-5.5・Opus・jev のそれぞれで15回ずつ実行
  3. 確率のばらつきを比較

jev の使い方

結果：確率の標準偏差の平均は 0.0102 で、どの LLM 条件より小さい。レイテンシ約111ms、1回あたり約 $0.00004（Haiku の約1/42）。

2. Self-consistency: choices