2026-10-28
速くて安い判断特化モデル Jev とは何か
Jevを知ったきっかけ
最近、Xで Jev という名前を本当に何度も見かけるようになりました。あまりに頻繁に流れてくるので、なぜそんなに話題になっているのかが気になって調べてみることにしました。
調べてみると、Jevは「LLMより速くて安い」ことが売りのモデルのようです。そう言われると、実際どれくらい速くて、どれくらい安いのかを自分の手で確かめてみたくなったので、簡単なアプリを作って試してみました。
Jevとは
Jevは、TypeSafe AIが公開した「判断だけに特化したAIモデル」です。
LLMとの違い
LLMと同じように自然言語の入力は理解できますが、文章を生成しません。返ってくるのは、こちらが事前に決めた形の答えと、その確率だけです。
| LLM | Jev | |
|---|---|---|
| 入力 | テキスト・画像など | テキストのみ（文字列・JSON・配列） |
| 出力 | 自由な文章 | 決められた選択肢・スコア・確率 |
| できること | 返信・コード・説明の生成など | 分類・採点・Yes/Noの判定 |
公式ブログでは「最先端の知能を持った関数呼び出し」と表現されていて、プログラムの中の if 文の条件を、AIに判断させるイメージが近いと思います。
得意なこと・苦手なこと
公式ブログによると、得意なのは次のような用途です。
- ワークフローの中での分岐判断（問い合わせの振り分けなど）
- 大量のデータを1件ずつ判定する処理
- 応答の速さが大事なリアルタイムなアプリ
- LLMの出力チェックや、jailbreak（AIへの不正な指示）の検出
逆に、文章を生成しないので、チャットボットやコーディングエージェントのような、人と会話するタイプの用途には向いていません。
LLMより速くて安いのはなぜか
どれくらい速くて安いのか
まずは公式ブログに載っている数字です。
| Jev | 既存のLLM | |
|---|---|---|
| 応答時間 | 70ms〜500ms | 3秒〜329秒 |
| 入力の料金 | $0.042 / 100万トークン | $0.20〜$10 / 100万トークン |
| 出力の料金 | 無料 | 入力の約5倍 |
ワークフローを使った評価では「193.6倍速くて、444.6倍安い」という数字も出ています。
なぜ速いのか
一番大きな理由は、文章を生成しないことです。
LLMは、文章を1トークン（単語のかけら）ずつ、直前までの出力をもとに順番に生成していきます。長い答えを返すほど、その分だけ何度も計算を繰り返すことになります。
Jevは返す答えの形が最初から決まっているので、すべての答えを1回の問い合わせで並列に出せるとのことです。ドキュメントでも、1回のリクエストに質問をいくつ入れても並列に評価されるので、応答時間はほとんど変わらないと説明されています。
なぜ安いのか
公式ははっきりとは説明していませんが、公式の情報をつなぐと次のようにAIが分析してくれました。
LLMは答えを1トークンずつ生成するたびに計算が必要で、その分が出力の料金になります。一方でJevは出力を生成せず、1回の計算で答えをまとめて出すので、出力にかかるコストがほとんどありません。公式も「安すぎて計測する意味がない（too cheap to meter）」として出力を無料にしています。
使ってみた感想
実際にどれくらい速くて安いのかを確かめるために、職業と支出内容から「経費になりそうか」を判定する、経費チェッカーという簡単なアプリを作ってみました。
どうやって使うのか
Jevには「state（判断してほしい対象）」と「questions（質問）」を渡します。質問の種類は3つだけです。
TypeScriptのSDKを使うと、こんな感じで呼び出せます。
職業・支出内容・金額（state）に対して、「経費になりそうか（Choice）」を聞いています。state には文字列だけでなくJSONも渡せるので、判断に必要な情報をまとめてオブジェクトで渡しています。
deductible.choice の型は "full" | "partial" | "none" に推論されるので、返ってきた値をそのまま switch 文などで分岐に使えます。LLMのように「返ってきた文章をパースする」手間がないのが良いところです。
経費チェッカーを作ってみた
職業をセレクトボックスで選び、支出内容と金額を入力すると、「全額経費になりそう」「按分すれば経費になりそう」「経費にならなそう」の3つから判定してくれるアプリです。按分は、家賃やスマホ代のように仕事とプライベートの両方で使う支出を、仕事で使った割合だけ経費にすることです。Jevへの問い合わせ部分は、上のコードとほぼ同じです。
画面はReact（Vite）で作りました。APIキーをブラウザに渡さないように、Jevへの問い合わせはViteの開発サーバー側で行っています。
試してみた結果
いくつかの職業と支出の組み合わせで試してみました。
| 職業 | 支出 | 判定 | 確率（全額 / 按分 / ならない） | 確信度 |
|---|---|---|---|---|
| YouTuber | 最新のゲーム機 | 按分 | 3% / 81% / 16% | 0.72 |
| フリーランスのエンジニア | 最新のゲーム機 | ならない | 0% / 2% / 98% | 0.97 |
| 会社員 | 最新のゲーム機 | ならない | 0% / 0% / 100% | 1.00 |
| フリーランスのエンジニア | 自宅の家賃（一部屋を作業部屋に） | 按分 | 1% / 98% / 1% | 0.97 |
| 飲食店経営者 | 店で出す野菜の仕入れ | 全額 | 99% / 1% / 0% | 0.98 |
同じ「最新のゲーム機」でも、YouTuberなら按分、エンジニアや会社員なら経費にならない、と職業によって判定が変わっていて面白かったです。
もう一つ良いなと思ったのが確信度です。判断が分かれそうなYouTuberのゲーム機だけ確信度が0.72まで下がっていて、ほかの組み合わせは0.97以上でした。「自信がないときは人に確認する」といった分岐を、この値を使ってコードで書けるのは便利だと思います。
速さと安さ
応答時間は1回あたり130ms〜220msくらいで、ボタンを押した瞬間に結果が出る感覚でした。公式の「70ms〜500ms」の範囲にちゃんと収まっています。
料金は、1回あたりの入力が450〜480トークンくらいでした。入力が100万トークンで$0.042なので、1回あたり約$0.00002です。1万回判定しても$0.2くらいなので、料金はほとんど気にしなくて良さそうです。
気になったところ
- 理由は教えてくれない: 文章を生成しないので、「なぜ按分なのか」は分かりません。判定の根拠を知りたい用途には向いていないと感じました
- 判定は当てにしすぎない: あくまでネタアプリなので、実際に経費になるかは税理士や税務署に確認する必要があります
- 1回ずつしか試していない: 同じ入力でも投げ直すと少し値が変わる可能性があります
まとめ
実際に使ってみて、Xで話題になっていた理由は、文章を書かずに「判断」だけに割り切ったことで、LLMとは比べものにならない速さと安さを実現しているからだと分かりました。
1回200ms前後で結果が返ってきて、料金も1回あたり約$0.00002と、速さと安さに驚きました。出力も自分の感覚と大体一致していて、判定の精度も悪くなさそうでした。