TypeSafe Jev · Apigator で提供

欲しいのは会話ではなく、判断。

Jev は判断のためのモデルです。任意のテキストや JSON と型付きの質問を渡すと、約 100 ms でキャリブレーション済みの確率付き構造化回答が返ります。プロンプト調整も出力のパースも不要です。

無料登録で Jev 100 万トークンをプレゼント

100 万トークンを無料で受け取る例を見る

新規登録したすべての Apigator アカウントに自動で付与されます。既存アカウントの方は、このページからログインすると 1 回受け取れます。

Jev をシェア

Jev の特長

🧩

型付きの回答

回答はすべて、あなたが名付けた質問をキーにした JSON で返ります。選択・スコア・Yes/No の確率を、コードでそのまま読めます。

📊

キャリブレーション済みの確率

各回答に確率と信頼度が付きます。確信があれば自動処理、なければ人や大きなモデルに回せます。

⚡

約 100 ms

リクエスト経路に直接組み込める速さ：振り分け、モデレーション、フィルタ、ランキング。

🗂️

1 回の呼び出しで複数の質問

同じテキストに対して部署・緊急度・感情を 1 リクエストでまとめて質問。往復も課金も 1 回です。

💸

とても安い

入力 100 万トークンあたり $0.042、出力は無料。コーヒー 1 杯分で数百万件を分類できます。

🔑

同じ Apigator キー

新しいアカウントや契約は不要。今の Apigator キーと残高で、Jev も他のすべてのモデルも使えます。

3 種類の質問タイプ

"type": "choice"

Choice（選択）

定義した選択肢（最大 255）から 1 つを選びます。選ばれた項目と、各選択肢の確率を返します。

"type": "score"

Score（スコア）

記述した順序付きレベル（2〜10）で評価します。レベルの間にも入る確率加重スコアを返します。

"type": "noul"

Noul（Yes/No）

Yes/No の命題が真である確率を 0〜1 で返します。

Jev と LLM チャットモデルの違い

チャットモデルは書く。Jev は判断する。それぞれ得意なことに使いましょう。

	LLM チャット（GPT、Claude など）	Jev
出力	自由形式のテキスト	質問ごとの型付き JSON 回答
パース	JSON モード、正規表現、崩れたら再試行	不要 — 形式が保証される
どれくらい確か？	信頼できる指標なし	すべての回答にキャリブレーション済み確率 + 信頼度
レイテンシ	数秒	約 100 ms
料金	入力・出力トークンの両方に課金	入力 100 万トークンあたり $0.042、出力は無料
得意なこと	文章作成、推論、会話	分類、振り分け、スコアリング、フィルタ、ガードレール

💡 よくある使い方：すべてのリクエストを Jev で選別・振り分けし、文章生成が必要なものだけ LLM に渡す。

例：サポートチケットの振り分け

1 つのリクエストで、同じメッセージに 3 つの質問をします。

リクエスト

curl https://api.apigator.ai/typesafe/v1/systemone \
  -H "Authorization: Bearer $APIGATOR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jev-latest",
    "state": "Help! My payouts have been failing for 3 days.",
    "questions": {
      "department": {
        "type": "choice",
        "instructions": "Which team should handle this?",
        "criteria": {
          "billing": "Payments, invoicing, refunds",
          "technical": "Bugs, outages, integrations",
          "sales": "Pricing, upgrades, new accounts"
        }
      },
      "is_urgent": {
        "type": "noul",
        "instructions": "Does this convey urgency?"
      },
      "frustration": {
        "type": "score",
        "instructions": "How frustrated is the customer?",
        "criteria": ["Calm", "Frustrated", "Very angry"]
      }
    }
  }'

レスポンス

{
  "model": "jev-1.13.0",
  "answers": {
    "department": {
      "type": "choice",
      "choice": "billing",
      "probabilities": { "billing": 0.88, "technical": 0.12, "sales": 0.0 },
      "confidence": 0.82
    },
    "is_urgent": { "type": "noul", "noul": 0.95 },
    "frustration": {
      "type": "score",
      "score": 1.04,
      "legend": { "0": "Calm", "1": "Frustrated", "2": "Very angry" },
      "probabilities": { "0": 0.0, "1": 0.96, "2": 0.04 },
      "confidence": 0.94
    }
  },
  "usage": { "input_tokens": 402, "output_tokens": 73 }
}

あとはコードでそのまま使うだけ

const { answers } = await res.json();

if (answers.is_urgent.noul > 0.8) pageOnCall();
if (answers.department.confidence > 0.7) {
  assignTo(answers.department.choice);   // "billing"
} else {
  sendToHumanTriage();
}

活用例

サポートチケットの振り分けコンテンツモデレーションと LLM ガードレールRAG の文章フィルタリード / 履歴書のスコアリングエージェントの意図ルーティング引用・重複チェック

料金

$0.042

入力 100 万トークンあたり

出力トークン：無料

上の例のような呼び出しは実測で入力 300〜400 トークンなので、無料の 100 万トークンで約 2,500〜3,000 回呼び出せます。その後は通常の Apigator 残高から従量課金 — サブスクリプションはありません。