TypeSafe: Jev 1.13

Jev 1.13 est le modèle System One versionné de TypeSafe pour les décisions structurées. Son identifiant chez le producteur est jev-1.13.0. Il évalue du texte ou un état JSON textuel à l’aide de questions typées et renvoie directement des valeurs et des distributions de probabilités, sans rédiger de réponse écrite. Cette édition convient à la classification, à l’orientation, aux vérifications de conditions et aux jugements sur grille dont les issues possibles sont connues avant la requête.

Préparer l’état et des questions ciblées

Fournissez comme état une chaîne de caractères, un objet JSON ou un tableau de valeurs textuelles. Utilisez des champs nommés lorsque les éléments comprennent des enregistrements liés, une conversation et une règle. Conservez les parties nécessaires à chaque question et faites référence à un champ ou à un élément précis lorsque cela identifie clairement les éléments à examiner. Jev 1.13 est limité au texte ; les images, l’audio, la vidéo et les fichiers binaires doivent être préparés en texte ou en champs textuels structurés en dehors de ce modèle.

Chaque question comporte un type, des instructions et les critères requis par son type. Les instructions et les descriptions des critères peuvent utiliser du texte ou une structure JSON. Le producteur renvoie les réponses sous les identifiants des questions, mais ces identifiants ne font pas partie de l’inférence. Rédigez la question complète, plutôt que de compter sur un identifiant tel que urgent pour suggérer le critère visé. Un état d’assistance utile peut contenir le message et les détails de l’impact, tandis que des questions distinctes définissent sa catégorie et sa gravité.

Choice : une catégorie fournie et sa distribution

Choice sélectionne l’option de probabilité maximale dans l’ensemble non ordonné défini par l’appelant. Sa table de critères contient les clés des options et leurs descriptions ; null est autorisé lorsqu’une option ne nécessite aucune explication supplémentaire. La limite documentée est de 255 options par Choice. Ajoutez une option « autre » ou « aucune correspondance » lorsqu’une taxonomie ne couvre pas tous les éléments possibles, et expliquez les frontières qu’un nom de catégorie court ne permet pas de fixer.

La réponse contient l’option sélectionnée, une probabilité pour chaque option et la confiance. Conservez la distribution lorsque deux candidats sont proches, au lieu de traiter le libellé sélectionné comme une certitude. La catégorie sélectionnée peut identifier une orientation proposée ; l’application environnante décide si elle doit l’effectuer et comment.

Score : un niveau attendu, plutôt qu’une mesure exacte

Score utilise un tableau ordonné de niveaux décrits, avec au moins deux niveaux recommandés et jusqu’à dix pris en charge. Les indices commencent à 0. Le résultat numérique est la moyenne des indices de niveau pondérée par les probabilités ; il peut donc se situer entre des niveaux. La légende de la réponse relie les indices à leurs descriptions, et les probabilités de niveau montrent la répartition du jugement.

Pour la gravité, décrivez la différence entre un impact esthétique, un contournement utilisable et une tâche bloquée. Un score fractionnaire peut aider à établir des priorités ou à agréger des jugements, tandis que sélectionner la catégorie la plus probable est une opération différente. Le guide de TypeSafe propre à cette édition indique que Score est peu performant pour reconstituer une quantité physique ou numérique exacte en interpolant entre les niveaux. Gardez les calculs arithmétiques précis et les mesures en dehors du modèle.

Noul et confiance ont des sens distincts

Noul renvoie la probabilité, de 0 à 1, qu’une condition définie soit vraie. Des critères facultatifs true et false précisent la frontière. Il ne possède aucun champ de confiance distinct. Une probabilité proche de 0,5 indique une incertitude entre oui et non, plutôt qu’une valeur intermédiaire sur une échelle graduée.

La confiance de Choice et de Score est dérivée de leurs distributions respectives. Pour Choice avec au moins deux options (n > 1) et une probabilité sélectionnée p_max, la formule documentée est (p_max − 1/n) / (1 − 1/n) : elle compare l’issue dominante à une répartition uniforme. La confiance de Score tient aussi compte de la distance au niveau le plus probable, pondérée par les probabilités, normalisée par rapport à la dispersion d’une distribution uniforme et bornée inférieurement à 0. Ainsi, une ambiguïté entre niveaux adjacents et une ambiguïté entre extrémités opposées ont des sens différents. Conservez toute la distribution lorsque la tâche nécessite plus de détail qu’une seule statistique.

Jugements indépendants sur des éléments partagés

Les questions d’une même requête voient le même état et sont évaluées indépendamment. Le résultat d’une question n’est pas un contexte caché pour une autre. Décomposez un jugement large en préoccupations ciblées, puis interprétez ou combinez les valeurs renvoyées selon la tâche. Un problème peut avoir une catégorie, une note d’impact et une vérification de pertinence sans transformer ces critères indépendants en un libellé vague de priorité.

Si une question ultérieure nécessite des éléments récupérés ou des options choisies à partir d’un résultat antérieur, explicitez cette dépendance dans une requête ultérieure. Pour l’extraction de candidats, obtenez d’abord les valeurs disponibles depuis la source, puis utilisez un Choice délimité pour choisir parmi elles. Jev 1.13 n’est pas entraîné à la génération de texte libre et ne doit pas être décrit comme produisant une nouvelle chaîne arbitraire ou une explication narrative.

Limites de contexte et de langue propres à l’édition

Le fabricant indique un budget de 64k tokens pour l’état et toutes les questions réunis, ainsi qu’un budget de 32k tokens pour l’état et la plus longue question individuelle. Les deux contraintes comptent. Un état qui tient dans le budget total peut néanmoins laisser trop peu de place aux instructions et aux options d’une question particulière. Retirez le matériau sans rapport tout en conservant les éléments qui déterminent la réponse.

L’anglais est la principale langue d’entraînement de cette édition, et le producteur y rapporte sa meilleure précision. D’autres langues, y compris les écritures CJK, sont acceptées, mais n’offrent pas une précision équivalente. Utilisez des sources représentatives de la langue visée lorsque vous évaluez l’interprétation des probabilités ou des frontières de catégories. Un contrat d’entrée exclusivement textuel n’établit pas une performance multilingue universelle.

Limites substantielles publiées

TypeSafe documente une lecture littérale des mots délimitant la portée et des négations, un comptage et une arithmétique peu fiables, des difficultés à comparer des dates comme des quantités ordonnées et une fiabilité réduite avec plusieurs niveaux d’indirection. Il recommande d’effectuer les calculs exacts dans du code et de confier le jugement sémantique au modèle. Des encodages numériques peuvent être moins efficaces que des noms porteurs de sens, et un état volumineux rempli de détails sans rapport peut détourner l’attention des éléments pertinents.

Le même guide indique qu’un contenu adversarial dans l’état peut orienter la réponse, que des instructions et des critères contradictoires peuvent désorienter le modèle et que l’ordre des options Choice peut parfois biaiser le résultat en faveur d’une option placée tôt. Définissez la condition réelle, alignez les instructions sur les critères, réduisez les étapes intermédiaires inutiles et comparez les jugements limites à la source. Gardez à l’esprit les limites de Jev 1.13 lorsque vous interprétez ses jugements.

Un artefact utile de Jev 1.13 préserve l’identifiant de l’état, la question complète, les options ou les niveaux, le résultat typé, les probabilités et la statistique de confiance pertinente. Explicitez la version lorsque les résultats ou les seuils dépendent de cette édition. Examinez les cas incertains au regard des éléments disponibles et laissez l’application effectuer les calculs exacts et les actions du processus ; le modèle fournit un jugement ciblé assorti d’une incertitude numérique.