{
  "aboutHtml": "<p>Jev to flagowy model TypeSafe i pierwszy model nowej klasy <strong>System One</strong>. Nie pisze tekstu, lecz szybko podejmuje decyzje, które program może od razu wykorzystać: przekazujesz <strong>stan</strong> (<code>state</code>) — tekst lub JSON — oraz zestaw <strong>pytań</strong>, a w odpowiedzi otrzymujesz wartości o określonych typach ze skalibrowanymi prawdopodobieństwami.</p><p>Modele językowe piszą słowa dla ludzi, natomiast Jev według TypeSafe jest bliższy kodowi: odpowiedź od razu ma formę potrzebną w kodzie, szybkość jest wysoka i nie pojawia się żadna wartość spoza zadanych wariantów. Model zaprojektowano tak, aby udzielał stabilnych odpowiedzi przy powtarzanych żądaniach.</p><h4>Czym System One różni się od modelu językowego</h4><ul><li><strong>Nie generuje.</strong> Jev nie pisze odpowiedzi dla użytkownika, nie pisze kodu i nie wyjaśnia przebiegu rozumowania. Możliwe odpowiedzi określasz sam — przez jeden z trzech typów pytań.</li><li><strong>Jest trenowany do skalibrowanych decyzji.</strong> TypeSafe trenuje model metodą RLCD (Reinforcement Learning for Calibrated Decisions): prawdopodobieństwa są dopasowywane do rzeczywistych wyników i odzwierciedlają niepewność. Wśród wielu odpowiedzi z prawdopodobieństwem 0,8 około 80% powinno być poprawnych. Kalibracja jest właściwością dużej próby, a nie gwarancją poprawności pojedynczej odpowiedzi.</li><li><strong>Inny cel trenowania.</strong> Modele czatu są uczone, aby podobać się ludziom (RLHF), co według obserwacji TypeSafe sprzyja nadmiernemu przypodobywaniu się i pewnie brzmiącym błędom. Jeden ze współautorów RLHF, Diogo Almeida, jest współzałożycielem TypeSafe.</li></ul><p>Nazwa nawiązuje do „Systemu 1” z książki Daniela Kahnemana „Pułapki myślenia. O myśleniu szybkim i wolnym”: szybkiego intuicyjnego osądu w przeciwieństwie do powolnego, przemyślanego myślenia „Systemu 2”. Jev został stworzony do szybkich, wąskich ocen.</p><h4>Trzy typy pytań</h4><p>Pytanie jest pojedynczym osądem stanu, a odpowiedź — wartością, którą kod porównuje z progiem, sortuje lub przekazuje dalej.</p><ol><li><strong>Choice — wybór wariantu.</strong> Dział obsługujący zgłoszenie, kategoria produktu, język fragmentu kodu. Warianty to słownik „wariant → opis”, do 255 pozycji. Odpowiedź zawiera wybrany <code>choice</code>, prawdopodobieństwa <code>probabilities</code> wszystkich wariantów (o sumie 1) i pewność <code>confidence</code>. Jeśli lista może nie obejmować wszystkich przypadków, dodaj „inne” lub „żadne z wymienionych”.</li><li><strong>Score — ocena na skali.</strong> Miejsce na uporządkowanej skali opisanej przez użytkownika: istotność błędu, irytacja klienta, poziom umiejętności. Od 2 do 10 poziomów, od najniższego do najwyższego; każdy poziom model ocenia osobno, nie widząc jego numeru ani sąsiadów. Odpowiedź zawiera <code>score</code> (sumę numerów poziomów pomnożonych przez ich prawdopodobieństwa, więc wartość może znaleźć się między poziomami), <code>legend</code> z opisami poziomów, <code>probabilities</code> i <code>confidence</code>.</li><li><strong>Noul — tak lub nie.</strong> Czy stwierdzenie jest prawdziwe. Odpowiedź <code>noul</code> jest prawdopodobieństwem „tak” od 0 do 1: blisko 1 — pewne „tak”, blisko 0 — pewne „nie”, blisko 0,5 — model się waha. Nie ma osobnego <code>confidence</code>: jedna liczba opisuje odpowiedź w całości. Opcjonalne <code>criteria</code> doprecyzowuje, co uznawać za „tak”, a co za „nie”.</li></ol><p>Jak wybierać: znane warianty bez kolejności — choice; stopnie spektrum — score; czyste „tak/nie”, gdy ważne jest samo prawdopodobieństwo — noul. Noul 0,5 oznacza równe szanse „tak” i „nie”, a nie „średni poziom”: stopień mierzy score. Z dwóch odpowiednich typów wybieraj ten, na podstawie którego kod od razu działa: choice — gałęzie, score — próg, noul — <code>if</code>.</p><p>Typy można łączyć w jednym żądaniu. Odpowiedź zawsze jest ograniczona do twoich wariantów i nie zależy od innych pytań: pytania można dodawać i usuwać bez zmieniania pozostałych odpowiedzi.</p><h4>Stan</h4><p>Stan jest tym, co model ocenia: wiadomością klienta, fragmentem dokumentu, rekordem bazy lub stanem aplikacji.</p><ul><li><strong>Ciąg tekstowy</strong> — gdy tekst jest jeden: wiadomość, artykuł, fragment.</li><li><strong>Obiekt</strong> — nazwane pola, powiązane rekordy, stan aplikacji. TypeSafe zaleca obiekt dla większości żądań: każda część ma zrozumiałą nazwę.</li><li><strong>Tablica</strong> — sekwencja wiadomości lub rekordów.</li></ul><p>Przygotowuj go jak materiały dla ekspertów: korespondencję, zamówienie i reguły zwrotów umieszczaj razem, jeśli decyzja wymaga ich porównania. Treść trzymaj w stanie, a osądy — w pytaniach. Jeśli pytanie dotyczy jednej części stanu, wskaż w nim ścieżkę do niej w grawisach, na przykład <code>ticket.messages[0].text</code>.</p><h4>Jak formułować pytania</h4><ul><li><strong>Jeden szybki osąd na pytanie.</strong> Dobre pytanie to takie, na które znająca temat osoba z potrzebnym kontekstem odpowie w sekundę: „Czy wiadomość wskazuje na pilność?”. „Przeanalizuj wiadomość i zdecyduj, co zrobić” wymaga już powolnego rozumowania; trzeba je podzielić na proste pytania.</li><li><strong>Całe pytanie w <code>instructions</code>.</strong> Klucz pytania, na przykład <code>refund_requested</code>, służy tylko twojemu kodowi i nie jest przekazywany modelowi.</li><li><strong>Wszystkie pytania do jednego stanu w jednym żądaniu.</strong> Model ocenia je równolegle: według TypeSafe dodatkowe pytania prawie nie wydłużają czasu odpowiedzi i kosztują tylko własne tokeny. Pytanie „na wszelki wypadek” kosztuje niemal nic — kod sam określi, które odpowiedzi są potrzebne.</li><li><strong>Złożony osąd po częściach.</strong> Zamiast „oceń wniosek startupu” pytaj osobno o wielkość rynku, wykonalność techniczną i różnice względem konkurencji, a wynik oblicz w kodzie z wagami. Zmieniły się priorytety — zmieniasz wagi, zamiast przepisywać pytanie.</li><li><strong>Pytania zależne w drugim żądaniu.</strong> Odpowiedzi jednego żądania nie stanowią wzajemnie swojego kontekstu. Drugie żądanie jest potrzebne tylko wtedy, gdy nie można go zbudować bez pierwszej odpowiedzi: trzeba pobrać dane lub wybrać warianty następnego pytania.</li><li><strong>Długie pytanie jako obiekt.</strong> <code>instructions</code> i <code>criteria</code> zwykle są ciągami tekstowymi, lecz mogą też być obiektem lub tablicą: pytanie w jednym polu, dane w innych. Ułatwia to porównywanie CV z rekordami bazy za pomocą jednego pytania.</li></ul><h4>Pewność</h4><p>W choice i score <code>confidence</code> od 0 do 1 pokazuje, jak bardzo prawdopodobieństwo koncentruje się na jednej odpowiedzi: 1 — całe na jednym wariancie, 0 — równo na wszystkich. W score sąsiedni poziom zmniejsza pewność mniej niż odległy. W noul pewnością jest sama wartość: im dalej od 0,5, tym mocniejsza odpowiedź.</p><p>TypeSafe zaleca trzy zakresy:</p><ol><li><strong>Wysoka pewność</strong> — działaj automatycznie.</li><li><strong>Średnia</strong> — działaj ostrożnie, na przykład poproś użytkownika o potwierdzenie.</li><li><strong>Niska</strong> — przekaż przypadek człowiekowi, doprecyzuj żądanie lub połącz ścieżkę zapasową, na przykład silniejszy model z rozumowaniem.</li></ol><p>Im droższy błąd, tym bardziej rygorystyczny próg: dla działań nieodwracalnych wyższy niż dla odczytu. Odpowiedź wskazuje, co wybrać, a pewność — czy warto działać. Progi dobieraj na własnych danych, porównując pewność z dokładnością.</p><h4>Jak budować system wokół Jev</h4><p>Jev jest przeznaczony do programów, w których kod steruje procesem, a model odpowiada na wąskie pytania znaczeniowe; nie do agentów samodzielnie wybierających następny krok, które w każdej iteracji mogą zboczyć z drogi. Osiem kroków projektowania według TypeSafe:</p><ol><li>Wszystko, co można wykonać kodem, wykonuj kodem — niezawodnie i tanio.</li><li>W stanie umieszczaj tylko to, czego wymagają obecne pytania; świeże fakty czerp z własnej bazy wiedzy, a nie pamięci modelu.</li><li>Struktura w stanie: zagnieżdżony JSON, a w pytaniu — ścieżka do potrzebnego pola w grawisach, jeśli zmniejsza to niejednoznaczność.</li><li>Najwęższe i najbardziej konkretne pytania — według TypeSafe być może najważniejsza reguła: szerokie pytanie ukrywa kilka osądów za jedną odpowiedzią.</li><li>Struktura w pytaniach: samo pytanie krótkie; wyjaśnienia, przykłady i wartości z własnej bazy w sąsiednich polach obiektu <code>instructions</code> lub <code>criteria</code>, zamiast jednego długiego ciągu tekstowego.</li><li>Wiele niezależnych pytań do jednego stanu w jednym żądaniu — więcej korzyści z każdego dolara.</li><li>Odpowiedzi łączy kod: regułami, sumą ważoną lub jako cechy klasycznego modelu uczenia maszynowego.</li><li>Rozgałęzianie według pewności: niepewne przypadki do człowieka lub modelu z rozumowaniem.</li></ol><p>Jev nie jest czatem ani modelem do automatycznego uzupełniania kodu i nie może zastąpić modelu językowego w agencie programistycznym. Agent może natomiast napisać dla ciebie kod wywołujący Jev tam, gdzie potrzebna jest szybka skalibrowana odpowiedź.</p><h4>Zastosowania</h4><ul><li><strong>Automatyzacja w tle</strong> — decyzje wykonywane milion razy bez człowieka obok.</li><li><strong>Czas rzeczywisty</strong> — według TypeSafe większość żądań jest wykonywana w około 100 ms: wystarcza to do przetwarzania na bieżąco i interfejsów.</li><li><strong>Duże dane</strong> — wyszukiwanie w ogromnych korpusach, oznaczanie logów pracy agentów, cechy do prognoz.</li><li><strong>Sprawdzanie innych modeli</strong> — żądania, wyodrębnienia, rozumowania, wywołania narzędzi: omijanie ograniczeń, błędy cytowania, zmyślone informacje.</li><li><strong>Wyszukiwanie i ranking</strong> — istotność pary „zapytanie — kandydat”, ponowne szeregowanie, wybór kontekstu.</li><li><strong>Rozgałęzienie według intencji</strong> — czego chce użytkownik i który komponent obsługi jest potrzebny: prosta logika, model specjalistyczny lub człowiek; temat, trudność i ryzyko określają, któremu modelowi językowemu przekazać żądanie.</li><li><strong>Kontrole ochronne</strong> — wejście, wyjście i wywołania narzędzi modelu językowego: wstrzyknięte instrukcje, naruszenia reguł, wyciek danych osobowych.</li><li><strong>Wsparcie</strong> — temat i intencja zgłoszenia, pilność, irytacja, ryzyko odejścia, prośba o zwrot, kolejka.</li><li><strong>Moderacja</strong> — według reguł twojej platformy: toksyczność, nękanie, spam, oszustwa, niebezpieczne porady, dane osobowe; według istotności i pewności — przepuścić, ostrzec, sprawdzić lub zablokować.</li><li><strong>Branże</strong> — zdarzenia ubezpieczeniowe, dochodzenia finansowe i KYC, umowy i reklama, karty produktów, rekrutacja, leady, gry, ryzyka, prognozowanie popytu, grafy wiedzy, przeglądy naukowe, znaczeniowe sprawdzenia kodu w CI.</li></ul><h4>Charakterystyka</h4><ul><li><strong><code>jev-latest</code></strong> — alias najnowszej stabilnej wersji, obecnie Jev 1.13; wersja odpowiadająca jest w polu <code>model</code>, na przykład <code>jev-1.13.0</code>. Przy nowej wersji alias przechodzi na nią, a odpowiedzi mogą się zmienić bez zmian po twojej stronie — śledź to pole, jeśli progi dobrano do wersji.</li><li><strong>Kontekst</strong> — 64K tokenów na żądanie: stan i wszystkie pytania razem; stan z najdłuższym pytaniem — do 32K. Model czyta stan raz i sprawdza względem niego wszystkie pytania równolegle.</li><li><strong>Wejście</strong> — wyłącznie tekst: ciąg tekstowy, obiekt JSON lub tablica tekstów. Obrazy, dźwięk i wideo nie są jeszcze obsługiwane — wcześniej przekształć je w tekst.</li><li><strong>Język</strong> — głównym językiem trenowania jest angielski i obecnie dokładność w nim jest najwyższa. Model przyjmuje inne języki, w tym chiński, japoński i koreański, lecz dokładność jest niższa — sprawdź na własnych danych.</li><li><strong>Ceny i rozliczenia w Ailoot API</strong> — warunki zależą od wybranej metody i są podane na jej karcie.</li><li><strong>Dostrajanie</strong> — Jev nie jest dostrajany na danych klienta: własne materiały w <code>state</code>, reguły dziedziny w <code>instructions</code> i <code>criteria</code>.</li><li><strong>Dane</strong> — TypeSafe informuje, że Jev nie jest trenowany na żądaniach i odpowiedziach klientów.</li></ul><h4>Znane słabe strony Jev 1.13</h4><p>TypeSafe otwarcie wymienia słabe strony obecnej wersji i obiecuje wiele poprawić w następnych. Model jest szybki, skalibrowany i dobrze ocenia zgodnie ze zdrowym rozsądkiem, lecz:</p><ol><li><strong>Czyta dosłownie.</strong> Odpowiada na napisane pytanie, a nie domyślne: zastrzeżenia, negacje i niejawne warunki rozumie dosłownie. Pisz dokładny warunek i przypadki graniczne w <code>criteria</code>; nieuniknioną interpretację rozdziel na dwa dosłowne pytania.</li><li><strong>Nie jest kalkulatorem.</strong> Liczenie znaków, powtórzeń i elementów listy jest zawodne, a błąd rośnie wraz z rozmiarem — licz w kodzie, z pytaniem na kandydata. Kolory w hex lub RGB model rozumie gorzej od nazw. <code>score</code> nadaje się do progu, lecz nie do dokładnej liczby między poziomami.</li><li><strong>Daty i czas.</strong> Która data jest wcześniejsza, ile jest między nimi, czy data należy do okresu — zawodne, zwłaszcza przy mieszanych formatach i datach względnych. Części daty wyodrębniaj przez choice (z wariantem „nie podano”), a porównuj w kodzie.</li><li><strong>Pośredniość.</strong> Podwójne negacje i pytania o właściwość właściwości zmniejszają dokładność. Pisz wprost i nazywaj części stanu po imieniu.</li><li><strong>Nadmiar w stanie.</strong> Zbędny tekst zmniejsza dokładność. Filtruj w kodzie, a jeśli nie można — odrzucaj nieistotne treści pytaniami noul.</li><li><strong>Wrogi tekst.</strong> Model domyślnie nie spodziewa się podstępów w stanie: wstrzyknięta instrukcja lub tekst podważający własną klasyfikację może przesunąć odpowiedź. Pisz precyzyjne kryteria i sprawdzaj przypadki graniczne przed uruchomieniem.</li><li><strong>Sprzeczności.</strong> Jeśli <code>instructions</code> i <code>criteria</code> żądają czegoś innego — na przykład dla noul „tak” opisano jako „nie” — dokładność spada. Kryteria są kontynuacją pytania.</li><li><strong>Kolejność wariantów.</strong> Model czasem skłania się ku pierwszemu wariantowi choice. Przestaw warianty i sprawdź, czy odpowiedź się nie zmienia.</li><li><strong>Generowanie.</strong> Jev nie był trenowany do pisania tekstu. Przy wyodrębnianiu danych znajdź kandydatów wyrażeniem regularnym lub modelem generatywnym, a Jev niech wybierze poprawnego przez choice.</li></ol>",
  "aboutText": "Jev to flagowy model TypeSafe i pierwszy model nowej klasy **System One**. Nie pisze tekstu, lecz szybko podejmuje decyzje, które program może od razu wykorzystać: przekazujesz **stan** (`state`) — tekst lub JSON — oraz zestaw **pytań**, a w odpowiedzi otrzymujesz wartości o określonych typach ze skalibrowanymi prawdopodobieństwami.\n\nModele językowe piszą słowa dla ludzi, natomiast Jev według TypeSafe jest bliższy kodowi: odpowiedź od razu ma formę potrzebną w kodzie, szybkość jest wysoka i nie pojawia się żadna wartość spoza zadanych wariantów. Model zaprojektowano tak, aby udzielał stabilnych odpowiedzi przy powtarzanych żądaniach.\n\n### Czym System One różni się od modelu językowego\n\n- **Nie generuje.** Jev nie pisze odpowiedzi dla użytkownika, nie pisze kodu i nie wyjaśnia przebiegu rozumowania. Możliwe odpowiedzi określasz sam — przez jeden z trzech typów pytań.\n- **Jest trenowany do skalibrowanych decyzji.** TypeSafe trenuje model metodą RLCD (Reinforcement Learning for Calibrated Decisions): prawdopodobieństwa są dopasowywane do rzeczywistych wyników i odzwierciedlają niepewność. Wśród wielu odpowiedzi z prawdopodobieństwem 0,8 około 80% powinno być poprawnych. Kalibracja jest właściwością dużej próby, a nie gwarancją poprawności pojedynczej odpowiedzi.\n- **Inny cel trenowania.** Modele czatu są uczone, aby podobać się ludziom (RLHF), co według obserwacji TypeSafe sprzyja nadmiernemu przypodobywaniu się i pewnie brzmiącym błędom. Jeden ze współautorów RLHF, Diogo Almeida, jest współzałożycielem TypeSafe.\n\nNazwa nawiązuje do „Systemu 1” z książki Daniela Kahnemana „Pułapki myślenia. O myśleniu szybkim i wolnym”: szybkiego intuicyjnego osądu w przeciwieństwie do powolnego, przemyślanego myślenia „Systemu 2”. Jev został stworzony do szybkich, wąskich ocen.\n\n### Trzy typy pytań\n\nPytanie jest pojedynczym osądem stanu, a odpowiedź — wartością, którą kod porównuje z progiem, sortuje lub przekazuje dalej.\n\n1. **Choice — wybór wariantu.** Dział obsługujący zgłoszenie, kategoria produktu, język fragmentu kodu. Warianty to słownik „wariant → opis”, do 255 pozycji. Odpowiedź zawiera wybrany `choice`, prawdopodobieństwa `probabilities` wszystkich wariantów (o sumie 1) i pewność `confidence`. Jeśli lista może nie obejmować wszystkich przypadków, dodaj „inne” lub „żadne z wymienionych”.\n2. **Score — ocena na skali.** Miejsce na uporządkowanej skali opisanej przez użytkownika: istotność błędu, irytacja klienta, poziom umiejętności. Od 2 do 10 poziomów, od najniższego do najwyższego; każdy poziom model ocenia osobno, nie widząc jego numeru ani sąsiadów. Odpowiedź zawiera `score` (sumę numerów poziomów pomnożonych przez ich prawdopodobieństwa, więc wartość może znaleźć się między poziomami), `legend` z opisami poziomów, `probabilities` i `confidence`.\n3. **Noul — tak lub nie.** Czy stwierdzenie jest prawdziwe. Odpowiedź `noul` jest prawdopodobieństwem „tak” od 0 do 1: blisko 1 — pewne „tak”, blisko 0 — pewne „nie”, blisko 0,5 — model się waha. Nie ma osobnego `confidence`: jedna liczba opisuje odpowiedź w całości. Opcjonalne `criteria` doprecyzowuje, co uznawać za „tak”, a co za „nie”.\n\nJak wybierać: znane warianty bez kolejności — choice; stopnie spektrum — score; czyste „tak/nie”, gdy ważne jest samo prawdopodobieństwo — noul. Noul 0,5 oznacza równe szanse „tak” i „nie”, a nie „średni poziom”: stopień mierzy score. Z dwóch odpowiednich typów wybieraj ten, na podstawie którego kod od razu działa: choice — gałęzie, score — próg, noul — `if`.\n\nTypy można łączyć w jednym żądaniu. Odpowiedź zawsze jest ograniczona do twoich wariantów i nie zależy od innych pytań: pytania można dodawać i usuwać bez zmieniania pozostałych odpowiedzi.\n\n### Stan\n\nStan jest tym, co model ocenia: wiadomością klienta, fragmentem dokumentu, rekordem bazy lub stanem aplikacji.\n\n- **Ciąg tekstowy** — gdy tekst jest jeden: wiadomość, artykuł, fragment.\n- **Obiekt** — nazwane pola, powiązane rekordy, stan aplikacji. TypeSafe zaleca obiekt dla większości żądań: każda część ma zrozumiałą nazwę.\n- **Tablica** — sekwencja wiadomości lub rekordów.\n\nPrzygotowuj go jak materiały dla ekspertów: korespondencję, zamówienie i reguły zwrotów umieszczaj razem, jeśli decyzja wymaga ich porównania. Treść trzymaj w stanie, a osądy — w pytaniach. Jeśli pytanie dotyczy jednej części stanu, wskaż w nim ścieżkę do niej w grawisach, na przykład `ticket.messages[0].text`.\n\n### Jak formułować pytania\n\n- **Jeden szybki osąd na pytanie.** Dobre pytanie to takie, na które znająca temat osoba z potrzebnym kontekstem odpowie w sekundę: „Czy wiadomość wskazuje na pilność?”. „Przeanalizuj wiadomość i zdecyduj, co zrobić” wymaga już powolnego rozumowania; trzeba je podzielić na proste pytania.\n- **Całe pytanie w `instructions`.** Klucz pytania, na przykład `refund_requested`, służy tylko twojemu kodowi i nie jest przekazywany modelowi.\n- **Wszystkie pytania do jednego stanu w jednym żądaniu.** Model ocenia je równolegle: według TypeSafe dodatkowe pytania prawie nie wydłużają czasu odpowiedzi i kosztują tylko własne tokeny. Pytanie „na wszelki wypadek” kosztuje niemal nic — kod sam określi, które odpowiedzi są potrzebne.\n- **Złożony osąd po częściach.** Zamiast „oceń wniosek startupu” pytaj osobno o wielkość rynku, wykonalność techniczną i różnice względem konkurencji, a wynik oblicz w kodzie z wagami. Zmieniły się priorytety — zmieniasz wagi, zamiast przepisywać pytanie.\n- **Pytania zależne w drugim żądaniu.** Odpowiedzi jednego żądania nie stanowią wzajemnie swojego kontekstu. Drugie żądanie jest potrzebne tylko wtedy, gdy nie można go zbudować bez pierwszej odpowiedzi: trzeba pobrać dane lub wybrać warianty następnego pytania.\n- **Długie pytanie jako obiekt.** `instructions` i `criteria` zwykle są ciągami tekstowymi, lecz mogą też być obiektem lub tablicą: pytanie w jednym polu, dane w innych. Ułatwia to porównywanie CV z rekordami bazy za pomocą jednego pytania.\n\n### Pewność\n\nW choice i score `confidence` od 0 do 1 pokazuje, jak bardzo prawdopodobieństwo koncentruje się na jednej odpowiedzi: 1 — całe na jednym wariancie, 0 — równo na wszystkich. W score sąsiedni poziom zmniejsza pewność mniej niż odległy. W noul pewnością jest sama wartość: im dalej od 0,5, tym mocniejsza odpowiedź.\n\nTypeSafe zaleca trzy zakresy:\n\n1. **Wysoka pewność** — działaj automatycznie.\n2. **Średnia** — działaj ostrożnie, na przykład poproś użytkownika o potwierdzenie.\n3. **Niska** — przekaż przypadek człowiekowi, doprecyzuj żądanie lub połącz ścieżkę zapasową, na przykład silniejszy model z rozumowaniem.\n\nIm droższy błąd, tym bardziej rygorystyczny próg: dla działań nieodwracalnych wyższy niż dla odczytu. Odpowiedź wskazuje, co wybrać, a pewność — czy warto działać. Progi dobieraj na własnych danych, porównując pewność z dokładnością.\n\n### Jak budować system wokół Jev\n\nJev jest przeznaczony do programów, w których kod steruje procesem, a model odpowiada na wąskie pytania znaczeniowe; nie do agentów samodzielnie wybierających następny krok, które w każdej iteracji mogą zboczyć z drogi. Osiem kroków projektowania według TypeSafe:\n\n1. Wszystko, co można wykonać kodem, wykonuj kodem — niezawodnie i tanio.\n2. W stanie umieszczaj tylko to, czego wymagają obecne pytania; świeże fakty czerp z własnej bazy wiedzy, a nie pamięci modelu.\n3. Struktura w stanie: zagnieżdżony JSON, a w pytaniu — ścieżka do potrzebnego pola w grawisach, jeśli zmniejsza to niejednoznaczność.\n4. Najwęższe i najbardziej konkretne pytania — według TypeSafe być może najważniejsza reguła: szerokie pytanie ukrywa kilka osądów za jedną odpowiedzią.\n5. Struktura w pytaniach: samo pytanie krótkie; wyjaśnienia, przykłady i wartości z własnej bazy w sąsiednich polach obiektu `instructions` lub `criteria`, zamiast jednego długiego ciągu tekstowego.\n6. Wiele niezależnych pytań do jednego stanu w jednym żądaniu — więcej korzyści z każdego dolara.\n7. Odpowiedzi łączy kod: regułami, sumą ważoną lub jako cechy klasycznego modelu uczenia maszynowego.\n8. Rozgałęzianie według pewności: niepewne przypadki do człowieka lub modelu z rozumowaniem.\n\nJev nie jest czatem ani modelem do automatycznego uzupełniania kodu i nie może zastąpić modelu językowego w agencie programistycznym. Agent może natomiast napisać dla ciebie kod wywołujący Jev tam, gdzie potrzebna jest szybka skalibrowana odpowiedź.\n\n### Zastosowania\n\n- **Automatyzacja w tle** — decyzje wykonywane milion razy bez człowieka obok.\n- **Czas rzeczywisty** — według TypeSafe większość żądań jest wykonywana w około 100 ms: wystarcza to do przetwarzania na bieżąco i interfejsów.\n- **Duże dane** — wyszukiwanie w ogromnych korpusach, oznaczanie logów pracy agentów, cechy do prognoz.\n- **Sprawdzanie innych modeli** — żądania, wyodrębnienia, rozumowania, wywołania narzędzi: omijanie ograniczeń, błędy cytowania, zmyślone informacje.\n- **Wyszukiwanie i ranking** — istotność pary „zapytanie — kandydat”, ponowne szeregowanie, wybór kontekstu.\n- **Rozgałęzienie według intencji** — czego chce użytkownik i który komponent obsługi jest potrzebny: prosta logika, model specjalistyczny lub człowiek; temat, trudność i ryzyko określają, któremu modelowi językowemu przekazać żądanie.\n- **Kontrole ochronne** — wejście, wyjście i wywołania narzędzi modelu językowego: wstrzyknięte instrukcje, naruszenia reguł, wyciek danych osobowych.\n- **Wsparcie** — temat i intencja zgłoszenia, pilność, irytacja, ryzyko odejścia, prośba o zwrot, kolejka.\n- **Moderacja** — według reguł twojej platformy: toksyczność, nękanie, spam, oszustwa, niebezpieczne porady, dane osobowe; według istotności i pewności — przepuścić, ostrzec, sprawdzić lub zablokować.\n- **Branże** — zdarzenia ubezpieczeniowe, dochodzenia finansowe i KYC, umowy i reklama, karty produktów, rekrutacja, leady, gry, ryzyka, prognozowanie popytu, grafy wiedzy, przeglądy naukowe, znaczeniowe sprawdzenia kodu w CI.\n\n### Charakterystyka\n\n- **`jev-latest`** — alias najnowszej stabilnej wersji, obecnie Jev 1.13; wersja odpowiadająca jest w polu `model`, na przykład `jev-1.13.0`. Przy nowej wersji alias przechodzi na nią, a odpowiedzi mogą się zmienić bez zmian po twojej stronie — śledź to pole, jeśli progi dobrano do wersji.\n- **Kontekst** — 64K tokenów na żądanie: stan i wszystkie pytania razem; stan z najdłuższym pytaniem — do 32K. Model czyta stan raz i sprawdza względem niego wszystkie pytania równolegle.\n- **Wejście** — wyłącznie tekst: ciąg tekstowy, obiekt JSON lub tablica tekstów. Obrazy, dźwięk i wideo nie są jeszcze obsługiwane — wcześniej przekształć je w tekst.\n- **Język** — głównym językiem trenowania jest angielski i obecnie dokładność w nim jest najwyższa. Model przyjmuje inne języki, w tym chiński, japoński i koreański, lecz dokładność jest niższa — sprawdź na własnych danych.\n- **Ceny i rozliczenia w Ailoot API** — warunki zależą od wybranej metody i są podane na jej karcie.\n- **Dostrajanie** — Jev nie jest dostrajany na danych klienta: własne materiały w `state`, reguły dziedziny w `instructions` i `criteria`.\n- **Dane** — TypeSafe informuje, że Jev nie jest trenowany na żądaniach i odpowiedziach klientów.\n\n### Znane słabe strony Jev 1.13\n\nTypeSafe otwarcie wymienia słabe strony obecnej wersji i obiecuje wiele poprawić w następnych. Model jest szybki, skalibrowany i dobrze ocenia zgodnie ze zdrowym rozsądkiem, lecz:\n\n1. **Czyta dosłownie.** Odpowiada na napisane pytanie, a nie domyślne: zastrzeżenia, negacje i niejawne warunki rozumie dosłownie. Pisz dokładny warunek i przypadki graniczne w `criteria`; nieuniknioną interpretację rozdziel na dwa dosłowne pytania.\n2. **Nie jest kalkulatorem.** Liczenie znaków, powtórzeń i elementów listy jest zawodne, a błąd rośnie wraz z rozmiarem — licz w kodzie, z pytaniem na kandydata. Kolory w hex lub RGB model rozumie gorzej od nazw. `score` nadaje się do progu, lecz nie do dokładnej liczby między poziomami.\n3. **Daty i czas.** Która data jest wcześniejsza, ile jest między nimi, czy data należy do okresu — zawodne, zwłaszcza przy mieszanych formatach i datach względnych. Części daty wyodrębniaj przez choice (z wariantem „nie podano”), a porównuj w kodzie.\n4. **Pośredniość.** Podwójne negacje i pytania o właściwość właściwości zmniejszają dokładność. Pisz wprost i nazywaj części stanu po imieniu.\n5. **Nadmiar w stanie.** Zbędny tekst zmniejsza dokładność. Filtruj w kodzie, a jeśli nie można — odrzucaj nieistotne treści pytaniami noul.\n6. **Wrogi tekst.** Model domyślnie nie spodziewa się podstępów w stanie: wstrzyknięta instrukcja lub tekst podważający własną klasyfikację może przesunąć odpowiedź. Pisz precyzyjne kryteria i sprawdzaj przypadki graniczne przed uruchomieniem.\n7. **Sprzeczności.** Jeśli `instructions` i `criteria` żądają czegoś innego — na przykład dla noul „tak” opisano jako „nie” — dokładność spada. Kryteria są kontynuacją pytania.\n8. **Kolejność wariantów.** Model czasem skłania się ku pierwszemu wariantowi choice. Przestaw warianty i sprawdź, czy odpowiedź się nie zmienia.\n9. **Generowanie.** Jev nie był trenowany do pisania tekstu. Przy wyodrębnianiu danych znajdź kandydatów wyrażeniem regularnym lub modelem generatywnym, a Jev niech wybierze poprawnego przez choice.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "c83cd8213b643f2fe6036b94ecc6d2090237805655ef00a6c3e89c2998789986",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "pl",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">TS</span><h2 id=\"sheet-title\">jev-latest</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Zamknij\">×</button></div><div class=\"idline\"><span>TypeSafe /</span><code>jev-latest</code><button type=\"button\" id=\"copy-id\">Kopiuj ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Sekcje karty modelu\"><button type=\"button\" data-card-jump=\"overview\">Start</button><button type=\"button\" data-card-jump=\"methods\">Dane wejściowe i metody</button><button type=\"button\" data-card-jump=\"pricing\">Cennik</button><button type=\"button\" data-card-jump=\"examples\">Przykłady</button><button type=\"button\" data-card-jump=\"results\">Wyniki</button><button type=\"button\" data-card-jump=\"aliases\">Aliasy</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"Metody API\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Core|systemone|/v1/systemone|jev-latest\">System One</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Start</h3><p class=\"mdesc-full\">Model decyzyjny TypeSafe: nie pisze tekstu, lecz odpowiada na pytania o określonym typie dotyczące tekstu lub JSON — wybór wariantu, ocenę na skali albo „tak/nie” z prawdopodobieństwami. Nadaje się do routowania, sortowania zgłoszeń, moderacji i scoringu; wszystkie pytania jednego żądania są oceniane równolegle.</p><dl class=\"card-io\" data-card-io><div><dt>Akceptowane dane wejściowe</dt><dd>Tekst</dd></div><div><dt>Wyniki</dt><dd>structured</dd></div></dl><details class=\"card-about\"><summary>O modelu</summary><p class=\"note-s\" data-model-method-boundary>Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.</p><div class=\"mabout\" id=\"m-about\"><p>Jev to flagowy model TypeSafe i pierwszy model nowej klasy <strong>System One</strong>. Nie pisze tekstu, lecz szybko podejmuje decyzje, które program może od razu wykorzystać: przekazujesz <strong>stan</strong> (<code>state</code>) — tekst lub JSON — oraz zestaw <strong>pytań</strong>, a w odpowiedzi otrzymujesz wartości o określonych typach ze skalibrowanymi prawdopodobieństwami.</p><p>Modele językowe piszą słowa dla ludzi, natomiast Jev według TypeSafe jest bliższy kodowi: odpowiedź od razu ma formę potrzebną w kodzie, szybkość jest wysoka i nie pojawia się żadna wartość spoza zadanych wariantów. Model zaprojektowano tak, aby udzielał stabilnych odpowiedzi przy powtarzanych żądaniach.</p><h4>Czym System One różni się od modelu językowego</h4><ul><li><strong>Nie generuje.</strong> Jev nie pisze odpowiedzi dla użytkownika, nie pisze kodu i nie wyjaśnia przebiegu rozumowania. Możliwe odpowiedzi określasz sam — przez jeden z trzech typów pytań.</li><li><strong>Jest trenowany do skalibrowanych decyzji.</strong> TypeSafe trenuje model metodą RLCD (Reinforcement Learning for Calibrated Decisions): prawdopodobieństwa są dopasowywane do rzeczywistych wyników i odzwierciedlają niepewność. Wśród wielu odpowiedzi z prawdopodobieństwem 0,8 około 80% powinno być poprawnych. Kalibracja jest właściwością dużej próby, a nie gwarancją poprawności pojedynczej odpowiedzi.</li><li><strong>Inny cel trenowania.</strong> Modele czatu są uczone, aby podobać się ludziom (RLHF), co według obserwacji TypeSafe sprzyja nadmiernemu przypodobywaniu się i pewnie brzmiącym błędom. Jeden ze współautorów RLHF, Diogo Almeida, jest współzałożycielem TypeSafe.</li></ul><p>Nazwa nawiązuje do „Systemu 1” z książki Daniela Kahnemana „Pułapki myślenia. O myśleniu szybkim i wolnym”: szybkiego intuicyjnego osądu w przeciwieństwie do powolnego, przemyślanego myślenia „Systemu 2”. Jev został stworzony do szybkich, wąskich ocen.</p><h4>Trzy typy pytań</h4><p>Pytanie jest pojedynczym osądem stanu, a odpowiedź — wartością, którą kod porównuje z progiem, sortuje lub przekazuje dalej.</p><ol><li><strong>Choice — wybór wariantu.</strong> Dział obsługujący zgłoszenie, kategoria produktu, język fragmentu kodu. Warianty to słownik „wariant → opis”, do 255 pozycji. Odpowiedź zawiera wybrany <code>choice</code>, prawdopodobieństwa <code>probabilities</code> wszystkich wariantów (o sumie 1) i pewność <code>confidence</code>. Jeśli lista może nie obejmować wszystkich przypadków, dodaj „inne” lub „żadne z wymienionych”.</li><li><strong>Score — ocena na skali.</strong> Miejsce na uporządkowanej skali opisanej przez użytkownika: istotność błędu, irytacja klienta, poziom umiejętności. Od 2 do 10 poziomów, od najniższego do najwyższego; każdy poziom model ocenia osobno, nie widząc jego numeru ani sąsiadów. Odpowiedź zawiera <code>score</code> (sumę numerów poziomów pomnożonych przez ich prawdopodobieństwa, więc wartość może znaleźć się między poziomami), <code>legend</code> z opisami poziomów, <code>probabilities</code> i <code>confidence</code>.</li><li><strong>Noul — tak lub nie.</strong> Czy stwierdzenie jest prawdziwe. Odpowiedź <code>noul</code> jest prawdopodobieństwem „tak” od 0 do 1: blisko 1 — pewne „tak”, blisko 0 — pewne „nie”, blisko 0,5 — model się waha. Nie ma osobnego <code>confidence</code>: jedna liczba opisuje odpowiedź w całości. Opcjonalne <code>criteria</code> doprecyzowuje, co uznawać za „tak”, a co za „nie”.</li></ol><p>Jak wybierać: znane warianty bez kolejności — choice; stopnie spektrum — score; czyste „tak/nie”, gdy ważne jest samo prawdopodobieństwo — noul. Noul 0,5 oznacza równe szanse „tak” i „nie”, a nie „średni poziom”: stopień mierzy score. Z dwóch odpowiednich typów wybieraj ten, na podstawie którego kod od razu działa: choice — gałęzie, score — próg, noul — <code>if</code>.</p><p>Typy można łączyć w jednym żądaniu. Odpowiedź zawsze jest ograniczona do twoich wariantów i nie zależy od innych pytań: pytania można dodawać i usuwać bez zmieniania pozostałych odpowiedzi.</p><h4>Stan</h4><p>Stan jest tym, co model ocenia: wiadomością klienta, fragmentem dokumentu, rekordem bazy lub stanem aplikacji.</p><ul><li><strong>Ciąg tekstowy</strong> — gdy tekst jest jeden: wiadomość, artykuł, fragment.</li><li><strong>Obiekt</strong> — nazwane pola, powiązane rekordy, stan aplikacji. TypeSafe zaleca obiekt dla większości żądań: każda część ma zrozumiałą nazwę.</li><li><strong>Tablica</strong> — sekwencja wiadomości lub rekordów.</li></ul><p>Przygotowuj go jak materiały dla ekspertów: korespondencję, zamówienie i reguły zwrotów umieszczaj razem, jeśli decyzja wymaga ich porównania. Treść trzymaj w stanie, a osądy — w pytaniach. Jeśli pytanie dotyczy jednej części stanu, wskaż w nim ścieżkę do niej w grawisach, na przykład <code>ticket.messages[0].text</code>.</p><h4>Jak formułować pytania</h4><ul><li><strong>Jeden szybki osąd na pytanie.</strong> Dobre pytanie to takie, na które znająca temat osoba z potrzebnym kontekstem odpowie w sekundę: „Czy wiadomość wskazuje na pilność?”. „Przeanalizuj wiadomość i zdecyduj, co zrobić” wymaga już powolnego rozumowania; trzeba je podzielić na proste pytania.</li><li><strong>Całe pytanie w <code>instructions</code>.</strong> Klucz pytania, na przykład <code>refund_requested</code>, służy tylko twojemu kodowi i nie jest przekazywany modelowi.</li><li><strong>Wszystkie pytania do jednego stanu w jednym żądaniu.</strong> Model ocenia je równolegle: według TypeSafe dodatkowe pytania prawie nie wydłużają czasu odpowiedzi i kosztują tylko własne tokeny. Pytanie „na wszelki wypadek” kosztuje niemal nic — kod sam określi, które odpowiedzi są potrzebne.</li><li><strong>Złożony osąd po częściach.</strong> Zamiast „oceń wniosek startupu” pytaj osobno o wielkość rynku, wykonalność techniczną i różnice względem konkurencji, a wynik oblicz w kodzie z wagami. Zmieniły się priorytety — zmieniasz wagi, zamiast przepisywać pytanie.</li><li><strong>Pytania zależne w drugim żądaniu.</strong> Odpowiedzi jednego żądania nie stanowią wzajemnie swojego kontekstu. Drugie żądanie jest potrzebne tylko wtedy, gdy nie można go zbudować bez pierwszej odpowiedzi: trzeba pobrać dane lub wybrać warianty następnego pytania.</li><li><strong>Długie pytanie jako obiekt.</strong> <code>instructions</code> i <code>criteria</code> zwykle są ciągami tekstowymi, lecz mogą też być obiektem lub tablicą: pytanie w jednym polu, dane w innych. Ułatwia to porównywanie CV z rekordami bazy za pomocą jednego pytania.</li></ul><h4>Pewność</h4><p>W choice i score <code>confidence</code> od 0 do 1 pokazuje, jak bardzo prawdopodobieństwo koncentruje się na jednej odpowiedzi: 1 — całe na jednym wariancie, 0 — równo na wszystkich. W score sąsiedni poziom zmniejsza pewność mniej niż odległy. W noul pewnością jest sama wartość: im dalej od 0,5, tym mocniejsza odpowiedź.</p><p>TypeSafe zaleca trzy zakresy:</p><ol><li><strong>Wysoka pewność</strong> — działaj automatycznie.</li><li><strong>Średnia</strong> — działaj ostrożnie, na przykład poproś użytkownika o potwierdzenie.</li><li><strong>Niska</strong> — przekaż przypadek człowiekowi, doprecyzuj żądanie lub połącz ścieżkę zapasową, na przykład silniejszy model z rozumowaniem.</li></ol><p>Im droższy błąd, tym bardziej rygorystyczny próg: dla działań nieodwracalnych wyższy niż dla odczytu. Odpowiedź wskazuje, co wybrać, a pewność — czy warto działać. Progi dobieraj na własnych danych, porównując pewność z dokładnością.</p><h4>Jak budować system wokół Jev</h4><p>Jev jest przeznaczony do programów, w których kod steruje procesem, a model odpowiada na wąskie pytania znaczeniowe; nie do agentów samodzielnie wybierających następny krok, które w każdej iteracji mogą zboczyć z drogi. Osiem kroków projektowania według TypeSafe:</p><ol><li>Wszystko, co można wykonać kodem, wykonuj kodem — niezawodnie i tanio.</li><li>W stanie umieszczaj tylko to, czego wymagają obecne pytania; świeże fakty czerp z własnej bazy wiedzy, a nie pamięci modelu.</li><li>Struktura w stanie: zagnieżdżony JSON, a w pytaniu — ścieżka do potrzebnego pola w grawisach, jeśli zmniejsza to niejednoznaczność.</li><li>Najwęższe i najbardziej konkretne pytania — według TypeSafe być może najważniejsza reguła: szerokie pytanie ukrywa kilka osądów za jedną odpowiedzią.</li><li>Struktura w pytaniach: samo pytanie krótkie; wyjaśnienia, przykłady i wartości z własnej bazy w sąsiednich polach obiektu <code>instructions</code> lub <code>criteria</code>, zamiast jednego długiego ciągu tekstowego.</li><li>Wiele niezależnych pytań do jednego stanu w jednym żądaniu — więcej korzyści z każdego dolara.</li><li>Odpowiedzi łączy kod: regułami, sumą ważoną lub jako cechy klasycznego modelu uczenia maszynowego.</li><li>Rozgałęzianie według pewności: niepewne przypadki do człowieka lub modelu z rozumowaniem.</li></ol><p>Jev nie jest czatem ani modelem do automatycznego uzupełniania kodu i nie może zastąpić modelu językowego w agencie programistycznym. Agent może natomiast napisać dla ciebie kod wywołujący Jev tam, gdzie potrzebna jest szybka skalibrowana odpowiedź.</p><h4>Zastosowania</h4><ul><li><strong>Automatyzacja w tle</strong> — decyzje wykonywane milion razy bez człowieka obok.</li><li><strong>Czas rzeczywisty</strong> — według TypeSafe większość żądań jest wykonywana w około 100 ms: wystarcza to do przetwarzania na bieżąco i interfejsów.</li><li><strong>Duże dane</strong> — wyszukiwanie w ogromnych korpusach, oznaczanie logów pracy agentów, cechy do prognoz.</li><li><strong>Sprawdzanie innych modeli</strong> — żądania, wyodrębnienia, rozumowania, wywołania narzędzi: omijanie ograniczeń, błędy cytowania, zmyślone informacje.</li><li><strong>Wyszukiwanie i ranking</strong> — istotność pary „zapytanie — kandydat”, ponowne szeregowanie, wybór kontekstu.</li><li><strong>Rozgałęzienie według intencji</strong> — czego chce użytkownik i który komponent obsługi jest potrzebny: prosta logika, model specjalistyczny lub człowiek; temat, trudność i ryzyko określają, któremu modelowi językowemu przekazać żądanie.</li><li><strong>Kontrole ochronne</strong> — wejście, wyjście i wywołania narzędzi modelu językowego: wstrzyknięte instrukcje, naruszenia reguł, wyciek danych osobowych.</li><li><strong>Wsparcie</strong> — temat i intencja zgłoszenia, pilność, irytacja, ryzyko odejścia, prośba o zwrot, kolejka.</li><li><strong>Moderacja</strong> — według reguł twojej platformy: toksyczność, nękanie, spam, oszustwa, niebezpieczne porady, dane osobowe; według istotności i pewności — przepuścić, ostrzec, sprawdzić lub zablokować.</li><li><strong>Branże</strong> — zdarzenia ubezpieczeniowe, dochodzenia finansowe i KYC, umowy i reklama, karty produktów, rekrutacja, leady, gry, ryzyka, prognozowanie popytu, grafy wiedzy, przeglądy naukowe, znaczeniowe sprawdzenia kodu w CI.</li></ul><h4>Charakterystyka</h4><ul><li><strong><code>jev-latest</code></strong> — alias najnowszej stabilnej wersji, obecnie Jev 1.13; wersja odpowiadająca jest w polu <code>model</code>, na przykład <code>jev-1.13.0</code>. Przy nowej wersji alias przechodzi na nią, a odpowiedzi mogą się zmienić bez zmian po twojej stronie — śledź to pole, jeśli progi dobrano do wersji.</li><li><strong>Kontekst</strong> — 64K tokenów na żądanie: stan i wszystkie pytania razem; stan z najdłuższym pytaniem — do 32K. Model czyta stan raz i sprawdza względem niego wszystkie pytania równolegle.</li><li><strong>Wejście</strong> — wyłącznie tekst: ciąg tekstowy, obiekt JSON lub tablica tekstów. Obrazy, dźwięk i wideo nie są jeszcze obsługiwane — wcześniej przekształć je w tekst.</li><li><strong>Język</strong> — głównym językiem trenowania jest angielski i obecnie dokładność w nim jest najwyższa. Model przyjmuje inne języki, w tym chiński, japoński i koreański, lecz dokładność jest niższa — sprawdź na własnych danych.</li><li><strong>Ceny i rozliczenia w Ailoot API</strong> — warunki zależą od wybranej metody i są podane na jej karcie.</li><li><strong>Dostrajanie</strong> — Jev nie jest dostrajany na danych klienta: własne materiały w <code>state</code>, reguły dziedziny w <code>instructions</code> i <code>criteria</code>.</li><li><strong>Dane</strong> — TypeSafe informuje, że Jev nie jest trenowany na żądaniach i odpowiedziach klientów.</li></ul><h4>Znane słabe strony Jev 1.13</h4><p>TypeSafe otwarcie wymienia słabe strony obecnej wersji i obiecuje wiele poprawić w następnych. Model jest szybki, skalibrowany i dobrze ocenia zgodnie ze zdrowym rozsądkiem, lecz:</p><ol><li><strong>Czyta dosłownie.</strong> Odpowiada na napisane pytanie, a nie domyślne: zastrzeżenia, negacje i niejawne warunki rozumie dosłownie. Pisz dokładny warunek i przypadki graniczne w <code>criteria</code>; nieuniknioną interpretację rozdziel na dwa dosłowne pytania.</li><li><strong>Nie jest kalkulatorem.</strong> Liczenie znaków, powtórzeń i elementów listy jest zawodne, a błąd rośnie wraz z rozmiarem — licz w kodzie, z pytaniem na kandydata. Kolory w hex lub RGB model rozumie gorzej od nazw. <code>score</code> nadaje się do progu, lecz nie do dokładnej liczby między poziomami.</li><li><strong>Daty i czas.</strong> Która data jest wcześniejsza, ile jest między nimi, czy data należy do okresu — zawodne, zwłaszcza przy mieszanych formatach i datach względnych. Części daty wyodrębniaj przez choice (z wariantem „nie podano”), a porównuj w kodzie.</li><li><strong>Pośredniość.</strong> Podwójne negacje i pytania o właściwość właściwości zmniejszają dokładność. Pisz wprost i nazywaj części stanu po imieniu.</li><li><strong>Nadmiar w stanie.</strong> Zbędny tekst zmniejsza dokładność. Filtruj w kodzie, a jeśli nie można — odrzucaj nieistotne treści pytaniami noul.</li><li><strong>Wrogi tekst.</strong> Model domyślnie nie spodziewa się podstępów w stanie: wstrzyknięta instrukcja lub tekst podważający własną klasyfikację może przesunąć odpowiedź. Pisz precyzyjne kryteria i sprawdzaj przypadki graniczne przed uruchomieniem.</li><li><strong>Sprzeczności.</strong> Jeśli <code>instructions</code> i <code>criteria</code> żądają czegoś innego — na przykład dla noul „tak” opisano jako „nie” — dokładność spada. Kryteria są kontynuacją pytania.</li><li><strong>Kolejność wariantów.</strong> Model czasem skłania się ku pierwszemu wariantowi choice. Przestaw warianty i sprawdź, czy odpowiedź się nie zmienia.</li><li><strong>Generowanie.</strong> Jev nie był trenowany do pisania tekstu. Przy wyodrębnianiu danych znajdź kandydatów wyrażeniem regularnym lub modelem generatywnym, a Jev niech wybierze poprawnego przez choice.</li></ol></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Dostępne w Ailoot · dane wejściowe i metody</h3><details class=\"card-method\" open><summary><b>Ailoot · System One</b> <code>POST /v1/systemone</code></summary><dl class=\"method-capabilities\"><div><dt>Wejście</dt><dd><code>text</code></dd></div><div><dt>Wyjście</dt><dd><code>structured</code></dd></div><div><dt>Kontekst</dt><dd>64 000 tokens</dd></div><div><dt>Format wyjściowy</dt><dd>json</dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Pole</th><th>Typ</th><th>Wymaganie</th><th>Wartości i limity</th><th>Domyślnie</th></tr></thead><tbody><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Wymagane</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>jev-latest</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">state</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string|object|array</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Wymagane</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">questions</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>object</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Wymagane</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>Minimalna liczba pól obiektu: 1</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">questions.&lt;id&gt;.type</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Wymagane</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>noul, choice, score</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">questions.&lt;id&gt;.instructions</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string|object|array|null</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Opcjonalne</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">questions.&lt;id&gt;.criteria</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>object|array|null</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Opcjonalne</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>Warunki: noul: opcjonalne opisy true/false dopuszczające null; choice: obiekt kryteriów; score: niepusta tablica kryteriów</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">stream</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>boolean|null</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Opcjonalne</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>false, null</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr></tbody></table></div><details class=\"card-about\" data-material-combinations><summary>Kombinacje materiałów wejściowych</summary><p class=\"note-s\"><b>noul</b> · Wymagane: state, questions.&lt;id&gt;.type=noul</p><p class=\"note-s\"><b>choice</b> · Wymagane: state, questions.&lt;id&gt;.type=choice, criteria object</p><p class=\"note-s\"><b>score</b> · Wymagane: state, questions.&lt;id&gt;.type=score, nonemptycriteriaarray</p></details><details class=\"note-s\" data-method-contract><summary>Parametry i cykl życia metody</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parametr</th><th>Kontrakt</th></tr></thead><tbody><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>material_types</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>text</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>required</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>model, state, questions</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>optional_controls</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>null</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>content_type</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>application/json</td></tr></tbody></table></div><p>Cykl życia: <code>exact retained published method</code></p><p class=\"note-s\">Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.</p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Cennik</h3><h4>Stawki metod Ailoot</h4><section class=\"meth\" data-route=\"Core\"><header><b><span class=\"alias\">Ailoot</span> System One</b><code>POST /v1/systemone</code></header><dl><div><dt>Wejście</dt><dd>≈0,000084 USD <em>/ 1K</em></dd></div><div><dt>Wyjście</dt><dd>0,00 USD <em>/ 1K</em></dd></div></dl></section><p class=\"note-s\">Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. <a href=\"/docs/pl/billing/reserve/\">Jak działają rezerwacja i rozliczenie →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Przykładowe żądania</h3><h4>Ailoot · System One</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Warianty kodu\"><button class=\"cg-tab\" id=\"model-code-665-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-665-panel-0\" aria-selected=\"true\" tabindex=\"0\">Przykład klasyfikacji</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Kopiuj kod\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-665-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-665-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${AILOOT_API_KEY:?Set your Ailoot API key}&quot;\n: &quot;${AILOOT_TEXT_FILE:?Set your actual UTF-8 customer message}&quot;\nexport AILOOT_TEXT_FILE\npython3 - &lt;&lt;&#39;PY_REQUEST&#39;\nimport json,os\nfrom pathlib import Path\np=json.loads(&#39;{&quot;model&quot;: &quot;jev-latest&quot;, &quot;state&quot;: &quot;&quot;, &quot;questions&quot;: {&quot;is_urgent&quot;: {&quot;type&quot;: &quot;noul&quot;, &quot;instructions&quot;: &quot;Does the supplied customer message express urgency?&quot;}}}&#39;)\nf=Path(os.environ[&quot;AILOOT_TEXT_FILE&quot;])\nif not f.is_file():raise SystemExit(&quot;Choose your actual UTF-8 source material&quot;)\ntext=f.read_text(encoding=&quot;utf-8&quot;)\nif not text.strip():raise SystemExit(&quot;Source material must contain text&quot;)\np[&quot;state&quot;]=text\nPath(&quot;request.json&quot;).write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n  -H &quot;Authorization: Bearer $AILOOT_API_KEY&quot; -H &#39;Content-Type: application/json&#39; \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - &lt;&lt;&#39;PY_RESULT&#39;\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(&quot;result.json&quot;).read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\n</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Odbieranie i zapisywanie wyników</h3><h4>Ailoot · System One</h4><p class=\"note-s\">json</p><div class=\"card-result-process\" data-all-results><h5>Zachowaj wszystkie ukończone wyniki</h5><p class=\"note-s\">Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.</p><p class=\"note-s\">Zachowaj każdą odpowiedź według podanego identyfikatora pytania wraz z prawdopodobieństwem i legendą; wzór pewności wykorzystujący n wymaga n&gt;1, co nie oznacza minimalnej liczby wariantów choice wymaganej przez API.</p></div><details class=\"card-about\" data-output-fields><summary>Pola odpowiedzi</summary><div class=\"tw\" data-card-table=\"output\"><table><thead><tr><th>Pole</th><th>Typ</th></tr></thead><tbody><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">answers.&lt;id&gt;.type</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>string</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">answers.&lt;id&gt;.noul</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>number</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">answers.&lt;id&gt;.choice</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>string</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">answers.&lt;id&gt;.score</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>number</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">answers.&lt;id&gt;.confidence</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>number</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">answers.&lt;id&gt;.probabilities</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>object</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">answers.&lt;id&gt;.legend</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>object</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">usage</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>object</td></tr></tbody></table></div></details><details class=\"card-about\" data-method-errors><summary>Błędy i dalsze kroki</summary><div class=\"tw\" data-card-table=\"errors\"><table><thead><tr><th>Odpowiedź</th><th>Warunek</th><th>Następny krok</th></tr></thead><tbody><tr><th data-cell-label=\"Odpowiedź\" scope=\"row\"><span class=\"card-cell-label\">Odpowiedź</span>400 · <code>invalid_request_error</code></th><td data-cell-label=\"Warunek\"><span class=\"card-cell-label\">Warunek</span>Nieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru</td><td data-cell-label=\"Następny krok\"><span class=\"card-cell-label\">Następny krok</span>Popraw wskazane pola przed nowym żądaniem utworzenia.</td></tr></tbody></table></div></details></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Aliasy</h3><h4>Aliasy modelu</h4><p class=\"note-s\"><span data-model-alias-route=\"Core\"><b>Ailoot</b> <a href=\"#m=jev-latest&amp;route=Core&amp;caller=jev-latest&amp;fmt=systemone\"><code>jev-latest</code></a></span></p><h4>Aliasy ścieżek metod</h4><p class=\"note-s\">Użyj ścieżek metod podanych powyżej.</p><h4>Powiązane ID modeli</h4><p class=\"note-s\"><a href=\"#m=jev-latest&amp;route=Core&amp;caller=jev-latest&amp;fmt=systemone\"><code>jev-latest</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "jev-latest",
        "fmt": "systemone",
        "http": "POST",
        "path": "/v1/systemone",
        "request_model_id": "jev-latest",
        "route_label": "Core"
      },
      "method_key": "Core|systemone|/v1/systemone|jev-latest",
      "ordinal": 0,
      "rawMethod": {
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "contract": {
          "data": {
            "all_results": "Retain every answer by its supplied question ID, probability and legend; confidenceformulausingnrequiresn>1withoutassertinganAPIminchoicesrule.",
            "errors": [
              {
                "code": null,
                "condition": "Nieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru",
                "http_status": 400,
                "recovery": "Popraw wskazane pola przed nowym żądaniem utworzenia.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "mode": "exact retained published method"
            },
            "material_combinations": [
              {
                "mode": "noul",
                "required": [
                  "state",
                  "questions.<id>.type=noul"
                ]
              },
              {
                "mode": "choice",
                "required": [
                  "state",
                  "questions.<id>.type=choice",
                  "criteria object"
                ]
              },
              {
                "mode": "score",
                "required": [
                  "state",
                  "questions.<id>.type=score",
                  "nonemptycriteriaarray"
                ]
              }
            ],
            "operation_modes": [
              "noul",
              "choice",
              "score"
            ],
            "outputs": {
              "all_results": "Zachowaj każdą odpowiedź według podanego identyfikatora pytania wraz z prawdopodobieństwem i legendą; wzór pewności wykorzystujący n wymaga n>1, co nie oznacza minimalnej liczby wariantów choice wymaganej przez API.",
              "family": "structured",
              "fields": [
                {
                  "description": null,
                  "name": "answers.<id>.type",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "answers.<id>.noul",
                  "type": "number"
                },
                {
                  "description": null,
                  "name": "answers.<id>.choice",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "answers.<id>.score",
                  "type": "number"
                },
                {
                  "description": null,
                  "name": "answers.<id>.confidence",
                  "type": "number"
                },
                {
                  "description": null,
                  "name": "answers.<id>.probabilities",
                  "type": "object"
                },
                {
                  "description": null,
                  "name": "answers.<id>.legend",
                  "type": "object"
                },
                {
                  "description": null,
                  "name": "usage",
                  "type": "object"
                }
              ],
              "format": "json"
            },
            "parameters": [
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  "jev-latest"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "state",
                "required": true,
                "type": "string|object|array"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "min_properties": 1,
                "name": "questions",
                "required": true,
                "type": "object"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  "noul",
                  "choice",
                  "score"
                ],
                "enum_known": true,
                "name": "questions.<id>.type",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "questions.<id>.instructions",
                "required": false,
                "type": "string|object|array|null"
              },
              {
                "availability": "source_interface",
                "conditions": "noul: opcjonalne opisy true/false dopuszczające null; choice: obiekt kryteriów; score: niepusta tablica kryteriów",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "questions.<id>.criteria",
                "required": false,
                "type": "object|array|null"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  false,
                  null
                ],
                "enum_known": true,
                "name": "stream",
                "required": false,
                "type": "boolean|null"
              }
            ],
            "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.",
            "unsupported": [
              "stream=true",
              "duplicateandcase-variedcanonicalkeys"
            ]
          },
          "hints": [
            "Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania."
          ],
          "input": {
            "content_type": "application/json",
            "material_types": [
              "text"
            ],
            "optional_controls": null,
            "required": [
              "model",
              "state",
              "questions"
            ]
          },
          "lifecycle": {
            "mode": "exact retained published method"
          },
          "method": {
            "http": "POST",
            "path": "/v1/systemone"
          },
          "operation_modes": [
            "systemone"
          ],
          "output": {
            "family": [
              "structured"
            ],
            "format": "structured decisions JSON",
            "multioutputs": "retain every actual response output"
          }
        },
        "ctx": 64000,
        "examples": [
          {
            "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 customer message}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"jev-latest\", \"state\": \"\", \"questions\": {\"is_urgent\": {\"type\": \"noul\", \"instructions\": \"Does the supplied customer message express urgency?\"}}}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"state\"]=text\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n  -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"result.json\").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\n",
            "label": "Classify your actual customer message",
            "language": "bash"
          }
        ],
        "family": "systemone",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "systemone",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.084,
        "input": [
          "text"
        ],
        "label": "System One",
        "max_out": 0,
        "max_tool_calls": null,
        "out": 0,
        "output": [
          "structured"
        ],
        "path": "/v1/systemone",
        "pricing_profiles": [
          {
            "dimensions": {},
            "label": "Core",
            "units": [
              {
                "amount": 0.084,
                "amount_unit": "usd_per_million_tokens",
                "key": "in",
                "label": "Input",
                "side": "in"
              },
              {
                "amount": 0,
                "amount_unit": "usd_per_million_tokens",
                "key": "out",
                "label": "Output",
                "side": "out"
              }
            ]
          }
        ],
        "request_model_id": "jev-latest",
        "route_label": "Core",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    }
  ],
  "model_id": "jev-latest",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "2c7440828f9d09c448c3f250f26aa831a2ddef690c9e826c405b4d0ad46f293c",
    "input_html_sha256": "69a9793af00ff8a8ee4000cb035a12a7a3f688cadacab4b2b4232ce570e7aa1e",
    "private_audit_sha256": "431b8dbc279143052fb42df24cc20caabb4e49817e4a7d748f42a7dc27ee4879",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/pl/jev-latest/",
    "description": "Model decyzyjny TypeSafe: nie pisze tekstu, lecz odpowiada na pytania o określonym typie dotyczące tekstu lub JSON — wybór wariantu, ocenę na skali albo „tak/nie” z prawdopodobieństwami. Nadaje się do routowania, sortowania zgłoszeń, moderacji i scoringu; wszystkie pytania jednego żądania są oceniane równolegle.",
    "locale": "pl",
    "md_url": "https://ailoot.ai/models/pl/jev-latest/index.md",
    "title": "jev-latest — Ailoot",
    "url": "https://ailoot.ai/models/pl/jev-latest/"
  },
  "rawModel": {
    "about": "Jev to flagowy model TypeSafe i pierwszy model nowej klasy **System One**. Nie pisze tekstu, lecz szybko podejmuje decyzje, które program może od razu wykorzystać: przekazujesz **stan** (`state`) — tekst lub JSON — oraz zestaw **pytań**, a w odpowiedzi otrzymujesz wartości o określonych typach ze skalibrowanymi prawdopodobieństwami.\n\nModele językowe piszą słowa dla ludzi, natomiast Jev według TypeSafe jest bliższy kodowi: odpowiedź od razu ma formę potrzebną w kodzie, szybkość jest wysoka i nie pojawia się żadna wartość spoza zadanych wariantów. Model zaprojektowano tak, aby udzielał stabilnych odpowiedzi przy powtarzanych żądaniach.\n\n### Czym System One różni się od modelu językowego\n\n- **Nie generuje.** Jev nie pisze odpowiedzi dla użytkownika, nie pisze kodu i nie wyjaśnia przebiegu rozumowania. Możliwe odpowiedzi określasz sam — przez jeden z trzech typów pytań.\n- **Jest trenowany do skalibrowanych decyzji.** TypeSafe trenuje model metodą RLCD (Reinforcement Learning for Calibrated Decisions): prawdopodobieństwa są dopasowywane do rzeczywistych wyników i odzwierciedlają niepewność. Wśród wielu odpowiedzi z prawdopodobieństwem 0,8 około 80% powinno być poprawnych. Kalibracja jest właściwością dużej próby, a nie gwarancją poprawności pojedynczej odpowiedzi.\n- **Inny cel trenowania.** Modele czatu są uczone, aby podobać się ludziom (RLHF), co według obserwacji TypeSafe sprzyja nadmiernemu przypodobywaniu się i pewnie brzmiącym błędom. Jeden ze współautorów RLHF, Diogo Almeida, jest współzałożycielem TypeSafe.\n\nNazwa nawiązuje do „Systemu 1” z książki Daniela Kahnemana „Pułapki myślenia. O myśleniu szybkim i wolnym”: szybkiego intuicyjnego osądu w przeciwieństwie do powolnego, przemyślanego myślenia „Systemu 2”. Jev został stworzony do szybkich, wąskich ocen.\n\n### Trzy typy pytań\n\nPytanie jest pojedynczym osądem stanu, a odpowiedź — wartością, którą kod porównuje z progiem, sortuje lub przekazuje dalej.\n\n1. **Choice — wybór wariantu.** Dział obsługujący zgłoszenie, kategoria produktu, język fragmentu kodu. Warianty to słownik „wariant → opis”, do 255 pozycji. Odpowiedź zawiera wybrany `choice`, prawdopodobieństwa `probabilities` wszystkich wariantów (o sumie 1) i pewność `confidence`. Jeśli lista może nie obejmować wszystkich przypadków, dodaj „inne” lub „żadne z wymienionych”.\n2. **Score — ocena na skali.** Miejsce na uporządkowanej skali opisanej przez użytkownika: istotność błędu, irytacja klienta, poziom umiejętności. Od 2 do 10 poziomów, od najniższego do najwyższego; każdy poziom model ocenia osobno, nie widząc jego numeru ani sąsiadów. Odpowiedź zawiera `score` (sumę numerów poziomów pomnożonych przez ich prawdopodobieństwa, więc wartość może znaleźć się między poziomami), `legend` z opisami poziomów, `probabilities` i `confidence`.\n3. **Noul — tak lub nie.** Czy stwierdzenie jest prawdziwe. Odpowiedź `noul` jest prawdopodobieństwem „tak” od 0 do 1: blisko 1 — pewne „tak”, blisko 0 — pewne „nie”, blisko 0,5 — model się waha. Nie ma osobnego `confidence`: jedna liczba opisuje odpowiedź w całości. Opcjonalne `criteria` doprecyzowuje, co uznawać za „tak”, a co za „nie”.\n\nJak wybierać: znane warianty bez kolejności — choice; stopnie spektrum — score; czyste „tak/nie”, gdy ważne jest samo prawdopodobieństwo — noul. Noul 0,5 oznacza równe szanse „tak” i „nie”, a nie „średni poziom”: stopień mierzy score. Z dwóch odpowiednich typów wybieraj ten, na podstawie którego kod od razu działa: choice — gałęzie, score — próg, noul — `if`.\n\nTypy można łączyć w jednym żądaniu. Odpowiedź zawsze jest ograniczona do twoich wariantów i nie zależy od innych pytań: pytania można dodawać i usuwać bez zmieniania pozostałych odpowiedzi.\n\n### Stan\n\nStan jest tym, co model ocenia: wiadomością klienta, fragmentem dokumentu, rekordem bazy lub stanem aplikacji.\n\n- **Ciąg tekstowy** — gdy tekst jest jeden: wiadomość, artykuł, fragment.\n- **Obiekt** — nazwane pola, powiązane rekordy, stan aplikacji. TypeSafe zaleca obiekt dla większości żądań: każda część ma zrozumiałą nazwę.\n- **Tablica** — sekwencja wiadomości lub rekordów.\n\nPrzygotowuj go jak materiały dla ekspertów: korespondencję, zamówienie i reguły zwrotów umieszczaj razem, jeśli decyzja wymaga ich porównania. Treść trzymaj w stanie, a osądy — w pytaniach. Jeśli pytanie dotyczy jednej części stanu, wskaż w nim ścieżkę do niej w grawisach, na przykład `ticket.messages[0].text`.\n\n### Jak formułować pytania\n\n- **Jeden szybki osąd na pytanie.** Dobre pytanie to takie, na które znająca temat osoba z potrzebnym kontekstem odpowie w sekundę: „Czy wiadomość wskazuje na pilność?”. „Przeanalizuj wiadomość i zdecyduj, co zrobić” wymaga już powolnego rozumowania; trzeba je podzielić na proste pytania.\n- **Całe pytanie w `instructions`.** Klucz pytania, na przykład `refund_requested`, służy tylko twojemu kodowi i nie jest przekazywany modelowi.\n- **Wszystkie pytania do jednego stanu w jednym żądaniu.** Model ocenia je równolegle: według TypeSafe dodatkowe pytania prawie nie wydłużają czasu odpowiedzi i kosztują tylko własne tokeny. Pytanie „na wszelki wypadek” kosztuje niemal nic — kod sam określi, które odpowiedzi są potrzebne.\n- **Złożony osąd po częściach.** Zamiast „oceń wniosek startupu” pytaj osobno o wielkość rynku, wykonalność techniczną i różnice względem konkurencji, a wynik oblicz w kodzie z wagami. Zmieniły się priorytety — zmieniasz wagi, zamiast przepisywać pytanie.\n- **Pytania zależne w drugim żądaniu.** Odpowiedzi jednego żądania nie stanowią wzajemnie swojego kontekstu. Drugie żądanie jest potrzebne tylko wtedy, gdy nie można go zbudować bez pierwszej odpowiedzi: trzeba pobrać dane lub wybrać warianty następnego pytania.\n- **Długie pytanie jako obiekt.** `instructions` i `criteria` zwykle są ciągami tekstowymi, lecz mogą też być obiektem lub tablicą: pytanie w jednym polu, dane w innych. Ułatwia to porównywanie CV z rekordami bazy za pomocą jednego pytania.\n\n### Pewność\n\nW choice i score `confidence` od 0 do 1 pokazuje, jak bardzo prawdopodobieństwo koncentruje się na jednej odpowiedzi: 1 — całe na jednym wariancie, 0 — równo na wszystkich. W score sąsiedni poziom zmniejsza pewność mniej niż odległy. W noul pewnością jest sama wartość: im dalej od 0,5, tym mocniejsza odpowiedź.\n\nTypeSafe zaleca trzy zakresy:\n\n1. **Wysoka pewność** — działaj automatycznie.\n2. **Średnia** — działaj ostrożnie, na przykład poproś użytkownika o potwierdzenie.\n3. **Niska** — przekaż przypadek człowiekowi, doprecyzuj żądanie lub połącz ścieżkę zapasową, na przykład silniejszy model z rozumowaniem.\n\nIm droższy błąd, tym bardziej rygorystyczny próg: dla działań nieodwracalnych wyższy niż dla odczytu. Odpowiedź wskazuje, co wybrać, a pewność — czy warto działać. Progi dobieraj na własnych danych, porównując pewność z dokładnością.\n\n### Jak budować system wokół Jev\n\nJev jest przeznaczony do programów, w których kod steruje procesem, a model odpowiada na wąskie pytania znaczeniowe; nie do agentów samodzielnie wybierających następny krok, które w każdej iteracji mogą zboczyć z drogi. Osiem kroków projektowania według TypeSafe:\n\n1. Wszystko, co można wykonać kodem, wykonuj kodem — niezawodnie i tanio.\n2. W stanie umieszczaj tylko to, czego wymagają obecne pytania; świeże fakty czerp z własnej bazy wiedzy, a nie pamięci modelu.\n3. Struktura w stanie: zagnieżdżony JSON, a w pytaniu — ścieżka do potrzebnego pola w grawisach, jeśli zmniejsza to niejednoznaczność.\n4. Najwęższe i najbardziej konkretne pytania — według TypeSafe być może najważniejsza reguła: szerokie pytanie ukrywa kilka osądów za jedną odpowiedzią.\n5. Struktura w pytaniach: samo pytanie krótkie; wyjaśnienia, przykłady i wartości z własnej bazy w sąsiednich polach obiektu `instructions` lub `criteria`, zamiast jednego długiego ciągu tekstowego.\n6. Wiele niezależnych pytań do jednego stanu w jednym żądaniu — więcej korzyści z każdego dolara.\n7. Odpowiedzi łączy kod: regułami, sumą ważoną lub jako cechy klasycznego modelu uczenia maszynowego.\n8. Rozgałęzianie według pewności: niepewne przypadki do człowieka lub modelu z rozumowaniem.\n\nJev nie jest czatem ani modelem do automatycznego uzupełniania kodu i nie może zastąpić modelu językowego w agencie programistycznym. Agent może natomiast napisać dla ciebie kod wywołujący Jev tam, gdzie potrzebna jest szybka skalibrowana odpowiedź.\n\n### Zastosowania\n\n- **Automatyzacja w tle** — decyzje wykonywane milion razy bez człowieka obok.\n- **Czas rzeczywisty** — według TypeSafe większość żądań jest wykonywana w około 100 ms: wystarcza to do przetwarzania na bieżąco i interfejsów.\n- **Duże dane** — wyszukiwanie w ogromnych korpusach, oznaczanie logów pracy agentów, cechy do prognoz.\n- **Sprawdzanie innych modeli** — żądania, wyodrębnienia, rozumowania, wywołania narzędzi: omijanie ograniczeń, błędy cytowania, zmyślone informacje.\n- **Wyszukiwanie i ranking** — istotność pary „zapytanie — kandydat”, ponowne szeregowanie, wybór kontekstu.\n- **Rozgałęzienie według intencji** — czego chce użytkownik i który komponent obsługi jest potrzebny: prosta logika, model specjalistyczny lub człowiek; temat, trudność i ryzyko określają, któremu modelowi językowemu przekazać żądanie.\n- **Kontrole ochronne** — wejście, wyjście i wywołania narzędzi modelu językowego: wstrzyknięte instrukcje, naruszenia reguł, wyciek danych osobowych.\n- **Wsparcie** — temat i intencja zgłoszenia, pilność, irytacja, ryzyko odejścia, prośba o zwrot, kolejka.\n- **Moderacja** — według reguł twojej platformy: toksyczność, nękanie, spam, oszustwa, niebezpieczne porady, dane osobowe; według istotności i pewności — przepuścić, ostrzec, sprawdzić lub zablokować.\n- **Branże** — zdarzenia ubezpieczeniowe, dochodzenia finansowe i KYC, umowy i reklama, karty produktów, rekrutacja, leady, gry, ryzyka, prognozowanie popytu, grafy wiedzy, przeglądy naukowe, znaczeniowe sprawdzenia kodu w CI.\n\n### Charakterystyka\n\n- **`jev-latest`** — alias najnowszej stabilnej wersji, obecnie Jev 1.13; wersja odpowiadająca jest w polu `model`, na przykład `jev-1.13.0`. Przy nowej wersji alias przechodzi na nią, a odpowiedzi mogą się zmienić bez zmian po twojej stronie — śledź to pole, jeśli progi dobrano do wersji.\n- **Kontekst** — 64K tokenów na żądanie: stan i wszystkie pytania razem; stan z najdłuższym pytaniem — do 32K. Model czyta stan raz i sprawdza względem niego wszystkie pytania równolegle.\n- **Wejście** — wyłącznie tekst: ciąg tekstowy, obiekt JSON lub tablica tekstów. Obrazy, dźwięk i wideo nie są jeszcze obsługiwane — wcześniej przekształć je w tekst.\n- **Język** — głównym językiem trenowania jest angielski i obecnie dokładność w nim jest najwyższa. Model przyjmuje inne języki, w tym chiński, japoński i koreański, lecz dokładność jest niższa — sprawdź na własnych danych.\n- **Ceny i rozliczenia w Ailoot API** — warunki zależą od wybranej metody i są podane na jej karcie.\n- **Dostrajanie** — Jev nie jest dostrajany na danych klienta: własne materiały w `state`, reguły dziedziny w `instructions` i `criteria`.\n- **Dane** — TypeSafe informuje, że Jev nie jest trenowany na żądaniach i odpowiedziach klientów.\n\n### Znane słabe strony Jev 1.13\n\nTypeSafe otwarcie wymienia słabe strony obecnej wersji i obiecuje wiele poprawić w następnych. Model jest szybki, skalibrowany i dobrze ocenia zgodnie ze zdrowym rozsądkiem, lecz:\n\n1. **Czyta dosłownie.** Odpowiada na napisane pytanie, a nie domyślne: zastrzeżenia, negacje i niejawne warunki rozumie dosłownie. Pisz dokładny warunek i przypadki graniczne w `criteria`; nieuniknioną interpretację rozdziel na dwa dosłowne pytania.\n2. **Nie jest kalkulatorem.** Liczenie znaków, powtórzeń i elementów listy jest zawodne, a błąd rośnie wraz z rozmiarem — licz w kodzie, z pytaniem na kandydata. Kolory w hex lub RGB model rozumie gorzej od nazw. `score` nadaje się do progu, lecz nie do dokładnej liczby między poziomami.\n3. **Daty i czas.** Która data jest wcześniejsza, ile jest między nimi, czy data należy do okresu — zawodne, zwłaszcza przy mieszanych formatach i datach względnych. Części daty wyodrębniaj przez choice (z wariantem „nie podano”), a porównuj w kodzie.\n4. **Pośredniość.** Podwójne negacje i pytania o właściwość właściwości zmniejszają dokładność. Pisz wprost i nazywaj części stanu po imieniu.\n5. **Nadmiar w stanie.** Zbędny tekst zmniejsza dokładność. Filtruj w kodzie, a jeśli nie można — odrzucaj nieistotne treści pytaniami noul.\n6. **Wrogi tekst.** Model domyślnie nie spodziewa się podstępów w stanie: wstrzyknięta instrukcja lub tekst podważający własną klasyfikację może przesunąć odpowiedź. Pisz precyzyjne kryteria i sprawdzaj przypadki graniczne przed uruchomieniem.\n7. **Sprzeczności.** Jeśli `instructions` i `criteria` żądają czegoś innego — na przykład dla noul „tak” opisano jako „nie” — dokładność spada. Kryteria są kontynuacją pytania.\n8. **Kolejność wariantów.** Model czasem skłania się ku pierwszemu wariantowi choice. Przestaw warianty i sprawdź, czy odpowiedź się nie zmienia.\n9. **Generowanie.** Jev nie był trenowany do pisania tekstu. Przy wyodrębnianiu danych znajdź kandydatów wyrażeniem regularnym lub modelem generatywnym, a Jev niech wybierze poprawnego przez choice.",
    "alias_of": null,
    "aliases": [],
    "author": "TypeSafe",
    "ctx": 64000,
    "formats": [
      "systemone"
    ],
    "guide": "/docs/api/systemone/",
    "id": "jev-latest",
    "input": [
      "text"
    ],
    "kind": "decision",
    "max_out": null,
    "methods": [
      {
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "contract": {
          "data": {
            "all_results": "Retain every answer by its supplied question ID, probability and legend; confidenceformulausingnrequiresn>1withoutassertinganAPIminchoicesrule.",
            "errors": [
              {
                "code": null,
                "condition": "Nieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru",
                "http_status": 400,
                "recovery": "Popraw wskazane pola przed nowym żądaniem utworzenia.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "mode": "exact retained published method"
            },
            "material_combinations": [
              {
                "mode": "noul",
                "required": [
                  "state",
                  "questions.<id>.type=noul"
                ]
              },
              {
                "mode": "choice",
                "required": [
                  "state",
                  "questions.<id>.type=choice",
                  "criteria object"
                ]
              },
              {
                "mode": "score",
                "required": [
                  "state",
                  "questions.<id>.type=score",
                  "nonemptycriteriaarray"
                ]
              }
            ],
            "operation_modes": [
              "noul",
              "choice",
              "score"
            ],
            "outputs": {
              "all_results": "Zachowaj każdą odpowiedź według podanego identyfikatora pytania wraz z prawdopodobieństwem i legendą; wzór pewności wykorzystujący n wymaga n>1, co nie oznacza minimalnej liczby wariantów choice wymaganej przez API.",
              "family": "structured",
              "fields": [
                {
                  "description": null,
                  "name": "answers.<id>.type",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "answers.<id>.noul",
                  "type": "number"
                },
                {
                  "description": null,
                  "name": "answers.<id>.choice",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "answers.<id>.score",
                  "type": "number"
                },
                {
                  "description": null,
                  "name": "answers.<id>.confidence",
                  "type": "number"
                },
                {
                  "description": null,
                  "name": "answers.<id>.probabilities",
                  "type": "object"
                },
                {
                  "description": null,
                  "name": "answers.<id>.legend",
                  "type": "object"
                },
                {
                  "description": null,
                  "name": "usage",
                  "type": "object"
                }
              ],
              "format": "json"
            },
            "parameters": [
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  "jev-latest"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "state",
                "required": true,
                "type": "string|object|array"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "min_properties": 1,
                "name": "questions",
                "required": true,
                "type": "object"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  "noul",
                  "choice",
                  "score"
                ],
                "enum_known": true,
                "name": "questions.<id>.type",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "questions.<id>.instructions",
                "required": false,
                "type": "string|object|array|null"
              },
              {
                "availability": "source_interface",
                "conditions": "noul: opcjonalne opisy true/false dopuszczające null; choice: obiekt kryteriów; score: niepusta tablica kryteriów",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "questions.<id>.criteria",
                "required": false,
                "type": "object|array|null"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  false,
                  null
                ],
                "enum_known": true,
                "name": "stream",
                "required": false,
                "type": "boolean|null"
              }
            ],
            "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.",
            "unsupported": [
              "stream=true",
              "duplicateandcase-variedcanonicalkeys"
            ]
          },
          "hints": [
            "Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania."
          ],
          "input": {
            "content_type": "application/json",
            "material_types": [
              "text"
            ],
            "optional_controls": null,
            "required": [
              "model",
              "state",
              "questions"
            ]
          },
          "lifecycle": {
            "mode": "exact retained published method"
          },
          "method": {
            "http": "POST",
            "path": "/v1/systemone"
          },
          "operation_modes": [
            "systemone"
          ],
          "output": {
            "family": [
              "structured"
            ],
            "format": "structured decisions JSON",
            "multioutputs": "retain every actual response output"
          }
        },
        "ctx": 64000,
        "examples": [
          {
            "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 customer message}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"jev-latest\", \"state\": \"\", \"questions\": {\"is_urgent\": {\"type\": \"noul\", \"instructions\": \"Does the supplied customer message express urgency?\"}}}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"state\"]=text\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n  -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"result.json\").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\n",
            "label": "Classify your actual customer message",
            "language": "bash"
          }
        ],
        "family": "systemone",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "systemone",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.084,
        "input": [
          "text"
        ],
        "label": "System One",
        "max_out": 0,
        "max_tool_calls": null,
        "out": 0,
        "output": [
          "structured"
        ],
        "path": "/v1/systemone",
        "pricing_profiles": [
          {
            "dimensions": {},
            "label": "Core",
            "units": [
              {
                "amount": 0.084,
                "amount_unit": "usd_per_million_tokens",
                "key": "in",
                "label": "Input",
                "side": "in"
              },
              {
                "amount": 0,
                "amount_unit": "usd_per_million_tokens",
                "key": "out",
                "label": "Output",
                "side": "out"
              }
            ]
          }
        ],
        "request_model_id": "jev-latest",
        "route_label": "Core",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "jev-latest",
        "request_model_id": "jev-latest",
        "route_label": "Core"
      }
    ],
    "name": "jev-latest",
    "price": {
      "in": 0.084,
      "in_label": null,
      "out": 0,
      "out_label": null,
      "sort_in": 0.084,
      "sort_out": 0,
      "varies": false
    },
    "short": "Model decyzyjny TypeSafe: nie pisze tekstu, lecz odpowiada na pytania o określonym typie dotyczące tekstu lub JSON — wybór wariantu, ocenę na skali albo „tak/nie” z prawdopodobieństwami. Nadaje się do routowania, sortowania zgłoszeń, moderacji i scoringu; wszystkie pytania jednego żądania są oceniane równolegle."
  },
  "renderer_schema": {
    "method_order": "Original DTO methods order; every exact route/format/path/caller survives.",
    "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers."
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "representationNotes": {
    "current_reference": {
      "about_json_pointer": "/aboutHtml",
      "methods": [
        {
          "contract_json_pointer": "/methods/0/rawMethod/contract",
          "html_json_pointer": "/methods/0/html",
          "method_ordinal": 0
        }
      ],
      "role": "current-semantic-reference"
    },
    "raw_input": {
      "examples_role": "historical-input-not-current-ready-examples",
      "json_pointers": [
        "/rawModel",
        "/methods/0/rawMethod"
      ],
      "role": "historical-owner-input"
    },
    "schema": "ailoot-native-model-representations-v1"
  },
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "Model decyzyjny TypeSafe: nie pisze tekstu, lecz odpowiada na pytania o określonym typie dotyczące tekstu lub JSON — wybór wariantu, ocenę na skali albo „tak/nie” z prawdopodobieństwami. Nadaje się do routowania, sortowania zgłoszeń, moderacji i scoringu; wszystkie pytania jednego żądania są oceniane równolegle.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "ec0f068e42066eea455fc0d20f5ba6192e54fd8402f43a1ed45b46b94a5ea298",
    "renderer_sha256": "1217dcf19a93e99ac1d6fd7bf974dc19adc12fea4bd4470c2601f04e48f688cb"
  },
  "sourceRevision": "696fb30d3482dd8ae82fc205543ebeca0e25abb9cf7a766b22219843a1bb46b5"
}