TypeSafe lanceert Jev als beslissingsmodel voor spraakbots
3 november 2026 · 2 min leestijd
TypeSafe heeft Jev uitgebracht, een beslissingsmodel dat in september 2026 in vroege toegang is gekomen. Het model is ontworpen om specifieke taken over te nemen van grote taalmodellen in spraakbots, zoals het classificeren van intenties en het maken van keuzes.
Jev functioneert als een systeem één model dat geen tekst schrijft en geen uitgaande tokens heeft. In plaats daarvan ontvangt het model een status, bestaande uit een deel van een transcriptie, de laatste reactie van de bot of een stap in een scenario, samen met een reeks vragen. Het model levert vervolgens een getypeerd antwoord, zoals een keuze uit gegeven opties, een score op een korte schaal of de waarschijnlijkheid van een ja of nee antwoord op een directe vraag.
De snelheid van Jev varieert volgens verschillende metingen, maar blijft over het algemeen onder de 500 milliseconden. TypeSafe geeft een bereik aan van 70 tot 500 milliseconden. Sommige gebruikers rapporteerden dat een reeks van vijfendertig vragen ongeveer 170 milliseconden in beslag nam op een actieve verbinding, terwijl anderen resultaten zagen tussen de 332 en 892 milliseconden.
Het gebruik van dergelijke classificatiemodellen lost problemen op die optreden bij het gebruik van enkel grote taalmodellen, zoals hallucinaties na meerdere onderwerpswisselingen of onaanvaardbare vertragingen in telefoongesprekken. Door een snelle classificator aan de ingang te plaatsen, kan een systeem een gespecialiseerde agent kiezen voor een specifiek onderwerp. Dit verkort de prompts en vermindert het tokenverbruik.
Naast Jev zijn er andere modellen voor snelle besluitvorming verschenen. Laya van Convai Innovations is een gratis alternatief met open broncode onder de Apache 2.0 licentie. Cloudflare heeft Clef uitgebracht voor besluitvorming in softwaresystemen, en Cortiq heeft CMF ontwikkeld, een model van 304,5 megabyte. Andere voorbeelden zijn Bespoke Nimble van Bespoke Labs, gebaseerd op een LoRA-finetuning van Qwen3.5-9B, en de Kev-familie van Jared Palmer, beginnend met Kev-0.5B voor lokale uitvoering op apparaten zoals de MacBook Pro. Daarnaast hebben Stanford en Nvidia CLM-8B ontwikkeld, dat acties van agenten cached en in tests sneller blijkt te zijn dan Jev.