TypeSafe AIが売り出した「System 1モデル」は、発表からわずか2日で複数のOSS実装に追いつかれ始めた。Jevが謳うのは、数百ミリ秒で型付きの判定を返す非生成型の高速モデルだ。ルーティングや分類のように大量に呼ぶ処理を、フロンティアLLMより桁違いに安く速く回せる可能性があり、実務者は「判定のためにLLMを毎回呼ぶ」設計を見直す材料を得る。一方で、再現が48時間で出たことは、フロンティア企業のモート（参入障壁）論争に具体的な材料を与える——新しいモデルカテゴリの価値は、モデルの形そのものに宿るのか、それとも別のところにあるのか。ただし、最も近い再現でもJevBenchでは0.814対0.866と差が残る。「同等」と言い切れる段階ではない。

何が起きたか

TypeSafe AIの公式ブログによると、同社は「最初のSystem One Model」を公開した。バイライン日付は2026年9月15日で、Wikipediaも同日に限定早期アクセスとして公開されたと記している。名称についてブログは、カーネマンの『ファスト＆スロー』に着想を得て、速く直感的なSystem 1と遅く熟慮的なSystem 2の区別に由来すると説明している。

その後48時間以内に、複数のオープンソース実装が出現した。今回の検証で一次ソースまで直接確認できたのは次の3件だ。

  • Laya：多言語・非自己回帰のSystem 1決定エンジン。ModernBERT-large（421M）が基盤で、多言語版にmmBERT-base（322M）もあり、Apache-2.0。READMEには33msの記載がある。
  • OpenJev：Qwen3.5を、前提文と仮説文を読む単一のクロスエンコーダとして改造したもの。0.8B/2B/4B/35B-A3B（MoE）の構成で、MIT。モデルカードによれば、JevBenchの全公開項目でJevの0.866に対し0.814。
  • vLLMのPR：DiffusionGemma向けの構造化生成モード（Jev風）を追加するPRで、2026年9月16日にオープンされ、9月22日にマージされた。

このほか、Bespoke Nimble（Qwen3.5-9B LoRA、自己申告で90% vs Jevの93%）、Jevlike（40Kバイトの埋め込み）、Kev-0.5B（Qwen2.5-0.5B LoRA）の3件が二次報道で伝えられているが、一次ソースには未到達だ。「6件超」という数は二次報道を含むもので、直接確認できたのは上の3件である。

仕組み・詳細

System 1モデルは、文章を生成せずに型付きの判定結果を返す。TypeSafe AIはこれをフロンティアLLMの代替として位置づけ、判定・振り分けのような用途を想定している。OpenJevの設計は、前提と仮説を読んで判定するクロスエンコーダという、生成を伴わない構造だ。

数字で見る

以下はTypeSafe AI自身のベンチマークに基づく自己申告で、第三者による検証は確認できていない（エビデンス強度：弱）。

  • エンドツーエンドの応答時間：Jevは70〜500ms、比較対象のフロンティアLLMは3〜329秒
  • コスト：Jevは$0.042/MTok（出力は無料）、比較対象は$0.20〜$10/MTok
  • ベンチマーク上の最大値は「193.6倍速く、444.6倍安い」。同社自身がこれを高めの数値と注記している
  • 精度：JevBench全公開項目でJev 0.866、OpenJev 0.814

OpenJevが挙げたとされる「Jevとのmodal agreement 0.845」という数値は、モデルカードから裏付けを取れておらず未検証である。本記事では事実として扱わない。

背景

TypeSafe AIは、Diogo Almeida、Erik Gafni、Sasha Shengが2024年に設立した。Wikipediaによると、DCVC主導の$40Mシードを調達し、評価額は$200Mとされる。資金調達の一次発表までは確認できておらず、この数値はWikipedia記載にとどまる（確度：中程度）。

Laya開発者のNandha Kishor M（論文上の表記はNandakishor M）は、2025年3月30日にarXivで「SalesRLAgent」を投稿している。強化学習で営業の成約確率をリアルタイム予測し、85ms（GPT-4は3450ms）を報告した論文だ。一部の論評は、これを根拠に「Jevに新規性はない」と主張した。しかし論文はJevと同一の技術ではなく、正確には「高速判定という類似のアーキテクチャパターンを営業領域で先に発表していた人物が、Jev発表後にLayaを作った」という事実関係にとどまる。LayaのREADMEが論文に直接言及している点も、確認できていない。

なぜ重要か

使い手にとっての要点は2つある。第1に、判定系の処理（振り分け、分類、エスカレーション判定など）は、フロンティアLLMを毎回呼ぶ以外の選択肢が、ライセンスの緩いOSSとして手元で動かせる形ですでに複数出ている。33msといった数値が正しければ、レイテンシとコストの前提が変わる。ただし精度は元のJevに及ばないため、採用前に自分の用途で測る必要がある。

第2に、これは「フロンティアAI企業のモートは何か」という論争に具体的な材料を与える。発表で独自性を打ち出してから2日で、ModernBERT、Qwen3.5、DiffusionGemmaといった既存の公開基盤の上に再現が出た。新しいモデルカテゴリの名付けと設計の公開は、再現の速さと表裏一体になりうる。本当の問いは、カテゴリの形が公開された瞬間から複製できるとき、参入障壁はどこに残るのかである。精度差（0.866 vs 0.814）が縮まるのか残るのかは、今後の測定で決まる論点だ。