Jevエコシステム観察（第1回）：4日間の220事例から見える判断プリミティブ

2026-09-15に、TypeSafe AIはSystem Oneシリーズ初のモデルであるJevをリリースしました。09-19の夜までに、jev-radarリポジトリに220件以上の事例を記録しました（プロジェクト、デモ、アイデアを含み、すべて原典あり。うち108件は構造化リストに登録）。9回目のスキャンから推定したエコシステム全体の規模は、約500リポジトリ、21,600以上のスターです。4日間でこれだけ成長するのは、たいてい現実のニーズが長く抑え込まれていたことを示しています。

本記事は「Jevエコシステム観察」シリーズの第1回です。まず方法論について説明します。以下の事例はすべて、2026-09-15から09-19の間に実施した計10回のスキャン（GitHub Search、Reddit、Hacker News、X、および5つのディレクトリサイト：madewithjev、awesomejev、risetive、jevable、typesafeai.app）から得たもので、それぞれクリックできる一次ソースへのリンクを付けています（プロジェクトURLは必須で、元の投稿のURLも入手できた場合は記載）。サードパーティプロジェクトの性能値はすべて開発者の自己申告であり、根拠の確かさに応じて等級を付けています（A＝直接検証可能な成果物あり、C＝主張のみ）。数値は特定時点のスナップショットで、エコシステムは3時間ごとに変化しています。最新の件数については、リポジトリの記載を正とします。

Jevとは：文章を書かないモデル

OpenRouterのモデルページでは、Jevを「TypeSafeによる構造化意思決定モデルで、System Oneシリーズの第1弾」と説明しています。Jevはテキストを生成しません。非構造化の状態と型付きの質問のセットを入力すると、コードでそのまま分岐できる判定を返します。プリミティブは次の3つです。

• Noul：この記述は正しいか。キャリブレーションされた0〜1の確率を返します。
• Choice：どの選択肢が適切か。確率分布全体と信頼度を返します。
• Score：指定したルーブリックで何点か。確率で重み付けしたスコアを返します。

このエコシステムを理解する鍵は料金です。OpenRouterでの掲載価格は入力100万トークンあたり$0.042で、出力は無料です。TypeSafeのWebサイトでは、この技術的アプローチをRLCD（reinforcement learning for calibrated decisions：キャリブレーションされた意思決定のための強化学習）と呼び、チャットモデルとは別種のものと位置付けています。エンジニアにとっては、「ループの1ステップごとに問い合わせる」ことが初めて経済的に成り立つようになったことを意味します。後述するとおり、ほぼすべてのプロジェクト開発者が1回の呼び出しあたりのコストを自ら公表しており、1セント未満が一般的です。

6つの頻出パターン：実際に何に使われているのか

1つ目は、エージェントに安全のためのコパイロットを搭載するもので、最も多いシナリオです。リリースから72時間以内にこのカテゴリで30件以上のプロジェクトが登場し、すでにコモディティ化してレッドオーシャンになっています。事例集の中で最も証拠がそろっているのはpi-wardenです。Jevがユーザーの指示、エージェントの自己説明、これから実行されるツール呼び出しを読み取り、Noulで「不可逆か、説明された内容と一致しているか、影響が許容範囲を超えていないか」を判定します。その結果をコンテキストに注入し、自己修正させます。開発者は過去17,000件の呼び出しを再生して自己評価を実施しました（自己申告データ）。ブロックされたのは42件のみで、そのうち約88%は正しくブロックされ、苦情率は約2%でした。類似ツールとしては、Codex向けの「ソフトウェア工場の監督」として機能するForemanや、コーディングエージェントが「スコアラーを改ざんしたり、隠しテストを盗み見たりする」のを防ぐことに特化したrh-guardがあります。報酬ハッキング対策は、すでに独立したサブカテゴリになっています。

2つ目はコンテキストの圧縮です。各ツール出力について「現在のタスクにまだ必要か」を評価し、不要な出力を復元可能なプレースホルダーに置き換えます。コミュニティツールの中で最もスター数が多いfast-jev-compaction（スナップショット時点で2,735★）は、この方向に特化しています。winnowはより洗練された設計で、不要である可能性が高いブロックを3行の要約スタブに置き換え、復元指示で全文を取り出せるようにしています。「何も失われません。最初にトークンを節約しているだけです。」

3つ目はルーティングとリランキングです。jev-codex-routerはバックテストデータを備えた初のモデルルーターで、7日間・237ラウンドの実データをリプレイし、1ラウンドあたり約$0.00003の判定コストで全体のオーバーヘッドを約60%削減しました（開発者の自己申告）。しかし、独立評価のJanusはこれに水を差しました。最適な信頼度のしきい値、モデルの品質、ルーティングの費用対効果のいずれも、2つのデータセット間で逆転したのです。ルーティングのパラメータはデータセットをまたいで転用できず、シナリオごとのキャリブレーションが必要です。

4つ目はリアルタイムの意思決定レイヤーです。共通のアーキテクチャは「知覚と実行はコードが担い、Jevは限定されたアクション空間内でのChoiceのみを担う」というものです。browser-useチームが公式に開発したJev Ultrafastは、ブラウザ操作を1回のJevリクエストに集約し、アクションと対象要素を同時に決定します。チューリッヒからロンドンへのフライト検索は7.1秒で完了し、ブラウザプロトコルの呼び出しは1,092回から101回に減りました（作者による自己申告で、単一プロファイルに基づく一般化できないベンチマーク）。音声操作ブラウザのjev-voice-browserは、コストが1文あたり約$0.0002です。ゲーム分野はさらに極端で、ある中国の開発者によるSlay the Spire 2でのテストでは「1ステップ0.7秒で、画面を完全に認識する前に操作する」という結果が出ています。

5つ目はインフラとしての採用で、この4日間で最も明確なシグナルです。pg-jevはNoul、Choice、ScoreをPostgreSQLのSQL述語として使えるようにしており、DuckDB向けにも同様の拡張があります。リリースから3日以内に10以上の言語向けのSDKが登場しました。Vercelのeve（スナップショット時点で5,253★）はJevをデフォルトの評価モデルに設定しており、LanceDB、LiteLLM、Pydantic AI、n8nはいずれも公式インテグレーションを提供しています。リリースからわずか4日目のモデルがインフラとして導入されていること自体が、ひとつのシグナルです。

6つ目は、業界特化型のビジネス用途での採用です。ある税務分類器は、261種類のIRSフォームで100%の厳密な正解率を達成しました（作者による自己申告）。ある詐欺検出カスケードは、Jevで100通のメールを高速に選別し、信頼度が95%未満だった31通を大規模モデルに回して再審査しています。パイプライン全体の正解率は96/100、総コストは$0.07でした。1,018本の論文の主題分類は総コスト$0.08で、作者は「同じタスクを要約モデルで行うと$3.99かかる」と比較しています。トレーディング分野では、895★のライブトレーディングプロジェクトが登場し（各ブロックで300msごとに実際の売買判断を行うもの）、その一方で375回のシミュレーション取引で勝率41.1%というフィルタリングなしのデータを率直に公開した人もいます。こうした誇張のない数値は、このエコシステムにおいて特に注目に値します。

失敗事例：4日間で繰り返し得られた教訓

新しいエコシステムでは、成功事例よりも失敗の記録のほうが価値があります。事例集のネガティブサンプルは、次の5つの問題に集中しています。

1. 入力の質がすべてを決めます。Supercovの作者の教訓は広く引用されています。ファイル全体を渡して「品質」を問うと結果は芳しくありませんが、機械的な質問（重複コード、深いネスト）をすると、商用ツールと同等の結果を100分の1のコストで得られます。
2. 選択肢が増えると性能が急落します。事例集の中で最も確かな証拠を伴う独立評価（agentjournal、3タスク、テスト5,477行、総コスト$1.43）では、実際の会計データに対する12択のChoiceで、正解率がわずか0.3998でした。モデルが「すべての単語を理解していたが、12の選択肢から選べなかった」ことから、ボトルネックは理解力ではなく判定形式にあることがわかります。
3. 信頼度は万能薬ではありません。agentjournalのテストでは、信頼度が0.9以上の行でも正解率はわずか72.2%でした。主張検証プロダクトのAttestは、実際の検証24件のうち22件が0.95から0.99の範囲に収まったため、信頼度フィールドそのものを削除しました。「常に同じ値になる数値は情報ではない」というわけです。コミュニティには、これを監査するための専用リポジトリもすでに存在します。
4. 順序と言い回しに敏感です。Attestは、証拠の順序を逆にすると判定の5.8%が変わることを公に認めています。スタートアップのアイデア採点ツールkillmyideaを試したユーザーは、3つの単語を削除しただけでスコアが大きくぶれることを確認しました。公式のクイックスタートでさえ失敗例がありました。技術関連とラベル付けされたサンプルコメントが、100回すべてで一貫して課金関連と判定されたのです。
5. 話題のデモには偽物も混じっています。著名な開発者のsteve8708は、X上で拡散したJevのデモに早回しや捏造された内容が含まれていると公に指摘しました。私たちはこれへの対応を収録基準に組み込んでいます。「超人的な速さ」をうたうデモについては、完全な方法論と実行トレースを備えたリポジトリを優先します。

エコシステムにおけるインフラ層の形成

500のリポジトリを横断して見ると、4日目の終わりまでに階層化が進んでいることがわかります。公式デモが約10、プラットフォーム連携が約15、独立したアプリケーションが約50、エージェントツールが約90、SDKとロングテールが約300です。最も早く立ち上がったのはディレクトリサイト経済で、5つのアグリゲーションサイトに加え、少なくとも5つのawesome-jevリストが登場しました。最大のawesomejevは488件を収録し、合計21,644スターを集めています。エコシステム内のクローン競争も同様に激しく、SemIf（1,647★、自宅の3090でオープンソースのセマンティック判定レイヤーを動かすもの）やjevlike（905★）を含め、フォーク全体で合計4,000スターを超えています。あるオープンソースのクローンは、201問のベンチマークで198点を記録しました（公式は191点）。これらはいずれも公式のJevではないため、事例集では別カテゴリに分類し、明記しています。TechCrunchも取材に乗り出し、ウォートン校の経済学教授やHasuraの共同創業者も支持を表明しています。中国語コミュニティでは4日目に最初のアプリケーション群が登場しました。Xのタイムラインクリーナーqingliu（現時点で較正データを公開している唯一の中国語プロジェクト。誤検知率0.7%、辞書ベースのフィルタリングより47%多く検出。作者による自己申告）、Zhihuのフィードフィルター、そして米連邦準備制度理事会（FRB）の記者会見のタカ派・ハト派判定です。

プロダクト開発者にとっての意味

4日間で500のリポジトリが実証したスイートスポットは明確です。狭い問いを高頻度で呼び出し、アクション空間が限定され、コストが重視される用途、すなわち、エージェントループ内でのステップごとの監督、大規模な分類・リランキング・スコアリング、ミリ秒単位の選択です。避けるべき領域も同様に明確です。生成タスク、広い選択肢空間、そして単一のしきい値がすべてのデータセットに通用すると期待することです。

また、多くのデモが見落としている事実もあります。判断プリミティブは状態を入力として受け取り、その状態をどこから得るかがパイプライン全体の上限を決めるということです。Noulが「このコメントは本物の購入者らしいか」を判定できるのは、誰かが数万件のコメントを確実に収集していることが前提です。Scoreがレビュー、商品、ランキングを評価できるのも、クリーンなフィールドと検証可能なソースが前提です。ここがまさに私たちの役割です。EveryInfraは、多数のプラットフォームの公開データ（レビュー、評判、価格、コンテンツ）を単一のAPIで提供し、利用量に応じて課金されます。失敗した場合や結果が空だった場合、最終的な課金は発生しません。判断モデルは「どう判断するか」を担い、私たちは「判断の材料をどこから得るか」を担います。このようなパイプラインを構築する場合は、統合データAPIガイドから始められます。

シリーズの次の記事では、主要なシナリオである、エージェントを保護する安全レイヤーが実際に何を遮断し、何を通すのかを深掘りします。jev-radarは3時間ごとに自動で再スキャンしており、事例集は今後も増えていきます。ご自身のプロジェクトについても、ぜひIssueを作成してください。