مدلهای System One و Jev: هوشمندی به‌صورت یک فراخوانی تابع
TypeSafe AI نخستین مدل System One خود، Jev، را در 2026-09-15 معرفی کرد: بدون تولید رشته، تنها مقادیر ساخت‌یافته نوع‌ایمن با احتمالهای کالیبرهشده. پست رسمی، قیمت ورودی را $0.042/MTok اعلام میکند، خروجی رایگان، با تأخیر سرتاسری 70ms-500ms. در ادامه می‌خوانید که این مدل واقعاً چیست، خود ارائهدهنده چه چیزهایی را مستند کرده است، و امروز با توجه به اینکه QCode آن را ارائه نمی‌دهد، چگونه می‌توانید همین دسته از کارها را انجام دهید.
به‌روزرسانی شده 2026-11-14
یک کلید برای Claude، GPT و مدلهای چینی، با صورت‌حساب به‌ازای توکن.
- صورت‌حساب به‌ازای توکن — نرخ‌های زنده در /models
- پرداخت با کارت (Visa / Mastercard)، Apple Pay، Google Pay یا رمزارز
- به‌صورت خودخدمت: شارژ حساب و فعال‌سازی فوری
چهار عدد قابل بررسی
قیمت ورودی (فهرست قیمت ارائهدهنده)
سطر قیمت در بلاگ: ورودی $0.042/MTok ($42 به‌ازای هر یک میلیارد توکن)، خروجی رایگان، زیرا «به‌قدری ارزان است که اندازه‌گیری‌اش به‌صرفه نیست». این عدد خود TypeSafe است، نه تعرفه QCode.
تأخیر سرتاسری (ادعای ارائهدهنده)
همان صفحه، زمان LLMهای پیشرو را 3 تا 329 ثانیه اعلام میکند و ادعای 40x-200x سرعت بیشتر دارد؛ اعداد 193.6x سریعتر / 444.6x ارزانتر در صفحه اصلی نیز اعداد خود ارائهدهنده هستند، و خود پست میگوید این‌ها در بخش بالای بهبود‌های دنیای واقعی قرار دارند.
نمونهگیری موازی، نه توکنبهتوکن
بر اساس پست: مدلهای موجود هر بار یک توکن و به‌شرط توکن قبلی تولید می‌کنند؛ System One همه خروجی‌ها را در یک پرس‌وجو با یک نمونه‌گیر موازی تولید میکند و یک تصمیم ساخت‌یافته را به یک فراخوانی فرو می‌کاهد.
خطاهای نوع (بهحکم ساختار)
مجموعه خروجیهای ممکن و شکل آن‌ها پیش از فراخوانی ثابت است، بنابراین به گفته پست مدل نمیتواند خطای نوع ایجاد کند — و در همان حال یادآوری میکند که 0% در آن نمودار اندازه‌گیری نشده، بلکه بهحکم ساختار تضمین شده است.
«مدل System One» قرار است چه باشد
تعریف TypeSafe: دسته‌ای از مدل‌ها که برای تصمیم‌های سریع و ساخت‌یافته‌ای که نرم‌افزار می‌تواند مستقیماً از آن‌ها استفاده کند ساخته شده‌اند، و با RLCD (یادگیری تقویتی برای تصمیم‌های کالیبرهشده) آموزش دیده‌اند نه با رویکرد RLHF / RLVR. جدول مقایسه‌ی ارائهدهنده، متن غیرساخت‌یافته را به‌عنوان ورودی نگه می‌دارد — با وزن بیشتر به‌سمت وضعیت برنامه — اما هر خروجی را به یک مقدار ساخت‌یافته و نوع‌ایمن که احتمال کالیبرهشده دارد محدود میکند و به‌صورت موازی نمونهگیری میشود. این بده‌بستان صریحاً بیان شده است: Jev تولید رشته را کنار می‌گذارد، بنابراین مدل چت یا کدنویسی نیست. نخستین مدل عمومی، Jev، در 2026-09-15 وارد دسترسی اولیه شد.
آهنگ انتشار و وضعیت دسترسی
پست 2026-09-15، Jev را با دسترسی اولیه در همان روز معرفی کرد و یک سایت ارزیابی گردش‌کار (نمونه‌ها، اختلاف‌ها، پرس‌وجوهای کامل) منتشر ساخت. همچنین میگوید ارزیابیهای منتشرشده عمدتاً «از لپ‌تاپ‌های ما در ساحل غربی» اجرا شده‌اند و نمی‌توان اثبات کرد که قیمت‌گذاری یارانه‌ای نیست — زمان نشان می‌دهد که پایدار است یا نه. بر اساس بررسی این صفحه (2026-09-20)، دسترسی همچنان لیست انتظار / دسترسی اولیه خود TypeSafe است، نه یک کاتالوگ API شخص ثالث.
گاه‌شمار
2026-09-15: TypeSafe AI مطلب «Introducing System One Models & Jev» را با امضای بنیان‌گذار، Diogo Almeida، منتشر میکند؛ نخستین مدل عمومی Jev وارد دسترسی اولیه میشود.
همان پست 2026-09-15 قیمت‌گذاری و تأخیر را مشخص میکند: ورودی $0.042/MTok، خروجی رایگان، 70ms-500ms سرتاسری، در برابر جدولی که LLMهای پیشرو را $0.20-$10/MTok و 3-329 ثانیه قرار می‌دهد. مستندات پارامترهای عملیاتی را اضافه میکند: شناسه مدل jev-1.13.0، یک نقطه پایانی POST /v1/systemone که با فیلد model انتخاب میشود، پنجره زمینه 64k به‌ازای هر درخواست (32k برای وضعیت به‌علاوه بلندترین پرسش)، محدودیت نرخ درخواست 250,000 توکن بر ثانیه و 1,200 درخواست بر دقیقه با 429 در صورت عبور از هر یک، ورودی فقط متنی.
تاریخ بررسی این صفحه (2026-09-20): جست‌وجوی Jev / TypeSafe / System One در کاتالوگ عمومی مدلهای QCode نتیجه‌ای ندارد، بنابراین هیچ بخشی از این صفحه ادعا نمی‌کند که این مدل در اینجا قابل استفاده است.
تأییدشده در برابر ادعاشده
قابل بررسی توسط خودتان
تاریخ 2026-09-15، نویسنده، اعداد قیمت و تأخیر، نام روش آموزش (RLCD)، هر ردیف جدول مقایسه ارائهدهنده، و سه هشدار که خود ارائهدهنده درباره خودش می‌نویسد (ارزیابیهای اجراشده روی لپ‌تاپ، اعداد LLM برگرفته از OpenRouter، و اینکه ضریب‌های 193.6x/444.6x احتمالاً در انتهای بالای بازه‌اند) همه در پست بلاگ آمده‌اند و می‌توانید مستقیماً آن‌ها را بخوانید.
هنوز نمی‌توان به‌عنوان واقعیت بیان کرد
تا 2026-09-20، «نمیتواند توهم بزند»، «دو مرتبه بزرگی سریعتر» و «444.6x ارزانتر» ادعاهای ارائه‌دهنده‌اند: هیچ اجرای مجدد مستقلی منتشر نشده، و پاسخ مرجع در ارزیابیهای گردش‌کار، میانگین GPT-6 Astra و Fable 5.1 است که خود پست یادآوری میکند به مدلهای OpenAI و Anthropic سوگیری دارد. آمادگی سازمانی، سهمیه‌ها، SLA، وزن‌های باز و دسترسی منطقه‌ای: هیچ‌یک از این‌ها در پست انتشار نیامده، در حالی که مستندات جداگانه محدودیت نرخ درخواست و قیمت‌گذاری را پوشش می‌دهد — این صفحه بقیه را استنتاج نمی‌کند.
Jev در برابر انجام خروجی ساخت‌یافته با یک مدل عمومی
Jev (به گفته ارائهدهنده)
خروجی‌ها مقادیر ساختاریافته type-safe با احتمالهای کالیبرهشده هستند که با یک گذر نمونهگیری موازی تولید می‌شوند؛ ارقام اعلامشده: 70ms-500ms، ورودی $0.042/MTok (در مستندات $42/Btok)، خروجی رایگان، یک نقطه پایانی، زمینه 64k، 250k توکن بر ثانیه به‌علاوه محدودیت‌های 1,200 درخواست در دقیقه (ارقام مستندات که ارائهدهنده اشاره میکند با تقاضا و معاملات GPU به‌صورت پویا تنظیم می‌شوند)، ورودی فقط متنی. هزینه: هرگز رشته تولید نمی‌کند، بنابراین چت و تولید کد در محدوده آن نیستند.
مدلهای پیشرو عمومی (شامل سطح‌هایی که در QCode فروخته می‌شوند)
همان پرسش را می‌توان در یک اکوسیستم بالغ با JSON schema یا tool calling پاسخ داد، با زمینه طولانی و متن پیوسته‌ای که می‌توانید ثبت کنید؛ قیمت آن تأخیر autoregressive به‌علاوه صورت‌حساب به‌ازای هر توکن خروجی است، اطمینان باید خودگزارشی یا غیرمستقیم استنتاج شود، و صفر بودن خطاهای نوع تضمین نمی‌شود.
انجام «if statement هوشمند» امروز در QCode
وظیفه را به چند پرسش کوچک و مستقل که هر کدام جداگانه قابل پاسخ‌اند تجزیه کنید، مدل را وادار کنید enumها و امتیازها را به‌صورت JSON از طریق schema یا tool calling برگرداند، و بگذارید کد اطراف، نوع‌ها را اعتبارسنجی کند، آستانه‌ها را اعمال کند و دوباره تلاش کند. از نظر ساختاری، این همان شکل خود TypeSafe را بازتاب می‌دهد — یک نقطه پایانی به‌همراه یک schema اعلامشده — با این تفاوت که اینجا schema از طریق tool calling یا response_format به یک مدل عمومی می‌رود. مسیرهای حساس به قیمت می‌توانند کار طبقه‌بندی/مسیریابی را به ارزان‌ترین سطحهای خانواده هدایت کنند و استدلال سخت را روی سطح برتر نگه دارند؛ وقتی به سیگنال «آیا می‌توانم به این فراخوانی اعتماد کنم» نیاز دارید، آن را با توافق میان نمونه‌ها یا یک فراخوانی داور ارزان تقریب بزنید، نه اینکه اطمینان خودگزارشی را کالیبرهشده در نظر بگیرید. سطح‌ها و قیمت‌های فعلی از /pricing و کاتالوگ زنده می‌آیند.
وضعیت واقعی QCode
QCode نه Jev را ارائه می‌دهد و نه هیچ مدل TypeSafe را: بررسی کاتالوگ عمومی مدل در 2026-09-20 هیچ تطابقی برای Jev / TypeSafe / System One برنمی‌گرداند. این صفحه مسیر خرید نیست و قیمت‌های ارائهدهنده را به‌عنوان قیمت‌های ما اعلام نمی‌کند. برای کار تصمیم‌گیری ساختاریافته‌ای که در بالا توصیف شد، مسیر موجود در QCode یک مدل عمومی به‌همراه schema/tool calling با اعتبارسنجی خارجی است که با قیمت رسمی ضرب‌در نرخ سرویس ما صورت‌حساب میشود؛ برای آنچه اکنون موجود است، /pricing و کاتالوگ مدل را ببینید.
پرسش‌ها
آیا Jev یک چت‌بات است؟
خیر. بر اساس تعریف خودِ وبلاگ، Jev فقط مقادیر ساختاریافته از پیش اعلامشده همراه با احتمالها را تولید میکند و رشته‌ها را تولید نمی‌کند؛ بنابراین نمیتواند به‌عنوان مدل گفت‌وگو یا نگارش عمل کند.
چرا ادعا میکند سریعتر و ارزانتر است؟
دو دلیل: یک گذر نمونهگیری موازی بهجای تولید توکنبهتوکن، و صرفنظر کردن از خروجی رشتهای. ارقام اعلامشده 70ms-500ms، ورودی $0.042/MTok، خروجی رایگان است — و خودِ پست میگوید نمیتواند ثابت کند که این قیمت بدون یارانه است.
آیا باید باور کنم که «توهم نمیزند»؟
در چارچوب ارائهدهنده، این یعنی نبود خطاهای نوع: مجموعه مقادیر پیش از فراخوانی ثابت است و این بهحکم ساختار تضمین میشود. اینکه محتوای تصمیم درست باشد و احتمالها کالیبره شده باشند، به ارزیابیهای جریان کار خود TypeSafe وابسته است و هنوز هیچ تکرار مستقل انجام نشده است.
آیا می‌توانم آن را از طریق QCode فراخوانی کنم؟
خیر. بررسی کاتالوگ در 2026-09-20 چنین مدلی ندارد و QCode هیچ سرویس TypeSafe ارائه نمی‌دهد. کار معادل در اینجا با یک مدل عمومی به‌همراه خروجی ساختاریافته انجام میشود.
آیا این با یک سطح کوچک مانند GPT-5.6 Mini یا Nano یکی است؟
خیر. سطحهای کوچک همچنان مدلهای عمومی اتورگرسیو هستند که خروجیشان یک رشته است (قابل محدودسازی به JSON)؛ Jev طراحی متفاوتی دارد: نمونهگیری موازی، خروجیهای دارای نوع، احتمالهای کالیبرهشده و بدون تولید متن.
آیا محدودیت نرخ درخواست وجود دارد؟
بله: مستندات 250,000 توکن بر ثانیه و 1,200 درخواست در دقیقه را ذکر میکند و در صورت عبور از هر یک، خطای 429 Too Many Requests رخ می‌دهد. همان صفحه هشدار خود ارائهدهنده را اضافه میکند: این محدودیت‌ها به‌صورت پویا تنظیم می‌شوند و ممکن است بدون اطلاع قبلی تغییر کنند، در حالی که تقاضا بالا است و معاملات بزرگ GPU انجام میشود. شناسه مدل jev-1.13.0 است و همه چیز از طریق POST /v1/systemone انجام میشود. دسترسی همچنان در وضعیت دسترسی زودهنگام / لیست انتظار است؛ دسترس‌پذیری عمومی مشخص نشده است.
منابع
وبلاگ TypeSafe AI، «Introducing System One Models & Jev»، 2026-09-15، https://typesafe.ai/blog/introducing-system-one-models-and-jev (برای این صفحه در 2026-09-20 دریافت شد)؛ قیمت، شناسه مدل، نقطه پایانی، زمینه و محدودیت‌های نرخ درخواست از https://docs.typesafe.ai/models.md (همان روز) آمده‌اند. قیمت‌ها، تأخیر، ضریب‌های سرعت/هزینه و روش‌شناسی ارزیابی جریان کار همگی از همان صفحه آمده‌اند، از جمله هشدارهای خود ارائهدهنده: ارزیابیهای اجراشده روی لپ‌تاپ، ارقام LLM گرفته‌شده از OpenRouter، و ادعاهای 193.6x/444.6x که احتمالاً در انتهای بالای بازه قرار دارند.
بدون وعده «Jev از همین حالا آماده است»
QCode Jev را ارائه نمی‌دهد. برای ارائه همان دسته از تصمیم ساخت‌یافته، از یک مدل عمومی که می‌فروشیم به‌همراه فراخوانی schema/tool استفاده کنید؛ صورت‌حساب بر اساس قیمت رسمی ضرب‌شده در نرخ سرویس ما محاسبه میشود.
ادامه را بخوانید
راهنمای خانواده GPT-5.6
چگونه مدلهای عمومی‌ای که می‌فروشیم سطح‌ها، زمینه و خروجی ساخت‌یافته را مدیریت می‌کنند.
راهنمای Claude Haiku 4.5
یک رده کوچک کم‌تأخیر، مناسب برای جدا کردن کارهای دسته‌بندی/مسیریابی.
آمادگی ارزیابی عامل هوش مصنوعی
ساخت ارزیابیهای قابل‌بازبینی برای دستورهای if هوشمند بهجای یک دمو.
راهنمای پرداخت با رمزارز
نه رمزارز، 56 شبکه، کارمزد پلتفرم صفر برای اعتبار API کدنویسی با هوش مصنوعی.
QCode وابسته به TypeSafe AI نیست. هر قیمت، سرعت و رقم معیار محک در اینجا بازگویی مطالب عمومی ارائهدهنده است و ما آن را دوباره اجرا نکرده‌ایم؛ QCode مدل Jev را ارائه نمی‌دهد و هیچ چیز در این صفحه وعده‌ای درباره دسترس‌پذیری نیست.