Handbücher · Gates mit Entscheidungsmodellen
Entscheidungsmodelle
Lernziele
- Du erklärst, wie ein Entscheidungsmodell antwortet und worin es sich von einem Sprachmodell unterscheidet.
- Du wählst für eine Frage den passenden Antworttyp: Choice, Score, Noul oder Box.
- Du trennst bei Jev den Mechanismus von den Herstellerzahlen und benennst, was noch unbelegt ist.
Die meisten KI-Produkte laufen heute auf großen Modell · engl. model, LLMDas Sprachmodell (LLM, Large Language Model). Es liest Text, schreibt Text und entscheidet in einem Agenten, was als Nächstes passiert.Im Glossar. Du schickst Text hinein, und das Modell schreibt Text zurück, ein TokenDie Einheit, in der Modelle Text lesen und abrechnen: meist ein Wortteil. Anbieter rechnen pro Million Tokens ab.Im Glossar nach dem anderen. Das dauert und kostet, wenn deine Software am Ende nur eine Entscheidung braucht: welches Team, ja oder nein, wie dringend.
Für genau diese Lücke hat der Anbieter TypeSafe AI am 15. September 2026 eine eigene Modellklasse vorgestellt. Der Hersteller nennt sie „System One Models“, das erste Modell heißt Jev. Wir sprechen im Kurs neutral von Entscheidungsmodell · engl. decision modelEin Modell, das Text liest und typisierte Antworten mit Wahrscheinlichkeiten zurückgibt: eine Option, eine Stufe, ja oder nein. Es schreibt keinen Text. Beispiel ist Jev, vom Hersteller „System One Model“ genannt.Im Glossar: Sie liefern schnelle, typisierte Entscheidungen und erzeugen keinen Text. Das Muster, dem sie meist dienen, ist das GateEine kleine, schnelle Entscheidung vor dem teuren Teil: eine Regel, ein Klassifikator oder ein günstiges Modell sortiert Anfragen, bevor sie den Agenten erreichen.Im Glossar aus dem Kursmodul Günstige Entscheidungen.
Das Bild von Kahneman
Der Herstellername leiht sich ein Bild aus Daniel Kahnemans Buch Schnelles Denken, langsames Denken. System 1 ist das schnelle, intuitive Urteil. System 2 ist das langsame, bewusste Nachdenken. Sprachmodelle sind in diesem Bild System-2-Maschinen: Sie denken laut und in Prosa.
TypeSafe argumentiert, dass ein großer Teil dessen, was Software von einem Modell will, System-1-Arbeit ist. Klassifizieren, weiterleiten, bewerten, eine Vorentscheidung treffen: Wer dafür die Laufzeit und den Preis eines Sprachmodells zahlt, verschwendet nach Herstellerlesart Geld. Gründer Diogo Almeida war rund vier Jahre bei OpenAI und hat dort an RLHF, InstructGPT, ChatGPT und GPT-4 gearbeitet. Er beschreibt Jev im Launch-Beitrag als „Funktionsaufruf mit Frontier-Intelligenz: unstrukturierter Zustand rein, typisierte Entscheidungen mit Wahrscheinlichkeiten raus“.
Der Modellname hat laut Wikipedia ebenfalls eine Pointe. Er geht auf den Ökonomen William Stanley Jevons zurück. Das Jevons-Paradoxon beschreibt, wie ein effizienter genutzter Rohstoff am Ende mehr verbraucht wird. Almeida erwartet dasselbe für günstige Maschinenintelligenz: Sie wird viel breiter eingesetzt.
Was Jev zurückgibt
Jev arbeitet nicht autoregressiv. Es erzeugt keinen Text, auch keinen kurzen. Du schickst einen State · engl. stateDer Zustand, den du einem Entscheidungsmodell schickst: Text, ein JSON-Objekt, eine Liste von Texten oder Bilder. Alle Fragen eines Aufrufs werden über denselben State beantwortet.Im Glossar, also den Zustand, über den Jev urteilen soll: einen String, ein JSON-Objekt oder eine Liste von Texten, seit Oktober 2026 auch PNG- und JPEG-Bilder. Dazu kommen eine oder mehrere benannte Fragen mit festem Antworttyp. Jev liest den State einmal und beantwortet alle Fragen in einem parallelen Durchgang.
Schritt 1 von 3
Sprachmodell: Token für Token
Das Modell schreibt die Antwort Wort für Wort. Jedes Token hängt am vorherigen. Deine Software muss den Text danach parsen und prüfen.
Jev kennt vier Antworttypen. Der Hersteller nennt sie Primitive:
- Choice wählt eine von bis zu 255 Optionen, die du vorher festlegst. Zu jeder Option kommt eine Wahrscheinlichkeit.
- Score ordnet die Eingabe auf einer Skala mit bis zu zehn Stufen ein, die du beschreibst.
- Noul beantwortet eine Ja-Nein-Frage mit einer Wahrscheinlichkeit zwischen 0 und 1.
- Box findet eine Stelle in einem Bild und gibt die vier Kanten eines Rechtecks zurück. Diesen Typ gibt es seit Jev 1.14 vom 14. Oktober 2026.
Trainiert hat TypeSafe das Modell mit einem Verfahren, das der Hersteller RLCD nennt: Reinforcement Learning for Calibrated Decisions. Es belohnt ehrliche Wahrscheinlichkeiten. RLHF belohnt dagegen Antworten, die menschlichen Bewertern gefallen. Das Ziel heißt Kalibrierung · engl. calibrationWie gut eine Konfidenz zur tatsächlichen Trefferquote passt. Gut kalibriert heißt: Von allen Antworten mit 0,9 Konfidenz sind etwa neun von zehn richtig.Im Glossar: Von allen Antworten mit 0,8 sollen rund 80 Prozent stimmen. Die Doku stellt selbst klar, dass Kalibrierung über viele Vorhersagen gemessen wird und keine einzelne Antwort garantiert.
Welcher Antworttyp passt?
Ordne jede Frage dem Primitiv zu, das ihre Antwort trägt.
Noch offen (6)
- Welches von vier Teams bearbeitet das Ticket?
- Wie verärgert ist die Kundin: ruhig, genervt oder wütend?
- Verlangt die Mail ausdrücklich eine Erstattung?
- Wo auf dem Foto ist der Kratzer am Auto?
- In welcher Sprache ist die Anfrage geschrieben, aus zwölf möglichen?
- Wie gut passt der Lead zu unserem Angebot, auf fünf beschriebenen Stufen?
Choice (0)
Score (0)
Noul (0)
Box (0)
Ehrliche Vorbehalte
Jev ist seit dem 15. September 2026 in einem Early Access mit Warteliste. Fast jede Zahl, die über das Modell kursiert, stammt vom Hersteller selbst.
- Die Schlagzeilen-Zahlen. Rund 194-mal schneller und 445-mal günstiger als Frontier-Modelle: Diese Werte stammen aus Workflows, die TypeSafes eigenes Capabilities-Team gebaut hat. Der Hersteller schreibt selbst, dass sie eher am oberen Ende realer Gewinne liegen.
- „Kann nicht halluzinieren“. Gemeint ist: Jev gibt keine Antwort außerhalb des Schemas zurück. Es kann keine Option erfinden, die du nicht definiert hast. Die falsche gültige Option kann es trotzdem wählen.
- Was offen ist. Architektur, Modellgröße und Gewichte legt TypeSafe nicht offen. Ein begutachtetes Paper haben wir nicht gefunden (Stand: Nov. 2026). Ob die Kalibrierung hält, wenn sich die Daten verschieben, ist unbelegt. Darauf weist unter anderem Anthony Maio hin.
Seit dem Start sind erste unabhängige Tests erschienen. Was sie zeigen, steht im Kursmodul unter Gates in der Praxis. Nach unserer Einschätzung gilt weiter: Nimm den Mechanismus ernst und lies die Größenordnungen als Werbung, bis unabhängige Messungen auf breiter Basis vorliegen. Für welche Aufgaben Jev passen kann, zeigt Wofür Jev taugt.
Sprachmodell
- Ausgabe: Text, Token für Token
- Form der Antwort: frei, muss geparst werden
- Unsicherheit: nur, wenn du danach fragst, und dann oft zu selbstsicher
- Kann: schreiben, erklären, Code erzeugen
Entscheidungsmodell
- Ausgabe: typisierte Antworten in einem Durchgang
- Form der Antwort: fest, passt immer zum Schema
- Unsicherheit: Wahrscheinlichkeit bei jeder Antwort
- Kann: wählen, einstufen, ja oder nein, Stelle im Bild finden
Merksätze
- Ein Entscheidungsmodell liest einen State und beantwortet typisierte Fragen in einem Durchgang. Text erzeugt es nicht.
- Jev kennt vier Antworttypen: Choice, Score, Noul und seit Version 1.14 Box für Bilder.
- Jede Antwort trägt eine Wahrscheinlichkeit. Kalibrierung gilt über viele Antworten und garantiert keine einzelne.
- „Keine Halluzinationen“ heißt: keine Antwort außerhalb des Schemas. Falsch wählen kann Jev trotzdem.
- Die Schlagzeilen-Zahlen stammen vom Hersteller und liegen nach dessen eigener Aussage am oberen Ende.
Prüf dich selbst
Denkfrage
Warum nennt TypeSafe Sprachmodelle System-2-Maschinen?
Im Bild von Kahneman ist System 2 das langsame, bewusste Nachdenken. Sprachmodelle denken laut und in Prosa, Token für Token. Für Klassifizieren, Weiterleiten und Bewerten reicht nach Herstellerlesart ein schnelles System-1-Urteil, und dafür ist Jev gebaut.
Denkfrage
Was bedeutet „keine Halluzinationen“ bei Jev genau?
Jev gibt nur Antworten zurück, die zum Schema passen. Eine Option, die du nicht definiert hast, kann es nicht erfinden. Es kann aber die falsche gültige Option wählen. Wie oft das passiert, zeigen erst Trefferquoten auf deinen eigenen Daten.
Prüf dich selbst
Quellen
- Introducing System One Models & Jev
Launch-Beitrag: Primitive, RLCD, Preise, Herkunft der Schlagzeilen-Zahlen.
- System One
Doku: Antworttypen, Bilder, Kalibrierung über Gruppen von Vorhersagen.
- Model changelog
Jev 1.14: Box, Bilder, langer Kontext.
- Jev (AI model)
Gründer, Herkunft des Namens, Versionen.
- Jev: The Language Model That Won’t Talk
Skeptische Einordnung: Kalibrierung unter Verteilungsverschiebung unbelegt.