---
title: "Jev untuk Developer: Perbedaan Model Sistem dan LLM"
locale: id
category: knowledge_base
category_name: "Basis Pengetahuan"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/jev-system-one-model-llm-comparison
published_at: 2026-09-22T04:13:16+09:00
---

# Jev untuk Developer: Perbedaan Model Sistem dan LLM

> Jev adalah model untuk penilaian terstruktur yang dikembangkan oleh TypeSafe AI. Model ini menghubungkan nilai pilihan dan probabilitas dengan kode, dan dalam penerapan nyata, format keluaran perlu dibedakan dari akurasi penilaian.

## Key Points

- Jev mengembalikan jawaban dan probabilitas yang telah ditentukan sebelumnya, bukan uraian bebas.
- Choice dan Score memiliki tingkat keyakinan, tetapi Noul tidak memiliki kolom tingkat keyakinan terpisah.
- Tarif input yang diumumkan pada 15 September 2026 adalah 0.042 dolar per satu juta token.
- Perbandingan kecepatan yang dipublikasikan berasal dari hasil pada tugas dan lingkungan pengukuran tertentu.
- Dalam pekerjaan berbahasa Korea, verifikasi akurasi dan kriteria peralihan ke peninjauan dengan kasus nyata.

Jev adalah model pengambilan keputusan untuk perangkat lunak yang dikembangkan oleh TypeSafe AI. Model ini mengembalikan nilai pilihan dan probabilitas, bukan teks penjelasan. Jev dirancang untuk klasifikasi dan percabangan tugas. Meskipun format output sudah benar, keputusannya tetap bisa salah.

Angka biaya dan kecepatan mengacu pada pengumuman TypeSafe tanggal 15 September 2026.

## Arti Jev dan System One Model

Jev adalah AI yang memberikan hasil keputusan yang dapat langsung digunakan oleh kode. Nama produk resminya adalah Jev. TypeSafe menyebut kelompok model ini sebagai System One Model.

Input berisi `state`, yaitu objek yang dinilai, dan `questions`, yaitu pertanyaannya. `state` adalah informasi yang diperlukan untuk mengambil keputusan, seperti pertanyaan pelanggan atau catatan pekerjaan. Pertanyaan menentukan jawaban yang diizinkan dan kriteria evaluasi.

Nama System One diambil dari cara berpikir yang cepat dan intuitif. Ini adalah istilah yang digunakan perusahaan untuk menjelaskan peran produk tersebut. Model ini juga memiliki kemampuan memahami input bahasa alami. Konsep dan cakupan input dapat dilihat dalam [dokumentasi System One dari TypeSafe](https://docs.typesafe.ai/concepts/system-one).

## Apa perbedaannya dengan LLM?

Perbedaan utamanya adalah cakupan jawaban yang dapat dihasilkan. LLM menghasilkan konten bebas seperti teks penjelasan dan kode. Jev mengambil keputusan dalam cakupan jawaban yang telah ditentukan pengembang.

| Aspek perbandingan | Penggunaan LLM umum | Penggunaan Jev |
| --- | --- | --- |
| Hasil utama | Teks penjelasan, ringkasan, kode yang dihasilkan | Nilai pilihan, skor evaluasi, probabilitas |
| Cakupan jawaban | Pembuatan bebas atau output terstruktur | Cakupan yang telah ditentukan dalam pertanyaan |
| Integrasi dengan perangkat lunak | Interpretasi dan validasi sesuai format respons | Menghubungkan nilai yang dikembalikan ke kondisi dan klasifikasi |
| Pembuatan penjelasan | Dapat menuliskan alasan keputusan dalam bentuk kalimat | Tidak mendukung pembuatan teks penjelasan bebas |
| Peran yang sesuai | Percakapan, penulisan, penyelesaian masalah kompleks | Klasifikasi, pemilihan jalur penanganan, evaluasi berdasarkan kriteria |

LLM juga dapat dikonfigurasi agar menjawab dalam format terstruktur. Karena itu, output JSON bukan kemampuan yang hanya dimiliki Jev. Dokumentasi Vercel juga menjelaskan cara menghubungkannya dengan LLM terstruktur. Namun, format respons yang sama tidak berarti perilaku evaluasinya sama. Perbedaan ini dijelaskan dalam [penjelasan Jev dari Vercel](https://vercel.com/i/what-is-jev).

Dalam perangkat lunak, spesifikasi output harus sesuai agar tugas berikutnya dapat dijalankan. Misalnya, nilai departemen penanggung jawab harus menggunakan nama yang diizinkan. Jika teks penjelasan tercampur di dalamnya, diperlukan proses interpretasi tambahan. Jev dirancang untuk langsung mengembalikan hasil keputusan semacam ini.

## Ringkasan Choice·Score·Noul berdasarkan kondisi

Pilih jenis pertanyaan sesuai bentuk jawaban yang diperlukan. Jenis pertanyaan dasar Jev adalah Choice, Score, dan Noul. Pertanyaan independen untuk keadaan yang sama dapat digabungkan dalam satu panggilan. Cara konfigurasinya dijelaskan dalam [TypeSafe Introduction](https://docs.typesafe.ai/introduction).

| Keputusan yang diperlukan | Jenis pertanyaan | Isi yang dikembalikan | Contoh penggunaan |
| --- | --- | --- | --- |
| Memilih dari opsi yang ditentukan | Choice | Nilai pilihan, probabilitas setiap opsi, tingkat keyakinan | Meneruskan pertanyaan ke departemen penanggung jawab |
| Mengevaluasi berdasarkan kriteria berurutan | Score | Skor, probabilitas setiap tahap, tingkat keyakinan | Mengevaluasi tingkat keparahan gangguan |
| Menentukan apakah suatu pernyataan benar | Noul | Nilai 0-1 yang menunjukkan probabilitas jawaban ya | Menentukan apakah permintaan pengembalian dana disertakan |

Angka Score menunjukkan posisi dalam tahap evaluasi yang telah ditetapkan. Angka tersebut tidak selalu berarti persentase. Noul adalah jenis pertanyaan yang mengembalikan probabilitas jawaban “ya”. [Dokumentasi Score](https://docs.typesafe.ai/primitives/score) dan [dokumentasi Noul](https://docs.typesafe.ai/primitives/noul) masing-masing menjadi acuan interpretasinya.

Tentukan urutan pemrosesan untuk pertanyaan yang saling bergantung. Jika pertanyaan berikutnya memerlukan jawaban sebelumnya, keduanya harus dihubungkan dalam kode. Pertanyaan dalam satu panggilan mengevaluasi keadaan bersama secara independen.

## Bagaimana membaca angka dalam contoh layanan restoran?

Angka dalam demonstrasi layanan restoran tidak dapat dianggap sebagai akurasi keseluruhan produk. Penjelasan dalam video pengantar mencantumkan nilai berikut. Permintaan API asli dan kondisi pengukurannya tidak dapat dipastikan.

| Nilai yang diperkenalkan | Makna dalam penjelasan | Hal yang perlu diperiksa saat menafsirkan |
| --- | --- | --- |
| 0.09 pada skala 0-1 | Evaluasi kewajaran tindakan pelanggan | Pastikan apakah itu skor atau probabilitas jawaban ya |
| Kesesuaian opsi 94% | Nilai yang diberikan pada cara menjelaskan alasan pembayaran tagihan | Periksa opsi yang diberikan dan kriteria pertanyaan |
| Tingkat keyakinan 92% | Indikator tingkat keyakinan terhadap keputusan tersebut | Jangan membacanya sebagai tingkat jawaban benar aktual |
| Waktu pemrosesan kurang dari 0.1 detik | Waktu respons yang diperkenalkan dalam demonstrasi | Periksa apakah waktu komunikasi disertakan |

Contoh ini digunakan untuk memahami bentuk output. Angka saja tidak dapat menentukan sengketa di dunia nyata. Terutama jika susunan opsi berubah, pertanyaannya sendiri juga berubah.

## Kesalahan umum dalam membedakan probabilitas dan tingkat keyakinan

Probabilitas dan tingkat keyakinan adalah nilai yang berbeda. Probabilitas Choice adalah nilai yang diberikan kepada setiap opsi. Tingkat keyakinan merangkum seberapa terkonsentrasi distribusi probabilitas tersebut.

Karena itu, tingkat keyakinan 92% tidak boleh dibaca sebagai tingkat jawaban benar 92%. Tingkat jawaban benar aktual harus diukur menggunakan kasus yang jawaban benarnya telah dikonfirmasi. Noul tidak memiliki kolom `confidence` terpisah. Perbedaan ini dinyatakan dalam [dokumentasi Confidence dari TypeSafe](https://docs.typesafe.ai/confidence).

- **Mencampuradukkan format dan akurasi:** Meskipun memilih departemen yang diizinkan, departemen penanggung jawabnya tetap bisa salah.
- **Mencampuradukkan skor dan probabilitas:** Nilai Score dapat menunjukkan posisi dalam tahap evaluasi.
- **Mencampuradukkan tingkat keyakinan dan tingkat jawaban benar:** Tingkat keyakinan yang tinggi saja tidak menjamin setiap jawaban benar.
- **Opsi yang tidak tersedia:** Jika jawaban yang diperlukan tidak ada dalam pilihan, keputusan yang tepat akan sulit dihasilkan.

Kalibrasi adalah konsep untuk mengumpulkan banyak prediksi dan mengevaluasi hubungan antara probabilitas dan hasil. Kalibrasi bukan prosedur yang menjamin keakuratan satu jawaban tertentu. Evaluasi kepatuhan terhadap spesifikasi output dan keakuratan makna secara terpisah.

## Ketentuan perbandingan biaya dan kecepatan publik

Biaya publik dihitung berdasarkan token input. Token adalah unit yang digunakan model untuk memproses teks. Dalam pengumuman tanggal 15 September 2026, biaya token output dinyatakan gratis.

| Item | Informasi publik | Cakupan penerapan |
| --- | --- | --- |
| Biaya input | 0.042 dolar per 1 juta token | Biaya TypeSafe pada saat pengumuman |
| Biaya output | Gratis | Biaya TypeSafe pada saat pengumuman |
| Waktu respons | 70-500 milidetik | Rentang pengukuran yang diumumkan perusahaan |
| Lingkungan pengukuran | Terutama laptop di wilayah barat Amerika Serikat | Lingkungan evaluasi yang disebutkan dalam pengumuman perusahaan |

Angka ini bukan jaminan performa untuk semua permintaan. Evaluasi perusahaan mencakup perbandingan yang menggunakan prediksi model eksternal sebagai acuan. Hal ini tidak dapat dianggap sama dengan tingkat jawaban benar dalam pekerjaan nyata. Kondisi pengukuran dipublikasikan dalam [pengumuman peluncuran TypeSafe](https://typesafe.ai/blog/introducing-system-one-models-and-jev).

### Contoh penghitungan biaya publik

Biaya dasar untuk 1 miliar token input adalah 42 dolar. Rumusnya adalah `1,000,000,000 ÷ 1,000,000 × 0.042`. Ini adalah contoh konversi berdasarkan biaya publik.

Harga setiap keputusan berbeda tergantung panjang input. Biaya aktual juga dipengaruhi oleh percobaan ulang atau panggilan model lanjutan. Periksa biaya terbaru dalam [dokumentasi Models dari TypeSafe](https://docs.typesafe.ai/models).

## Cakupan penggunaan yang ditunjukkan demonstrasi Doom

Demonstrasi Doom adalah contoh pemilihan tindakan berdasarkan keadaan game yang terstruktur. Demonstrasi tersebut tidak memahami gambar layar game secara langsung. TypeSafe menjelaskan bahwa data keadaan dalam bentuk teks digunakan. Ketentuan tersebut dijelaskan dalam [penjelasan Doom pada pengumuman peluncuran](https://typesafe.ai/blog/introducing-system-one-models-and-jev).

Saat diterapkan pada pekerjaan, titik yang memerlukan pengambilan keputusan berulang dapat menjadi kandidat. Tabel berikut berisi contoh desain berdasarkan fungsinya. Performa dalam setiap pekerjaan harus diverifikasi secara terpisah.

| Kondisi pekerjaan | Peran yang memungkinkan | Pemrosesan tambahan yang diperlukan |
| --- | --- | --- |
| Mengklasifikasikan pertanyaan ke departemen yang ditentukan | Memilih jalur penanggung jawab dengan Choice | Jalur peninjauan untuk pertanyaan yang ambigu |
| Mengevaluasi dokumen berdasarkan kriteria bersama | Mengembalikan skor setiap kriteria dengan Score | Definisi kriteria evaluasi yang jelas |
| Memeriksa apakah permintaan tertentu disertakan | Mengevaluasi pernyataan dengan Noul | Kode yang menentukan apakah tindakan dijalankan |
| Menulis teks penjelasan untuk pengguna | Menghubungkannya ke model generatif | Menyampaikan dasar dari teks asli dan keputusan yang disetujui |

## Keterbatasan dalam pekerjaan berbahasa Korea dan pemrosesan angka

Pekerjaan berbahasa Korea memerlukan validasi mandiri. TypeSafe menyatakan bahwa bahasa Inggris adalah bahasa utama dalam pelatihan. Perusahaan menjelaskan bahwa performa bahasa lain tidak sama. Ketentuan dukungan bahasa dapat dilihat dalam [dokumentasi Models](https://docs.typesafe.ai/models).

Mengembalikan angka tidak berarti perhitungannya juga akurat. Penjelasan ini tercantum dalam dokumentasi keterbatasan yang ditinjau pada 17 September 2026. Dokumentasi tersebut menyarankan agar perhitungan dilakukan dalam kode.

> Jev is not a calculator.

Kalimat di atas adalah teks asli dari [Jev 1.13 jaggedness](https://docs.typesafe.ai/model-jaggedness/jev-1.13).

| Keterbatasan yang diketahui | Penanganan saat pengembangan |
| --- | --- |
| Penghitungan jumlah secara akurat | Hitung jumlah item dengan kode |
| Perbandingan tanggal dan waktu | Ubah nilai yang diekstrak menjadi tipe data tanggal, lalu bandingkan |
| Input panjang yang tidak relevan | Pilih hanya konten yang diperlukan untuk mengambil keputusan |
| Kalimat negatif yang kompleks dan kondisi tidak langsung | Pisahkan menjadi pertanyaan yang jelas dan singkat |
| Kriteria evaluasi yang ambigu atau bertentangan | Selaraskan makna pertanyaan dan opsi |

Sertakan ungkapan pekerjaan nyata dalam data validasi bahasa Korea. Bahasa hormat dan subjek yang dihilangkan juga perlu diperiksa. Jawaban model dapat dibandingkan dengan kasus yang hasil pemrosesannya telah dipastikan.

## Perbandingan jalur penggunaan API dan SDK

Selain jalur akses langsung ke TypeSafe, jalur gateway juga telah dikonfirmasi. Pengumuman peluncuran mengarahkan penggunaan awal melalui daftar tunggu. Periksa ketersediaan akses untuk setiap akun pada masing-masing layanan.

| Jalur | Bentuk penyediaan yang dikonfirmasi | Dokumentasi yang perlu diperiksa |
| --- | --- | --- |
| TypeSafe | Konsol, API, SDK klien | Quick start |
| Vercel AI Gateway | Koneksi permintaan evaluasi Jev | Evaluation |
| OpenRouter | Pendaftaran model Jev 1.13 | Halaman model Jev 1.13 |

[Quick start](https://docs.typesafe.ai/introduction/quickstart) dari TypeSafe menjelaskan prosedur panggilan langsung. Berikut urutan dasar untuk jalur tersebut.

1. Periksa hak akses akun di konsol.
2. Uji objek keputusan dan pertanyaan di Playground.
3. Terbitkan kunci API di dasbor.
4. Kirim permintaan melalui SDK atau HTTP API.
5. Hubungkan nilai yang dikembalikan dan probabilitas ke aturan pemrosesan dalam kode.

[Dokumentasi Evaluation dari Vercel](https://vercel.com/docs/ai-gateway/modalities/evaluation) memuat contoh koneksi. Pertanyaan ya atau tidak ditampilkan sebagai Boolean melalui jalur ini. Model juga dapat diperiksa di [halaman Jev 1.13 dari OpenRouter](https://openrouter.ai/typesafe/jev-1.13/). Gunakan dokumentasi masing-masing sebagai acuan untuk format dan batas permintaan setiap jalur.

## Kriteria desain untuk menyimpan catatan keputusan

Untuk memvalidasi hasil otomatisasi, simpan juga dasar input yang digunakan. Jika hanya nilai pilihan yang disimpan, penyebab keputusan yang salah akan sulit ditemukan. Item berikut adalah usulan desain yang disusun berdasarkan antarmuka resmi.

| Item yang dicatat | Masalah yang dapat diperiksa |
| --- | --- |
| Teks asli dan waktu yang digunakan dalam pengambilan keputusan | Informasi yang usang atau tidak tersedia |
| Versi pertanyaan dan opsi | Perbedaan hasil akibat perubahan kriteria |
| ID model respons yang sebenarnya | Dampak perubahan model |
| Jawaban dan distribusi probabilitas | Alasan penanganan kasus yang ambigu |
| Tindakan yang dijalankan kode | Ketidaksesuaian antara keputusan dan pelaksanaan |
| Hasil yang diperiksa manusia | Kesalahan aktual dan riwayat perbaikan |

Alias nama model dapat diubah agar mengarah ke versi baru. Versi yang telah divalidasi dapat ditetapkan menggunakan ID model. Cara pengoperasian ini dijelaskan dalam [dokumentasi Models dari TypeSafe](https://docs.typesafe.ai/models).

Tentukan kriteria pengalihan ke peninjauan berdasarkan kasus nyata. Evaluasi biaya kesalahan klasifikasi bersama dengan beban peninjauan oleh manusia. Tidak ada nilai ambang tingkat keyakinan yang berlaku secara universal. Metode validasinya dapat merujuk pada panduan dalam [dokumentasi Confidence](https://docs.typesafe.ai/confidence).

## FAQ

### Jev adalah AI seperti apa?
Jev adalah model untuk pengambilan keputusan perangkat lunak yang dikembangkan oleh TypeSafe AI. Model ini memberikan jawaban yang telah ditentukan sebelumnya beserta probabilitasnya.

### Apa arti System One Model?
Ini adalah sebutan yang diberikan TypeSafe untuk model pengambilan keputusan yang cepat dan memiliki cakupan tertentu. Namanya diambil dari konsep pemikiran yang cepat dan intuitif.

### Apakah Jev menggantikan semua LLM percakapan?
Jev tidak menghasilkan teks penjelasan secara bebas. Jika membutuhkan percakapan dan penulisan, Jev dapat digunakan bersama model generatif.

### Apa bedanya dengan keluaran JSON dari LLM?
LLM juga dapat mendukung keluaran terstruktur. Jev adalah model yang dirancang untuk mengambil keputusan dalam cakupan jawaban yang telah ditentukan. Meskipun format responsnya sama, perilaku evaluasinya dapat berbeda.

### Bagaimana cara membedakan Choice dan Score?
Jika memilih satu dari beberapa opsi yang tidak berurutan, gunakan Choice. Jika mengevaluasi berdasarkan kriteria yang berurutan, seperti dari rendah hingga tinggi, gunakan Score.

### Apakah nilai Noul yang rendah berarti tingkat keyakinannya rendah?
Noul menunjukkan probabilitas jawaban ya. Jika nilainya mendekati 0, hasilnya menunjukkan keputusan yang condong ke tidak. Tidak ada kolom tingkat keyakinan terpisah.

### Apakah tingkat keyakinan 92% berarti tingkat ketepatannya 92%?
Tidak dapat ditafsirkan demikian. Tingkat keyakinan adalah nilai yang merangkum distribusi probabilitas jawaban. Tingkat ketepatan sebenarnya harus diukur menggunakan kasus yang jawaban benarnya telah dikonfirmasi.

### Berapa biaya penggunaan Jev?
Tarif yang diumumkan pada 15 September 2026 adalah 0.042 dolar per 1 juta token masukan. Saat itu, token keluaran diinformasikan gratis. Periksa tarif terbaru dalam dokumentasi TypeSafe Models.

### Apakah selalu merespons dalam waktu 0.1 detik?
Hal tersebut belum dikonfirmasi sebagai jaminan yang berlaku untuk semua permintaan. Rentang yang disebutkan dalam pengumuman peluncuran perusahaan adalah 70-500 milidetik. Ukur latensi aktual berdasarkan masukan dan lingkungan koneksi.

### Apakah demonstrasi Doom menganalisis layar permainan secara langsung?
TypeSafe menjelaskan bahwa demonstrasi tersebut menggunakan status permainan yang disusun dalam bentuk teks. Demonstrasi itu tidak menggunakan gambar itu sendiri sebagai masukan.

### Apakah masukan boleh menggunakan bahasa Korea?
Masukan nonbahasa Inggris seperti bahasa Korea juga dapat diproses. Namun, dokumentasi resmi menyatakan bahwa akurasinya paling baik dalam bahasa Inggris. Lakukan verifikasi terpisah menggunakan kasus pekerjaan berbahasa Korea.

### Apakah Jev dapat digunakan untuk perhitungan angka dan perbandingan tanggal?
Dokumentasi keterbatasan Jev 1.13 menjelaskan bahwa model ini memiliki kelemahan dalam perhitungan yang akurat. Perbandingan urutan tanggal juga merupakan keterbatasan yang telah diketahui. Disarankan agar perhitungan dan perbandingan diproses menggunakan kode.

### Apakah Jev juga dapat digunakan di Vercel dan OpenRouter?
Vercel memberikan panduan cara menghubungkan melalui fitur evaluasi AI Gateway. OpenRouter juga memiliki halaman model Jev 1.13. Periksa ketentuan penggunaan dan format permintaan untuk setiap jalur.

### Apakah model yang sedang digunakan dapat berubah?
Alias yang menunjuk ke versi terbaru dapat dialihkan ke model baru. Model ID yang telah diverifikasi dapat dikunci. Catat juga model ID aktual yang disertakan dalam respons.

## Sources

- [TypeSafe AI, Memperkenalkan Model System One & Jev, 15 September 2026](https://typesafe.ai/blog/introducing-system-one-models-and-jev)
- [Dokumentasi TypeSafe AI, System One](https://docs.typesafe.ai/concepts/system-one)
- [Dokumentasi TypeSafe AI, Pengantar](https://docs.typesafe.ai/introduction)
- [Dokumentasi TypeSafe AI, Skor](https://docs.typesafe.ai/primitives/score)
- [Dokumentasi TypeSafe AI, Noul](https://docs.typesafe.ai/primitives/noul)
- [Dokumentasi TypeSafe AI, Keyakinan](https://docs.typesafe.ai/confidence)
- [Dokumentasi TypeSafe AI, Model](https://docs.typesafe.ai/models)
- [Dokumentasi TypeSafe AI, ketidakrataan Jev 1.13, ditinjau pada 17 September 2026](https://docs.typesafe.ai/model-jaggedness/jev-1.13)
- [Dokumentasi TypeSafe AI, Mulai cepat](https://docs.typesafe.ai/introduction/quickstart)
- [Vercel, Apa itu Jev, model System One milik TypeSafe AI?, 18 September 2026](https://vercel.com/i/what-is-jev)
- [Dokumentasi Vercel AI Gateway, Evaluasi](https://vercel.com/docs/ai-gateway/modalities/evaluation)
- [OpenRouter, TypeSafe: Jev 1.13](https://openrouter.ai/typesafe/jev-1.13/)

## Images

![Perempuan meninjau grafik dan data di tablet pada meja restoran](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjEwNTYsInB1ciI6ImJsb2JfaWQifX0=--e6b978aedcb8b8e82ef1491cad6918fb7c29680e/ai-92117be8.webp)
![Perempuan meninjau grafik di tablet dalam kafe dengan ikon alur sistem di sampingnya](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjEwNjMsInB1ciI6ImJsb2JfaWQifX0=--595ff001fb75deadb34c8a35159d13264fa08279/ai-2475489e.webp)