Jev: Metin Ureten Degil Karar Veren Model — TypeSafe'in 70 Milisaniyelik Hamlesi

ChatGPT'nin 2022'de yayginlasmasindan beri ana akim rota belliydi: once insanla sohbeti daha iyi yapan modeller, sonra 2025'te Claude Code ve Codex ile kod ajanlari icin optimize edilen ayni govde. Caleb'in cizdigi AI yigini (stack) mantiginda uygulama katmani (application layer) asagiya dogru baski yapar; yani asil kullanim sekli, alttaki katmanlarin neye gore evrilecegini belirler. Bu yuzden modeller iki yonde keskinlesti: insanlar icin daha yardimci metin, ajanlar icin daha dogru kod ve arac cagrisi. Fakat is akisi otomasyonu (workflow automation) hep eksik kalan ucuncu cephe olarak kaldi.

Neden Otomasyon Takildi: Ortodoks Hattaki Ayrisma

Burada videonun en kritik iddiasi geliyor. Astra ve Fable gibi cok zeki modeller bile otomasyonda esigi asmak icin yuksek maliyet odemeden gecemiyor. TypeSafe AI'in tezi net: bunun nedeni modellerin farkli seyler icin optimize edilmis olmasi. Bir yanda insan tercihi icin pekistirme (RLHF — Reinforcement Learning from Human Feedback, insan begenisine gore egitim), diger yanda dogrulanabilir odul icin pekistirme (verifiable reward) var. Ikisi de belirsizlik altinda hizli karar gerektiren otomasyon islerinde ayni sekilde tasinmiyor. Tipki yaris pistine kamyon surmek gibi — guclu motor var ama viraj hizi icin tasarlanmamis. Bu kopus (schism) yuzunden TypeSafe, ortodoks hattin dogal devamini sorguluyor.

TypeSafe'in onerdigi antitese gore cozum, sohbet icin bilenmis modeli otomasyona zorlamak degil; otomasyon icin bastan tasarlanmis bir sinifi devreye almak. Jev bu yuzden mevcut yonelemenin karsi kutbu olarak konumlaniyor. Yazilim icinde alinacak kucuk ama cok sayidaki karari, insan metni ureten bir sisteme cevirtip sonra parse etmek (metni ayristirip koda cevirmek) yerine dogrudan tipli karar almak daha saglam. Video bu noktada bir bakis acisi degisimi oneriyor: otomasyonu 'daha buyuk genel model' ile degil, dogru kisit icin optimize edilmis dar modellerle buyutmek. Bu yatay genisleme, ekosisteme fayda olarak okunuyor.

70 Milisaniyede Karar: Jev Nasil Farkli Calisiyor

Sosyal medyada paylasilan Jev projelerinin ortak vurgusu derinlik degil hiz. E-posta siniflama, RAG'i iyilestirme (RAG — kaynaga bakarak cevaplama, dokumanlardan baglam cekme), oyun oynama ve model yonlendirme gibi isler — klasik LLM'ler islevsel olarak yapabiliyor, fakat Jev iddiaya gore 40 ila 200 kat daha hizli, uctaan uca 70-500 milisaniyede bitiyor. Aradaki fark mimari: otoregresif (autoregressive — token'i sira sira, bir sonrakini oncekine bakarak ureten) modeller token'leri tek tek dokene kadar bekler; gecikme kacimilmazdir. Jev ise paralel ornekleme (parallel sampling — ayni girdiye karsi birden fazla soruyu ayni anda hesaplama) ve tipli olasilikli karar (typed probabilistic decision — ciktiyi serbest metin degil, olasilik dagilimli yapi olarak dondurme) icin tasarlanmis. Yani mesele 'yapabiliyor mu' degil, 'uygulama katmaninda pratik kilacak hizda yapabiliyor mu' sorusu.

Bu farki somutlastirmek icin Jev'in girdi ve ciktilari farkli dusunmek gerekiyor. Geleneksel LLM'de talimat verirsin ve metin alirsin. Jev'de ise ham metni yapi bastirirsin: durum (state — baglam, kayitlar, kurallar) ile birlikte sorular gonderilir ve model yapi geri doner: seceneklere dagilmis olasiliklarla birlikte bir karar. Uc temel ilkel (primitive — yazilimdaki temel yapi tasi) var: Choice (kategorik secim — listeden birini secme), Score (sirali puanlama — ornegin sakin / gergin / cok gergin gibi duzeyler arasi skor), Noul (evet-hayir olasiligi — bir onermenin dogruluk olasiligi 0-1). Her soru ayni duruma karsi paralel ve izole degerlendirilir; soru eklemek yanit suresini neredeyse degistirmez ve baglam curumesi (context-rot — cok soru eklenince kalitenin dusmesi) olusmaz. Tiptal (kalibre edilmis — calibrated, olasiligin gercek basari oraniyla uyumlu) guven skoru da her kararla gelir. Analogiyle dusunursen tipki mantik kapilari ve yazmaclar gibi: tek tek basit, birlestirince karmasik sistem kurulur. Kurulum adimlari soyledir: 1) baglami state alanina koy, 2) her karari atomik soruya bol, 3) tek cagrida paralel sor, 4) donen olasilik + guveni kodda esik ve mantikla birlestir. Ornegin uzun bir bitki listesini siniflamak istiyorsun — Claude Opus 5 sira sira dokerken Jev ayni isi bir-iki saniyede bitirir. Baska bir ornek: destek biletini yonlendirirken 'iade istedi mi?', 'cift odeme kaniti var mi?', 'politika iade eder mi?' sorularini ayni anda sorar, sonra kod hangisini oto-aksiyona alip hangisini incelemeye gonderecegine guvene gore karar verir.

Pareto'da Yeni Cephe ve Acik Kaynak Yankisi

Video Jev'i Pareto sinirinda (Pareto frontier — hiz ve maliyet karsisinda akil performansi egrisi) Flash/Nano sinifiyla karsilastiriyor: GPT 5.6 Luna, DeepSeek v4 Flash veya Sonnet 5 gibi hizli uc modellerle ayni bolgede rekabet ediyor ama sadece is akisi ozel gorevlerde. Bu, Jev'in 'her seyi yapan dev' degil, 'belirli isi cok hizli ve ucuz yapan uzman' oldugunu gosteriyor. Bu yuzden yazar gelecekte Pareto'nun bu kosesinin dolmasini istiyor: bir yanda karmasik yaratici isler icin yardimci modeller, bir yanda gunluk surucu modeller, simdi de otomasyon icin Jev benzeri sistemler. Bu uc kulvar bir arada buyurse uygulama katmani gercekten genisler.

Dokumana gore TypeSafe, Jev'i RLCD ile egitiyor (RLCD — Reinforcement Learning for Calibrated Decisions, kalibre kararlar icin pekistirmeli ogrenme; metin uretmek degil dogru olasilikli karar dondurmek icin optimize). Model detaylari da bu felsefeyi destekliyor: guncel surum jev-1.13.0, giris fiyati milyarda 42 dolar (milyonda 0.042 dolar), Claude Fable 5.1'e gore yaklasik 238 kat daha ucuz giris ve tipik is akisinda 193 kat hizli, 444 kat ucuz oldugu ornekleniyor. Baglam 64k token (durum icin 32k + en uzun soru), giris sadece metin, cikis token'i ucretsiz, limitler saniyede 250 bin token ve dakikada 1200 istek. Fine-tune veya musteriye ozel agirlik yok; uyum state ve soru tasarimiyla yapiliyor. TypeSafe'in System One adi, Daniel Kahneman'in Hizli ve Yavas Dusunc (Thinking, Fast and Slow) kitabindaki Sistem 1 (hizli, sezgisel) gondermesinden geliyor. Video ise RLCD'nin detaylarinin aciklanmadigini not edip karsi ornek veriyor: Reddit'te cift yonlu BERT (bidirectional BERT — metni sadece soldan saga degil her iki yonden okuyan transformer) tabanli 421 milyon parametreli benzer bir model acik kaynak olarak tuketici donaniminda kosuyor. Buradan cikan sonuc, Jev'in tekilliginden cok dar uzman modellerin geri donusu: uretici AI oncesi de vardi, simdi yeniden degerleniyor. Benim icin en saglam cikis, ekosistemin 'her ise genel temel model' refleksini birakip dogru kisit icin dogru modeli secmeye baslamasi.