Jev クイックリファレンス: 決定モデルと3大プリミティブ

1. 決定モデル (Decision Model) の本質

従来のLLM（GPT-4、Claudeなど）はテキストをトークン単位で自己回帰生成する「System 2」的な推論モデルです。これに対してJevは、入力された文脈（State）に対して直接「判定・スコア」と「キャリブレーションされた確率」を出力するSystem 1特化型モデルです。

比較項目	従来の LLM-as-a-Judge	Jev (Decision Model)
出力形式	自由テキスト（推論理由＋判定結果）	厳密に型付けされた値（Boolean / Enum / Score）＋確率
レイテンシ	1,500ms 〜 5,000ms+	70ms 〜 500ms
コスト	~$10.00 / 1M tokens	~$0.042 / 1M tokens（200倍以上安価）
出力の安定性	フォーマット崩れや幻覚（Hallucination）の懸念あり	常に厳密な型が返る（パース不要）
信頼度の把握	主観的な文章理由から推測	0.0〜1.0 の確率（Probability）が直結

2. 3大プリミティブ（基本判定タイプ）

Jevに対する問い合わせは、以下の3つのプリミティブのいずれか、または組み合わせで構成されます。

① Noul（真偽値・二値判定）

条件が成立するか否かを判定し、真である確率（0.0 〜 1.0）を返します。

# 概念シグネチャ
noul(question: str, state: str | dict) -> Probability (float: 0.0 ~ 1.0)

# 例: "ユーザーの入力に個人情報が含まれているか？"
# 戻り値: 0.94 -> 94%の確からしさで True

② Choice（単一選択・分類）

定義済みの選択肢群の中から最も適切な1つを選び、全選択肢の確率分布を返します。

# 概念シグネチャ
choice(question: str, options: list[str], state: str | dict) -> {selected: str, probabilities: dict[str, float]}

# 例: "問い合わせの意図はどれか？"
# options: ["billing", "technical_support", "feature_request"]
# 戻り値: {"selected": "billing", "probabilities": {"billing": 0.88, "technical_support": 0.09, "feature_request": 0.03}}

③ Score（順序付けルーブリック評価）

段階的・順序付きの基準（ルーブリック）に基づき、数理的スコアと分布を返します。

# 概念シグネチャ
score(rubric: list[RubricCriterion], state: str | dict) -> {score: int | float, distribution: list[float]}

# 例: 回答の具体性を1〜5点で評価するルーブリック
# 戻り値: {"score": 4, "confidence": 0.82}

3. カスケード判定（Cascading Pattern）の基本構造

全トラフィックをJevで受け、確信度（Probability）が閾値（例: 0.85）を下回るグレーゾーンの案件のみを高価な生成型LLM（System 2）にルーティングするアーキテクチャです。

# カスケード判定の疑似コード
verdict, probability = jev.evaluate(question, state)

if probability >= 0.85:
    return verdict  # 超高速・低コストで即決
else:
    return fallback_llm_judge(state)  # 難問のみ詳細推論モデルへ