# Jev（TypeSafe AI）活用の現状と課題（2026 年 11 月）

- 著者：小川 修一郎（デザイン研究者／デザインコンサルタント）https://jamjet-iqbal.com/
- 初出：2026-11-21、更新：2026-11-21
- 正規の URL（HTML）：https://jamjet-iqbal.com/notes/jev-best-practices-2026-11/
- 英語版：https://jamjet-iqbal.com/en/notes/jev-best-practices-2026-11/（Markdown：https://jamjet-iqbal.com/en/notes/jev-best-practices-2026-11.md）
- 言語：ja
- キーワード：ai, jev, typesafe, system-one, decision-model, best-practices, confidence-threshold, selective-prediction, cascade, criteria, evals, guardrail, ai-frontier

> TypeSafe AI の Jev が公開されて 2 か月がたった。使い方に関する検証の材料は 9 月の数件から大きく増えた。GitHub には実装者が事前登録してから行った独立の評価が並んでいる。arXiv で Jev のプレプリントを探すと 63 件がヒットする。ただし査読を通ったものは 0 件である。本番で数週間以上回した運用の記録も見つからなかった。9 月の結論のうち criteria の書き方は独立の評価でも支持された。計算や日付の演算を任せないことも同じである。大きく変わったのは閾値の扱いである。閾値は課題ごとに選び直さなければならない。少数の例で点推定した閾値を使うと目標の精度を下回りやすい。カスケードは精度より費用を下げる手段と位置づけるのがよい。Jev と LLM の judge は同じ所で誤るからである。TypeSafe の docs で勧められる棄権の置き方はこの 2 か月で変わった。該当なしの選択肢を置く形から Choice とは別に Noul で問う形へ移った。ただしこの二つの形が数字で比べられた例はまだ無い。ラベル付きのデータが手元にある場面では学習した小さな分類器が Jev を上回る例が複数ある。

9 月時点での使い方は [Jev をどう使うか、どこで使わないか](https://jamjet-iqbal.com/notes/jev-usage-patterns/) にまとめた。
そのときの結論は「ベストプラクティスと呼べる合意はまだない」だった。
本ノートでは 2026-11-21 に同じ問いを調べ直した。
9 月の結論のうち残った項目と変わった項目を分けて書く。
Jev の保証の範囲は [TypeSafe AI の Jev における保証の範囲](https://jamjet-iqbal.com/notes/typesafe-ai-jev/) に書いてある。

## 9 月の結論はどれが残ったか

先に判定を表にまとめる。
「段階」の列では裏づけの強さを次の 3 つに区分した。

- **公式推奨**：TypeSafe AI か配信事業者が docs に書いただけのもの
- **単独実装**：一人の実装者が自分で測ったもの
- **独立追試**：提供元と別の者が公開したコードで測ったもの

| 9 月の項目 | 11 月の判定 | 段階 | 主な根拠 |
|---|---|---|---|
| Score は度合いでなく状況を書く | 維持 | 公式推奨 | docs の Score |
| Noul は 1 問 1 真偽にする | 維持 | 公式推奨 | docs の Noul |
| Noul では否定形を避ける | 修正（高い値が yes になるように組む） | 公式推奨と独立追試 | docs の Noul および Rafe と Das |
| 計算と日付の演算を任せない | 維持 | 公式推奨と単独実装 | model jaggedness と GC AI の記録 |
| confidence 0.6 と 0.85 を出発点にする | 修正（固定の出発点は置かない） | 独立追試 | Li ら、Brom、MLflow |
| 棄権か「該当なし」の選択肢を置く | 未確定（TypeSafe AI は別の Noul で問う形へ移った） | 公式推奨 | docs の Choice と companion Noul |
| カスケードで精度を上げる | 修正（主な効果は費用） | 独立追試 | Rao と Callison-Burch |
| 質問を 1 回の要求にまとめる（12.2 倍安い） | 維持（公式推奨のまま） | 公式推奨 | cookbook の parallel_questions |
| 入出力の両側をガードレールで点検する | 維持（条件を追加） | 公式推奨と単独実装 | Spring AI の記録 |

## 増えた材料とまだ無い材料

9 月時点での独立実装は数件だった。
標本も 12〜60 件にとどまっていた。
11 月には実装者が事前登録してから行った独立の評価が GitHub に複数ある。
標本の規模も数百件から数千件になった。
arXiv で Jev に「TypeSafe AI」か「System One」を組み合わせて検索すると 63 件がヒットした。
収集担当はその 63 件の題名をすべて確かめた。

それでも欠けている材料がある。
査読を通った論文は 0 件だった。
ACL Anthology と OpenReview への掲載記録は Web 検索 1 回の範囲で見つからなかった。
本番で数週間以上回した運用の記録も 0 件である。
具体的には次の四つが書かれた記録が見つからなかった。

- 件数
- 自動処理率
- 誤判定率
- 手戻りの費用

Jev の利用をやめて別の手段に移した当事者の記録も見つからなかった。
9 月に引いた次の 3 つの数字についても提供元と別の者が測り直した例はない。

- Langfuse の一致率 91.5%
- 操作リスク判定の 91.7%
- バッチングの 12.2 倍

次の調査会社 6 社のレポートに当たった。

- Gartner
- Forrester
- IDC
- McKinsey
- Menlo
- ICONIQ

到達できた本文の中に Jev の名前は無かった（Gartner は本文に到達できていない）。
公的機関の資料で Jev を名指ししたものも 0 件である。

## 閾値は自分のデータで選び直す

9 月のノートでは docs に載っていた 3 段の閾値を出発点として紹介した。
confidence が 0.6 未満なら人に回す。
0.85 を超えたら自動で実行する。
今回取り直した docs の confidence ページにこの 3 段の数字は無かった。
TypeSafe は代わりに confidence で測られるものを記している。
「Confidence measures how concentrated the answer's probabilities are, which is different from the probability that the selected answer is correct」。
confidence は確率の偏りの大きさである。
選んだ答えが正しい確率ではない。

独立の評価からも固定の出発点を置くことには慎重であるべきだと分かる。
Li らは Jev の判定を複数の課題で試した。
confidence が高い判定だけを受け入れて残りを LLM の judge に回す方法である。
著者らは閾値を対象の課題ごとに決めなければならないと結論づけている。
手順として対象課題の約 100 件にラベルを付けて閾値を選ぶよう勧めている。
閾値を選ぶときは精度の点推定でなく信頼区間の下限を見る。
こうすると精度が 2 ポイント以上下がるおそれが約 45% から約 5% に減ったという。

少数の例で閾値を決めると目標とした精度を守れないことも分かってきた。
Brom は 190 回の評価を行った。
点推定で選んだ閾値では 147 回で目標とした精度に達しなかったと報告している。
一方で誤り率の上限が統計的に保証される選び方（Learn then Test）では全回で目標が守られた。
Šuppa と Kopčan の 2 人は言語をまたぐ場合を調べた。
英語のデータで誤り 5% に合わせた閾値をドイツ語とフランス語の XNLI にそのまま使った。
すると誤りは 7.8〜12.4% になった。

実装者の記録でも同じ傾向が見られる。
MLflow の Yayoi と Watanabe は確率が 0.2〜0.8 の判定だけを対象にして計算した。
それらの判定を別の judge（GPT-OSS-120B）に回した仮定での計算である。
別の judge に回すのは判定の 20% 未満にとどまる。
回したあとは 2 回の実行とも 72 件すべてが人手のラベルと一致する計算になった。
ただし 2 人はこの範囲を同じデータを見て決めたため規則ではなく出発点として扱うよう書いている。
同じ入力をくり返し送ったときには範囲外の 0.82 で誤って受け入れた判定が 1 件出た。
独立の実装者 ickma2311 の評価では 200 件のうち 102 件で confidence が 1.0 になった。
その 102 件のうち 6 件は誤りだった。

ここから採れる作法は 3 つある。

- 閾値は自分の課題のラベル付きデータで選び別の課題や言語やモデル版には流用しない
- 数十件で決めた閾値は仮の出発点にとどめる
- 出発点の閾値はテストデータで確かめるか誤り率が保証される選び方で選び直す

TypeSafe 自身も Noul のページに「Avoid fitting thresholds closely to a handful of test cases」と書いている。

## 棄権の置き方はまだ決まっていない

Jev の Choice ではどの選択肢も当てはまらない入力でも必ずどれかが選ばれる。
9 月のノートでは棄権か「該当なし」の選択肢を置くことを勧めた。

TypeSafe が docs で勧める形はこの 2 か月で変わった。
Choice のページには今も「Add an `other` or `none of the above` option when the list might not cover every input」とある。
しかし直後の注記には「A `none of the above` option may not work well in many use cases」とある。
代わりとして companion Noul が挙げられている。
companion Noul のページでは `other` を足すのはかつての標準的な助言だったと説明されている。
そのうえで `other` と本来の選択肢の間で確率の取り合いが起きると述べられている。
そこで TypeSafe は別のやり方を勧めている。
選択肢のどれかが当てはまるかを同じリクエスト内の別の Noul で問う方法である。
この形の根拠として書かれているのは「In our tests, that usually works better」だけである。
数字は付いていない。

独立の評価でも結果は一つにまとまらない。
Chen と Le は事前登録した評価で二択を三択に変えた。
記憶を廃棄してよいかを Jev で判定する場面での評価である。
足した選択肢は「確認が要る」である。
この変更により誤った廃棄は 39.2% から 15.5% に下がった。
一方で本当に廃棄すべきものの検出は 15.3 ポイント落ちた。
この落ち幅は著者らが事前に決めた許容の 10 ポイントより大きかった。
他方で MLflow の Watanabe は棄権が要るなら「unsure」を加えた Choice を使うと書いている。

棄権の選択肢を置くやり方と別の Noul で問うやり方が同じデータで比べられた例は見つからなかった。
今の時点で採れる手立ては両方の形を自分のデータで試すことである。
そのとき誤った自動処理と取りこぼしの両方を数える。

## カスケードは費用を下げる手段として使う

安いモデルで処理して confidence が低いものだけを高いモデルに回す仕組みを **カスケード** と呼ぶ。
9 月から TypeSafe AI が勧めてきた仕組みである。
しかし 11 月の独立の評価では精度の上がり幅が小さいことが分かった。

Rao と Callison-Burch は Jev と Decider（Perplexity）を 9 つの評価パネルで flash 級の LLM の judge と比べた。
LLM の judge の費用は Jev と Decider それぞれの 16〜357 倍だった。
一方で Jev の誤判定のうち confidence が最も高かったものでは LLM の judge も 96.0% が Jev と同じ答えだった。
両者の誤りが独立なら同じ答えになるのは 50.3% の見込みである。
著者らは Jev を「a cheap substitute for a flash-tier LLM judge but a poor complement to one」と書いている。
後段へ回す閾値を後から最も都合よく選んだ場合でも単独で最も強い judge からの上がり幅は 2.7 ポイント以下にとどまった。

TypeSafe の cookbook でも効果は費用の削減として示されている。
カレンダーの課題 1,000 件では安いモデル単独の正解率は 92.6% だった。
推論モデル単独の正解率は 98.1% であり費用は 1,000 件あたり 1.89 ドルだった。
Jev の判定で規則違反とされたものだけを推論モデルに回した。
結果は次のとおりである。

- 約 13% を回したとき 96.5%（0.49 ドル）
- 約 54% を回したとき 98.1%（1.31 ドル）
- 64% を超えて回しても精度は上がらなかった（64% のとき 98.3% で 1.50 ドル）

カスケードを組む前に確かめることは 2 つある。

- 前段で誤る箇所について後段のモデルの答えが正しいかどうか
- 後段へ回す割合および費用と遅延の増加

どちらも自分のデータで測って精度と一緒に記録する。

## criteria の書き方は独立の評価でも支持された

criteria の書き方は 9 月のノートに載せた内容が 11 月時点の TypeSafe の docs にも残っている。
Score は「Describe situations, not degrees」である。
Noul は「Ask one yes/no question per Noul」である。

Noul の否定形については TypeSafe の書き方が細かくなった。
否定の問いを一律に避ける方針ではない。
高い値が yes になるように問いを組む。
後でコードで値を読むと意味が逆になる問いの例として「Is the message free of personal data?」が docs に挙がっている。
Rafe と Das の 2 人は yes と no の向きを入れ替えて試験をした。
Jev の答えは 100 件あたり 50.5 件変わった。
学習した判定モデル 4 つでは同じ試験での変化は 6.5 件以下だった。

規則の境界を例と反例で書くことにも独立の裏付けが得られた。
Beno はコーディングエージェントの操作を規則で止める場面で規則の境界を例と反例で書き足した。
著者の要旨によれば評価できた 23 のモデルすべてで見逃しが減ったという。
Jev 1.14 の再現率は 89.3% から 98.2% に上がった。
ただし規則の文を GPT-6 で作成した条件では上がり幅の信頼区間に 0 が入るモデルが 2 つあった。

選択肢の並び順と文言にも注意が要る。
TypeSafe は model jaggedness のページで Jev の回答が最初の選択肢に寄ることがあると書いている。
対策として選択肢を並べ替えて答えが変わらないかを確かめるよう勧めている。
Song らの報告では選択肢を並べ替えても精度の平均の変化は 2 ポイント未満にとどまった。
それでもどこかの並びで誤る問題の集合は元の並びに比べて 27.3〜28.5% 広がった（2 つのベンチマークでの幅）。
Li らの評価では同じ要求を 96 回くり返しても Jev の判定は変わらなかった。
一方で rubric の言い換えを 48 通り試したところ 4 通りでは判定が変わった。
criteria は文言の言い換えと選択肢の並べ替えの両方で試す。
確かめ終えた文言のまま使う。

## 質問を 1 回の要求にまとめる効果はまだ公式の計測だけ

11 月の docs でも関係しうる質問を 1 回のリクエストにまとめるよう勧められている。
cookbook の数字は jev-1.14.0 で取り直された。
逐次に 13 回送る場合と比べて「12.2x cheaper and 11.8x faster with no change in answers」となっている（9 月は jev-1.12 で「10.0 倍速い」だった）。
同じページには単独の呼び出しを並行して送れば速さの差は縮むとも書かれている。
ただし費用の差はそのまま残る。

提供元と別の者がこの数字を測り直した記録は見つからなかった。
GC AI の Pourvakil は似た項目を多数 1 つの配列に詰めて Jev で判定したと書いている。
すると隣の行どうしで答えが混ざって精度は 96% から 72% に落ちた。
もっともこれは別々の質問を同じ state にまとめる場合とは条件が違う。
したがって反証にも裏づけにも数えない。

## 学習した分類器が Jev を上回る課題

Jev を選ぶかどうかの比較材料は 9 月にはほとんど無かった。
11 月にはラベル付きのデータで学習した小さな分類器との比較が複数出ている。

ickma2311 の事前登録の評価では 77 クラスの Banking77 で Jev の正解率が 0.832 だった。
同じ分布の約 1 万件のラベルで学習した小さなエンコーダの正解率は 0.933 だった。
著者は 1 つのデータセットと 1 つのラベル量の結果で一般の規則にはならないと注記している。
Iqbal らはヘイトスピーチの判定で 100〜250 件のラベルで学習した DeBERTa の成績が Jev より高かったと報告した。
CLINC150 ではどのラベル量でも DeBERTa の成績は Jev よりはっきりとは高くならなかった。
答えを導き出さないと分からない課題でも Jev の成績は低い。
Li らの評価で論理パズルの正解率は Jev が 68.4% で GPT-6 が 95.9% だった。

逆に Jev が有利なのはラベルが無い所から始める場面である。
LLM と比べると Jev は費用が安く処理も速い。
実装者の anisselbd はフィッシング検出で Jev を試した。
Jev で直接判定したときの正解率は 62.6% だった。
リンク先のリストによる 2 行の規則の 91.6% より低い結果である。
ところが同じ呼び出しの中で Jev から 5 つの信号を得た。
その出力をロジスティック回帰に入れるとテストデータで 95.0% になった。
著者自身はこのデータは作り方の上でクラスを見分けやすいと注記している。
Jev の 5 つの信号による結果は Claude Haiku 4.5 から同じ 5 つの信号を得た場合と統計的に有意な差が無かった（p = 0.063）。
Jev に残る利点は約 27 倍安く 5 倍速いことだった。
Jev の答えを最終判断にせず別の仕組みへ渡す特徴量として使うやり方は TypeSafe の「Jev makes judgments, code makes decisions」と一致する。

## 本番で起きたこと

運用の記録は無いものの障害と不具合の報告はある。
9 月 26 日ごろから Vercel の AI Gateway 経由の Jev で一部のチームに対して 429 が返り続けた。
Vercel のスタッフはサービスの信頼性を守る仕組みとして一部のアカウントで利用を一時的に制限することがあると説明した。
TypeSafe の status ページには 10 月の障害が 2 件載っている。
一つは 10 月 14 日に us-east-1 の地域で約 45 分続いた遅延の増大である。
もう一つは 10 月 30 日に約 1 時間 15 分続いた過負荷である。
9 月には 2〜12 分の障害が 3 件載っている。

state に curl のコマンドを入れると正当なリクエストが Cloudflare によって HTML の 403 で止められるという報告もある。
認証の失敗に見えるため原因を突き止めにくい。
Spring AI の Tzolov が公開した実装では Jev の API に届かないときに passage が点検されないまま通る。
そのとき出るのは警告のログだけである。
入力のガードレールを Jev に任せるなら Jev に届かないときに止める設定（fail-closed）にする。
その動作も試験しておく。

モデルの版も更新された。
2026-10-14 に jev-1.14.0 が出て `jev-latest` の参照先は 1.14.0 に切り替わった。
TypeSafe は 1.13 を廃止する 60 日前までに予告を出す方針だと書いている。
ただし廃止の方針はまだ公開していない。
閾値を自分のデータで選んだなら版の番号の入った ID で呼ぶ。
版を変えるたびに閾値を選び直す。

## 競合と採用の規模

OpenAI と Google も Jev と同じ型の API を出した。
Simon Willison は 2026-11-11 に Google の Gemini Decision 1 を取り上げた。
Jev とほぼ同じ 3 つの型が用意されており yes/no の型には Jev の用語「Noul」まで採用されているという。
価格は Jev が 3 つの中で最も安い。
Willison は Jev をテキストと JSON だけのモデルとして比べている。
1.14 で画像の入力が実験として足された。
しかし画像を含む実験的な機能は本番の用途に勧められる水準ではないと TypeSafe 自身がブログに書いている。

採用の規模が分かる数字はゲートウェイ事業者のものしかない。
Vercel の AI Gateway の集計では 10 月の要求のうち 26% が決定モデル向けだった。
決定モデルとは Jev のように出力が次の 3 つだけのモデルのことである。

- 分類
- 採点
- 選択

同じ月の支出に占める割合は 0.53% だった。
1 要求あたりの費用は言語モデルの約 70 分の 1 にあたる。
要求は多いが支払いは少ない。
Vercel は決定モデルへの要求のほとんどが Jev に向かったと書いている。
もっともこれは要求の数である。
本番の稼働はこの数からは分からない。
試用や評価の要求が含まれる可能性もある。

求人で Jev を要件に書いた例は TypeSafe 自身の求人を除くと見つからなかった。

## 本番に入れるときの外部の条件

9 月のノートで引いた規範のうち 3 つが変わった。

EU AI 法で高リスクの AI システムに課される義務（Annex III）の適用は 2026-08-02 から 2027-12-02 に延びた（Regulation (EU) 2026/1744）。
人による監督の規定（Art 14）の本文は変わっていない。
Art 14(4)(b) では監督する人が出力に頼りすぎる傾向（automation bias）を意識できるようにすることが定められている。

コロラド州の SB24-205 は廃止され SB26-189 として定め直された。
分類やスコアによる決定の支援も対象に入った。
開発者の義務は 2027-01-01 から始まる。
不利な結果を受けた人は再検討と人による意味のある審査（meaningful human review）を求めることができる。
法の定義ではその審査をする人はシステムの出力を既定の答えにしてはならない（「does not default to the system output」）。
開発者は重要な更新を導入者に知らせる。
開発者と導入者はともに記録を 3 年以上残す。
モデルの版を固定して版の更新ごとに閾値を選び直すことは更新の通知や記録の保存という義務への対応にもなる。

米国連邦機関向けの OMB M-24-10 は M-25-21 に置き換えられていた。
9 月のノートでは置き換えられる前の版を引いていた。

## 学術界の系譜

ここまで引いた評価の問いの多くは Jev のために新しく生まれたものではない。
次の 3 つの問題には査読を通った研究の蓄積がある。

- 棄権つきの分類
- 確率の較正
- 長い入力での性能の低下

閾値の選択は選択的分類（selective classification）として研究されてきた。
Geifman と El-Yaniv は学習済みのネットワークに棄権を付ける方法を示した。
利用者が決めた誤り率を高い確率で守る仕組みである。
Brom の Learn then Test の結果はこの流れの上にある。

confidence を正解の確率と同一視しないことは以前から注意されてきた。
Guo らは近年のニューラルネットワークの確率が実際の正解率からずれやすい（較正が悪い）ことを示した。

state に無関係な内容を入れないことには長い入力の研究から裏づけが得られる。
Levy らは課題に関係しない文で入力を長くする実験をした。
それだけで LLM の推論性能は扱える上限よりずっと短い長さから落ちた。
ただし Jev 本体での測定は査読つきの研究にはまだ無い。

形式を守らせることと判断の正しさは別である。
Tam らは出力形式の制約が強いほど LLM の推論性能が落ちることを報告している。

## 信頼度の読み方

T1v ベンダー一次情報は TypeSafe AI の次の 4 つである。

- docs
- cookbook
- status
- blog

使い方と制約に関する一次の情報源として扱った。
cookbook の数字は TypeSafe 自身の計測である。
方法は開示されているものの第三者の検証は無い。
Fortune 500 の採用率と顧客の節約額の主張は方法論が無いため本文に置いていない。

T2 は公的機関の一次資料 3 件と調査 1 件からなる次の 4 つである。

- EU AI 法の一次資料
- コロラド州法の一次資料
- OMB の一次資料
- Vercel の利用集計

調査会社のレポートで Jev の名が出たものは 0 件だった。
投資家の資料にある数字は投資家が提供元と利害を共にするため除外した。

T3 個人と独立実装の資料は二種類である。
権威が確認できた個人の記録と GitHub で事前登録された評価である。
個人の内訳は次の 3 人である。

- MLflow のメンテナ
- Spring AI のリード
- Simon Willison

GitHub の評価は一人の実装者による計測である。
その実装者に権威があるかは確かめていない。

arXiv にある Jev の評価論文はどれも査読前のプレプリントである。
このノートで引いた論文の数字は論文の本文で確かめた。
ただし査読を経て数字が変わることがある。

一致しているのは次の 3 点である。

- criteria の書き方
- 計算と日付を任せないこと
- Jev の速さと費用の桁

一方で棄権の置き方は結果が分かれている。
質問を 1 回の要求にまとめたときの精度についても同様である。
長期の運用記録が出るまで閾値とカスケードの効果は課題ごとに測るしかない。

関連ノート: [やり取りのたびに Jev の判定が入る Claude Code 環境の構成の検討](https://jamjet-iqbal.com/notes/claude-code-ecosystem-jev-review/)、[Jev をどう使うか、どこで使わないか](https://jamjet-iqbal.com/notes/jev-usage-patterns/)、[TypeSafe AI の Jev における保証の範囲](https://jamjet-iqbal.com/notes/typesafe-ai-jev/)、[判断が関数呼び出しになるとデザインで何が変わるか（TypeSafe AI の Jev から）](https://jamjet-iqbal.com/notes/jev-typed-judgment-design/)、[LLM-as-a-Judge の最新動向と創造性の評価への応用](https://jamjet-iqbal.com/notes/llm-as-a-judge-literature/)、[フロンティアモデルと廉価モデルの使い分け（Fable 5 と GPT-5.6 Sol）](https://jamjet-iqbal.com/notes/model-tier-selection-ai-frontier/)、[RAG は終わったのか](https://jamjet-iqbal.com/notes/rag-grounding-2026-ai-frontier/)

## 未検証事項

- 本番で数週間以上回した運用の記録は見つからなかった。Web 検索と GitHub の issue と PR の検索の範囲で 0 件である。無いことの証明ではない
- Gartner と CB Insights の本文には到達できず（403）、Jev の掲載が無いとは言い切れない
- 9 月のノートで引いた「P(noul) ≠ 1 - P(not_noul)」の記述は今回取得した docs に見つからなかった。削除されたかは確かめられていない

## 参照文献

すべて 2026-11-21 にアクセス。

### ベンダー一次情報（T1v）

- TypeSafe AI. Docs: Confidence. https://docs.typesafe.ai/confidence.md
- TypeSafe AI. Docs: Choice. https://docs.typesafe.ai/primitives/choice.md
- TypeSafe AI. Docs: Noul. https://docs.typesafe.ai/primitives/noul.md
- TypeSafe AI. Docs: Score. https://docs.typesafe.ai/primitives/score.md
- TypeSafe AI. Docs: Pattern, companion Noul. https://docs.typesafe.ai/patterns/companion-noul.md
- TypeSafe AI. Docs: Model jaggedness. https://docs.typesafe.ai/model-jaggedness.md
- TypeSafe AI. Docs: Models. https://docs.typesafe.ai/models.md
- TypeSafe AI. Cookbook: Parallel questions. https://docs.typesafe.ai/cookbooks/parallel_questions.md
- TypeSafe AI. Cookbook: SDE cascade. https://docs.typesafe.ai/cookbooks/sde_cascade.md
- TypeSafe AI. "Jev: For the builders AND dreamers". 2026-10-14. https://typesafe.ai/blog/jev-1-14
- Laabs, A. (TypeSafe AI). "Don't Call It a Decision Model". 2026-11-03. https://typesafe.ai/blog/dont-call-it-a-decision-model
- TypeSafe AI. Status. https://status.typesafe.ai

### 公的機関と調査（T2）

- EU. Regulation (EU) 2024/1689（AI 法。Art 14）. https://eur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=OJ:L_202401689
- EU. Regulation (EU) 2026/1744（AI 法の改正）. https://eur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=OJ:L_202601744
- Colorado General Assembly. SB26-189, Concerning the Use of Automated Decision-Making Technology in Consequential Decisions. 2026-05-14. https://leg.colorado.gov/bills/SB26-189
- Colorado General Assembly. Session Laws 2026, Chapter 131（SB26-189 の成立法）. https://leg.colorado.gov/laws/session-laws/4864/download
- OMB. M-25-21, Accelerating Federal Use of AI through Innovation, Governance, and Public Trust. 2025-04. https://www.whitehouse.gov/wp-content/uploads/2025/02/M-25-21-Accelerating-Federal-Use-of-AI-through-Innovation-Governance-and-Public-Trust.pdf
- Charles, A., & Arora, H. (Vercel). "AI Gateway Production Index: November 2026". 2026-11-09. https://vercel.com/blog/ai-gateway-production-index-november-2026

### 個人の見解と独立実装（T3）

- Yayoi, T., & Watanabe, Y. (Databricks). MLflow blog, Jev judge part 2. 2026-09-25. https://mlflow.org/blog/jev-llm-judge-part-2/
- Watanabe, Y. (Databricks). MLflow blog, Jev judge. 2026-09-22. https://mlflow.org/blog/jev-llm-judge
- Tzolov, C. Spring blog, Spring AI modular RAG with TypeSafe Jev. 2026-10-02. https://spring.io/blog/2026/10/02/spring-ai-modular-rag-typesafe-jev
- Willison, S. "Gemini Decisions API". 2026-11-11. https://simonwillison.net/2026/Nov/11/
- ickma2311. jev-baselines-eval. 2026-09-25. https://github.com/ickma2311/jev-baselines-eval
- anisselbd. jev-phishing-bench. 2026-10-20. https://github.com/anisselbd/jev-phishing-bench
- Pourvakil, B. (GC AI). "What we learned building 38 projects with Jev in 12 hours". 2026-10-06. https://gc.ai/blog/what-we-learned-building-38-projects-with-jev-in-12-hours
- Vercel Community. "TypeSafe AI Jev requests shed with 429 and providerAttemptCount 0". 2026-09-26. https://community.vercel.com/t/typesafe-ai-jev-requests-shed-with-429-and-providerattemptcount-0-per-team-throttling/49779
- josebreijo. typesafe-sdk-js issue #15, Cloudflare blocks valid /v1/systemone requests. 2026-09-23. https://github.com/typesafe-ai/typesafe-sdk-js/issues/15

### 学術（プレプリント）

- Li, Y., Miao, Y., Krishnan, R., & Padman, R. (2026). JEV-as-a-Judge: Accept When Confident, Escalate When Unsure. arXiv:2609.26550v6. https://arxiv.org/abs/2609.26550
- Rao, D., & Callison-Burch, C. (2026). Decision Models vs. LLMs as Rubric Judges: Cheaper, Faster, and Wrong in the Same Places. arXiv:2609.29769v3. https://arxiv.org/abs/2609.29769
- Brom, P. C. (2026). Confidence Is Not a Promise: A Reference Audit of Typed Decision Models. arXiv:2610.36311. https://arxiv.org/abs/2610.36311
- Šuppa, M., & Kopčan, J. (2026). XDecideBench: Evaluating Typed Decision Models and Confidence Policies Across Languages. arXiv:2611.01370v2. https://arxiv.org/abs/2611.01370
- Chen, X., & Le, C. (2026). Suggested Is Not Superseded: A Pre-Registered Evaluation of a System-One Model as a Memory-Retirement Gate. arXiv:2610.15710. https://arxiv.org/abs/2610.15710
- Rafe, A., & Das, S. (2026). Benchmarking System One decision models against trained classifiers and language models for automated decision gates. arXiv:2610.00346v2. https://arxiv.org/abs/2610.00346
- Beno, J. P. (2026). Decision Models as Policy Gates for Coding Agents: Explicit Policy Boundaries Improve Detection and Reduce False Alarms. arXiv:2611.02155. https://arxiv.org/abs/2611.02155
- Song, M., Zheng, M., Ma, Z., & Zhou, X. (2026). Understanding Jev-Style System One Models: Does Structure Reduce Selection Bias? arXiv:2610.35826v3. https://arxiv.org/abs/2610.35826
- Iqbal, A. R., Nasim, M. F., & Saleem, A. (2026). Typed Decision Models under Prevalence Shift and Label Budgets: Decision Training, Calibration, and Implicit Priors. arXiv:2610.26325v2. https://arxiv.org/abs/2610.26325

### 学術（査読済み）

- Geifman, Y., & El-Yaniv, R. (2017). Selective Classification for Deep Neural Networks. NeurIPS 2017. https://arxiv.org/abs/1705.08500
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On Calibration of Modern Neural Networks. ICML 2017. https://arxiv.org/abs/1706.04599
- Levy, M., Jacoby, A., & Goldberg, Y. (2024). Same Task, More Tokens: the Impact of Input Length on the Reasoning Performance of Large Language Models. ACL 2024. https://arxiv.org/abs/2402.14848
- Tam, Z. R., Wu, C.-K., Tsai, Y.-L., Lin, C.-Y., Lee, H.-y., & Chen, Y.-N. (2024). Let Me Speak Freely? A Study On The Impact Of Format Restrictions On Large Language Model Performance. EMNLP 2024 Industry Track. https://aclanthology.org/2024.emnlp-industry.91
