意思決定モデルの解説：Jev、Laya、そしてSystem One AIの台頭

意思決定モデルは文章を書きません。テキストやJSONと、型の決まったいくつかの質問を渡すと、選択、スコア、はい・いいえの確率を、それぞれの答えの裏付けとなる確率とともに返します。この狭い役割のおかげで、チャットモデルに尋ねるより速く、はるかに安く済みます。そして、エージェントが一日中こなしている作業のうち、意外に多くの部分にとって適切な道具です。ルーティング、トリアージ、ガードのチェック、ゲーティングです。ただし、自分のデータで試さずに信頼できる道具にはまだなっていません。

「System One」モデルとは

この用語は、サンフランシスコの研究所TypeSafeによるものです。同社はJevを最初の「System Oneモデル」と呼び、会話ではなくソフトウェアの中での意思決定のために作ったとしています。TypeSafeのドキュメントによると、各リクエストにはstate（根拠となる情報）と、3種類の質問の組があります。choiceは一覧から選択肢を1つ選び、scoreは順序のある評価基準でstateを採点し、noulはある文が真である確率を返します。1回の呼び出しで同じstateに複数の質問ができ、答えは、コードがしきい値と比較できる型の決まった値として返ってきます。解析すべき文章はありません。

LLMや分類器との違い

チャットモデルと比べた場合、違いは出力です。LLMに「このチケットは緊急か」と尋ねると文章が返ってきて、エージェントはそれを解釈しなければならず、どれだけ確信があるかの信頼できる手がかりも得られません。意思決定モデルは選択肢ごとに数値を返します。LayaとGLiNER2.5-Decideはどちらも、トークンを一切生成せず、1回の順伝播で答えます。

従来の分類器と比べた場合、違いはラベルが固定されていないことです。学習済みの感情分析や意図分類のモデルは、学習したクラスしか知りません。意思決定モデルは選択肢をリクエストから読み取るため、再学習せずにカテゴリーを追加したり名前を変えたりできます。FastinoのモデルカードもGLiNER2.5-Decideをそのように説明しています。実際には境界はあいまいです。GLiNER2.5-Decideは分類器によく似たエンコーダーで、Layaのメンテナーは、正確にするには自分の意思決定データでファインチューニングが必要だと述べています。

エージェントのどこに収まるか

• ルーティング。どのチームがチケットを担当するか、どのモデルがタスクを扱うべきか、どのツールを呼ぶか。信頼度のしきい値を付けたchoiceの質問を使えば、エージェントは明確なケースでは行動し、それ以外は上に回せます。
• ガード。取得したページやツールの結果を、メインのモデルに届く前にプロンプトインジェクションがないか調べます。Jev MCPとViorantのホストJevはどちらも、まさにこのためのjev_screenツールを備えています。
• ツール呼び出しのゲーティング。提案された操作、差分、完了の主張を、実行前やエージェントがタスク完了を宣言する前に採点します。Jev MCPのjev_reviewとjev_gateが、コーディングエージェント向けにこれを行います。
• トリアージと検証。バックログへのラベル付け、検索結果の並べ替え、レポートの各主張を出典と照合する作業を、最先端モデルで回すには遅すぎて高すぎる量でまとめて処理します。

してはいけないこと：開かれた質問に答えること、自分の判断を説明すること、計画を立てることです。Fastino自身のモデルカードも、GLiNER2.5-Decideは「推論、説明、開かれた質問への回答は行わない」と述べています。

主な選択肢

• Jev（TypeSafe）。ホスト型のみで、重みを公開するという記述は見つかりませんでした。TypeSafeは入力トークン10億あたり42ドルとしています。jev-mcpのREADMEによると、OpenRouterとCloudflare Workers AIでも販売されています。TypeSafeの発表記事によると、choiceの質問1つにつき最大255の選択肢を扱えます。
• Laya（Convai Innovations）。Apache 2.0のオープンウェイトで、322Mから421Mパラメーターの3つのチェックポイントがあり、英語以外のテキストを100以上の言語に対応する多言語チェックポイントに振り分けるルーターを備えています。READMEでは、T4 GPUで質問1つあたり32.8ミリ秒と報告しています。
• ClefとClef-flash（Cloudflare）。2026年10月1日にApache 2.0の重みで公開されました。27Bと9Bのパラメーターで、コンテキストは64Kトークン、Workers AIとHugging Faceで提供されています。Jevと同じSystem OneのAPIに従っているため、Cloudflareによれば、切り替えはエンドポイントとモデル名を変えるだけです。
• GLiNER2.5-Decide（Fastino）。Apache 2.0の小さな英語のエンコーダー（Fastinoは340Mパラメーターとしていますが、重みファイルには約486Mあります）で、CPUで動き、多言語版もあります。モデルカードではGLiNER2からファインチューニングしたものとされています。
• Perplexity Decider（pplx-decider）（Perplexity）。Perplexityのオープンな27Bと4Bの意思決定モデルで、100万トークンあたり0.02ドルのAPIとしても販売されています。テキストと画像を入力し、確率を出力します。
• d3（vLLM Semantic Router）（vLLM Semantic Router）。vLLM Semantic Routerプロジェクトによるオープンな27Bの意思決定モデルで、Decision Indexで2位につけており、動画の入力とvLLMでのネイティブな配信に対応しています。

ホスト型のモデルは最も手間がかからず、オープンなモデルは最もプライバシーを守れます。書類上はClefが最も強力なオープンの挑戦者で、LayaとGLiNER2.5-Decideはノートパソコンで動くほど小さいです。

エージェントにつなぐ

多くの人にとって、MCPサーバーはモデルと同じくらい重要です。

• Jev MCP（4.3）はコーディングエージェント向けの一押しです。インジェクションの検査、主張の検証、差分のレビューなど、すぐ使える12のチェックがあります。
• Layaの公式MCPサーバー（4.2）はすべてをローカルで動かし、一括処理、長い文書、候補の絞り込みのためのツールを備えています。
• System One Connector（4.1）は、Jev、セルフホストのLayaやCLM、Liquid AIのd1と通信できる軽量なツール1つです。
• Viorant上のJev（3.8）は、無料のお試しクレジット付きのホスト型OAuthエンドポイントで、TypeSafeのキーは不要です。
• AnythingMCPのJevコネクタ（3.7）は、claude.aiとChatGPTのユーザー向けに、監査可能な共有キーを1本にまとめたいチームに向いています。

率直に言って、限界

ベンチマークのほとんどはベンダー自身のものです。Cloudflareの変更履歴では、10の意思決定ベンチマークのうち7つでClefがJevを上回り、BANKING77では94.20対79.74、Clef-flashのレイテンシの中央値は38.8ミリ秒でJevの524.1ミリ秒を下回ったと報告しています。Fastinoのモデルカードでは、Fastino自身のデータセットでGLiNER2.5-Decideが首位、Layaのルーターが最下位です。LayaのREADMEでは、ほとんどのタスクでLayaがJevを上回っていますが、使っているJevの数値は自分たちでは測定していないと述べています。数字が互いに食い違うのは、各ベンダーがテストを選んでいるからです。

ゼロショットの精度は低いことがあります。Layaのメンテナーは、ベースのチェックポイントは自分たちの型付き意思決定ベンチマークで「ほぼ偶然と同じ」（ランダムなベースライン0.318に対して0.362）であり、見出しの0.766はそのベンチマークの学習用データでファインチューニングしたチェックポイントの数字だと書いています。また、否定形の解約依頼が0.9998の確率で解約として分類された例や、77ラベルのタスクで精度が0.425まで下がった例も記録しています。

確信度は正しさではありません。較正された確率が売りですが、LayaのREADMEは、配布時のチェックポイントは確信度が高すぎると注記し、確信度は「意思決定の順序を付けるものであり、ある意思決定が正しいことを示すものではない」と述べています。しきい値は、自分でラベルを付けたデータに合わせて決めてください。

何もかもが新しいのです。Layaのリポジトリは2026年9月18日に作られ、Clefは10月1日に公開され、ここでレビューしたJevのMCPサーバーはどれも公開から5週間未満です。バージョン番号は毎週変わり、jev-mcpの作者は初期段階のソフトウェアだと述べています。

使うべき人

エージェントが範囲の限られた同じ種類の判断を何度も行い（チケットのルーティング、取得したコンテンツの検査、ツール呼び出しのゲーティング）、正しい答えがどういうものかを言えるなら、意思決定モデルを使ってください。何も学習させずに良い結果を得たく、ホスト型サービスにデータを送れるなら、Jev MCP経由のJevから始めてください。データを自分のハードウェアから出せないならLayaかClefを選び、例にラベルを付けてしきい値を決める時間を見込んでください。

判断がまれで、答えが開かれていて、説明が必要なら、使わなくてかまいません。その場合は今も最先端モデルのほうが良い道具です。そして、どれを選んでも、確信度の低いケースの後ろには最先端モデルか人間を置いてください。利点は簡単な判断に素早く答えることから生まれるのであって、400Mパラメーターのモデルにすべてを決めさせることから生まれるのではありません。