TypeSafe AIが2026年9月15日に発表した判断特化型のAIモデル「Jev」は、一般的なLLM（大規模言語モデル）のように文章を生成するのではなく、あらかじめ定義された選択肢やスコア、確率を高速・低コストで返すモデルとして注目を集めている。
公開以降、X（旧Twitter）上では個人開発者や研究者による多様な活用事例の投稿が相次いでおり、その中にはロボットに応用した検証も複数見られる。本記事では、その事例を匿名でご紹介する。
実機ロボットアームでボールを掴んでボウルへ
まず、実機のロボットアーム「SO-101」にJevで判断させる検証が確認できた。
2台のUSBカメラの映像をもとに、Jevが1秒あたり約2回のペースで次の動作を選択する構成で、投稿では動作中に一度ボールを取り落としたものの、アームがボールの位置まで戻って拾い直し、最終的にボウルへ入れる様子が動画で示されている。
一晩で172回の仕分け実験を自動化、Jevはルール適用役
実機のロボットアーム（SO-101）を使った仕分けタスクの自動検証について詳細な報告の投稿も確認できる。
投稿によれば、Claude Codeにロボットアームでの実験設計・実行・不具合修正を任せ、一晩で172回の「掴んで運ぶ」動作を自動で繰り返させた。100回連続の掴み動作では成功97回、1回あたり17.8秒、途中停止なしという結果だったという。
Jevの役割は「ピンクを含む物は左へ」「丸い物は必ず中央へ」といった言葉によるルール12種を適用し、仕分け先を判断する部分に限定されている。
俯瞰カメラで位置と色を検出し、ローカルのQwen3.5 4Bが物体の種類を約0.8秒で判定、Jevがルールを当てはめて約0.6秒で行き先を決める構成で、72回すべてが指定区画への搬送に成功し、ルールで答えが一意に決まる65回については全問正解だったとしている。
一方で、同じボールが置き場所によって「緑」「ピンク」と別の色に誤認識されるなど、Jevに情報を渡す画像認識側の精度が課題として報告されている。あわせて、ロボットが動作のたびに撮影した画像から学習データを自動生成し、一晩で2,684枚のラベル付き画像を人手を介さずに用意した点や、照明条件によって認識精度が大きく変動したという実験結果もある。
シミュレーター「LIBERO」上でのロボット制御
ロボット学習用シミュレーター「LIBERO」上でJevにロボットを制御させるデモも行われている。
シミュレーター内でプレビューされた候補動作の中からJevが次の一手を選択する仕組みで、実行結果はリプレイとして公開され、Jevが選んだ動作とその確率を動画と並べて確認できるようになっている。
複数ロボットへの荷物・乗員割り当てをJevが判断
島を舞台にした小規模なシミュレーションデモも公開されている。
6個の物体、3体のロボット、積載量7ユニットまでのフェリー1隻という設定で、ユーザーが重視する条件をテキストで入力すると、Jevが積み荷を選び、担当するロボットを割り当て、出航のタイミングを決めるという内容だ。
今後の展望
紹介した事例はいずれも企業の公式発表ではなく、個人開発者・研究者によるX投稿ベースの検証であるため、一般的な成功率や実用性を保証するものではないだろう。
だが、Jevをロボット制御に活用する動きはこれから広がる可能性があるため、注目していきたい。
