Jev od TypeSafe AI: Co nowego, jak działa i alternatywy (2026)
Większość premier modeli w tym roku dotyczyła robienia więcej. Ta dotyczy robienia mniej, i to celowo.
TypeSafe AI wydało model, który nie czatuje, nie pisze i nie tłumaczy swoich decyzji. Odpowiada na pytania za pomocą typowanych wartości i prawdopodobieństw. To cały interfejs tego produktu.
Ten przewodnik wyjaśnia, czym jest ten model i jak działają jego trzy typy pytań. Omawia również cennik, kwestie, w których według twórców model radzi sobie słabo, oraz jego miejsce w kontekście zadań, które rzeczywiście wykonuje większość zespołów.
Co trafiło na rynek
Jev to flagowy model TypeSafe. Według oficjalnej dokumentacji producenta jest to również „pierwszy model System One”.
Punkt wyjścia stanowi krytyka sposobu działania reszty tej kategorii rozwiązań. Duże modele językowe, jak czytamy w dokumentacji, „są zaprojektowane do generowania tekstu przeznaczonego do czytania przez ludzi”. Kiedy potrzebujesz decyzji, którą ma przetworzyć Twój kod, „tworzy to niedopasowanie”.
Dokumentacja precyzuje to niedopasowanie. Polega ono na „zmuszaniu systemu generowania tekstu do zwracania ustrukturyzowanych decyzji, a następnie ponownym parsowaniu wyników do postaci, na której Twój kod może polegać”.
Oferowana alternatywa eliminuje tę okrężną drogę. Jev „ocenia typowane pytania na podstawie stanu i bezpośrednio zwraca ustrukturyzowane wyniki. Bez generowania tekstu, bez parsowania”.
Strona internetowa firmy plasuje model Jev na końcu linii rozwojowej. Wczesne modele językowe, potem wstępnie wytrenowane LLM, następnie modele czatowe RLHF, potem modele wnioskujące RLVR. Teraz czas na RLCD, co rozwija się jako „uczenie ze wzmocnieniem dla skalibrowanych decyzji”.
Czym jest model System One
Nazwa jest zapożyczona, o czym dokumentacja mówi wprost. „Pochodzi od koncepcji, którą Daniel Kahneman spopularyzował w swojej książce Pułapki myślenia. O myśleniu szybkim i wolnym”.
System 1 jest szybki i intuicyjny. System 2 jest wolniejszy i refleksyjny. Tutaj „nacisk kładziony jest na szybkie, skoncentrowane oceny”.
Definicja funkcjonalna jest węższa niż metafora. Jest to „klasa modeli AI stworzona do podejmowania szybkich, ustrukturyzowanych decyzji, z których oprogramowanie może korzystać bezpośrednio”. Taki model „ocenia stan i zwraca typowane odpowiedzi oraz prawdopodobieństwa”.
Jedna linia dzieli model Jev od wszystkiego innego na rynku. „Podobnie jak LLM, model System One rozumie dane wejściowe w języku naturalnym. Zwraca jednak typowane decyzje i prawdopodobieństwa, a nie wygenerowany tekst”.
Producent jasno określa również to, czego model nie robi. Modele System One „nie piszą odpowiedzi, nie tworzą kodu ani nie generują wyjaśnień dotyczących swojego toku rozumowania”.
Trzy typy pytań
Nie piszesz promptów dla modelu Jev. Definiujesz przestrzeń odpowiedzi, a on dokonuje wyboru w jej obrębie.
Istnieją trzy typy pierwotne. Dokumentacja podaje przykład dla każdego z nich.
| Typ pierwotny | Pytanie | Przestrzeń odpowiedzi | Wynik |
|---|---|---|---|
| Choice | Który zespół powinien zająć się tym zgłoszeniem? | billing, technical lub account | choice: "billing" |
| Score | Jak bardzo sfrustrowany jest ten klient? | 0 = spokojny, 1 = sfrustrowany, 2 = bardzo sfrustrowany | score: 1.4 |
| Noul | Czy ta wiadomość zawiera prośbę o zwrot pieniędzy? | Prawda lub fałsz | noul: 0.95 |
Choice wybiera jedną opcję ze zdefiniowanego zbioru. Score klasyfikuje według uporządkowanych, opisowych poziomów. Noul zwraca prawdopodobieństwo, że odpowiedź na pytanie typu tak/nie brzmi „prawda”.
Przykład z oceną (Score) zasługuje na dłuższą chwilę uwagi. Wynik to 1.4, a nie 1. Jev plasuje dany przypadek pomiędzy dwoma nazwanymi poziomami, zamiast dopasowywać go na siłę do najbliższego z nich. To zupełnie inny format wyniku niż cokolwiek, co zwraca model tekstowy.
Koszty i obsługiwane formaty wejściowe
Strona z cennikiem jest wyjątkowo czytelna. Nieczęsto pisze się coś takiego przy okazji premiery nowego modelu.
Aktualny model to jev-1.13.0. Cena wynosi $42 za miliard tokenów lub $0.042 za milion. Dokumentacja wyraźnie zaznacza, że opłata jest naliczana „za token wejściowy”, a „tokeny wyjściowe są bezpłatne”.
Opublikowane limity to 250 000 tokenów na sekundę i 1200 żądań na minutę. Długość kontekstu wynosi 64k tokenów na żądanie. Z tego 32k jest dostępne na stan oraz najdłuższe pytanie.
Dane wejściowe to wyłącznie tekst. Dokumentacja wskazuje, że Jev „ocenia ciągi znaków, obiekty JSON oraz tablice tekstowe”. Dodaje również, że „obrazy, dźwięk i wideo nie są (jeszcze) obsługiwane”.
Wszystko działa przez jeden punkt końcowy: POST /v1/systemone. Pole model wybiera, który model obsługuje wywołanie.
| Właściwość | Wartość |
|---|---|
| Model | jev-1.13.0 |
| Cena | $42 za mld tokenów / $0.042 za mln tokenów, tylko wejście |
| Tokeny wyjściowe | Bezpłatne |
| Limity zapytań | 250 000 tokenów na sekundę; 1200 żądań na minutę |
| Kontekst | 64k na żądanie; 32k na stan plus najdłuższe pytanie |
| Typy wejściowe | Tylko tekst |
Pewność to element, na który warto zwrócić uwagę
Cennik trafia na nagłówki. Jednak ciekawszy pod kątem projektowym jest sposób obsługi pewności.
Każda odpowiedź typu Choice i Score zawiera właściwość probabilities dla poszczególnych opcji lub poziomów. Dokumentacja wyjaśnia, jak ją interpretować. Rozkład „skoncentrowany na jednym wyniku oznacza pewną odpowiedź, natomiast rozproszony oznacza odpowiedź niepewną”.
Osobna właściwość confidence sprowadza ten rozkład do pojedynczej liczby od 0 do 1. Udokumentowanym celem tego rozwiązania jest to, „aby można było ustawić próg bez konieczności samodzielnego wykonywania obliczeń”.
Uzasadnienie udostępnienia tej liczby sformułowano jako zasadę: „Jeśli inteligentny system, czy to ludzki, czy maszynowy, nie potrafi wyrazić szczerej niepewności, nie można mu zaufać”.
To, co dzięki temu zyskujesz, to reguła przekierowywania, a nie lepsza odpowiedź. Wysoka pewność oznacza natychmiastowe przetworzenie. Niska pewność trafia do człowieka. Dokumentacja przedstawia to jako decydowanie o tym, „kiedy podjąć działanie, a kiedy przekazać sprawę człowiekowi lub modelowi wnioskującemu”.
Każdy, kto wdrożył potok klasyfikacji, rozumie, dlaczego ma to znaczenie. To ścieżka eskalacji, a nie wskaźnik dokładności, decyduje o tym, czy rozwiązanie przetrwa zderzenie z rzeczywistymi danymi.
W czym model radzi sobie słabo według producenta
TypeSafe AI publikuje stronę zatytułowaną „model jaggedness” (nieregularność modelu), zweryfikowaną 17.09.2026 r. Wymienia ona znane firmie błędy i ograniczenia. Publikowanie takich informacji wraz z premierą zdarza się rzadko i oszczędza wszystkim zgadywania.
Podsumowanie jest szczere. Jev 1.13 „jest szybki, skalibrowany i dobrze radzi sobie ze zdroworozsądkową oceną, ale nie jest doskonały”.
Wprost wymieniono trzy słabości. Model „może mieć trudności z zadaniami wymagającymi dodatkowych poziomów pośredniości”. Może być „dość dosłowny w swoim rozumieniu”. Ponadto „słabo radzi sobie z zadaniami wymagającymi precyzji numerycznej”.
Tabela błędów i ograniczeń przypisuje każdemu z nich odpowiednie rozwiązanie. Dwa z nich warto przytoczyć dla każdego, kto planuje wdrożenie pilotażowe.
- W przypadku matematyki i liczb udokumentowana porada brzmi: „Zostaw arytmetykę w kodzie”.
- W przypadku obszernego stanu pełnego nieistotnych szczegółów zaleca się: „Najpierw filtruj; wysyłaj tylko to, czego wymaga pytanie”.
Oba zalecenia wskazują na to samo założenie projektowe. Jest to silnik decyzyjny, a nie kalkulator czy indeks wyszukiwania. Działa najlepiej, gdy otaczający go system zdążył już zawęzić pytanie.
Gdzie to się plasuje w kontekście zadań, które już wykonujesz
W przykładzie podanym przez samego producenta kryje się jasny podział pracy. Nazwanie go pozwala zdecydować, czy ta premiera w ogóle Cię dotyczy.
Udokumentowany proces obsługi zwrotów buduje stan i zadaje kilka niezależnych pytań jednocześnie. Następnie łączy odpowiedzi „za pomocą deterministycznych weryfikacji w kodzie” i kieruje sprawę „do działania lub do weryfikacji”.
Każdy krok zakłada tutaj udział programisty, aplikacji oraz dużą liczbę żądań. Koszt pojedynczego tokena musi stanowić realną pozycję w budżecie, aby to wszystko w ogóle się opłaciło.
Większość prac sprawozdawczych ma zupełnie inny charakter. Masz plik, a nie strumień żądań. Decyzje są środkiem do celu, a nie samym produktem. Na samym końcu musi powstać dokument, który ktoś przeczyta.
Klasyfikacja czterech tysięcy wierszy opinii klientów to środek tego procesu. Końcem jest podsumowanie wymieniające trzy główne motywy i wskazujące wyjątki.
Tą drugą połową zajmuje się przestrzeń robocza zorientowana na pliki (file-first). Przesyłasz wyeksportowany plik i opisujesz kategorie w języku naturalnym. Wiersze wracają z etykietami, a raport wyjaśniający je otrzymujesz w tym samym przebiegu. Powerdrill Bloom działa właśnie w ten sposób, a darmowy pakiet obejmuje już podstawowe prezentacje, dokumenty, arkusze i obrazy.
Te dwa rozwiązania nie konkurują o to samo miejsce. Jedno to API, które integrujesz z produktem. Drugie to miejsce, do którego trafia arkusz kalkulacyjny, gdy człowiek potrzebuje odpowiedzi do czwartku. Jeśli Twoja wersja tego problemu ma postać pliku, wypróbuj Powerdrill Bloom.
W przypadku kategoryzacji danych bezpośrednio w arkuszu kalkulacyjnym, zapoznaj się z poradnikiem dotyczącym kategoryzowania danych w programie Excel. W przypadku wyszukiwania motywów przewodnich, polecamy zestawienie narzędzi do analizy opinii klientów.
Alternatywy warte porównania
Trzy podejścia dotyczą tego samego obszaru. Wybór właściwego zależy głównie od wolumenu zadań.
Modele ogólnego przeznaczenia z ustrukturyzowanym wynikiem. Każdy większy dostawca ogranicza teraz odpowiedzi do określonego schematu. Otrzymujesz jeden model do oceny i generowania. Kosztem jest płacenie stawek za generowanie przy zadaniach decyzyjnych oraz konieczność samodzielnej kalibracji.
Klasyczne klasyfikatory. Dostrojony mały model lub drzewo decyzyjne z gradientowym wzmocnieniem są jeszcze tańsze i całkowicie przewidywalne. Sprawdza się to pod warunkiem, że dysponujesz zaetykietowanymi danymi i stabilnym zestawem etykiet. Taki model nie zrozumie jednak polityki firmy napisanej prozą.
Przestrzenie robocze do analizy zorientowane na pliki (file-first). Obsługują one proces decyzyjny jako jeden z etapów tworzenia gotowego materiału. Bez API, bez schematów, bez budżetowania kosztów pojedynczych tokenów. Nie dają też jednak możliwości osadzenia ich bezpośrednio w ścieżce obsługi żądań.
| Jeśli Twoja sytuacja to | Zwróć uwagę na |
|---|---|
| Miliony decyzji wewnątrz produktu | Model wyłącznie decyzyjny |
| Mieszana ocena i redagowanie, mały wolumen | Model ogólny z ustrukturyzowanym wynikiem |
| Stabilne etykiety i dużo danych treningowych | Klasyczny klasyfikator |
| Plik, który musi stać się raportem | Przestrzeń robocza zorientowana na pliki (file-first) |
Ostatniemu z tych przypadków poświęcone jest powiązane zestawienie narzędzi do generowania raportów.
Kto powinien się tym zainteresować już teraz
Zespoły realizujące procesy decyzyjne o dużym wolumenie wewnątrz produktu mają najjaśniejsze powody do wdrożenia Jev. Przekierowywanie zgłoszeń, kolejki moderacji, kwalifikacja leadów i wstępna weryfikacja uprawnień – wszystko to idealnie tu pasuje. Schemat polega na zadawaniu precyzyjnego pytania tysiące razy dziennie, co zasila określoną gałąź w kodzie.
Zespoły wykonujące okazjonalną klasyfikację w ramach analizy mają najmniej powodów do wdrożenia tego rozwiązania. Korzyści ekonomiczne, które czynią Jev atrakcyjnym na dużą skalę, są niewidoczne przy kilku tysiącach wierszy. Poza tym wciąż potrzebujesz czegoś, co później napisze podsumowanie.
Wszyscy pozostali mogą raczej zapożyczyć słownictwo niż wdrażać samo narzędzie. Oddzielenie szybkiego podejmowania decyzji od powolnej syntezy to przydatny sposób patrzenia na własny proces przetwarzania danych. Pozostaje on użyteczny niezależnie od tego, czy kiedykolwiek wyślesz zapytanie do tego API.
Jeszcze jedna praktyczna uwaga dla każdego, kto dokonuje oceny. Przeczytaj stronę dotyczącą nieregularności (jaggedness) przed stroną z cennikiem. Wiedza o tym, gdzie model ma słabe punkty, kształtuje projekt pilotażowy znacznie bardziej niż świadomość tego, ile on kosztuje.
Najczęściej zadawane pytania
Czym jest model System One?
Jest to klasa modeli stworzona do podejmowania szybkich, ustrukturyzowanych decyzji, z których oprogramowanie może korzystać bezpośrednio. Ocenia stan i zwraca typowane odpowiedzi oraz prawdopodobieństwa. Nazwa nawizuje do Systemu 1 Kahnemana, czyli szybkiego i intuicyjnego trybu myślenia. W przeciwieństwie do modelu czatowego, nie pisze odpowiedzi, nie tworzy kodu ani nie wyjaśnia swojego toku rozumowania.
Ile kosztuje Jev?
Opublikowana cena dla jev-1.13.0 wynosi $42 za miliard tokenów lub $0.042 za milion. Opłaty są naliczane wyłącznie za tokeny wejściowe, a tokeny wyjściowe są bezpłatne.
Co Jev może przyjąć jako dane wejściowe?
Wyłącznie tekst, w postaci ciągów znaków, obiektów JSON lub tablic tekstowych. Dokumentacja wskazuje, że obrazy, dźwięk i wideo nie są jeszcze obsługiwane. Kontekst wynosi 64k tokenów na żądanie, z czego 32k przeznaczone jest na stan plus najdłuższe pytanie.
Czym różni się to od proszenia LLM o format JSON?
Oba rozwiązania rozumieją dane wejściowe w języku naturalnym. Różnica polega na tym, co jest zwracane i jak model został wytrenowany. Jev zwraca typowane decyzje wraz z rozkładem prawdopodobieństwa i wartością pewności (confidence). Kalibracja jest mierzona na grupach prognoz, więc nie gwarantuje, że każda pojedyncza odpowiedź jest poprawna.
W czym Jev nie radzi sobie dobrze?
Strona producenta dotycząca nieregularności (jaggedness) wymienia dosłowne rozumienie, matematykę i liczby oraz porównywanie dat i czasu. Wskazuje również na trudności z pośredniością, obszernymi stanami pełnymi nieistotnych szczegółów, treściami o charakterze wrogim oraz sprzecznymi kryteriami. Udokumentowana porada w przypadku obliczeń arytmetycznych brzmi: zostaw arytmetykę w kodzie.
Źródła: Dokumentacja TypeSafe AI — Introduction, System One, Models, Confidence oraz Jev 1.13 jaggedness, docs.typesafe.ai, stan na 18 września 2026 r.