Jev от TypeSafe AI: что нового, как это работает и альтернативы (2026)
Большинство запусков моделей в этом году были направлены на то, чтобы делать больше. Этот запуск намеренно посвящен тому, чтобы делать меньше.
TypeSafe AI выпустила модель, которая не общается в чате, не пишет тексты и ничего не объясняет. Она отвечает на вопросы типизированными значениями и вероятностями. Это и есть вся функциональность продукта.
В этом руководстве рассказывается о том, что представляет собой эта модель и как работают три типа вопросов. Мы также рассмотрим цены, слабые стороны модели по мнению разработчика и ее место в ряду задач, с которыми на самом деле сталкивается большинство команд.
Что было выпущено
Jev — это флагманская модель TypeSafe. Согласно официальной документации разработчика, это также «первая модель System One».
Позиционирование начинается с критики того, как устроена остальная часть этой категории. Большие языковые модели, как говорится в документации, «разработаны для создания текста, который будут читать люди». Когда вам нужно решение, которое будет обрабатывать ваш код, «возникает несоответствие».
Документация подробно описывает это несоответствие. Вы «вынуждаете систему генерации текста выдавать структурированные решения, а затем парсите результаты обратно в формат, на который может опираться ваш код».
Предлагаемая альтернатива избавляет от этого лишнего цикла. Jev «оценивает типизированные вопросы на основе состояния и напрямую возвращает структурированные результаты. Без генерации текста, без парсинга».
Собственный сайт компании помещает Jev в конец эволюционной цепочки. Ранние языковые модели, затем предобученные LLM, затем чат-модели с RLHF, затем модели рассуждений с RLVR. Теперь — RLCD, что расшифровывается как «обучение с подкреплением для калиброванных решений».
Что такое модель System One
Название заимствовано, о чем прямо говорится в документации. Оно «происходит от концепции, которую Даниэль Канеман популяризировал в своей книге «Думай медленно... решай быстро»».
System 1 — быстрая и интуитивная. System 2 — более медленная и обдуманная. Здесь же «упор делается на быстрые, сфокусированные суждения».
Функциональное определение уже, чем метафора. Это «класс моделей ИИ, созданных для принятия быстрых структурированных решений, которые программное обеспечение может использовать напрямую». Такая модель «оценивает состояние и возвращает типизированные ответы и вероятности».
Одна строка отделяет Jev от всего остального на рынке. «Как и LLM, модель System One понимает ввод на естественном языке. Она возвращает типизированные решения и вероятности, а не сгенерированный текст».
Разработчик также прямо заявляет о том, чего модель делать не умеет. Модели System One «не пишут ответы, не создают код и не генерируют объяснения своих рассуждений».
Три типа вопросов
Вы не пишете промпты для Jev. Вы определяете пространство ответов, и модель выбирает внутри него.
Существует три примитива. В документации приводится пример для каждого из них.
| Примитив | Вопрос | Пространство ответов | Вывод |
|---|---|---|---|
| Choice | Какая команда должна обработать этот тикет? | billing, technical или account | choice: "billing" |
| Score | Насколько расстроен этот клиент? | 0 = спокоен, 1 = расстроен, 2 = очень расстроен | score: 1.4 |
| Noul | Содержит ли это сообщение запрос на возврат средств? | True или false | noul: 0.95 |
Choice выбирает один вариант из заданного набора. Score оценивает по упорядоченным описательным уровням. Noul возвращает вероятность того, что ответ на вопрос «да/нет» является истинным (true).
Пример со Score заслуживает отдельного внимания. Ответ равен 1.4, а не 1. Jev помещает случай между двумя именованными уровнями, а не привязывает его к ближайшему. Это совершенно иной формат вывода по сравнению с тем, что возвращают текстовые модели.
Сколько это стоит и что принимает на вход
Страница с ценами на редкость понятна. О запуске моделей такое пишут нечасто.
Текущая модель — jev-1.13.0. Цена составляет $42 за миллиард токенов, или $0.042 за миллион. В документации прямо указано, что плата взимается «за входной токен», а «выходные токены бесплатны».
Опубликованные лимиты запросов составляют 250,000 токенов в секунду и 1,200 запросов в минуту. Длина контекста — 64k токенов на запрос. Из них 32k доступно для состояния плюс самый длинный вопрос.
На вход принимается только текст. В документации отмечается, что Jev «оценивает строки, объекты JSON и массивы текста». Также добавляется, что «изображения, аудио и видео (пока) не поддерживаются».
Все работает через одну конечную точку, POST /v1/systemone. Поле model определяет, какая модель обрабатывает вызов.
| Свойство | Значение |
|---|---|
| Модель | jev-1.13.0 |
| Цена | $42 за млрд токенов / $0.042 за млн токенов, только входящие |
| Исходящие токены | Бесплатно |
| Лимиты запросов | 250,000 токенов в секунду; 1,200 запросов в минуту |
| Контекст | 64k на запрос; 32k для состояния плюс самый длинный вопрос |
| Типы входных данных | Только текст |
Уверенность — это то, на что стоит обратить внимание
Цены — это лишь заголовок. Гораздо более интересным архитектурным решением является обработка уверенности.
Каждый ответ Choice и Score содержит свойство probabilities по всем вариантам или уровням. В документации объясняется, как его трактовать. Распределение, «сконцентрированное на одном результате, означает уверенный ответ, а размытое — неуверенный».
Отдельное свойство confidence сводит это распределение к одному числу от 0 до 1. Заявленная цель состоит в том, «чтобы вы могли установить пороговое значение, не производя вычисления самостоятельно».
Обоснование вывода этого числа сформулировано в виде принципа: «Если интеллектуальная система, будь то человек или машина, не может выразить честную неуверенность, такой системе нельзя доверять».
Это дает вам не столько более точный ответ, сколько правило маршрутизации. Высокая уверенность обрабатывается автоматически. Низкая уверенность передается человеку. В документации это преподносится как принятие решения о том, «когда действовать самостоятельно, а когда передать задачу человеку или модели рассуждений».
Любой, кто запускал конвейер классификации, понимает, почему это важно. Именно путь эскалации, а не показатель точности, определяет, выдержит ли система столкновение с реальными данными.
В чем модель слаба, по мнению разработчика
TypeSafe публикует страницу под названием «неровность модели» (model jaggedness), обновленную 2026-09-17. На ней перечислены известные компании сценарии сбоев. Публикация такого документа одновременно с запуском — редкость, и это избавляет всех от необходимости гадать.
Итоговый вывод звучит откровенно. Jev 1.13 «работает быстро, откалиброван и хорош в суждениях здравого смысла, но он не идеален».
Прямо названы три слабых места. Модель «может испытывать трудности с задачами, требующими дополнительных уровней косвенности». Она «может понимать вещи слишком буквально». И она «плохо справляется с задачами, требующими числовой точности».
В таблице сценариев сбоев для каждого случая предложено решение. Два из них стоит упомянуть для тех, кто оценивает возможность пилотного внедрения.
- Для математики и чисел задокументированный совет звучит так: «Оставьте арифметику в коде».
- Для объемного состояния, перегруженного нерелевантными деталями: «Сначала отфильтруйте; отправляйте только то, что необходимо для вопроса».
Оба совета указывают на одно и то же архитектурное допущение. Это движок для принятия решений, а не калькулятор и не поисковый индекс. Он работает лучше всего, когда окружающая система уже сузила рамки вопроса.
Какое место это занимает в ряду ваших текущих задач
В собственном примере разработчика скрыто четкое разделение труда. Понимание этого разделения определяет, имеет ли данный запуск вообще какое-либо отношение к вам.
Задокументированный рабочий процесс возврата средств формирует состояние и задает несколько независимых вопросов одновременно. Затем он объединяет ответы «с помощью детерминированных проверок в коде» и направляет дело «для принятия мер или на рассмотрение».
Каждый шаг здесь предполагает наличие разработчика, приложения и большого объема запросов. Стоимость одного токена должна стать реальной статьей расходов, прежде чем все это начнет окупаться.
Большинство задач по подготовке отчетности устроены иначе. У вас есть файл, а не поток запросов. Принятие решений — это средство, а не сам продукт. В итоге должен получиться документ, который кто-то будет читать.
Классификация четырех тысяч строк отзывов клиентов — это лишь середина работы. Финал — это резюме с указанием трех основных тем и выделением исключений.
Именно со второй половиной справляется рабочее пространство, ориентированное на работу с файлами (file-first). Вы загружаете экспортированный файл и описываете категории на естественном языке. Строки возвращаются размеченными, и в этот же проход создается отчет с их объяснением. Powerdrill Bloom работает именно так, а бесплатный тариф уже покрывает базовые презентации, документы, таблицы и изображения.
Эти два решения не конкурируют за одно и то же место. Одно — это API, который вы встраиваете в продукт. Другое — это место, куда отправляется электронная таблица, когда человеку нужен ответ к четвергу. Если ваша версия этой проблемы представлена в виде файла, попробуйте Powerdrill Bloom.
Для решения задачи разметки на стороне электронных таблиц есть руководство по категоризации данных Excel. Для поиска тем есть подборка инструментов для анализа отзывов клиентов.
Альтернативы, которые стоит сравнить
Три подхода решают те же задачи. Выбор правильного зависит в основном от объема.
Универсальные модели со структурированным выводом. Каждый крупный провайдер теперь ограничивает ответы схемой. Вы получаете одну модель как для принятия решений, так и для генерации. Минус в том, что вы платите за генерацию при выполнении задач по принятию решений, а также самостоятельно занимаетесь калибровкой.
Классические классификаторы. Тонко настроенная небольшая модель или дерево с градиентным бустингом обойдутся еще дешевле и будут полностью предсказуемыми. Это справедливо при условии, что у вас есть размеченные данные и стабильный набор меток. Но такая модель не поймет правила, написанные прозой.
Рабочие пространства для анализа на основе файлов (file-first). Они рассматривают принятие решений как один из этапов создания конечного результата. Никаких API, схем и планирования бюджета на токены. Но и возможности встроить их в путь обработки запросов тоже нет.
| Если ваша ситуация — это | Обратите внимание на |
|---|---|
| Миллионы решений внутри продукта | Модель, предназначенная только для принятия решений |
| Смешанные задачи по принятию решений и составлению черновиков, малый объем | Универсальная модель со структурированным выводом |
| Стабильные метки и большой объем обучающих данных | Классический классификатор |
| Файл, который необходимо превратить в отчет | Рабочее пространство, ориентированное на файлы (file-first) |
Последнему пункту посвящена подборка инструментов для генерации отчетов.
Кому это должно быть интересно уже сейчас
Команды, выполняющие большой объем задач по принятию решений внутри продукта, имеют наиболее очевидные сценарии использования Jev. Сюда подходят маршрутизация тикетов, очереди модерации, квалификация лидов и предварительные проверки на соответствие требованиям. Шаблон прост: узкий вопрос, задаваемый тысячи раз в день, который направляет ветвление в коде.
Команды, выполняющие эпизодическую классификацию в рамках анализа, имеют наименьшую потребность в этом. Экономия, которая делает Jev привлекательным в больших масштабах, незаметна на нескольких тысячах строк. К тому же вам все равно понадобится что-то, чтобы написать резюме после этого.
Всем остальным стоит скорее позаимствовать терминологию, чем внедрять сам инструмент. Разделение быстрого принятия решений и медленного синтеза — это полезный ракурс для оценки собственного конвейера данных. Он остается полезным независимо от того, отправите ли вы когда-нибудь запрос к этому API.
Еще одно практическое замечание для всех, кто проводит оценку. Прочитайте страницу о неровности модели (jaggedness) перед страницей с ценами. Понимание слабых сторон модели формирует пилотный проект гораздо сильнее, чем знание ее стоимости.
Часто задаваемые вопросы
Что такое модель System One?
Это класс моделей, созданных для принятия быстрых структурированных решений, которые программное обеспечение может использовать напрямую. Она оценивает состояние и возвращает типизированные ответы и вероятности. Название отсылает к Системе 1 Канемана — быстрому и интуитивному режиму мышления. В отличие от чат-модели, она не пишет ответы, не создает код и не объясняет свои рассуждения.
Сколько стоит Jev?
Опубликованная цена для jev-1.13.0 составляет $42 за миллиард токенов, или $0.042 за миллион. Оплата взимается только за входящие токены, а исходящие токены бесплатны.
Что Jev может принимать на вход?
Только текст в виде строк, объектов JSON или массивов текста. В документации указано, что изображения, аудио и видео пока не поддерживаются. Контекст составляет 64k токенов на запрос, из них 32k — для состояния плюс самый длинный вопрос.
Чем это отличается от запроса JSON у LLM?
Обе модели понимают ввод на естественном языке. Разница заключается в том, что возвращается в ответ и как модель обучалась. Jev возвращает типизированные решения с распределением вероятностей и значением уверенности. Калибровка измеряется по группам прогнозов, поэтому она не гарантирует правильность каждого отдельного ответа.
В чем Jev не силен?
На странице неровностей (jaggedness) разработчика перечислены буквальное понимание, математика и числа, а также сравнение дат и времени. Также там указаны косвенность, объемные состояния с нерелевантными деталями, состязательный контент и противоречивые критерии. Задокументированный совет для случаев с арифметикой — оставлять арифметику в коде.
Источники: документация TypeSafe AI — Introduction, System One, Models, Confidence и Jev 1.13 jaggedness, docs.typesafe.ai, по состоянию на 18 сентября 2026 года.