Сегодня моя лента в Twitter была заполнена новым моделью под названием Jev.
Многие, увидев название, сразу задались вопросами: Какая крупная техкомпания выпустила это? Почему все об этом говорят?
Я провел глубокое исследование, и в этой статье я подробно всё объясню. Давайте перейдем к сути и ответим на ключевые вопросы напрямую.
В1: Что именно такое Jev? Это продукт крупной техкомпании или просто «обертка»?
Это действительно независимо обученная закрытая базовая модель от TypeSafe — стартапа из Сан-Франциско, недавно привлечшего $40 млн посевных инвестиций. Основатель Diogo Almeida ранее работал в OpenAI и был соавтором статьи InstructGPT. Название «Jev» происходит от имени экономиста Уильяма Стэнли Джевонса (известного парадоксом Джевонса).
В2: Это открытое ПО?
Полностью закрытый исходный код.
Официальная команда сейчас предоставляет только облачный API; веса модели не публикуются. Различные репозитории на GitHub, которые вы видите онлайн, — это инструменты и демоверсии, разработанные сообществом для вызова его API.
В3: Может ли он писать код, статьи или общаться со мной? Может ли он заменить Claude или ChatGPT?
Он не напишет ни слова.
Если попросить его написать стихотворение или алгоритм сортировки, возникнет ошибка. Он не предназначен для чата и даже не имеет интерфейса для генерации свободного текста.
В4: Если он не может писать эссе, почему разработчики так взволнованы?
Потому что люди осознали: Большинство задач, для которых мы используем LLM, на самом деле не требуют написания эссе.
Автоматизация рабочих процессов, решение о включении новостей в ежедневную сводку, маршрутизация в службе поддержки (возврат средств против логистики) или выбор инструментов агентом — всё это задачи с множественным выбором или истинно/ложные утверждения. Раньше для этого требовалось вызывать огромные модели, ждать секунды, платить центы за токен и писать защитный код для разбора результатов из многословного вывода.
Jev создан специально для этого: Он обрабатывает только задачи типа «Истина/Ложь» и «Множественный выбор», возвращает результаты за 100 мс и стоит 4 цента за миллион токенов.
Запомните разницу:
ChatGPT пишет ответы для людей; Jev принимает решения для программ.
1. Три типа вопросов, на которые он отвечает
В сценариях программирования Jev действует как сверхбыстрый автоответчик, принимающий три типа входных данных.
Первый — Истина/Ложь (официально называется Noul).
Вы даете ему контент и утверждение, например: «Этот комментарий пользователя оскорбляет службу поддержки?»
Он не объясняет контекст; он возвращает булеву вероятность (например, 94% вероятности того, что это правда). Ваш код проверяет, больше ли 80%, и запускает процесс блокировки.
Второй — Множественный выбор (официально называется Choice).
Вы определяете варианты (до 255). Например, категории тикетов: Биллинг, Логистика, Возвраты. Он возвращает распределения вероятностей и оценки уверенности.
Критически важно: Варианты фиксируются вами; он не может галлюцинировать четвертую категорию. Ваша программа передает это напрямую в оператор switch-case, избегая ошибок разбора JSON.
Третий — Оценка (официально называется Score).
Он оценивает элементы по заданным шкалам (например, уровень гнева клиента от 1 до 5) и возвращает распределение.
У него также есть мощная функция: Прочитать один раз, ответить многократно.
Дайте ему текст одного тикета и одновременно спросите: Категория? Срочность? Настроение? Требует проверки менеджером? Jev читает один раз, параллельно оценивает четыре вопроса и завершает работу за сотни миллисекунд.
2. Жизнеспособен ли этот технический подход?
Скептики спрашивают: надежна ли модель, принимающая только решения, или это просто маркетинговый хайп?
С точки зрения компьютерных наук и когнитивистики, это очень логично.
LLM медленные и дорогие, потому что используют авторегрессионную генерацию. Каждый токен требует пересчета внимания над предыдущим контентом — как будто вы останавливаетесь, чтобы подумать после каждого слова при написании эссе. Это обеспечивает креативность, но неэффективно для бинарных решений (как использовать грузовик, чтобы купить воды).
Jev меняет эту логику. Он ограничивает пространство вывода слотами, определенными разработчиком. Вместо декодирования токен за токеном он вычисляет распределения вероятностей для вариантов за один проход на выходном слое. Время инференса сжимается до 70–500 мс, часто около ~100 мс.
Ключевой прорыв — калибровка вероятностей.
TypeSafe называет свой метод обучения RLCD (Reinforcement Learning Calibrated Decision). Маленькие классификаторы были быстрыми, но часто чрезмерно самоуверенными (99% уверенности при ошибке). Jev стремится быть похожим на прогноз погоды: когда он говорит 80%, статистически он прав в 80% случаев. Инженеры могут безопасно маршрутизировать трафик: автоматическое одобрение при 95%, проверка человеком при 60%.
Нобелевский лауреат Даниэль Канеман описал мышление Системы 1 (быстрое/интуитивное) и Системы 2 (медленное/обдуманное). Люди используют Систему 1 для 90% действий. LLM имитируют Систему 2. Jev добавляет Систему 1 в ИИ: высокоскоростное, легковесное, интуитивное суждение.
Примечание: Официальные заявления о скорости в 40–200 раз и экономии затрат в 400 раз основаны на внутренних бенчмарках. Даже если скинуть маркетинговые цифры, архитектурное обоснование остается верным.
3. Что разработчики создают с помощью него?
В течение нескольких дней после релиза сообщества создали интересные приложения, выходящие за рамки простой классификации.
1. Сверхбыстрые браузерные агенты (сообщество Browser Use)
Сообщество Browser Use опубликовало в открытом доступе проект "Jev Ultrafast". Ранее ИИ-вебагенты были медленными, потому что LLM тратили секунды на анализ DOM-деревьев для принятия решений о кликах. Теперь Jev обрабатывает выбор кнопок/полей ввода (задача множественного выбора среди десятков элементов) за десятки миллисекунд. Генерация текста делегируется меньшим моделям только при необходимости. Поиск рейсов из Цюриха в Лондон занял 7,1 секунды, ощущаясь как скриптовая автоматизация.
Проект: https://github.com/browser-use/jev-ultrafast
2. Решения в играх в реальном времени (демо Doom)
TypeSafe продемонстрировали игру Jev в Doom. Входные данные — структурированное игровое состояние (здоровье, позиция врага, боеприпасы), а не пиксели. Jev принимает около 10 решений в реальном времени в секунду для движения/стрельбы. Час игры стоит около $7. Традиционные LLM не могут сравниться с такой задержкой или стоимостью.
Демо: https://typesafe.ai/blog/introducing-system-one-models-and-jev
3. Маршрутизация агентов и выбор инструментов (интеграция с LangChain)
LangChain быстро добавил TypeSafeClassifier. В мультиагентных системах принятие решений «какой инструмент следующий?» или «выйти из цикла?» раньше вызывало значительные времена ожидания. Теперь Jev мгновенно обрабатывает эти решения потока управления, минимизируя время простоя.
Документация: https://python.langchain.com (Пакет: langchain-typesafe)
4. Защитные барьеры безопасности в реальном времени (Vercel AI SDK)
Vercel интегрировала Jev в AI Gateway и функцию evaluate в AI SDK 7. Разработчики используют его как «ИИ-Судью»: проверка соответствия требованиям, согласованности фактов или тональности на сгенерированном/пользовательском контенте за миллисекунды, избегая дорогих повторных вызовов GPT-4o для модерации.
Информация: https://vercel.com/docs/ai-gateway
5. Двухэтапная гонка для сложных опций (Wikiracing)
Jev ограничен 255 вариантами. Для тысяч кандидатов сообщества используют два этапа: Score (параллельная грубая фильтрация), затем Choice (тонкий отбор). Прыжки Wikiracing выполняются за сотни миллисекунд.
Анализ: https://typesafe.ai/blog/introducing-system-one-models-and-jev
Больше примеров:
- Awesome-Jev: https://github.com/cobanov/awesome-jev
- Foreman (Надзиратель за качеством кода): https://github.com/thruwire/foreman
Эти примеры показывают тренд: Вызовы ИИ стратифицируются.
Большие модели действуют как стратеги (сложные рассуждения, творческое письмо); маленькие быстрые модели, такие как Jev, действуют как посыльные (маршрутизация, фильтрация, проверки соответствия).
4. Как получить доступ и текущие ограничения
Два основных пути входа:
- Список ожидания на сайте TypeSafe. Ранний доступ предоставляется через 1–2 дня. Доступны SDK для Python/JS. Сайт: https://typesafe.ai Документация: https://docs.typesafe.ai
- Через Vercel AI Gateway или Cloudflare AI (
typesafe-ai/jev) без ожидания. Та же цена. Cloudflare: https://developers.cloudflare.com/ai/models/typesafe/jev/
Если вы используете Claude Code или Cursor, просто вставьте документацию API и попросите ИИ написать функцию классификатора.
Однако обратите внимание на слабые стороны специалиста, перечисленные в официальной документации для Jev 1.13:
- Плохо справляется со счетом, точной арифметикой и последовательностью дат.
- Точность падает при длинных цепочках многошаговых рассуждений.
- Обучена преимущественно на английском языке; точность на китайском ниже (тестируйте перед тем, как полагаться на нюансный семантический анализ).
- Уязвима к Prompt Injection (вредоносные инструкции могут исказить выбор).
Не считайте его серебряной пулей. Сохраняйте жестко закодированные проверки разрешений для рискованных операций (возвраты средств, удаления).
Заключение
Мы привыкли к гигантским моделям, демонстрирующим длинные тексты и сложный код. Jev напоминает нам: Действительно ли взаимодействия программного обеспечения требуют эссе на естественном языке на каждом шаге?
Часто программам нужен просто чистый, быстрый, калиброванный булев тип или enum. Извлечение LLM из тяжелых задач генерации и установка интеллектуальных операторов if с миллисекундным откликом могут стать ключом к недорогой автоматизации.
