Вы, вероятно, недавно слышали о модели Jev. Что это такое?
Она вообще не разговаривает. Не может с вами общаться, писать документы или код.
Но за последние два дня эта странная вещь произвела фурор в AI-сообществе: компания привлекла $40 млн на посевном раунде, а люди выстраиваются в очередь, чтобы получить доступ.
Так что же такое Jev?
Рождение Jev
Jev — продукт компании TypeSafe AI из Сан-Франциско, выпущенный 15 сентября 2026 года.
Её основатель, Диого Алмейда (Diogo Almeida), — бывший исследователь OpenAI и один из соавторов метода RLHF (обучение с подкреплением на основе обратной связи от человека).
Именно этот метод превратил «холодные» языковые модели в красноречивый и эмпатичный ChatGPT.
Другими словами, он был одним из тех, кто научил ИИ говорить.
Теперь же человек, обучивший ИИ речи, создал ИИ, который отказывается говорить.
Его мотивация проста.
Он рассказал, что четыре года его мучил один вопрос:
Модели уже превосходят людей в общении, так почему же до сих пор так мало настоящей автоматизации?
Мы вложили триллионы долларов, но обычная жизнь почти не изменилась, а большинство программ по-прежнему не обладают истинным интеллектом.
Что такое Jev?
Модели типа ChatGPT похожи на красноречивых консультантов.
Они отвечают на любой ваш вопрос, цитируют источники, могут болтать часами, обладают высоким эмоциональным интеллектом и разбираются в любой теме.
Jev — это другой вид.
Он похож на внимательного инспектора качества на сборочной линии: вы даете ему материал, а вместо объяснений, приветствий или комментариев он выносит четкое суждение.
Модели вроде Doubao, которыми мы пользуемся ежедневно, отличаются медленным, трудоемким рассуждением, как при решении сложных математических задач.
Для Jev характерно интуитивное суждение, как мгновенное понимание того, что человек злится, просто по выражению его лица.
Проще говоря: «Взглянул — получил результат».
Почему болтливые чат-боты становятся узким местом
Представьте, что вы управляете интернет-магазином, получающим сотни сообщений от клиентов ежедневно. Вы хотите, чтобы ИИ автоматически распределял их: бухгалтерские вопросы — в бухгалтерию, логистические — в логистику, технические — в техподдержку.
Звучит просто.
Если использовать стандартную LLM, процесс выглядит так:
Шаг 1: Вы пишете длинный промпт, умоляя её: «Пожалуйста, определи, к какому отделу относится это сообщение. Заметь, отвечай только названием отдела, ничего лишнего не пиши».
Шаг 2: Иногда она послушно отвечает «Бухгалтерия», и вы довольны.
Но иногда она не может удержаться и выдает абзац вроде: «Это сообщение кажется преимущественно связанным с бухгалтерскими вопросами; я рекомендую вам сначала проверить записи о списаниях, а затем...» Она слишком старается помочь и не может контролировать свой рот.
Шаг 3: Вашей программе требуется дополнительная логика для извлечения ключевого слова «Бухгалтерия» из этого многословного ответа. Этот процесс грязный и подвержен ошибкам.
Шаг 4: Самая критическая проблема: она периодически галлюцинирует.
Вы задали три отдела, но она может вернуть четвертый или придумать несуществующий. Это известно как «галлюцинация».
Корень проблемы в том, что текст слишком свободен.
Свобода хороша для общения.
Поскольку LLM могут генерировать любой текст, они умеют болтать, писать стихи и рассказывать истории.
Но когда вам нужна автоматизация, эта свобода становится кошмаром.
Вы никогда не можете гарантировать, что в следующий раз она не отклонится от курса.
Даже если вероятность отклонения составляет 1 из 10 000, вы не решитесь встроить её в немониторируемую систему для автономной работы.
Если ИИ ненадежен, неконтролируем и непредсказуем, ему нельзя доверять, и его нельзя масштабировать в реальном ПО.
Решение Jev: превращение вопросов-ответов в заполнение форм
Jev полностью меняет парадигму взаимодействия.
Вы не ведете с ним диалог.
Вы передаете ему форму фиксированной структуры, и он просто отмечает нужные поля в заданных вами вариантах.
Каждый вызов требует двух вещей.
Во-первых, «Состояние»: материал для оценки.
Это может быть простая фраза, например: «Мою карту дважды списали деньги». Или сложная структура, такая как полная запись тикета, диалог с поддержкой или структурированные данные с информацией о заказе и политикой возврата.
Вы предоставляете весь контекст сразу, как будто раскладываете документы на столе перед тем, как попросить экспертов вынести вердикт.
Во-вторых, «Вопрос»: то, что вы хотите, чтобы он оценил.
Он всегда возвращает строго форматированный ответ.
Ваша программа использует его напрямую, без парсинга, очистки или догадок.
Критически важно: существует жесткая гарантия — математически невозможно заполнить формат неправильно или дать ответ вне таблицы.
Все возможные ответы заблокированы заранее. Он может выбирать только из предложенных вами вариантов и не может отступать от скрипта.
Таким образом, вы получаете именно тот тип ответа, который запросили, что обеспечивает стабильность работы.
Особенности Jev
1. Множественный выбор
Приходит сообщение от клиента: «Я получил неправильный размер обуви, могу ли я обменять на 10-й?» Вы спрашиваете: «В какой отдел это направить?» Варианты: Возвраты, Логистика, Бухгалтерия.
Он четко отвечает «Возвраты». Также он предоставляет баллы уверенности для каждого варианта. Поскольку сообщение ясное, он почти на 100% уверен, что это «Возвраты», а для других вариантов уверенность близка к нулю.
Если сообщение станет таким: «Неправильный размер обуви, и на моей кредитной карте есть еще одно таинственное списание, что вы собираетесь делать?» — ситуация менее однозначна.
Он может сказать: 60% вероятности «Возвраты», 40% вероятности «Бухгалтерия». Jev не притворяется уверенным; он честно показывает свои сомнения.
2. Шкала оценки
Поступает отчет об ошибке. Вы предоставляете шкалу из 3 пунктов:
0: Косметический дефект, не влияет на использование;
1: Функция сломана, но есть обходной путь;
2: Полностью зависло, невозможно использовать.
Он может вернуть «1.3».
1.3 означает, что ошибка в основном попадает в категорию «функция сломана, но есть обходной путь», но слегка склоняется к «полностью зависло». Это точнее, чем принудительный выбор между 1 и 2, и ближе к реальности.
При определении шкал описывайте конкретные ситуации, а не степени.
Фраза «Функция сломана, но есть обходной путь» работает хорошо; она сравнивает это с материалом.
Но фраза «Средняя серьезность» не сработает, потому что «средняя» — расплывчатое понятие без точки отсчета.
Аналогично, он игнорирует сами цифры 0, 1, 2. Вы должны четко определить, что подразумевает каждый уровень, через SOP (стандартные операционные процедуры).
3. Суждение «Истина/Ложь»
Он отвечает да/нет с вероятностной оценкой от 0 до 1.
Спросите: «Этот клиент запрашивает возврат средств?»
Он вернет 0.99, что означает почти наверняка «да».
Вы можете задать несколько вопросов параллельно в одном вызове:
Какой отдел (Множественный выбор), Насколько зол клиент (Шкала), Это запрос на возврат (Истина/Ложь), Тон яростный (Истина/Ложь), Заказ не отправлен (Истина/Ложь).
На все эти вопросы отвечают одновременно, независимо и параллельно.
Добавление новых вопросов практически не увеличивает время ответа.
Это приводит к контринтуитивной привычке в программировании: официально рекомендуется задавать как можно больше вопросов.
Задавайте все потенциальные суждения для этого сообщения сразу. Даже если некоторые из них сейчас не используются, дополнительные затраты времени или денег минимальны.
Это противоположно подходу «экономии токенов» со стандартными LLM.
Самооценка
У стандартных LLM есть недостаток: они отвечают уверенно, знают они ответ или нет.
Для автоматизации это фатально.
Пример:
ИИ, который прав в 95% случаев, звучит неплохо. Но если вы не знаете почему он ошибается в остальных 5%, вы не можете автоматизировать процесс.
Jev прикрепляет оценку «уверенности» к каждому ответу. Вы используете её, чтобы понять, действительно ли модель понимает задачу.
Имея оценки уверенности, вы проектируете логику обработки, похожую на человеческую, обычно в трех уровнях:
Высокая уверенность: Автоматическая обработка, человек не нужен.
Средняя уверенность: Осторожный подход, возможно, подтверждение человеком или сбор дополнительной информации.
Низкая уверенность: Не форсируйте. Направляйте человеку или более мощной/дорогой модели рассуждений. Он явно говорит: «Это мне не по зубам, не давите на меня».
Этот механизм — действовать только тогда, когда уверен, и признавать неуверенность в остальных случаях — является предпосылкой для доверия к автоматизированным системам.
ИИ, который говорит «Я не знаю», гораздо надежнее того, который всегда уверен в себе.
Эффективность затрат
Jev примерно в 200 раз быстрее и в 400 раз дешевле сопоставимых LLM.
Один ответ занимает 70–500 мс, быстрее, чем моргнуть глазом.
Почему? Потому что Jev не нужно говорить.
Такая цена открывает ранее немыслимые варианты использования.
Вы можете фильтровать огромные базы данных поэлементно, маркируя всё подряд. Делать это с помощью LLM было prohibitively expensive (неподъемно дорого).
Вы можете встроить его в интерфейсы для реакции в реальном времени, потому что он достаточно быстр, и пользователи не ощущают задержки.
Как использовать Jev
Определите проблему
Не задавайте больших, расплывчатых вопросов. Разбейте их на маленькие, конкретные, а затем объединяйте ответы программно.
Пример:
Для обнаружения спам-писем ленивый способ — спросить: «Это спам?»
Это большой и неоднозначный вопрос.
Он скрывает множество суждений за одним размытым ответом, делая процесс непрозрачным и не поддающимся настройке.
Вместо этого разбейте «Это спам?» на маленькие, четкие суждения:
Требуется ли ввод учетных данных для входа?
Утверждается ли, что вы выиграли приз, в котором не участвовали?
Создается ли ощущение срочности («Действуйте сейчас, иначе потеряете»)?
Соответствует ли заявленное учреждение отправителя домену электронной почты?
Соответствует ли адрес ссылки отображаемому тексту?
Каждый подвопрос крайне конкретен, оставляя мало места для двусмысленности. Затем взвесьте эти ответы в своем коде, чтобы рассчитать итоговый риск спама.
Jev стремится стать новым строительным блоком со здравым смыслом, а не неконтролируемым черным ящиком.
Определите сценарии
Варианты использования практичны и часто заменяют рутинную ручную проверку.
Поддержка клиентов:
Автоматическая маршрутизация тикетов, обнаружение запросов на возврат, идентификация злых клиентов, нуждающихся в приоритетном обслуживании, извлечение пунктов для последующих действий из логов звонков.
Модерация контента:
Автоматическое выявление спама, оскорблений, мошенничества, утечек конфиденциальности. Оценка серьезности: легкие предупреждения против банов. Эта работа изматывает людей психологически.
Рекрутинг и продажи:
Оценка резюме по жестким критериям, соответствие опыта кандидата роли, квалификация лидов продаж.
QA для других ИИ:
Используйте Jev для проверки вывода другой LLM: Отклонилась ли она? Была ли она взломана (jailbroken)? Выдуманы ли цитаты? Корректны ли параметры инструментов?
Поскольку Jev быстрый и дешевый, использование его для QA стоит копейки по сравнению с основной моделью. Он добавляет контроль качества для дорогих ИИ.
Очистка больших данных:
Быстрая маркировка, классификация и фильтрация огромных объемов документов, комментариев, чатов. Только структура затрат Jev делает такой масштаб возможным.
Заключение
Если вы все еще в замешательстве, запомните это:
Jev дешевый, быстрый, не болтает, но помогает вам принимать решения.
По мере того как стоимость интеллекта падает на порядок, варианты использования растут экспоненциально. Это возможности для вас.
