Сьогодні моя стрічка в Twitter була переповнена новим моделлю під назвою Jev.
Багато хто, побачивши назву, одразу поставили запитання: Яка велика технологічна компанія випустила цю модель? Чому про неї всі говорять?
Я провів глибоке дослідження, і в цій статті детально все поясню. Давайте перейдемо до суті й відповімо на ключові запитання без зайвих слів.
Q1: Що саме таке Jev? Це продукт великої техкомпанії чи просто обгортка?
Це справжня незалежно навчена закритого типу базова модель від TypeSafe — стартапу з Сан-Франциско, який щойно залучив $40 мільйонів у якості посівного фінансування. Засновник Diogo Almeida раніше працював в OpenAI і був співавтором наукової роботи InstructGPT. Назва "Jev" походить від імені економіста William Stanley Jevons (відомого парадоксом Джевонса).
Q2: Чи є вона відкритою (open source)?
Повністю закритий код.
Офіційна команда наразі надає лише хмарний API; ваги моделі не опубліковані. Різноманітні репозиторії GitHub, які ви бачите онлайн, — це розроблені спільнотою інструменти та демоверсії, що викликають її API.
Q3: Чи може вона писати код, статті або спілкуватися зі мною? Чи замінить вона Claude чи ChatGPT?
Вона не напише жодного слова.
Якщо попросити її написати вірш або алгоритм сортування, виникне помилка. Вона не призначена для чату і навіть не має інтерфейсу для генерації вільного тексту.
Q4: Якщо вона не вміє писати есе, чому розробники так захоплені?
Тому що люди усвідомили: Більшість завдань, для яких ми використовуємо LLM, насправді не потребують написання есе.
Автоматизація робочих процесів, визначення того, чи потрапить новина в щоденний дайджест, маршрутизація служби підтримки (повернення коштів проти логістики) або вибір інструментів Agent — це все питання з варіантами відповіді або типом «так/ні». Раніше для цього потрібно було викликати масивні моделі, чекати секунди, платити центи за токен і писати захисний код для аналізу результатів із багатослівного виведення.
Jev створено спеціально для цього: Вона обробляє лише питання типу «Так/Ні» та «Множинний вибір», повертає результати за 100 мс і коштує 4 центи за мільйон токенів.
Запам’ятайте різницю:
ChatGPT пише відповіді для людей; Jev приймає рішення для програм.
1. Три типи питань, на які вона відповідає
У сценаріях програмування Jev діє як надшвидкий автомат відповідей, що приймає три типи вхідних даних.
Перший — це «Так/Ні» (офіційна назва Noul).
Ви надаєте їй контент і твердження, наприклад: «Чи цей коментар користувача образливий для служби підтримки?»
Вона не пояснює контекст; вона повертає булеву ймовірність (наприклад, 94% ймовірності істинності). Ваш код перевіряє, чи перевищує значення >80%, і запускає процес блокування.
Другий — це «Множинний вибір» (офіційна назва Choice).
Ви визначаєте варіанти (до 255). Наприклад, категорії тікетів: Білінг, Логістика, Повернення товарів. Вона повертає розподіли ймовірностей та оцінки впевненості.
Критично важливо: Варіанти фіксуються вами; вона не може вигадати четверту категорію (галюцинувати). Ваша програма передає це безпосередньо в оператор switch-case, уникаючи помилок парсингу JSON.
Третій — це «Оцінювання» (офіційна назва Score).
Вона оцінює елементи за визначеними шкалами (наприклад, рівень гніву клієнта від 1 до 5) і повертає розподіл.
Також у неї є потужна функція: Прочитати один раз, відповісти на багато питань.
Надайте їй текст одного тікета, і одночасно запитайте: Категорія? Терміновість? Тональність? Потрібна перевірка менеджером? Jev читає один раз, паралельно оцінює чотири питання і завершує роботу за сотні мілісекунд.
2. Чи життєздатний цей технічний підхід?
Скептики питають: Чи надійна модель, що лише приймає рішення, чи це просто маркетинговий хід?
З точки зору комп’ютерних наук і когнітивістики, це дуже логічно.
LLM повільні та дорогі, тому що вони використовують авторегресивну генерацію. Кожен токен потребує перерахунку уваги до попереднього контенту — це схоже на те, якби ви зупинялися, щоб подумати після кожного слова під час написання есе. Це забезпечує креативність, але неефективно для бінарних рішень (як використання вантажівки для покупки води).
Jev перевертає цю логіку. Вона обмежує простір виведення слотами, визначеними розробником. Замість декодування токен за токеном, вона обчислює розподіли ймовірностей для варіантів за один прохід на вихідному шарі. Час висновку стискається до 70–500 мс, часто близько ~100 мс.
Ключовим проривом є калібрування ймовірностей.
TypeSafe називає свій метод навчання RLCD (Reinforcement Learning Calibrated Decision). Малі класифікатори були швидкими, але часто надто впевненими у своїх помилках (99% впевненості, коли вони неправі). Jev прагне бути схожою на прогноз погоди: коли вона каже 80%, вона права у 80% випадків статистично. Інженери можуть безпечно маршрутизувати трафік: автозатвердження при 95%, ручна перевірка при 60%.
Лауреат Нобелівської премії Daniel Kahneman описав Систему 1 (швидке/інтуїтивне) та Систему 2 (повільне/усвідомлене) мислення. Люди використовують Систему 1 для 90% дій. LLM імітують Систему 2. Jev додає Систему 1 до ШІ: швидке, легке, інтуїтивне судження.
Примітка: Офіційні заяви про прискорення в 40–200 разів та економію витрат у 400 разів походять із внутрішніх бенчмарків. Навіть якщо скептично ставитися до маркетингових цифр, архітектурне обґрунтування залишається актуальним.
3. Що розробники створюють за допомогою неї?
Протягом кількох днів після релізу спільнота вже створила цікаві додатки, виходячи за межі простої класифікації.
1. Надшвидкі браузерні агенти (Спільнота Browser Use)
Спільнота Browser Use опублікувала у відкритому доступі проект "Jev Ultrafast". Раніше ШІ-агенти для вебу були повільними, тому що LLM витрачали секунди на аналіз DOM-дерев для прийняття рішень про кліки. Тепер Jev обробляє вибір кнопок/полів введення (задача множинного вибору серед десятків елементів) за десятки мілісекунд. Генерація тексту делегується меншим моделям лише за потреби. Пошук авіаквитків із Цюриха до Лондона завершився за 7,1 секунди, відчуваючись як скриптова автоматизація.
Проект: https://github.com/browser-use/jev-ultrafast
2. Ігрові рішення в реальному часі (Демо Doom)
TypeSafe продемонстрували гру Jev у Doom. Вхідними даними є структурований стан гри (здоров’я, позиція ворога, боєприпаси), а не пікселі. Jev приймає ~10 рішень у реальному часі за секунду щодо руху/стрільби. Година гри коштує ~$7. Традиційні LLM не можуть зрівнятися з цією затримкою чи вартістю.
Демо: https://typesafe.ai/blog/introducing-system-one-models-and-jev
3. Маршрутизація агентів та вибір інструментів (Інтеграція LangChain)
LangChain швидко додала TypeSafeClassifier. У мультиагентних системах вирішення того, «який інструмент наступним?» або «вийти з циклу?», раніше спричиняло значні час очікування. Тепер Jev миттєво обробляє ці рішення щодо потоку керування, мінімізуючи час простою.
Документація: https://python.langchain.com (Пакет: langchain-typesafe)
4. Захисні бар’єри безпеки в реальному часі (Vercel AI SDK)
Vercel інтегрувала Jev у AI Gateway та функцію evaluate в AI SDK 7. Розробники використовують її як «ШІ-суддю»: перевірка відповідності нормам, консистентності фактів або тональності згенерованого/користувацького контенту за мілісекунди, уникаючи дорогих повторних викликів GPT-4o для модерації.
Інформація: https://vercel.com/docs/ai-gateway
5. Двоетапний перегон для складних варіантів (Wikiracing)
Ліміт Jev становить 255 варіантів. Для тисяч кандидатів спільноти використовують два етапи: Score (паралельний грубий фільтр), потім Choice (тонкий відбір). Стрибки Wikiracing виконуються за сотні мілісекунд.
Аналіз: https://typesafe.ai/blog/introducing-system-one-models-and-jev
Більше прикладів:
- Awesome-Jev: https://github.com/cobanov/awesome-jev
- Foreman (Наглядач за якістю коду): https://github.com/thruwire/foreman
Ці приклади демонструють тренд: Виклики ШІ диференціюються.
Великі моделі діють як стратеги (складне міркування, творче письмо); малі швидкі моделі, такі як Jev, діють як кур’єри (маршрутизація, фільтрація, перевірки відповідності).
4. Як отримати доступ та поточні обмеження
Два основні входи:
- Список очікування на сайті TypeSafe. Ранній доступ надається протягом 1–2 днів. Доступні SDK для Python/JS. Сайт: https://typesafe.ai Документація: https://docs.typesafe.ai
- Через Vercel AI Gateway або Cloudflare AI (
typesafe-ai/jev) без очікування. Та сама ціна. Cloudflare: https://developers.cloudflare.com/ai/models/typesafe/jev/
Якщо ви використовуєте Claude Code або Cursor, просто вставте документацію API і попросіть ШІ написати функцію класифікатора.
Однак зверніть увагу на спеціалізовані слабкі сторони, зазначені в офіційній документації для Jev 1.13:
- Погано рахує, виконує точну арифметику та послідовність дат.
- Точність знижується при довгих ланцюжках багатоступеневого міркування.
- Навчалася переважно англійською; точність китайською нижча (тестуйте перед тим, як покладатися на нюансований семантичний аналіз).
- Вразлива до Prompt Injection (шкідливі інструкції можуть спотворити вибір).
Не сприймайте її як універсальне рішення. Зберігайте жорстко закодовані перевірки дозволів для високоризикованих операцій (повернення коштів, видалення).
Висновок
Ми звикли до гігантських моделей, які хизуються довгими текстами та складним кодом. Jev нагадує нам: Чи дійсно взаємодія ПЗ потребує природномовних есе на кожному кроці?
Часто програмам потрібен лише чистий, швидкий, калібрований булевий або enum-результат. Виведення LLM із важких задач генерації та встановлення інтелектуальних операторів if із мілісекундною реакцією може стати ключем до дешевої автоматизації.
