Что такое Jev? Объяснение модели System One компании TypeSafe

TL;DR

Jev — это модель принятия решений, разработанная компанией TypeSafe AI. TypeSafe представила Jev 15 сентября 2026 года как свою первую модель System One, предназначенную для возврата структурированных решений и вероятностей, которые ПО может использовать напрямую. Этот гид основан главным образом на официальной документации TypeSafe, руководстве по быстрому старту, справочнике по модели и официальном анонсе Jev.

Jev не пишет тексты, не генерирует код и не ведет диалог. Она оценивает текстовое состояние по типизированным вопросам и возвращает структурированные ответы, пригодные для прямого использования приложением.

Это различие важно для рабочих процессов в ПО. Обычная большая языковая модель генерирует токены, даже когда приложению нужен лишь класс, оценка или бинарное решение. Jev сконцентрирована на самом решении. Ее интерфейс принимает состояние и один или несколько вопросов, а затем возвращает типизированные значения и распределения вероятностей. Ответы Choice и Score также включают значение уверенности.

Jev предназначена для классификации, маршрутизации, оценивания, проверки, guardrails и других ограниченных решений. Она не является общей заменой GPT, Claude, Gemini или других генеративных моделей. В AI-агенте генеративная модель может планировать или создавать контент, а Jev — обрабатывать частые решения вроде выбора маршрута, проверки рисков или определения необходимости ревью результата.

Key Takeaways

• Jev разработана TypeSafe и на текущий момент представляется как флагманская модель System One.
• Модель принимает текстовое состояние и типизированные вопросы. Она возвращает структурированные решения, а не сгенерированный текст.
• Jev поддерживает три типа вопросов: Choice, Score и Noul.
• Несколько вопросов могут оцениваться независимо и параллельно по одному и тому же состоянию в одном запросе.
• TypeSafe обучает Jev методом Reinforcement Learning for Calibrated Decisions (RLCD).
• На текущей официальной странице модели указана Jev 1.13 с лимитом запроса 64 000 токенов и только текстовым вводом.
• Официальная цена — $0.042 за миллион входных токенов. Выходные токены бесплатны.
• Типобезопасный вывод предотвращает несоответствия схемам. Он не гарантирует корректность каждого бизнес-решения.
• TypeSafe сообщает о задержке от 70 до 500 миллисекунд и о существенных приростах на собственных оценках рабочих процессов. Эти цифры предоставлены вендором и относятся к задачам формы System One.

What Is Jev?

Jev — это модель принятия решений, созданная TypeSafe AI. Официальная документация описывает ее как флагманскую модель компании и первую модель System One. Ввод состоит из двух основных частей.

Первая часть — состояние. Состояние — это информация, которую Jev должна анализировать, например сообщение клиента, отчет об инциденте, набор записей или объект JSON с контекстом приложения.

Вторая часть — набор типизированных вопросов. Каждый вопрос определяет, какое суждение нужно сделать, и допустимую форму ответа. Jev оценивает вопросы относительно состояния и возвращает результаты, по которым код может ветвиться, сортировать, оценивать или маршрутизировать.

Представим обращение в поддержку о том, что интеграция платежей не работает три дня. Системе поддержки может быть не нужен абзац описания ситуации. Ей могут понадобиться три узких решения:

• Какой команде направить тикет?
• Насколько раздраженным кажется клиент?
• Требует ли сообщение срочного внимания?

Jev может представить это как вопросы типов Choice, Score и Noul в одном запросе. Ответ содержит выбранную категорию или оценку, соответствующее распределение вероятностей и уверенность (там, где поддерживается). Приложение затем решает, как использовать эти значения.

Такое разделение обязанностей сделано намеренно. Модель предоставляет вероятностное суждение в стабильном формате. Код приложения сохраняет контроль над порогами, правами, побочными эффектами и поведением при отказе.

What Is a System One Model?

TypeSafe использует термин System One для класса моделей, предназначенных принимать быстрые, структурированные решения, удобные для потребления программами. Название отсылает к различию между быстрым и медленным мышлением у Даниэля Канемана. Оно описывает предполагаемую роль модели, а не утверждает, что программная модель воспроизводит человеческое мышление.

Задача System One имеет ограниченную цель. Осведомленный рецензент должен суметь быстро вынести суждение при достаточном контексте. Примеры: выбор интента, оценка срочности по заданной шкале, проверка подтвержденности утверждения или решение об эскалации запроса.

Задачи, требующие длительных исследований, многошаговых выводов, развернутых объяснений или генерации контента, не подходят естественным образом. TypeSafe рекомендует декомпозировать широкие суждения на атомарные вопросы и комбинировать их результаты в коде.

Например, «оцените этот питч стартапа» — слишком широкая формулировка для проверяемого решения. Вместо этого можно отдельно оценить размер рынка, техническую реализуемость и дифференциацию. Приложение может объединить эти оценки по явной формуле. При смене бизнес-приоритетов веса можно изменить в коде, не превращая промпт модели в скрытую бизнес-логику.

How Does Jev Work?

Операционный контракт Jev можно записать так:

Состояние + типизированные вопросы -> типизированные решения + вероятности

Это отличается от обычного процесса с языковой моделью:

Промпт -> сгенерированные токены -> парсинг и валидация -> решение приложения

Отличие не только в ином формате ответа. Традиционный структурированный вывод все равно просит генеративную модель выдать последовательность токенов, соответствующих схеме. Jev спроектирована для возврата значений из заранее определенных пространств ответов.

Текущий API принимает состояние в виде строки, объекта JSON или массива текстовых значений. Ввод — только текст. Изображения, аудио, видео и бинарные документы нужно конвертировать в текст или структурированные поля перед отправкой.

Каждый вопрос в запросе оценивается независимо по одному и тому же состоянию. Согласно документации TypeSafe, добавление вопросов почти не меняет время ответа, поскольку вопросы оцениваются параллельно. Независимость также не позволяет ответу на один вопрос стать контекстом для другого в том же вызове.

Это важно для проектирования. Если одно решение действительно зависит от другого, зависимость должна быть в рабочем процессе приложения. Выполните первую оценку, обновите состояние или ветвитесь в коде и затем выполните следующую оценку. Один запрос лучше подходит для вопросов, которые используют общие доказательства, но не зависят от ответов друг друга.

The Three Jev Question Types

Choice

Вопрос Choice выбирает один вариант из критериев, определенных приложением. Например, в поддержке это могут быть billing, technical и sales с описанием для каждой категории. Jev возвращает выбранный вариант, вероятности, присвоенные каждому варианту, и значение уверенности, вычисленное из формы распределения.

Дизайн категорий влияет на полезность результата. Пересекающиеся варианты создают неоднозначность. Отсутствующие варианты вынуждают модель выбирать ответ, который может не подходить. Продуктивные таксономии должны включать маршрут вроде insufficient_evidence или human_review, когда нужно сохранить неопределенность в процессе.

Формулировка также должна соответствовать фактическому решению. «Какая команда должна сначала расследовать?» — это запрос на предварительный маршрут. «Какая команда вызвала сбой?» — это диагноз. Они могут использовать один и тот же список команд, но задают разные вопросы.

Score

Вопрос Score помещает состояние на упорядоченную шкалу. Критерии могут описывать уровни вроде спокойный, раздраженный, злой или определять более детальную бизнес-шкалу. Ответ включает числовой балл, легенду, связывающую числа с уровнями, распределение вероятностей по уровням и уверенность.

Полезная шкала Score описывает наблюдаемые различия. Ярлыки без определений заставляют модель и людей интерпретировать стандарты по-разному. Шкала риска должна указывать, что отличает каждый уровень. Шкала качества должна указывать, какие требования присутствуют или отсутствуют.

Если балл смешивает независимые аспекты, лучше разделить их. Релевантность, фактическая подтвержденность, тон и соответствие политике могут быть отдельными вопросами. Код приложения может вычислить композитный балл с весами, которые остаются явными и тестируемыми.

Noul

Noul — бинарный примитив TypeSafe. Он оценивает вероятность истинности утверждения и возвращает число от 0 до 1. Значение 0.9 означает более высокую оцененную вероятность истинности, чем 0.6.

Noul не возвращает отдельное поле confidence, используемое в Choice и Score. Его вывод уже является вероятностью для оцениваемого утверждения. Поэтому вопрос следует формулировать как проверяемое утверждение, например «сообщение передает срочность» или «ответ подтверждается предоставленным источником».

Noul полезен для верификации и гейтинга, но порог устанавливается приложением. Для низкорисковых UI-подсказок можно допускать более низкий порог, чем для необратимых финансовых или административных действий.

Atomic Questions and Composed Workflows

Jev лучше всего работает, когда каждый вопрос задает один узкий аспект. Такой дизайн упрощает проверку вывода и позволяет ПО владеть итоговой политикой.

Предположим, агенту нужно решить, выполнять ли вызов инструмента. Широкий вопрос вроде «стоит ли запускать это действие» может смешивать права доступа, обратимость, чувствительность данных, намерение пользователя и операционный риск. Более проверяемый процесс оценивает эти измерения раздельно:

• Соответствует ли вызов инструмента запросу пользователя?
• Передает ли он чувствительную информацию?
• Является ли действие разрушительным или трудновосстановимым?
• Затрагивает ли внешнюю учетную запись?
• Требуется ли дополнительное подтверждение по политике?

Обвязка затем может комбинировать ответы детерминированными правилами. Разрушительная операция может требовать подтверждения независимо от общей уверенности модели. Для операции только чтения путь может быть менее строгим. Такой подход сохраняет разрешения в коде и использует Jev только для суждений, которые нельзя надежно выразить фиксированными правилами.

Jev vs Traditional LLMs

Jev и большие языковые модели выполняют разные роли.

Jev не следует описывать как «уменьшенного чат-бота». TypeSafe не публиковала количество параметров или достаточно архитектурных деталей для классификации размера модели. Публичное различие основано на учебной цели, методе выборки и интерфейсе.

Jev также не заменяет детерминированный код. Фиксированные правила остаются лучшим инструментом, когда условия явны и стабильны. Налоговый расчет, список разрешений или лимит размера файла не должны превращаться в вероятностный вызов модели. Jev полезна там, где ручные правила слишком хрупкие, но желаемый ответ все еще можно ограничить.

Jev vs Structured LLM Output

Структурированный вывод позволяет языковой модели возвращать JSON или значения, соответствующие схеме. Это полезно, когда рабочему процессу нужны и генеративные рассуждения, и машиночитаемый результат. Jev решает более узкую задачу.

В LLM схема ограничивает форму сгенерированного ответа. В Jev вопросы и пространства ответов — это интерфейс модели. Jev возвращает распределения вероятностей, предназначенные для участия в логике приложения, а независимые вопросы оцениваются раздельно по общему состоянию.

Совпадающие формы JSON не гарантируют совпадающее поведение. Две системы могут обе возвращать поле department, но различаться по задержке, калибровке, обращению с неоднозначностью и стабильности ответов. Команды, сравнивающие Jev со структурированным выводом LLM, должны держать схему приложения постоянной и тестировать обе системы на одном и том же размеченном датасете.

RLCD and Calibrated Decisions

TypeSafe утверждает, что Jev обучается методом Reinforcement Learning for Calibrated Decisions. RLCD отличается по цели от RLHF и RLVR.

RLHF оптимизирует ответы по сигналам человеческих предпочтений и широко применялся для разговорных ассистентов. RLVR использует проверяемые вознаграждения и применяется к задачам, где корректность можно программно проверить. RLCD обучает модели TypeSafe возвращать решения и калиброванные вероятности, а не генерировать текст.

Калибровка относится к группам предсказаний. Если модель хорошо откалибрована, исходы, которым присвоена вероятность около 0.8, должны быть верны примерно в 80% случаев на подходящем наборе задач. Это не гарантирует, что конкретное предсказание с вероятностью 0.8 верно.

Вероятность и уверенность нельзя считать взаимозаменяемыми. Choice и Score предоставляют полные распределения вероятностей. TypeSafe выводит уверенность из формы каждого распределения. Распределение, сконцентрированное на одном варианте, дает более высокую уверенность; более плоское распределение сигнализирует об неоднозначности. Команды могут использовать предоставленную уверенность или вычислить другую статистику из вероятностей.

У Noul нет отдельного поля уверенности. Его значение — это оцененная вероятность истинности проверяемого утверждения.

Jev Model Specifications and Pricing

Следующие сведения взяты из официальной документации по модели TypeSafe по состоянию на 21 сентября 2026 года.

TypeSafe отмечает, что лимиты скорости динамически настраиваются и могут меняться без уведомления. Текущие лимиты и цены следует проверять перед промышленным развертыванием.

Также в документации указано, что английский — основной язык обучения и на данный момент обеспечивает лучшую точность. Другие языки, включая письменности CJK, поддерживаются, но не равнозначно. Нагрузку на китайском, японском или корейском следует оценить на репрезентативных данных до включения автоматических решений.

TypeSafe сообщает, что Jev не дообучается и не адаптируется LoRA под данные каждого клиента. Одни и те же веса модели обслуживают все аккаунты. Поведение в домене формируется через состояние, инструкции, критерии и композицию на стороне приложения. Компания также заявляет, что клиентские запросы и ответы не используются для обучения Jev. Корпоративные клиенты могут изучить юридические документы TypeSafe по условиям нулевого хранения данных.

How Fast Is Jev?

TypeSafe сообщает о времени ответа от конца до конца в диапазоне 70–500 миллисекунд. В посте запуска этот диапазон сравнивается с 3–329 секундами для выбранных вызовов моделей фронтира и Jev описывается как в 40–200 раз быстрее при сопоставимом уровне интеллекта на задачах формы System One.

Компания также сообщает о пиковых приростах в 193.6 раза по скорости и в 444.6 раза по стоимости на своих оценках рабочих процессов. Эти цифры требуют контекста.

Они получены из собственной оценочной методики TypeSafe. Рабочие процессы сравнивают модели на структурированных графах решений и используют средние предсказания выбранных внешних высокоуровневых моделей в качестве эталонных вероятностей. TypeSafe отмечает, что заявленные выигрыши, вероятно, ближе к верхней границе реальных улучшений, и признает возможную предвзятость, поскольку участники команды по оценке возможностей модели создавали эти рабочие процессы.

Эти результаты не следует трактовать как общее утверждение, что Jev в сотни раз быстрее любой LLM на любой задаче. Jev отказывается от генерации текста и нацелена на ограниченные решения. Корректное сравнение должно использовать задачи, которые обе системы могут выполнить, измерять качество решений вместе с задержкой и учитывать стоимость валидации, повторов и человеческого ревью.

What Is Jev Best for

Jev лучше всего подходит для высокообъемных рабочих процессов с определенным пространством ответов и потребностью в оценке неопределенности.

• Триаж поддержки клиентов: Классифицировать тикет по отделу, срочности, уровню раздражения, риску оттока или необходимости ручного ревью.
• Маршрутизация по интенту и моделям: Определить тип запроса и направить его к соответствующему инструменту, процессу, агенту или модели. Уверенность может определять, будет ли маршрутизация автоматической.
• Проверки риска инструментов агента: Оценить предложенные вызовы инструментов на предмет разрушительных действий, чувствительных данных или несоответствия запросу пользователя перед выполнением. За разрешения отвечает код приложения.
• Оценка вывода LLM: Проверить, подтверждается ли ответ LLM предоставленным контекстом, соблюдает ли требуемый формат или нуждается ли в ручном ревью.
• Модерация контента: Использовать Choice для категорий политики, Score для степени тяжести и Noul для бинарных проверок правил. Случаи с низкой уверенностью можно отправлять модераторам.
• Высокоообъемная обработка данных: Обрабатывать логи, письма, отзывы, лиды, объявления или сегменты документов, когда каждую запись можно оценить независимо, а выходом является категория, оценка или вероятность.

Where Jev Fits in an AI Agent

AI-агент обычно сочетает генеративную модель, инструменты, состояние приложения и правила, управляющие выполнением. Jev вписывается в эту систему как слой структурированных решений вокруг основной генеративной модели.

Генеративная модель обрабатывает открытые задачи, такие как интерпретация запроса, планирование рабочего процесса, написание контента или генерация кода. Jev обрабатывает более узкие решения, которые нужно принимать многократно в ходе процесса:

• Какой инструмент или модель следует использовать?
• Является ли предложенное действие рискованным или несоответствующим запросу?
• Должен ли агент продолжать, повторить попытку, остановиться или запросить уточнение?
• Соответствует ли результат заданному требованию?
• Следует ли эскалировать задачу человеку?

Приложение остается ответственным за разрешения, пороги и побочные эффекты. Jev предоставляет решение и связанную с ним вероятность, а код приложения определяет последующее действие.

Это создает разделение обязанностей. Генеративные модели выполняют открытые рассуждения, Jev — ограниченные оценки, детерминированный код — обеспечивает политику, а инструменты — внешние действия. Таким образом, Jev дополняет AI-агента, а не заменяет его основную модель рассуждений.

Limitations of Jev

Jev не генерирует тексты, код или открытые объяснения. Она предназначена для фокусных вопросов с определенными пространствами ответов.

Типобезопасный ответ все равно может содержать некорректное решение, поэтому бизнес-точность нужно оценивать на реальных данных. На данный момент поддерживается только текстовый ввод, а английский обеспечивает наилучшую документированную точность. Другие языки требуют отдельного тестирования.

Скорость и стоимость Jev приведены из оценок самой TypeSafe и не должны рассматриваться как универсальные гарантии производительности.

Jev and CometAPI

На момент обзора, 21 сентября 2026 года, Jev не числилась как общедоступная модель в публичном каталоге CometAPI. CometAPI планирует оценить и интегрировать Jev после получения доступа и открытия необходимого соединения. Разработчикам следует проверять каталог моделей CometAPI для актуальной информации о доступности.

Jev доступна через консоль TypeSafe и официальный API. TypeSafe также предоставляет официальные SDK для Python и JavaScript. Текущий API использует state и типизированные questions, при этом jev-latest служит стабильным алиасом модели.

Как только Jev станет доступна через CometAPI, разработчики смогут найти ее идентификатор модели, поддерживаемый endpoint, цены и формат запроса в документации CometAPI API и каталоге моделей.

Frequently Asked Questions

Что такое Jev AI?

Jev — флагманская модель TypeSafe и первая модель System One. Она оценивает текстовое состояние по типизированным вопросам и возвращает структурированные решения и вероятности вместо сгенерированного текста.

Является ли Jev большой языковой моделью?

TypeSafe не позиционирует Jev как традиционную LLM. Jev называется моделью System One, созданной для структурированных решений. Компания не публиковала количество параметров, поэтому не следует классифицировать модель как большую или маленькую по публичной информации.

Что такое Choice, Score и Noul?

Choice выбирает вариант из заданного набора и возвращает вероятности по вариантам плюс уверенность. Score оценивает состояние по упорядоченной шкале и также возвращает вероятности по уровням плюс уверенность. Noul возвращает значение от 0 до 1, представляющее вероятность истинности утверждения.

Генерирует ли Jev текст или код?

Нет. Jev возвращает ограниченные решения. Для задач, требующих текста, диалога, исходного кода или открытого объяснения, нужна генеративная модель.

Может ли Jev заменить GPT, Claude или Gemini?

Нет. Jev решает задачи ограниченных решений, тогда как универсальные LLM отвечают за генерацию и расширенные рассуждения. В промышленной системе можно использовать оба типа моделей на разных этапах одного рабочего процесса.

Поддерживает ли Jev изображения, аудио или видео?

Напрямую — нет. Текущая модель принимает текст в виде строки, объекта JSON или массива текстовых значений. Нетекстовые входы необходимо сначала преобразовать в текст или структурированные поля.

Гарантирует ли типобезопасный вывод корректное решение?

Нет. Типобезопасность гарантирует соответствие поддерживаемой структуре. Jev может выбрать неверный допустимый вариант или присвоить неточную вероятность. Бизнес-точность необходимо измерять на репрезентативных данных.

Является ли Jev с открытым исходным кодом?

TypeSafe не публиковала веса модели Jev. Компания выпускает документацию, SDK, примеры и сопутствующий интеграционный код, но эти ресурсы не делают саму модель открытой по весам.

Conclusion

Jev вводит интерфейс модели, ориентированный на решения, а не на генерацию языка. Она принимает общее состояние и атомарные, типизированные вопросы, затем возвращает категории, оценки, бинарные вероятности и меры неопределенности, которые ПО может использовать напрямую.

Ее наиболее разумная роль — не замена универсальных LLM, а обработка частых, ограниченных суждений вокруг них. Маршрутизация обращений в поддержку, выбор модели, проверки риска инструментов, верификация выводов, модерация и классификация в рабочих процессах соответствуют этой схеме при заранее определенном пространстве ответов.

Производственная ценность зависит не только от низкой задержки или валидной схемы. Нужны репрезентативные оценки, калиброванные пороги, явные правила разрешений, контроль версий модели и пути для ручного ревью. Опубликованные TypeSafe показатели скорости и стоимости делают Jev достойной тестирования для задач с большим числом решений, но заявления привязаны к методике компании и должны проверяться на реальных данных приложений.

Для команд, уже использующих несколько генеративных моделей через CometAPI, Jev иллюстрирует более широкую архитектуру, в которой генерация, вероятностные суждения, детерминированная политика и выполнение инструментов — отдельные компоненты. Такое разделение упрощает тестирование каждой части и оставляет за кодом приложения окончательный контроль над следующими действиями.