Что такое Jev — нейросеть, которая не пишет текст

Jev простыми словами

Обычная языковая модель (LLM) вроде ChatGPT генерирует ответ слово за словом, и программе потом приходится разбирать этот текст. Jev сразу возвращает типизированное решение: вероятность ответа «да», один из вариантов списка или балл по шкале. К каждому ответу прилагается распределение вероятностей.

TypeSafe предлагает относиться к Jev как к вызову функции с интеллектом передовой модели: на входе неструктурированное состояние, на выходе типизированные вероятностные решения. Программе не нужно парсить ответ и проверять, похож ли он на JSON. Она сразу сравнивает число с порогом или передаёт выбранный вариант в switch.

Сама компания называет такой подход «умными if-операторами» (smart if-statements). Jev нужна там, где не справляются регулярные выражения, а вызов большой LLM ради одного решения выходит дорогим и медленным.

Что значит «System One»

Название отсылает к двум системам мышления из книги Даниэля Канемана «Думай медленно… решай быстро». Система 1 работает быстро и интуитивно, Система 2 — медленно и рассудочно. В терминах TypeSafe большие языковые модели играют роль Системы 2: они рассуждают, пишут и планируют. Jev — Система 1: мгновенно оценивает ситуацию и выносит короткое суждение.

Документация TypeSafe даёт простой критерий. Хороший вопрос к Jev — это суждение, которое знающий человек вынес бы за пару секунд, если дать ему нужный контекст. «Есть ли в письме срочность?» подходит. «Проанализируй письмо и реши, что делать» — нет: такую задачу нужно разбить на узкие вопросы и собрать итог в коде. Подробнее о новом классе — в статье о моделях System One.

Откуда название

Модель названа в честь английского экономиста XIX века Уильяма Стэнли Джевонса. Парадокс Джевонса описывает, как более экономичные паровые машины привели не к экономии угля, а к росту его потребления. TypeSafe ставит на тот же эффект: по словам компании, каждое удешевление интеллекта на порядок открывает на порядки больше сценариев.

Не все в этом уверены. Журналист The Register заметил, что такая ставка предполагает рынок токенов шириной с рынок энергии, а это пока не доказано.

Как Jev отвечает: три типа вопросов

Запрос к Jev состоит из состояния (state) и набора вопросов. Состояние — то, что модель оценивает: строка, JSON-объект или массив. Это может быть письмо, тикет с перепиской, карточка товара или состояние игры. Вопросы бывают трёх типов:

Тип	Что возвращает	Пример вопроса
Noul	Вероятность ответа «да» от 0 до 1	«Это письмо — фишинг?»
Choice	Вариант из списка (до 255), вероятности всех вариантов и confidence	«К какому отделу относится обращение?»
Score	Положение на шкале из 2–10 уровней, вероятности уровней и confidence	«Насколько срочен тикет?»

Все вопросы одного запроса обрабатываются параллельно и независимо: ответ на один вопрос не становится подсказкой для другого. Поэтому, по данным TypeSafe, лишние вопросы почти не увеличивают время ответа. Подробнее — в статье о примитивах Choice, Score и Noul.

Как выглядит ответ

Допустим, в state лежит обращение «Третий день не проходят платежи, теряем заказы», а мы спрашиваем о срочности и об отделе. Ответ выглядит примерно так (числа для примера):

{
  "model": "jev-1.13.0",
  "answers": {
    "is_urgent": { "type": "noul", "noul": 0.97 },
    "department": {
      "type": "choice",
      "choice": "billing",
      "probabilities": { "billing": 0.74, "technical": 0.26, "sales": 0.0 },
      "confidence": 0.62
    }
  }
}

Код видит не только победивший отдел, но и сомнение: 0,26 у техподдержки. Такое обращение можно отправить в биллинг с копией инженерам. Чат-модель в той же ситуации назвала бы один отдел тем же уверенным тоном.

Чем Jev отличается от обычной LLM

	Обычная LLM	Jev
Что на выходе	Строка текста	Типизированное значение и вероятности
Как генерирует	Последовательно, токен за токеном	Все ответы за один проход
Цель обучения	RLHF или RLVR	RLCD — откалиброванные решения
Время ответа	От 3 до 329 секунд	70–500 мс
Цена входных токенов	$0,20–10 за 1 млн	$0,042 за 1 млн
Цена выходных токенов	Примерно впятеро дороже входных	Бесплатно

Цифры в таблице — оценки TypeSafe из анонса модели. По заявлению компании, на задачах класса System One Jev в 40–200 раз быстрее передовых LLM при сопоставимом качестве.

RLHF учит модель давать ответы, которые нравятся людям, — так появились чат-боты. RLVR учит решать задачи с проверяемым результатом, например математические, — так появились модели с рассуждениями. RLCD, по описанию TypeSafe, учит другому: вероятности должны совпадать с реальной частотой попаданий. Из решений с вероятностью 0,8 верными должны оказываться примерно 80%. Это свойство группы ответов, а не гарантия для каждого. Что ещё известно об устройстве модели — в статье «Как устроена Jev».

Главное практическое отличие — предсказуемая форма. Ответ всегда укладывается в схему: не нужно парсить JSON, повторять запрос из-за сломанного формата и разбирать «творческие» ответы.

Что показывают независимые проверки

Цифры выше — заявления разработчика. TypeSafe сама признаёт, что тестовые сценарии составляла её команда, а заявленное ускорение находится на верхней границе реальной выгоды. Первые сторонние данные неоднозначны:

• Vercel поставила Jev вместо модели OpenAI в классификатор, который проверяет команды на безопасность. По данным TechCrunch, результат стал в 5–18 раз быстрее и точнее.
• В тесте Bryo AI на деловых письмах Gemini оказалась немного точнее, но в 10–20 раз дороже.
• Автор обзора на Хабре собрал случаи, где Jev проиграла по точности Gemini, Claude Haiku 4.5 и дообученному классификатору GLiNER 2.5.

Даже в собственных тестах TypeSafe на четырёх рабочих сценариях Jev совпадает с эталонными ответами в 67,8% случаев. Это уровень GPT-5.6 Terra и Claude Sonnet 5, но ниже лучших моделей с их 73–74%. Выигрыш Jev — цена и скорость: $0,0004 и 0,4 секунды на случай против 3–18 центов и 10–78 секунд у моделей того же уровня и точнее. Разбор слабых мест — в статье об ограничениях Jev.

Чего Jev не умеет

• Писать. Никакого текста, кода, пересказов и объяснений своих решений. Нужен текст — нужна LLM.
• Смотреть и слушать. На входе только текст: строка, JSON или массив. Изображения, аудио и видео TypeSafe пока не поддерживает.
• Считать. Документация прямо предупреждает: Jev не калькулятор. Арифметику, подсчёт элементов и сравнение дат держите в коде.
• Угадывать намерения. Модель читает инструкцию буквально и отвечает на написанный вопрос, а не на подразумеваемый.
• Одинаково работать на всех языках. Основной язык обучения — английский. Русский текст модель принимает, но точность на неанглийских языках, по данным TypeSafe, пока ниже.
• Выходить за список. В одном Choice до 255 вариантов, длинные справочники приходится разбивать на этапы.

Отдельно о «галлюцинациях». Jev не может вернуть вариант вне схемы, поэтому выдуманной категории или сломанного JSON не будет. Но выбрать неверный допустимый вариант она может. Подробно — в статье о галлюцинациях Jev.

Для каких задач подходит

Верный признак подходящей задачи: правильные ответы можно перечислить заранее, а решений нужно много.

• классификация обращений, писем и отзывов;
• модерация, антиспам, поиск фишинга и попыток взломать промпт;
• маршрутизация: какому агенту, отделу или модели передать задачу;
• проверка перед действием: безопасна ли команда, которую собирается выполнить агент;
• оценка и ранжирование контента, отбор фрагментов для RAG;
• быстрые решения в реальном времени — от игровых ботов до браузерных агентов.

Примеры из практики собраны в статье «Где применяют Jev».

Как попробовать

Чат-интерфейса у Jev нет, модель работает только через API. В консоли TypeSafe есть песочница (Playground): вставляете текст, добавляете вопросы и смотрите ответы. Но прямой доступ пока выдают по листу ожидания. Без него Jev можно вызвать через OpenRouter, Vercel AI Gateway, Cloudflare Workers AI или российские агрегаторы. Пошагово — в инструкции «Как пользоваться Jev».

Кто стоит за Jev

TypeSafe AI основана в 2024 году в Сан-Франциско и два года работала в закрытом режиме. Генеральный директор — Диогу Алмейда, бывший исследователь OpenAI и соавтор статьи InstructGPT. Сооснователи — Эрик Гафни и Саша Шенг. Вместе с запуском Jev компания объявила о посевном раунде на $40 млн, который возглавил фонд DCVC. Подробнее — в статье о компании TypeSafe AI.