Что такое модели System One и чем Jev отличается от LLM

Откуда название: Система 1 и Система 2

Название взято из книги психолога Даниэля Канемана «Думай медленно… решай быстро». Канеман описывает два режима мышления. Система 1 срабатывает мгновенно и интуитивно: вы узнаёте знакомое лицо или слышите раздражение в голосе собеседника. Система 2 включается, когда нужно считать, планировать и взвешивать аргументы.

TypeSafe переносит это деление на ИИ. Языковые модели с цепочками рассуждений работают как Система 2: долго думают и пишут развёрнутый ответ. Модели System One отвечают за быстрые сфокусированные суждения — такие, которые специалист выносит за пару секунд, если у него перед глазами нужный контекст.

У Системы 1 в психологии есть обратная сторона: она склонна к ошибкам. В TypeSafe это признают и утверждают, что модели System One можно сделать надёжнее альтернатив. Обоснование компания обещает опубликовать позже.

Что такое модель System One

По определению TypeSafe, модель System One получает состояние (state) и набор типизированных вопросов, а возвращает типизированные ответы с вероятностями. Как и LLM, она понимает естественный язык. Но не пишет ответы, код и объяснения своих рассуждений: возможные варианты ответа заранее задаёте вы.

Для этого есть три примитива — Noul (да/нет), Choice (вариант из списка) и Score (уровень на шкале). Подробно они разобраны в статье о типах вопросов Jev.

Jev — первая и пока единственная публичная модель этого класса. TypeSafe предлагает думать о ней как о вызове функции с интеллектом передовой модели: на входе неструктурированное состояние, на выходе — вероятностные решения заданного типа.

Зачем понадобился новый класс моделей

В основе System One лежит ставка, которую TypeSafe называет машинно-ориентированным интеллектом (Machine Native Intelligence). Компания ожидает, что при массовой автоматизации ИИ будет общаться с людьми лишь в 1% случаев, а в остальных 99% — с другими программами и моделями. Тогда важнее не ответ, который приятно читать, а выход, который предсказуемо ведёт себя внутри программы: структурированный, надёжный, быстрый, дешёвый, согласованный, наблюдаемый и тестируемый.

Название модели продолжает ту же мысль. Jev назвали в честь экономиста XIX века Уильяма Стэнли Джевонса. Его парадокс описывает, как рост эффективности паровых машин увеличил спрос на уголь, а не сократил его. TypeSafe рассчитывает на тот же эффект: каждое удешевление интеллекта на порядок открывает на порядки больше применений.

Чем System One отличается от LLM

В анонсе Jev компания сравнивает два класса моделей по нескольким осям. Вот суть этого сравнения:

	LLM	System One (Jev)
Цель дообучения	Ответы, которые нравятся людям (RLHF), или результаты, которые проверяет программа (RLVR)	Откалиброванные решения (RLCD)
Акцент на входе	Последовательность сообщений, диалог	Состояние программы: текст, JSON, записи
Выход	Строка, которую нужно разобрать и проверить	Значение заданного типа с вероятностями
Как формируется ответ	Последовательно, токен за токеном	Все ответы за один параллельный проход
Уверенность	Если попросить, модель назовёт число, но часто завышенное и непостоянное	Вероятности у каждого ответа; на похожие входы — похожие ответы
Где сильнее	Чат-боты, копилоты, код, задачи с автоматической проверкой	Ветвления в коде, классификация, маршрутизация, проверки

Последняя строка важна: System One не заменяет LLM, а закрывает другой класс задач. Скорость и цену двух подходов мы сравнили в статье «Jev против ChatGPT, Claude и Gemini», а устройство параллельного прохода разобрали в материале «Как устроена Jev». О методе обучения RLCD есть отдельная статья.

Место System One в архитектуре приложения

В документации TypeSafe выделяет три способа строить софт:

1. Традиционный код — дерево решений из простых и надёжных примитивов.
2. LLM-агенты — модель сама выбирает следующий шаг. Это удобно, пока за процессом следит человек, но каждый цикл даёт агенту шанс свернуть не туда.
3. Софт с ИИ-компонентами — код управляет потоком выполнения, а модель вызывается только там, где нужен «программируемый здравый смысл» или разбор неструктурированных данных.

System One рассчитана на третий вариант. TypeSafe прямо пишет, что модель нужна для ИИ-софта, а не для агентов: она не выбирает следующее действие сама и не генерирует код. Решает программа, а модель отвечает на узкие вопросы внутри неё.

Пример из документации — запрос клиента на возврат денег. Код собирает state из сообщения и правил возврата, одним запросом задаёт независимые вопросы, а затем объединяет ответы с детерминированными проверками:

from typesafe_sdk import Noul, TypeSafeClient

message = "За заказ A-104 списали деньги два раза. Верните лишнее."
charges = [{"order": "A-104", "amount_rub": 4990}, {"order": "A-104", "amount_rub": 4990}]
policy = "Повторное списание возвращается полностью."

# Детерминированная проверка — в коде, без модели
is_duplicate = len(charges) == 2 and charges[0]["amount_rub"] == charges[1]["amount_rub"]

with TypeSafeClient() as client:
    r = client.system_one(
        state={"message": message, "refund_policy": policy},
        questions={
            "refund_requested": Noul(instructions="Просит ли клиент в `message` вернуть деньги?"),
            "policy_allows": Noul(instructions="Разрешает ли `refund_policy` возврат при двойном списании?"),
        },
    )

p_request = r.nouls["refund_requested"].noul
p_policy = r.nouls["policy_allows"].noul

if is_duplicate and p_request > 0.8 and p_policy > 0.8:
    refund(charges[1])          # действует код
else:
    send_to_operator(message)   # серая зона — человеку

Порог 0,8 здесь условный. Подбирать его нужно на своих данных, как описано в статье об уверенности Jev.

Система 1 и Система 2 в одной связке

На практике System One и LLM работают вместе. Автор разбора на Substack Энтони Майо описывает такое разделение труда: генеративная модель пишет черновики, планирует и объясняет; Jev выносит короткие суждения в заданных рамках; код отвечает за состояние, арифметику, правила, права доступа и побочные эффекты; люди разбирают неоднозначные и рискованные случаи.

Типичные связки:

• Маршрутизация. Jev решает, какой модели, агенту или отделу передать задачу. Технический директор компании Earendil Армин Ронахер в интервью TechCrunch назвал выбор модели под задачу одним из естественных применений Jev: поручать такую сортировку дорогой LLM невыгодно.
• Контроль LLM. Jev оценивает ответы, трассы и вызовы инструментов большой модели. По словам основателя TypeSafe Диогу Алмейды, так пользователи смогут следить за агентами и ловить джейлбрейки.
• Эскалация. Если уверенность Jev низкая, код передаёт случай человеку или рассуждающей модели. Такой сценарий рекомендует сама TypeSafe.

Какие задачи подходят для System One

В документации TypeSafe есть простая проверка. Подходит суждение, которое знающий человек вынесет за несколько секунд, если перед ним нужный контекст. «Есть ли в сообщении срочность?» — хороший вопрос. «Проанализируй сообщение и реши, что делать» — плохой: это работа для Системы 2.

Если задача требует долгих рассуждений или зависит от нескольких независимых факторов, её раскладывают на атомарные вопросы. Например, вместо «оцени стартап» спрашивают отдельно про размер рынка, техническую реализуемость и отличия от конкурентов, а итог считают в коде по своей формуле. Когда приоритеты меняются, вы правите коэффициент, а не промпт.

Плохо ложатся на System One:

• генерация текста, кода и пересказов;
• арифметика, подсчёты и сравнение дат — их TypeSafe советует оставлять коду;
• вопросы с несколькими уровнями косвенности, где нужна цепочка выводов.

Что остаётся заявлением компании

«System One» — термин самой TypeSafe, а не устоявшаяся категория. Цифры скорости и точности пока тоже приводит в основном компания. Автор обзора на DataCamp предлагает считать паритет Jev с LLM по точности многообещающим, но не доказанным, пока его не воспроизведут независимые тесты. Где модель уже уступает конкурентам, мы собрали в статье об ограничениях Jev.