Вопросы и ответы о Jev

Нет. Jev не ведёт диалог и не генерирует текст, код или объяснения. Модель отвечает только в заданной вами форме — да/нет, вариант из списка или оценка по шкале — и прикладывает вероятности.

Стартап TypeSafe AI из Сан-Франциско, основанный в 2024 году. Генеральный директор — Диогу Алмейда, бывший исследователь OpenAI и соавтор статьи InstructGPT, на которой во многом построен ChatGPT. Сооснователи — Эрик Гафни и Саша Шенг.

TypeSafe AI представила Jev 15 сентября 2026 года после двух лет работы в закрытом режиме. Модель доступна в раннем доступе через API.

Jev не может вернуть ответ вне заданной схемы, поэтому выдуманной категории или сломанного JSON не будет. Но модель может выбрать неверный вариант из допустимых. «Не галлюцинирует» означает «всегда соблюдает форму», а не «всегда права».

В честь английского экономиста XIX века Уильяма Стэнли Джевонса. По парадоксу Джевонса удешевление ресурса увеличивает его потребление — TypeSafe рассчитывает, что так же будет с дешёвым машинным интеллектом.

Да, текст и вопросы можно писать по-русски. Но основной язык обучения — английский, и TypeSafe предупреждает, что на других языках точность пока ниже. Проверьте модель на своих данных.

Почти нет. Jev создана для встраивания в программы, у неё нет чат-интерфейса. Минимальный вариант без кода — песочница в консоли TypeSafe или наш конструктор запроса, из которого готовый запрос можно отправить через curl или Postman.

Через российские агрегаторы вроде Polza.AI — нет. Для прямого доступа к TypeSafe нужны зарубежная карта и одобренный ранний доступ.

Входные токены стоят $0,042 за миллион, выходные бесплатны. Сотня тестовых запросов обойдётся в доли цента.

Нет. В консоли TypeSafe есть песочница Playground, но это не чат, а форма для проверки запросов — текст плюс вопросы. Модель отвечает только вероятностями и вариантами из заданного списка.

Да, модель принимает русский текст. Основной язык обучения Jev — английский, поэтому TypeSafe советует проверять качество на своих данных. Учтите и то, что русский текст занимает больше токенов.

Посмотрите поле model в ответе, например jev-1.13.0. Алиас jev-latest при следующем релизе переключится на новую версию, поэтому после настройки порогов лучше закрепить конкретную.

Через российский агрегатор Polza.AI — да, по данным сервиса. Запросы идут на адрес агрегатора, а он передаёт их в TypeSafe.

Напрямую у TypeSafe — нет, компания принимает оплату в долларах как зарубежный поставщик. У Polza.AI — да, картой РФ или через СБП, а ООО и ИП могут платить по счёту с УПД и НДС.

Только для прямого подключения. Через Polza.AI или OpenRouter ключ выдают сразу после регистрации, аккаунт TypeSafe не нужен.

Да. Для Polza.AI в SDK указывают базовый адрес https://polza.ai/api без /v1, ключ Polza.AI и модель typesafe/jev. В Python это параметры base_url, api_key и model.

Можно. Но основной язык обучения модели — английский, и TypeSafe предупреждает, что другие языки она обрабатывает хуже. Проверьте точность на своих данных.

Запросы уходят к TypeSafe, по данным Polza.AI — на серверы в США. Для персональных данных граждан РФ это упирается в требования 152-ФЗ. Обезличивайте данные или используйте Jev только для неперсональной информации.

$0,042 за миллион входных токенов, то есть $42 за миллиард. Выходные токены бесплатны.

Бесплатного тарифа TypeSafe не публикует, а у Polza.AI нет ни бесплатного тарифа, ни пробного периода. Но при такой цене тестовые запросы стоят доли цента.

Зависит от курса и наценки площадки. Российские агрегаторы публикуют цену в рублях в своём каталоге моделей, а Polza.AI возвращает стоимость каждого запроса в поле usage.cost_rub. Посчитать расходы поможет наш калькулятор.

Jev не генерирует текст, а возвращает короткие типизированные ответы. TypeSafe называет выходные токены слишком дешёвыми, чтобы их считать, поэтому вы платите только за входные.

Да. Состояние и около 280 служебных токенов оплачиваются один раз на запрос. В примере из документации TypeSafe 13 вопросов одним запросом обошлись в 12 раз дешевле, чем 13 отдельных запросов.

Гарантий нет. TypeSafe признаёт, что пока не может доказать, что цена не субсидирована, но ожидает её снижения, а не роста.

Для генерации текста, кода и рассуждений — нет, Jev их просто не делает. Для классификации, маршрутизации и быстрых проверок Jev быстрее и дешевле в десятки раз, а по точности бывает сопоставима, хотя не всегда.

Да, это самый популярный сценарий. Jev принимает быстрые микрорешения — какой инструмент вызвать, безопасна ли команда, — а LLM пишет текст и планирует.

Во многих задачах — да, если ответ выбирается из заранее известного списка. Но в независимых тестах Gemini и Claude Haiku 4.5 местами оказывались точнее, поэтому сравните модели на своей размеченной выборке.

JSON mode гарантирует только валидный формат, внутри остаётся ответ обычной LLM без откалиброванных вероятностей. Jev выбирает из заданных вариантов и возвращает распределение вероятностей, на которое можно ставить пороги.

По тестам самой TypeSafe — GPT-5.6 Terra, у неё 67,9% совпадений с эталоном против 67,8% у Jev. Но в тех же тестах Terra обходилась примерно в 76 раз дороже и работала в 25 раз медленнее.

Да, если есть поток однотипных решений — заявки, отзывы, письма. При цене около $0,04 за миллион токенов расходы на модель почти незаметны, основные затраты — на разработку интеграции.

Для массовых узких решений, где правильный ответ можно перечислить заранее, — классификации, маршрутизации, модерации, проверок перед действием и ранжирования. Для генерации текста и многошаговых рассуждений нужна LLM.

Да, это один из самых частых сценариев. Jev оценивает сообщение по вашим правилам — спам, оскорбления, фишинг, — а код по вероятностям решает, пропустить его, скрыть или отправить модератору.

Частично. Jev выбирает следующее действие из списка разрешённых и проверяет команды перед выполнением, но текст для полей и планы пишет другая модель, а исполняет действия обычный код.

Только с проверкой. Jev может ошибиться в выборе, поэтому необратимые действия стоит подтверждать правилами в коде, более сильной моделью или человеком.

Jev не генерирует текст и не объясняет решения, принимает только текст, слабо справляется с арифметикой и датами и работает только через облачный API. По точности она не всегда догоняет передовые LLM и дообученные классификаторы.

Да. Схема гарантирует только форму ответа, вариант вне списка модель не вернёт. Но неверный допустимый вариант она выбрать может, поэтому проверки и пороги уверенности остаются на вас.

Нет. TypeSafe не публиковала веса и архитектуру модели, Jev доступна только через API — напрямую или через площадки-партнёры.

Понимает, но основной язык обучения — английский. TypeSafe предупреждает, что на других языках точность пока ниже, поэтому качество на русском нужно проверить на своих данных.

По документации и договору TypeSafe — нет, без согласия клиента его данные в обучение не попадают. Но срок хранения запросов для обычного аккаунта не опубликован, а нулевое хранение предлагают только корпоративным клиентам.

Плохо. TypeSafe прямо советует считать, сравнивать даты и подсчитывать элементы в коде, а модели оставлять смысловые суждения — например, извлечь из текста месяц и число.

Диогу Алмейда (генеральный директор), Эрик Гафни (технический директор) и Саша Шенг (операционный директор). Алмейда раньше работал в OpenAI и был соавтором статьи InstructGPT.

Нет, это независимый стартап. Связь только в том, что основатель и часть команды раньше работали в OpenAI.

Около $40 млн посевных инвестиций. Раунд возглавил венчурный фонд DCVC, о нём объявили 15 сентября 2026 года вместе с выходом компании из закрытого режима.

В Сан-Франциско. Там же работает команда, а сервис Jev пока размещён в одном регионе на Западном побережье США.

Reinforcement Learning for Calibrated Decisions — метод обучения, который разработала TypeSafe. Он учит модель возвращать решения с откалиброванными вероятностями вместо текста. Подробности метода компания не раскрывает.

POST https://api.typesafe.ai/v1/systemone с ключом в заголовке Authorization. У OpenRouter и Polza.AI путь тот же, меняются домен, ключ и имя модели.

jev-latest — алиас последнего стабильного релиза, сейчас это jev-1.13.0. Если вы подбирали пороги под конкретную версию, указывайте jev-1.13.0 явно.

До 64 тысяч на весь запрос. Отдельно действует лимит 32 тысячи на state вместе с самым длинным вопросом.

До 255 вариантов в одном Choice и от 2 до 10 уровней в Score.

Это позиция на шкале, взвешенная по вероятностям уровней, а не номер победившего уровня. Если коду нужен один уровень, округлите значение.

Повторить запрос с экспоненциальной задержкой. Официальные SDK делают это автоматически.

Noul возвращает одно число — вероятность «да», его удобно сравнивать с порогом. Choice возвращает метку, распределение и confidence. Числа двух типов не совпадают даже для одного вопроса, поэтому для бинарных вопросов берите Noul.

В документации TypeSafe отдельного лимита на число вопросов нет, ограничивает бюджет в 64 тысячи токенов на запрос. Polza.AI называет предел в 256 вопросов. Все вопросы считаются параллельно, но каждый добавляет входные токены.

Не стоит. Модель не видит номер уровня и оценивает каждое описание отдельно, поэтому шкала из голых цифр даёт размытый ответ. Описывайте уровни ситуациями.

Это средневзвешенная позиция на шкале, то есть номера уровней, умноженные на их вероятности. Если коду нужен один уровень, значение округляют.

Нет. Ключ вопроса нужен только вашему коду и в модель не передаётся, поэтому полный вопрос пишите в instructions.

typesafe-sdk. Установка — pip install typesafe-sdk или uv add typesafe-sdk, импорт — from typesafe_sdk import TypeSafeClient. Нужен Python 3.10 или новее.

Из переменных окружения TYPESAFE_API_KEY и TYPESAFE_BASE_URL. Параметры api_key и base_url, переданные в клиент явно, важнее переменных.

Передайте в клиент base_url площадки без /v1 и её ключ в api_key. Для OpenRouter это https://openrouter.ai/api, для Polza.AI — https://polza.ai/api и модель typesafe/jev.

Да, AsyncTypeSafeClient. У него те же параметры, что у синхронного, а system_one вызывается через await. Он удобен для параллельной обработки пачек документов.

Да. По умолчанию до двух повторов на ответы 408, 429 и 5xx с экспоненциальной паузой. Поведение настраивается через RetryPolicy.

Командой npm install @typesafe-ai/sdk. Нужен Node.js 20 или новее. Пакет поддерживает ESM и CommonJS и содержит типы TypeScript.

По умолчанию SDK это запрещает и выбрасывает ошибку, чтобы ключ API не попал в код страницы. Вызывайте Jev с сервера, а браузеру отдавайте только результат.

Передайте в конструктор apiKey площадки и baseURL без /v1, например https://openrouter.ai/api или https://polza.ai/api. Для Polza.AI задайте ещё модель typesafe/jev.

Да. По умолчанию до двух повторов на ответы 408, 429 и 5xx с экспоненциальной паузой от 500 мс. Поведение меняется параметром retry.

Да. SDK выводит их из вопросов, поэтому поле choice имеет тип объединения ваших вариантов, а обращение к несуществующему вопросу подсветит компилятор.

Не обязательно. Confidence описывает форму распределения, то есть насколько один вариант выделяется среди остальных. Реальную точность при такой уверенности нужно измерить на своих данных.

Универсального нет. Прогоните размеченную выборку, посчитайте точность по диапазонам уверенности и выберите порог, при котором ошибок столько, сколько вы готовы допустить. Для дорогих действий порог выше.

У Noul всего два исхода, и значение noul описывает распределение полностью. Близко к 0 или 1 — модель уверена, около 0,5 — нет.

probabilities — вероятность каждого варианта или уровня, в сумме 1. Confidence — одно число от 0 до 1, которое TypeSafe считает по форме этого распределения.

Да. Алиас jev-latest переезжает на новые версии, и распределения могут сдвинуться. Зафиксируйте версию, например jev-1.13.0, и проверяйте пороги перед переходом.

typesafe/jev-1.13. Для последней версии есть алиас ~typesafe/jev-latest, а имена TypeSafe без префикса, например jev-latest, OpenRouter сопоставляет со своими автоматически.

$0,042 за миллион входных токенов, выходные бесплатны. Это столько же, сколько у TypeSafe напрямую. Стоимость каждого запроса приходит в поле usage.cost.

Нет. Jev вызывается через отдельный API по пути /api/v1/systemone, потому что модель возвращает решения, а не текст. SDK для чат-моделей с ней не работают.

Да. Укажите базовый адрес https://openrouter.ai/api и ключ OpenRouter, остальной код не меняется. Не заработает только список моделей через models.list().

OpenRouter указывает 32 000 токенов. В документации TypeSafe лимиты такие — 64 000 токенов на весь запрос и 32 000 на state вместе с самым длинным вопросом.

Так TypeSafe AI называет класс моделей, которые вместо генерации текста возвращают типизированные решения с вероятностями. Название отсылает к быстрой интуитивной «Системе 1» из книги Даниэля Канемана. Jev — первая модель этого класса.

LLM генерирует текст токен за токеном, и программе приходится его разбирать. Модель System One отвечает только в заданной вами форме — да/нет, вариант из списка или уровень шкалы — и формирует все ответы за один проход. Обучают её на калибровку вероятностей, а не на ответы, которые нравятся людям.

На сентябрь 2026 года Jev — единственная публичная модель такого класса. По данным TechCrunch, TypeSafe готовит новые версии, в том числе для других модальностей.

По описанию TechCrunch, Jev — модель на основе трансформера, но не LLM, потому что она не генерирует текст. Подробности архитектуры TypeSafe не публикует.

Компонент, который формирует ответы на все вопросы запроса за один проход, а не токен за токеном. Вопросы при этом оцениваются независимо друг от друга. Как сэмплер устроен внутри, компания не раскрывает.

Нет. Веса и архитектура закрыты, модель доступна только через API TypeSafe и площадки-посредники.

Это предположение сторонних наблюдателей, которое приводит TechCrunch. Подтверждений нет, а TypeSafe утверждает, что Jev — не LLM.

Reinforcement Learning for Calibrated Decisions — метод дообучения, который TypeSafe разработала для Jev. Он оптимизирует модель на решения с вероятностями, которые совпадают с реальной частотой правильных ответов. Детали метода компания не публикует.

RLHF вознаграждает ответы, которые предпочитают люди, — так получаются чат-боты. RLCD вознаграждает откалиброванные вероятности в задачах выбора, а текст модель не генерирует вовсе.

По словам основателя TypeSafe Диогу Алмейды, только на синтетических данных, которые компания создаёт сама. Состав данных не раскрывается, на запросах клиентов модель не обучают.

Только в среднем по большой группе похожих ответов — и только если заявленная калибровка держится на ваших данных. Это нужно проверить на размеченной выборке.

Нет. Ответ всегда один из вариантов, которые вы задали, или число в допустимом диапазоне. Это свойство контракта API, а не статистика.

Нет. Модель может выбрать неверный вариант из допустимых. Даже во внутренних тестах TypeSafe ответы Jev совпали с эталоном примерно в двух третях случаев.

Задавайте атомарные вопросы с чёткими критериями, добавляйте вариант «другое», передавайте в state только нужные данные, считайте арифметику в коде, а ответы с низкой уверенностью отправляйте на проверку.

Строку, JSON-объект или массив текстовых значений. Модель принимает только текст — изображения, аудио и видео нужно заранее перевести в текст или структурированные поля.

State вместе с самым длинным вопросом должен уложиться в 32 тысячи токенов, а весь запрос — state и все вопросы — в 64 тысячи.

Если данных несколько — сообщение, заказ, правила, — используйте JSON-объект с понятными именами полей. Строка подходит, когда оценивается один текст.

Да, но основной язык обучения — английский, и на других языках точность пока ниже. Проверьте модель на своих русскоязычных данных, прежде чем автоматизировать решения.

Нет. TypeSafe не дообучает модель на данных клиентов, одни и те же веса обслуживают все аккаунты. Подстраивать Jev нужно через state, формулировки вопросов и критерии, а при необходимости — обучать свою модель поверх ответов Jev.

Для Noul — precision, recall и F1 при выбранном пороге, а также ROC-AUC и Brier score. Для Choice — accuracy, macro-F1 и матрицу ошибок. Дополнительно постройте кривую «покрытие — точность» по уверенности.

Несколько сотен размеченных примеров дают оценку точности с погрешностью в несколько процентных пунктов. При 500 примерах и точности около 80% это примерно ±3,5 п. п. Для редких классов примеров нужно больше.

Если данных для обучения нет или классы часто меняются, начните с Jev. Если домен стабильный и разметки много, дообученная модель может оказаться точнее и быстрее. Сравните оба варианта на одной отложенной выборке.

На 21 сентября 2026 года — Jev 1.13 с идентификатором jev-1.13.0. На неё указывают оба алиаса, jev-latest и jev-preview.

jev-latest — алиас, который переключится на новую версию после её релиза. jev-1.13.0 — конкретная версия, запросы с этим именем не перейдут на новую модель автоматически.

typesafe/jev-1.13, а алиас на последнюю версию — ~typesafe/jev-latest. Через SDK TypeSafe можно писать jev-1.13 и jev-latest, OpenRouter сам добавит префикс.

Посмотрите поле model в ответе. TypeSafe возвращает там полный идентификатор версии, например jev-1.13.0.

По данным TypeSafe, почти нет — все вопросы считаются параллельно. Растёт только число входных токенов, потому что каждый вопрос добавляет свои инструкции и варианты ответа.

Нет. Каждый вопрос оценивается независимо, ответ одного не становится контекстом для другого. В кукбуке TypeSafe ответы при пакетной и поштучной отправке совпали в пределах случайного разброса.

Отдельного лимита на число вопросов в документации нет. Ограничивает контекст — 64 тысячи токенов на state и все вопросы вместе и 32 тысячи на state плюс самый длинный вопрос.

Когда код не может собрать второй запрос без первого ответа — например, нужно подгрузить данные или выбрать варианты следующего вопроса по ветке, которую выбрала модель.

Зависит от цены ошибки. TypeSafe предлагает отдавать неуверенные случаи человеку или более дорогой рассуждающей модели. Для необратимых действий надёжнее человек или подтверждение пользователя.

Универсальной цифры нет, она зависит от данных и порогов. В одном из кукбуков TypeSafe порог 0,9 разделил 60 документов ровно пополам. Долю эскалаций нужно измерить на своём потоке.

Алиас jev-latest переезжает на новые релизы, и ответы за ним могут измениться. TypeSafe советует указывать версию, под которую подбирались пороги, и переходить на новую по своему графику.

Разделите score на номер верхнего уровня, то есть на число уровней минус один. Уровни нумеруются с нуля, поэтому у пятиуровневой шкалы score лежит от 0 до 4 и после деления попадает в диапазон от 0 до 1.

Один. Все Score-вопросы отправляются вместе и считаются параллельно, поэтому новый критерий почти не замедляет ответ и стоит только токенов своей формулировки.

Нет. TypeSafe предупреждает, что уровни Score у jev-1.13 слабо откалиброваны численно. Дробный score годится для сравнения с порогом и ранжирования, но не для интерполяции точной величины.

Jev возвращает намерение из заданного списка вместе с вероятностями и уверенностью, разбирать текст ответа не нужно. TypeSafe позиционирует её как быстрый и дешёвый классификатор, после которого дорогие LLM подключаются только к тем запросам, которым они нужны.

Добавьте Noul-вопрос о том, есть ли в сообщении несколько отдельных просьб. Если есть, LLM разбивает сообщение на простые команды, и каждая проходит через Jev отдельно — так устроено демо умного дома TypeSafe.

Да, но основной язык обучения Jev — английский, и на других языках точность может быть ниже. TypeSafe советует проверять модель на своих данных и внимательно следить за уверенностью при маршрутизации.

Для быстрых решений над текстом и JSON, когда ответ выбирается из заранее известного набора — категория, оценка по шкале или «да/нет». Jev не пишет тексты, зато встраивается в код и возвращает вероятности, по которым код решает, что делать дальше.

Нет, это разные инструменты. Jev не генерирует текст и код. Она заменяет LLM там, где та выбирает вариант из списка, и работает рядом с LLM — как роутер, фильтр или проверка.

По данным TypeSafe, у jev-1.13 слабые места — счёт и арифметика, сравнение дат, многоступенчатые рассуждения, большой state с лишними деталями и генерация текста. Такие части задачи лучше оставить коду или LLM.

Нет. По данным TypeSafe, Jev не дообучают и не адаптируют через LoRA под клиентов — все аккаунты работают с одними весами. Под свою область модель настраивают через state, формулировки вопросов и критерии, а также через декомпозицию.

В агенте модель сама выбирает следующий шаг, и каждый цикл — шанс сбиться. В системе на Jev порядок действий задаёт код, а модель отвечает на узкие вопросы, результаты которых код проверяет и комбинирует.

По словам TypeSafe, декомпозиция вопросов. Узкие атомарные вопросы открывают каждое суждение для проверки и настройки, а широкий вопрос прячет несколько суждений за одним ответом.

Да. instructions у всех трёх типов вопросов принимает строку, объект, массив или null. Удобно класть сам вопрос в одно поле, а данные, на которые он ссылается, — в соседние.

Нет. Имена полей внутри instructions и criteria выбираете вы. Модель видит их вместе со значениями, поэтому используйте короткие понятные имена и одинаковые поля у всех вариантов.

Задавайте один Choice на уровень дерева и спускайтесь по нему в коде. Значением варианта можно передать поддерево, чтобы модель видела, что лежит внутри ветки. Для надёжности держите несколько путей одновременно — это beam search.

typesafe-ai/jev. Этот идентификатор передают в AI SDK, в HTTP-эндпоинт шлюза и в официальные SDK TypeSafe, если они настроены на адрес https://ai-gateway.vercel.sh/typesafe.

Vercel берёт цену провайдера без наценки: $0,042 за миллион входных токенов, выходные бесплатны. На 21 сентября 2026 года в каталоге действовала промоцена «бесплатно» до 25 сентября.

Нет. Jev работает через AI SDK (experimental_evaluate), эндпоинт /v1/evaluate и TypeSafe-совместимый API. OpenAI-, Anthropic- и Cohere-совместимые эндпоинты её не поддерживают.

Нет, хватит ключа AI Gateway или OIDC-токена Vercel. Свой ключ TypeSafe можно подключить через BYOK, если хотите платить провайдеру напрямую.

typesafe/jev. В каталоге Cloudflare модель помечена как сторонняя (Third-party), контекст — 32 000 токенов.

Нет. Сторонние модели Cloudflare вызывает со своими учётными данными и списывает стоимость с кредитов AI Gateway. Нужны аккаунт Cloudflare и пополненный баланс.

На странице модели цена не указана, Cloudflare отсылает к дашборду. По правилам Unified Billing цены провайдеров передаются без наценки, а при покупке кредитов берётся комиссия 5%.

Да, обычным fetch к API TypeSafe или совместимой площадки. Ключ храните в секретах Worker, а не в коде.

Установите пакет langchain-typesafe, задайте переменную TYPESAFE_API_KEY и вызывайте TypeSafeClassifier().invoke() со словарём, где есть state и questions. Ответы приходят в nouls, choices и scores.

Нет. Jev не генерирует текст, поэтому интеграция устроена как Runnable-классификатор, а не как ChatModel. Отвечать пользователю по-прежнему должна LLM.

Это ранняя версия: на 20 сентября 2026 года на PyPI лежит 0.0.1a3, а middleware находятся в модуле experimental и могут меняться без предупреждения.

Да. Документация LangChain разрешает сменить адрес через переменную TYPESAFE_BASE_URL: на совместимый шлюз, тестовый сервер или частное развёртывание.

Официальный скилл TypeSafe: файл SKILL.md с инструкциями для ИИ-агента. В нём описано, как проектировать вопросы Noul, Choice и Score, где читать актуальную документацию и как собирать ответы в коде. Лицензия MIT.

Выполните в терминале claude plugin marketplace add typesafe-ai/skills, затем claude plugin install typesafe@typesafe-ai. Явно вызвать скилл можно командой /typesafe:typesafe-ai.

Да. Установите его командой npx skills add typesafe-ai/skills --skill typesafe-ai и выберите Cursor в списке агентов. Установщик поддерживает также Codex, Windsurf, GitHub Copilot, Gemini CLI и десятки других агентов.

TypeSafe называет причиной устаревший скилл: обновите его и повторите задачу. Если скилла нет вовсе, агенту тоже неоткуда взять актуальный формат API.

Сервис TypeSafe временно перегружен. Сам запрос корректен, его нужно повторить с экспоненциальной задержкой. Официальные SDK делают это автоматически.

Тело запроса не прошло проверку: нет обязательного поля, неверный type вопроса, у choice больше 255 вариантов или у score меньше двух или больше десяти уровней. В теле ответа указано поле с ошибкой.

По документации TypeSafe — до 1200 запросов в минуту и до 250 000 токенов в секунду. Превышение любого из лимитов даёт 429. Компания предупреждает, что лимиты сейчас меняются без уведомления.

Да. Python и JavaScript SDK по умолчанию делают до двух повторов на кодах 408, 429 и 500–599, учитывают заголовок Retry-After и увеличивают паузу от 0,5 до 5 секунд.

Да, AsyncTypeSafeClient из пакета typesafe-sdk. Его метод system_one вызывается через await, а параметры те же, что у синхронного клиента.

Отдельного лимита на параллельность в документации нет. Есть лимиты 1200 запросов в минуту и 250 000 токенов в секунду, поэтому параллельность и темп подбирают так, чтобы в них укладываться.

Один запрос с несколькими вопросами. В рецепте TypeSafe 13 вопросов к одной статье одним запросом обошлись в 12,2 раза дешевле и оказались в 10 раз быстрее 13 отдельных запросов, а ответы не изменились.

Передайте RetryPolicy(max_retries=0) в параметр retry клиента или конкретного вызова system_one.

Зарегистрируйтесь на polza.ai, пополните баланс картой РФ или через СБП, создайте API-ключ и отправьте POST-запрос на https://polza.ai/api/v1/systemone с моделью typesafe/jev.

На 21 сентября 2026 года каталог Polza показывал 17,64 ₽ за миллион входных токенов, выходные бесплатны. Цена меняется, актуальную смотрите на странице модели в каталоге.

Нет. По данным Polza, бесплатного тарифа, пробного периода и подписки нет: вы платите только за входные токены своих запросов.

Да. Укажите базовый адрес https://polza.ai/api без /v1, ключ Polza и модель typesafe/jev. В Python это параметры base_url, api_key и model, в TypeScript — baseURL, apiKey и defaultModel.

Подходит, но качество нужно проверить на своих данных. По документации TypeSafe, основной язык обучения Jev — английский, на других языках точность ниже.

Доли цента. В открытых проектах запрос с двумя-тремя вопросами занимал от 440 до 920 входных токенов, то есть примерно $0,00002–0,00004 при цене $0,042 за миллион токенов.

Не стоит. Jev снимает поток очевидных случаев, а спорные комментарии из серой зоны должен смотреть человек. Размер серой зоны вы задаёте порогами.

Нет. В открытых тестах Jev пропускала заметную часть фишинга. Её разумно ставить слоем сортировки поверх проверок SPF, DKIM, DMARC и репутации ссылок, а спорные письма отправлять на проверку.

Зависит от задачи. Gemini оказалась точнее на деловых письмах, Claude Haiku 4.5 — на фишинге, а с GPT-5.6 Luna на 100 письмах Jev сыграла вничью. Во всех этих тестах Jev оказалась заметно дешевле.

В бенчмарке jev-phishing-bench — около $0,04 за 1000 писем по прейскуранту, в тесте против GPT-5.6 Luna — тоже около $0,04. Сумма зависит от длины писем и числа вопросов.

Нет, Jev не генерирует текст. Она может выбрать подходящий шаблон ответа из списка или решить, какому обработчику передать обращение, а сам ответ пишет человек, LLM или готовый шаблон.

Отдельного лимита на число вопросов в документации нет, ограничивает общий размер запроса. Все вопросы считаются параллельно. В тесте TypeSafe 13 вопросов в одном запросе обошлись в 12 раз дешевле и в 10 раз быстрее, чем 13 отдельных запросов.

С теневого режима. Пусть Jev размечает обращения параллельно с текущим процессом, а вы сравниваете её решения с решениями операторов, прежде чем доверить ей маршрутизацию.

В узких задачах с закрытым набором действий — да. Мобильный агент mobile-jev берёт текст для полей из формулировки цели и обходится без генеративной модели. Но планирование, свободный текст и объяснения остаются за LLM.

LangChain выпустила экспериментальные middleware для выбора модели и проверки вызовов инструментов, у Cua есть рецепт jev-use, у Browser Use — открытый агент jev-ultrafast. Для других инструментов есть проекты сообщества.

Зависит от размера состояния. В разборе на Хабре браузерный агент за семисекундный прогон отправил в Jev около 90 тысяч входных токенов — примерно $0,0038. Главная статья расходов — повторная отправка состояния страницы на каждом шаге.

В опубликованном замере jev-router запрос к Jev занял 434 входных токена и обошёлся примерно в $0,000018. По сравнению с вызовом LLM это почти ноль, а вот задержку роутер добавляет заметную.

Да. Jev только выбирает цель, а вызов делает ваш код. Например, jev-router переключается между моделями OpenAI и Anthropic, а через OpenRouter можно получить и Jev, и чат-модели по одному ключу.

Отправлять запрос в сильную модель. Сбой роутера не должен приводить к тому, что на сложный вопрос отвечает слабая модель.

Нет. TypeSafe сама называет враждебный контент известной слабостью Jev 1.13 — внедрённые инструкции могут повлиять на ответ. Используйте Jev как один из слоёв вместе с правилами, правами доступа и песочницей.

Не стоит. Для необратимых действий Jev может решить, нужно ли спросить человека, но разрешать такое действие по одной оценке модели рискованно при любой уверенности.

Решите заранее. Безопасные действия можно пропускать с предупреждением, необратимые — блокировать до ответа человека. В первые дни после релиза API действительно временами был недоступен из-за наплыва пользователей.

Нет. По данным TypeSafe, бот получает структурированное текстовое описание состояния игры, а не изображение. Картинки Jev пока не принимает вообще.

TypeSafe оценивает своё демо примерно в $7 в час при 10 запросах в секунду. В вашем проекте сумма зависит от того, сколько токенов состояния уходит в каждом запросе.

Код своего бота TypeSafe пока не опубликовала, компания обещала подробный разбор. Есть независимые проекты на ViZDoom, например doom-jev на GitHub. Для запуска нужен свой API-ключ.

В одном Choice не может быть больше 255 вариантов. Для больших страниц TypeSafe сначала оценивает ссылки по отдельности, а затем делает явный выбор среди лучших.

Да, у TypeSafe есть такое демо. Jev определяет тип запроса, зону, устройство и действие, а команду выполняет ваш код. Для составных команд и свободного разговора демо подключает обычную LLM.

Модель принимает текст на разных языках, но TypeSafe пишет, что точнее всего она работает на английском. Перед запуском проверьте качество на своих русских командах.

По словам TypeSafe, демо — одностраничное приложение на Vite и React, а исходники появятся на GitHub. На момент написания в официальном GitHub-аккаунте компании их нет.

Хуже, чем со смыслом. TypeSafe советует не поручать модели арифметику и точные числа. Число лучше извлечь кодом, а Jev оставить выбор из готовых вариантов.

Оставьте заявку в листе ожидания на typesafe.ai. После одобрения войдите в console.typesafe.ai через Google или по коду из письма, пополните кредиты и создайте API-ключ.

TypeSafe сроков не называет. По словам первых пользователей, которые приводит Флавио Копес, приглашение приходило за день-два, но при наплыве заявок срок может вырасти.

Открытого бесплатного тарифа нет, запросы списывают кредиты. По договору TypeSafe может начислять промокредиты на своё усмотрение, но не обязана это делать.

Да, через посредников — OpenRouter, Vercel AI Gateway, Cloudflare Workers AI или российский Polza.AI. У каждого свои ключи, оплата и лимиты.

Зависит от данных. Без обучения Jev в известных сравнениях точнее GLiNER 2.5, но в эксперименте на Banking77 дообученный GLiNER 2.5 обошёл её примерно на 9 процентных пунктов. Если у вас тысячи размеченных примеров и стабильные классы, свой классификатор может оказаться точнее.

Нет. TypeSafe не дообучает Jev под клиентов, в том числе через LoRA, все аккаунты работают с одними весами. Модель подстраивают через содержимое state, инструкции и описания вариантов.

Осторожно. Договор TypeSafe запрещает использовать ответы сервиса для дистилляции и обучения модели, которая имитирует его ответы. Прочитайте условия, прежде чем строить такой процесс.

JSON mode гарантирует только валидный JSON, но не соответствие вашей схеме. Structured outputs гарантируют схему, но ответ по-прежнему генерируется токен за токеном. Jev текст не генерирует вовсе и возвращает распределение вероятностей по заданным вами вариантам.

В крайних случаях да. OpenAI и Anthropic описывают отказы модели и обрыв ответа по лимиту токенов, а Anthropic отдельно предупреждает, что не гарантирует регистр строковых значений enum.

Можно попросить модель написать число в JSON или включить logprobs, если API это позволяет. Но число в JSON — это сгенерированный текст, а logprobs описывают токены, а не ваши варианты. Калибровку в обоих случаях придётся проверять самим.

Хвалят скорость, цену и вероятности в каждом ответе. В Vercel, по данным TechCrunch, Jev ускорила проверку команд в 5–18 раз. Критикуют закрытость, цифры из собственных тестов TypeSafe и то, что в части сравнений модель уступает по точности LLM и дообученным классификаторам.

Есть, но небольшие — сравнения с Gemini и Claude Haiku 4.5 на письмах и эксперимент с GLiNER 2.5 на Banking77. Крупного независимого бенчмарка пока нет, поэтому почти все авторы советуют проверять модель на своих данных.

Рецензенты сходятся в том, что это верно только для формы ответа. Модель не выйдет за список вариантов, но может выбрать неверный. The Register назвал сравнение с чат-ботами по этому признаку некорректным.