Jev: Jak model sztucznej inteligencji niegeneratywnej przekształca tekst w decyzje
Dowiedz się, jak działa numeryczny model sztucznej inteligencji „System One” firmy Jev, dlaczego jest szybszy i tańszy od modeli LLM, oraz jakie ma miejsce wśród sztucznych inteligencji generatywnych w systemach produkcyjnych.
Czym właściwie jest Jev?
Jeśli ostatnio spędzałeś czas na stronach Twittera lub Hacker News poświęconych sztucznej inteligencji, zapewne natknąłeś się na nazwę Jev. Niektórzy opisują go jako „LLM bez LL”, a gdy przyjrzysz się bliżej temu znaczeniu, okazuje się, że to określenie ma spore sens.
Oto proste wyjaśnienie w języku potocznym, czym jest i dlaczego ma znaczenie.
Jev to nowo wydany model sztucznej inteligencji, uruchomiony we wrześniu 2026 roku przez TypeSafe AI – startup założony przez Diogo Almeidę, który wcześniej pracował jako inżynier w OpenAI. Firma działała dyskretnie przez dwa lata, zanim zaprezentowała Jev jako swój pierwszy produkt, uzyskując na to 40 milionów dolarów w ramach rundy finansowania początkowego.
Oto najciekawsza część: pomimo całego zgiełku, Jev nie jest modelem językowym dużym w tradycyjnym rozumieniu. Narzędzia takie jak ChatGPT, Claude i Gemini działają w ten sam podstawowy sposób — podajesz im tekst, a one w zamian generują kolejny tekst. Jev całkowicie odwraca ten schemat. Podajesz mu tekst jako dane wejściowe, a zamiast akapitów lub wyjaśnień otrzymujesz wynik liczbowy: prawdopodobieństwa, wartości pewności i oceny. Nie ma żadnej narracyjnej odpowiedzi, żadnego rozumowania przedstawionego w zdaniach – tylko liczby.
TypeSafe wymyślił nową nazwę dla tego podejścia: „modeli System One”. Niektórzy programiści zaczęli je nieoficjalnie nazywać „modelami decyzyjnymi”, co według wielu lepiej opisuje ich funkcję.
Sama nazwa jest nawiązaniem do ekonomii. „Jev” to skrót od Williama Stanleya Jevonsa, ekonomisty z XIX wieku znanego z paradoksu Jevonsa – koncepcji mówiącej, że gdy spada koszt korzystania z czegoś, ludzie nie konsumują tego mniej, lecz ostatecznie zużywają znacznie więcej. TypeSafe polega w istocie na założeniu, że w miarę spadku kosztów „myślenia” opartego na AI, zostanie ono włączone do znacznie większej liczby elementów oprogramowania niż obecnie.
Jak właściwie funkcjonuje Jev?
Korzystnym modelem myślowym jest postrzeganie Jeva nie jako asystenta do rozmów, lecz jako wysoce skutecznego wywołania funkcji wbudowanego w twój kod.
Aby go użyć, musisz podać dwa dane wejściowe:
- "Stan" — to surowy materiał, który może być tekstem lub danymi strukturyzowanymi, takimi jak zgłoszenie obsługi klienta, opis produktu, ciąg e-maili, artykuł lub praktycznie cokolwiek innego.
- Jedno lub kilka pytań, na które chcesz otrzymać odpowiedź dotyczącą tego stanu.
Zamiast odpowiadać pełnymi zdaniami, Jev zwraca liczbę dla każdego zadanego pytania. Obsługuje trzy formaty pytań:
- Pytania typu tak/nie — wewnętrznie nazywane pytaniami „Noul”, co odnosi się do rozkładu Bernoulliego używanego w teorii prawdopodobieństwa. Przykładem może być pytanie „Czy ten e-mail to spam?”, na które otrzymuje się wynik w postaci oceny prawdopodobieństwa, np. 0,94.
- Pytania z wieloma opcjami — podajesz listę możliwych odpowiedzi, a Jev przypisuje do każdej z nich ocenę pewności.
Nie jesteś również ograniczony do zadawania tylko jednego pytania na dokument. Wiele pytań dotyczących tego samego danych może zostać połączonych w jedną prośbę, a ty otrzymujesz wszystkie liczbowe odpowiedzi razem. Nie ma konieczności zarządzania dialogiem ani analizowania tekstu — tylko ustrukturyzowane liczby, którymi twoja logika aplikacji może natychmiast skorzystać.
Końceczność dla programistów: szybkość i koszt
To chyba najważniejszy powód, dla którego Jev przyciąga uwagę. Na podstawie danych opublikowanych przez TypeSafe:
- Czas odpowiedzi wynosi od 70 do 500 milisekund, co jest znacznie szybsze niż to, czego zwykle można oczekiwać od standardowej wywołania LLM.
- W przypadku podobnych obciążeń pracy, TypeSafe osiąga prędkość wynoszącą od 40 do 200 razy więcej niż najnowocześniejsze modele LLM, przy jednoczesnym znacznie niższym koszcie — w niektórych porównaniach różnica kosztów może sięgać aż 400 razy.
Jego struktura cenowa również odbiega od standardów. Większość dostawców modeli LLM nalicza osobno opłaty za tokeny wejściowe i wyjściowe, przy czym ten drugi typ zazwyczaj jest droższy. Jev całkowicie odwraca tę zasadę: płacisz tylko za dane wejściowe, po cenie 0,042 dolara za milion tokenów, natomiast wynik nie kosztuje nic. Ma to sens, jeśli pamiętasz, że wynik w tym przypadku to zaledwie niewielka liczba liczb, a nie tekst wygenerowany. Podobno ta struktura cenowa jest nawet tańsza od lżejszych modeli budżetowych, takich jak GPT-5 Nano.
Przed przyjęciem tych danych za prawdę warto zwrócić uwagę na jedną ważną kwestię. Sam dokumentacja techniczna TypeSafe przyznaje, że zadania testowe użyte do uzyskania tych wartości zostały opracowane wewnętrznie przez ich zespół, a imponujące wyniki wydajności prawdopodobnie odzwierciedlają optymalny scenariusz, a nie to, co można zaobserwować w typowych, codziennych obciążeniach. To nie czyni tych twierdzeń fałszywymi, ale stanowi uzasadniony powód do sceptycyzmu wobec stwierdzenia „200 razy szybciej”, dopóki nie zostanie to niezależnie zweryfikowane.
Gdzie faktycznie stosuje się Jev
Jev nie jest przeznaczony jako zamiennik chatbotów czy narzędzi do generowania treści — nie będzie pisał artykułów takich jak ten w najbliższym czasie. Zamiast tego został zaprojektowany do węższego celu: podejmowania szybkich decyzji klasyfikacyjnych w systemach programistycznych. Już pojawiło się kilka przypadków zastosowania:
Szum informacyjny i moderacja treści — Zamiast wykorzystywać pełny model językowy do określenia, czy wiadomość to szum informacyjny, czy zawiera treści obraźliwe, Jev może podjąć taką decyzję niemal natychmiast i przy minimalnych kosztach.
Poprawa wyników wyszukiwania — Typowy proces obejmuje użycie taniego методu, takiego jak BM25, aby pobrać na przykład 100 kandydatów na wyniki, a następnie ocenienie przez Jeva stopnia ich istotności dla zapytania wyszukiwarki. Wykorzystywanie pełnego modelu językowego do analizy 100 kandydatów na dużą skalę było wcześniej zbyt kosztowne, by być praktyczne, ale cena usług Jeva sprawia, że jest to możliwe.
Oznaczanie, sortowanie i ustalanie priorytetów — Myśl o zadaniach takich jak sortowanie zgłoszeń obsługi klienta według pilności, kategoryzacja treści lub ocenianie potencjalnych klientów. Są to powtarzalne decyzje oceniające, które wcześniej zmuszały zespoły do wyboru między kosztownym korzystaniem z modeli językowych a niestabilną logiką opartą na regułach.
Nadzór nad innymi agentami AI — W miarę jak coraz więcej firm wprowadza autonomiczne agenty, rośnie potrzeba monitorowania tych agentów pod kątem błędów lub prób obejścia ograniczeń bezpieczeństwa. Wykorzystywanie pełnowymiarowego modelu LLM wyłącznie do celów nadzoru szybko staje się kosztowne. Ponieważ uruchomienie Jev jest bardzo tanie, praktyczne staje się jego ciągłe monitorowanie zachowania agentów w tle.
Decydowanie, który model użyć — Zanim zapytanie zostanie skierowane do drogiego, wysokowydajnego modelu, często pomocne jest najpierw postawienie prostego pytania: czy ta konkretna zadanie faktycznie wymaga tak wysokiej wydajności? Szybkość i niski koszt Jev sprawiają, że nadaje się on do realizacji tego kroku triażu w czasie rzeczywistym, co może znacząco obniżyć koszty w całym procesie.
Jeden z programistów testujących Jev porównał je z Gemini od Google w zadaniu klasyfikacji e-maili biznesowych. Okazało się, że Gemini jest nieco dokładniejsze, ale jego koszt był 10 do 20 razy wyższy. Testerowi spodobała się nie tylko różnica cenowa — to, że Jev generuje rzeczywiście skalibrowany wynik prawdopodobieństwa, a nie tylko przekonującą domysłowo ocenę, sprawia, że znacznie łatwiej jest budować na jego bazie niezawodne systemy automatyczne.
Kompromis, którego nikt nie powinien pomijać
Oto problem, który wymaga takiej samej uwagi: Jev jest w rzeczywistości trudniejszy do zbadania niż konwencjonalny LLM, a nie łatwiejszy.
Gdy korzystasz z ChatGPT lub Claude, możesz poprosić model o uzasadnienie jego odpowiedzi i otrzymać w zamian jakiś rodzaj rozumowania, nawet jeśli to rozumowanie nie zawsze jest bezbłędne. Jev nie oferuje takiej możliwości – otrzymujesz jedynie numeryczną ocenę i nic więcej. To część tego, co sprawia, że jest szybki i tani, ale oznacza to również, że wszelkie uprzedzenia włączone podczas szkolenia są znacznie trudniejsze do wykrycia lub zakwestionowania. Niektórzy wczesni użytkownicy już wyrażają zaniepokojenie ukrytymi uprzedzeniami, które pojawiają się w ocenach Jev dla konkretnych przypadków użycia.
Istnieje również drugi poziom nieprzezroczystości, tym razem o charakterze technicznym. TypeSafe nie ujawniło architektury Jev, wag modelu ani żadnego towarzyszącego temu artykułu badawczego. To, co jest publicznie znane, jest ograniczone: model opiera się na technologii transformer, został wytrenowany wyłącznie na danych syntetycznych i został stworzony przy użyciu podejścia nazywanego przez firmę Reinforcement Learning for Calibrated Decisions (RLCD). W tym układzie wyniki probabilistyczne modelu są dostosowywane pod kątem rzeczywistych efektów w świecie rzeczywistym, a nie pod kątem rankingów preferencji ludzkich, które zwykle są używane do dopracowywania modeli LLM przeznaczonych do rozmów. Wielu zewnętrznych obserwatorów spekuluje, że Jev może być w rzeczywistości zbudowany na bazie istniejącego modelu o otwartych wagach, ale TypeSafe ani tego nie potwierdziło, ani nie zaprzeczyło.
Podsumowanie
Jev reprezentuje unikalne podejście do włączania sztucznej inteligencji do systemów oprogramowania. Zamiast prosić duży, drogi model o wygenerowanie fragmentu tekstu, a następnie wydobywać z niego odpowiedź, Jev bezpośrednio generuje odpowiedź w postaci liczby wyrażonej w milisekundach, przy znacznie niższych kosztach.
Nie jest przeznaczony do przejmowania zadań takich jak pisanie, rozbudowane rozumowanie czy rozmowy otwarte od modeli takich jak ChatGPT czy Claude. Jednak w przypadku codziennych, często powtarzanych decyzji, które odbywają się w tle nowoczesnych aplikacji – czy wiadomość jest spamem, jak istotny jest wynik wyszukiwania, jak pilna wydaje się zgłoszenie obsługi klienta – może ostatecznie przejąć niewspółmierną część rzeczywistej pracy realizowanej w tle.
Czy „modeli decyzyjne” staną się trwałą kategorią odrębną, czy też skończą jako narzędzie przeznaczone do wąskich zastosowań, pozostaje otwartym pytaniem. Jeśli jednak w tym przypadku obowiązuje coś na kształt paradoksu Jevonsa, to obniżenie kosztów sztucznej inteligencji niekoniecznie oznacza mniejsze jej udział w codziennym życiu — może raczej oznaczać, że AI po cichu podejmie tysiące małych decyzji, których nigdy nawet nie zauważysz.