Jev: Как негенеративная модель ИИ превращает текст в решения

Что же на самом деле такое Jev?

Если вы недавно посещали разделы Twitter или Hacker News, посвящённые искусственному интеллекту, вы, скорее всего, сталкивались с названием Jev. Некоторые описывают его как «LLM без LL», и когда вы разбираетесь, что это значит, такое определение действительно кажется вполне логичным.

Вот простое объяснение на понятном языке того, что это такое и почему это важно.

Jev — это недавно выпущенная модель искусственного интеллекта, представленная в сентябре 2026 года компанией TypeSafe AI, стартапом, основанным Диого Алмейдой, ранее работавшим инженером в OpenAI. Компания тихо развивалась в течение двух лет, прежде чем представила Jev в качестве своего первого продукта при поддержке финансирования в размере 40 миллионов долларов.

Вот что интересно: несмотря на всю оживленность вокруг, Jev не является большой моделью языка в традиционном смысле. Такие инструменты, как ChatGPT, Claude и Gemini, работают по одному и тому же основному принципу — вы вводите им текст, и они генерируют в ответ ещё текст. Jev полностью меняет эту схему: вы вводите текст в качестве данных, и вместо абзацев или объяснений вы получаете числовой результат — вероятности, значения уверенности и оценки. Нет повествовательного ответа, нет изложения логики в виде предложений, только цифры.

TypeSafe придумал новое название для такого подхода: «модели System One». Некоторые разработчики начали неформально называть их «моделями принятия решений», что, пожалуй, точнее описывает их функцию.

Само название — это отсылка к экономике. «Jev» — сокращение от имени Уильяма Стэнли Джевонса, экономиста XIX века, известного благодаря парадоксу Джевонса — идее о том, что когда снижается стоимость использования чего-либо, люди не начинают потреблять меньше, а наоборот, потребляют гораздо больше. TypeSafe по сути делает ставку на то, что по мере снижения затрат на искусственный интеллект, обеспечивающий «мышление», он будет встроен в гораздо больше сфер программного обеспечения, чем это происходит в настоящее время.

Как на самом деле функционирует Jev?

Полезной моделью для понимания является представление Jev не как помощника для общения, а как высокоэффективной функции, встроенной в ваш код.

Чтобы использовать его, необходимо предоставить два входных параметра:

1. «Состояние» — это сырой материал, который может быть текстом или структурированными данными, такими как заявка на поддержку, карточка товара, серия писем, статья или практически что угодно ещё.
2. Один или несколько вопросов, на которые вы хотите получить ответы относительно этого состояния.

Вместо ответов в виде полных предложений Jev возвращает число для каждого заданного вопроса. Он поддерживает три формата вопросов:

• Вопросы с ответами «да/нет» — внутренне называемые вопросами «Noul», что является отсылкой к распределению Бернулли, используемому в теории вероятностей. Примером может служить вопрос «Является ли это письмо спамом?», на который возвращается значение вероятности, например 0.94.
• Вопросы с множественным выбором — вы предоставляете список возможных ответов, и Jev присваивает каждому из них оценку уверенности.

Вопросы с шкалой оценки — вы просите систему расположить объект на числовой шкале, и она отвечает одним значением.

Вы также не ограничены одним вопросом на документ. Несколько вопросов к одному и тому же входному материалу можно объединить в один запрос, и вы получите все числовые ответы сразу. Не нужно управлять диалогом и анализировать текст — только структурированные числа, с которыми логика вашего приложения может работать немедленно.

Почему это привлекает разработчиков: скорость и стоимость

Пожалуй, это главная причина, по которой Jev привлекает внимание. Согласно данным, опубликованным TypeSafe:

• Время ответа составляет примерно от 70 до 500 миллисекунд, что значительно быстрее, чем обычно ожидается от стандартного вызова LLM.
• При аналогичных нагрузках TypeSafe показывает скорость работы, в 40–200 раз превышающую скорость ведущих LLM, при этом стоимость его использования значительно ниже — в некоторых сравнениях разница в цене достигает 400 раз.

Его структура ценообразования также отличается от традиционных подходов. Большинство поставщиков LLM взимают отдельную плату за входные и выходные токены, причем выходные токены обычно стоят дороже. Jev полностью нарушает эту традицию: вы платите только за входные данные по ставке 0,042 доллара за миллион токенов, в то время как выходные данные совершенно бесплатны. Это имеет смысл, если учесть, что выходные данные здесь представляют собой лишь небольшой набор чисел, а не генерируемый текст. Сообщается, что такая структура ценообразования даже превосходит по стоимости более легкие модели бюджетного класса, такие как GPT-5 Nano.

Прежде чем воспринимать эти цифры буквально, стоит обратить внимание на один важный момент. Собственная техническая документация TypeSafe признаёт, что задачи для тестирования, с помощью которых были получены эти показатели, были разработаны внутри их команды, и что выдающиеся результаты, скорее всего, отражают оптимальные условия, а не ситуацию при типичных повседневных нагрузках. Это не делает утверждения ложными, но является веской причиной относиться к формулировке «на 200 раз быстрее» с некоторым скептицизмом до их независимой проверки.

Где на самом деле применяется Jev

Jev не предназначен в качестве замены чат-ботам или инструментам генерации контента — в ближайшее время он не будет писать статьи вроде этой. Вместо этого он разработан для более узкой цели: принятия быстрых решений по классификации внутри программных систем. Уже существует несколько случаев применения:

Спам и модерация контента — Вместо того чтобы использовать полноценный LLM для определения того, является ли сообщение спамом или содержит оскорбительный контент, Jev может вынести такой вердикт практически мгновенно и при минимальных затратах.

Улучшение результатов поиска — Типичный процесс включает использование недорогого метода, такого как BM25, для получения, скажем, 100 кандидатских результатов, после чего Jev оценивает каждый из них по степени их релевантности к запросу. Ранее запуск полноценного LLM для обработки 100 кандидатов в масштабах был слишком дорогим и нецелесообразным, но ценообразование Jev делает это возможным.

Маркировка, сортировка и приоритизация — Речь идет о задачах, таких как ранжирование заявок на поддержку по степени срочности, категоризация контента или оценка потенциальных клиентов. Это повторяющиеся процессы принятия решений, которые ранее вынуждали команды выбирать между дорогостоящим использованием LLM или нестабильной логикой, основанной на правилах.

Контроль за другими ИИ-агентами — По мере того как все больше компаний внедряют автономных агентов, возрастает необходимость отслеживания их работы на предмет ошибок или попыток обойти ограничения безопасности. Использование полноценных больших языковых моделей исключительно в целях надзора быстро становится дорогостоящим. Поскольку Jev требует минимальных ресурсов для работы, практично использовать его для постоянного наблюдения за поведением агентов в фоновом режиме.

Выбор подходящей модели — Прежде чем направлять запрос к дорогостоящей и мощной модели, часто полезно сначала задать простой вопрос: действительно ли для выполнения конкретной задачи требуется такой уровень производительности? Быстрая работа и низкая стоимость Jev делают его подходящим инструментом для мгновенной обработки таких первичных проверок, что позволяет значительно снизить затраты в более крупных процессах.

Один из разработчиков, тестирующих Jev, сравнил его с Gemini от Google в задаче классификации деловых электронных писем. Оказалось, что Gemini демонстрирует некоторую преимущество в точности, однако стоимость его использования в 10–20 раз выше. Тестировщего впечатлило не только различие в цене — ещё и то, что Jev выдает действительно калиброванный показатель вероятности, а не просто кажущееся уверенным предположение, что значительно облегчает создание надежных автоматизированных систем на его основе.

Компромисс, который нельзя игнорировать

Вот нюанс, заслуживающий такого же внимания: на самом деле Jev сложнее для анализа, чем традиционные большие языковые модели, а не проще.

Когда вы используете ChatGPT или Claude, вы можете попросить модель обосновать свой ответ и получить в ответ какую-то форму рассуждений, даже если эти рассуждения не всегда совершенны. Jev не предоставляет такой возможности — вы получаете лишь числовую оценку и ничего больше. Это одна из причин его скорости и низкой стоимости, но это также означает, что любые предвзятости, заложенные во время обучения, гораздо сложнее обнаружить или оспорить. Некоторые ранние пользователи уже выразили обеспокоенность по поводу скрытых предвзятостей, проявляющихся в оценках Jev для определённых сценариев использования.

Существует ещё один уровень непрозрачности, технический по своей природе. Компания TypeSafe не опубликовала архитектуру Jev, веса его модели или какие-либо сопутствующие научные статьи. Общедоступная информация ограничена: модель основана на трансформерах, обучалась исключительно на синтетических данных и была создана с использованием подхода, который компания называет «Усиленное обучение для калиброванных решений» (Reinforcement Learning for Calibrated Decisions, RLCD). В этой схеме выходные значения вероятностей модели настраиваются с учётом реальных результатов в реальном мире, а не с учётом рейтингов человеческих предпочтений, которые обычно используются для доработки чат-ориентированных больших языковых моделей. Несколько внешних наблюдателей предполагают, что Jev может быть построен на основе существующей модели с открытыми весами, но TypeSafe ни подтвердила, ни опровергла это.

Итог

Jev представляет собой уникальный подход к интеграции ИИ в программные системы. Вместо того чтобы запускать большую, дорогую модель для генерации текста и затем извлекать ответ из него, Jev сразу генерирует ответ в виде числа, указывающего количество миллисекунд, при этом затраты значительно ниже.

Он не предназначен для замены моделей вроде ChatGPT или Claude в таких задачах, как написание текстов, сложное обоснование или бесконечные диалоги. Однако для повседневных, часто выполняемых решений, которые тихо работают в фоновом режиме современных приложений — будь то определение спама в сообщении, оценка релевантности результата поиска или определение срочности заявки на поддержку — он может в конечном итоге брать на себя значительную долю фактической рабочей нагрузки в закулисье.

Остаётся открытым вопросом, превратятся ли «модели принятия решений» в самостоятельную постоянную категорию или станут лишь инструментом для узкой ниши. Но если здесь применим парадокс Джевонса, то снижение стоимости искусственного интеллекта не обязательно означает уменьшение его роли в повседневной жизни — скорее всего, это означает, что ИИ тихо будет принимать тысячи незаметных для вас мелких решений.