Jev: Як негенеративна модель ШІ перетворює текст на рішення

Що таке Jev насправді?

Якщо ви нещодавно проводили час у розділах Twitter чи Hacker News, присвятованих штучному інтелекту, ви, ймовірно, стикалися з іменем Jev. Деякі описують його як „LLM без LL“, і коли ви з’ясуєте, що це означає, цей термін справді видається досить логічним.

Ось просте пояснення простою мовою про те, що це таке та чому це важливо.

Jev — це нещодавно оприлюднена модель штучного інтелекту, запущена у вересні 2026 року компанією TypeSafe AI, стартапом, заснованим Діого Алмейдою, який раніше працював інженером у OpenAI. Компанія працювала тихо протягом двох років, перш ніж представити Jev як свій перший продукт, отримавши на це 40 мільйонів доларів у рамках першого раунду фінансування.

Ось що цікаво: попри всю увагу, Jev не є великою мовною моделлю у традиційному розумінні. Такі інструменти, як ChatGPT, Claude та Gemini, працюють однаковим основним способом — ви надаєте їм текст, і вони генерують у відповідь ще більший обсяг тексту. Jev повністю змінює цю схему. Ви вводите текст як дані, і замість абзаців чи пояснень отримуєте числовий результат: ймовірності, значення впевненості та оцінки. Немає наративної відповіді, немає міркувань у вигляді речень — лише цифри.

TypeSafe запропонував нову назву для цього підходу: „моделі System One“. Деякі розробники почали неформально називати їх „моделями прийняття рішень“, термін, який, можливо, точніше описує їхню функцію.

Сама назва є посиланням на економіку. „Jev“ — це скорочення від імені Вільяма Стенлі Джевонса, економіста XIX століття, відомого завдяки парадоксу Джевонса — ідеї про те, що коли знижується вартість використання чогось, люди не починають споживати це менше, а навпаки, споживають значно більше. TypeSafe по суті робить ставку на те, що коли вартість „мислення“, здійснюваного за допомогою ШІ, знизиться, цей інструмент буде використовуватися у набагато більшій кількості частин програмного забезпечення, ніж зараз.

Як насправді функціонує Jev?

Корисною уявною моделлю є розгляд Jev не як асистента для спілкування, а як дуже потужного функціоналу для виклику, вбудованого у ваш код.

Щоб його використати, потрібно надати два вхідні дані:

1. „Стан“ — це сировина, якою може бути текст або структуровані дані, такі як заява на підтримку, опис продукту, листування, стаття чи практично щось інше.
2. Одне або кілька запитань, на які ви хочете отримати відповідь щодо цього стану.

Замість того, щоб відповідати повними реченнями, Jev повертає число для кожного вашого запитання. Він підтримує три формати запитань:

• Запитання типу „Так/Ні“ — усередині системи їх називають „Noul“, на честь розподілу Бернуллі, який використовується в теорії ймовірностей. Прикладом може бути запитання „Чи є цей електронний лист спамом?“, на яке повертається значення ймовірності, наприклад 0.94.
• Запитання з багатьма варіантами відповідей — ви надаєте список можливих відповідей, і Jev присвоює кожній з них оцінку впевненості.

Запитання з шкалою оцінки — ви просите систему розмістити значення на числовій шкалі, і вона відповідає одним балом.

Ви також не обмежені одним запитанням на документ. Кілька запитань щодо одного вхідного даних можна об’єднати в один запит, і ви отримаєте всі числові відповіді разом. Не потрібно керувати діалогом чи аналізувати текст — лише структуровані числа, з якими логіка вашого додатку може працювати негайно.

Переваги для розробників: швидкість та вартість

Це, мабуть, головна причина, чому Jev привертає увагу. За даними, опублікованими TypeSafe:

• Часи відповіді становлять від 70 до 500 мілісекунд, що значно швидше, ніж зазвичай очікується від стандартного виклику LLM.
• При схожих обсягах роботи TypeSafe досягає швидкості виконання завдань у 40–200 разів вищої, ніж у провідних LLM, при цьому його вартість значно нижча — у деяких порівняннях різниця у вартості сягає аж 400 разів.

Його структура ціноутворення також відрізняється від звичайної практики. Більшість постачальників LLM стягують окрему плату за вхідні та вихідні токени, причому вихідні токени зазвичай є дорожчими. Jev повністю змінює цю ситуацію: ви платите лише за вхідні токени за ставкою 0,042 долара за мільйон токенів, тоді як вихідні токени не коштують нічого. Це має сенс, якщо пам’ятати, що вихідний результат тут — це лише невеликий набір чисел, а не генерований текст. За повідомленнями, така структура ціноутворення є дешевшою навіть за легкі моделі бюджетного класу, такі як GPT-5 Nano.

Варто зупинитися на одному застереженні, перш ніж сприймати ці цифри буквально. Власна технічна документація TypeSafe визнає, що тестові завдання, які використовувалися для отримання цих показників, були розроблені їхньою командою, і що вражаючі показники продуктивності, ймовірно, відображають оптимальну ситуацію, а не те, що можна побачити при типових повсякденних завантаженнях. Це не робить твердження хибними, але це вагома причина ставитися з певною скептицизмом до формулювання «на 200 разів швидше» доки воно не буде незалежно підтверджене.

Де насправді використовується Jev

Jev не пропонується як заміна чат-ботам або інструментам створення контенту — він не буде писати статті на кшталт цієї найближчим часом. Натомість він розроблений для вузькішої мети: прийняття швидких рішень щодо класифікації всередині програмних систем. Вже з’явилося кілька сценаріїв використання:

Спам та модерація контенту — Замість використання повного LLM для вирішення, чи є повідомлення спамом або містить образливий контент, Jev може дати такий вердикт майже миттєво та за мінімальні витрати.

Покращення результатів пошуку — Типовий процес включає використання недорогого методу, наприклад BM25, для отримання, скажімо, 100 кандидатських результатів, а потім оцінку кожного з них Jev щодо його релевантності до запиту пошуку. Раніше використання повного LLM для обробки 100 кандидатів було занадто дорогим для практичного застосування, але ціни Jev роблять це можливим.

Позначення тегами, сортування та пріоритизація — Уявіть собі завдання, такі як ранжування заявок на підтримку за ступенем терміновості, класифікація контенту чи оцінка потенційних клієнтів. Це повторювані судження, які раніше змушували команди обирати між дорогими викликами LLM чи нестабільною логікою, заснованою на правилах.

Керування іншими штучними інтелектом агентами — У міру того, як все більше компаній впроваджують автономних агентів, зростає потреба у моніторингу цих агентів на наявність помилок чи спроб обійти правила безпеки. Використання повноцінного LLM виключно для цілей нагляду швидко стає дорогим. Оскільки Jev коштує дуже недорого у експлуатації, доцільно використовувати його для постійного спостереження за поведінкою агентів у фоновому режимі.

Вибір моделі — Перш ніж направляти запит до дорогої та потужної моделі, часто корисно спочатку поставити просте запитання: чи справді ця конкретна задача вимагає такого рівня потужності? Швидкість та низька вартість Jev роблять його ідеальним для виконання цього кроку сортування у реальному часі, що може суттєво знизити витрати у всьому процесі обробки.

Один з розробників, який тестував Jev, порівняв його з Gemini від Google для класифікації ділових електронних листів. Виявилося, що Gemini є дещо точнішим, але його вартість була у 10–20 разів вищою. Тестувальника вразила не лише різниця у ціні — а й те, що Jev формує справді калібровані показники ймовірності, а не лише вигадані припущення, що значно полегшує створення надійних автоматизованих систем на його основі.

Компроміс, який ніхто не повинен ігнорувати

Ось недолік, який заслуговує на таку ж увагу: насправді Jev складніший для перевірки, ніж звичайний LLM, а не простіший.

Коли ви користуєтесь ChatGPT або Claude, ви можете попросити модель обґрунтувати свою відповідь та отримати певні міркування у відповідь, навіть якщо ці міркування не завжди є бездоганними. Jev не пропонує такої можливості — ви отримуєте лише числовий бал та нічого більше. Це є частиною того, що робить його швидким та дешевим, але це також означає, що будь-які упередження, які сформувалися під час навчання, значно складніше виявити чи оскаржити. Деякі ранні користувачі вже висловили занепокоєння щодо прихованих упереджень, які проявляються у оцінках Jev для певних сценаріїв використання.

Існує ще один рівень непрозорості, технічний за своєю природою. TypeSafe не оприлюднила архітектуру Jev, її ваги моделі чи будь-які супровідні наукові статті. Інформація, яка є у загальному доступі, є обмеженою: модель базується на трансформерах, навчалася виключно на синтетичних даних та була створена за методом, який компанія називає «Посилене навчання для каліброваних рішень» (RLCD). У цій схемі результати, що визначають ймовірність дій моделі, налаштовуються відповідно до реальних результатів у реальному світі, а не за рейтингами людських уподобань, які зазвичай використовуються для додаткової налаштування чат-орієнтованих LLM. Деякі зовнішні експерти припускають, що Jev може ґрунтуватися на існуючій моделі з відкритими вагами, але TypeSafe ні цього не підтвердила, ні не спростувала.

Висновок

Jev уособлює унікальний підхід до інтеграції ШІ в програмні системи. Замість того, щоб запускати велику, дорогу модель для створення блоку тексту та подальшого вилучення відповіді з цього тексту, Jev безпосередньо генерує відповідь у вигляді числа, вираженого в мілісекундах, за значно нижчою вартістю.

Він не призначений для заміни моделей на кшталт ChatGPT чи Claude у завданнях, таких як написання тексту, складне міркування чи відкриті розмови. Однак для повсякденних, часто виконуваних рішень, які тихо працюють у фоновому режимі сучасних додатків — чи є повідомлення спамом, наскільки актуальним є результат пошуку, наскільки терміновою є заява про підтримку — він може брати на себе значну частину фактичної роботи за кулисами.

Чи стануть „моделі прийняття рішень“ окремою постійною категорією, чи залишаться вузькоспеціалізовим інструментом, залишається відкритим питанням. Але якщо тут діє щось на кшталт парадоксу Джевонса, то зниження вартості інтелекту не обов’язково означатиме менше участі ШІ у повсякденному житті — це може означати, що ШІ тихо приймає тисячі невеликих рішень, про які ви навіть не дізнаєтесь.