Jev: TypeSafe представила модель для принятия решений

TypeSafe AI представила Jev — первую модель семейства System One. Её основатель Диогу Алмейда ранее работал в OpenAI. Команда предлагает новый подход к автоматизации: модель выдаёт решения в формате, который программа может сразу использовать.

Jev понимает текст, но не генерирует свободные ответы и объяснения. Разработчик заранее задаёт допустимые варианты. Модель выбирает один из них, оценивает ситуацию по шкале или возвращает вероятность ответа «да». Эти операции называются Choice, Score и Noul.

Например, клиент пишет: «Деньги списали дважды, помогите». Приложение передаёт сообщение и сведения о заказе. Jev определяет тему обращения и отдельно оценивает, просит ли человек возврат. Код направляет заявку в нужный отдел, а при неуверенном ответе передаёт её сотруднику. Списание денег или возврат по-прежнему выполняет программа по своим правилам. Это условный сценарий применения.

Для обучения TypeSafe использует RLCD — обучение с подкреплением для калиброванных решений. Его цель — сделать вероятности содержательными: среди множества прогнозов с вероятностью 80% событие должно происходить примерно в 80% случаев. Отдельный ответ это не делает безошибочным.

По описанию компании, несколько независимых вопросов об одной ситуации обрабатываются параллельно. Это позволяет собирать процесс из небольших оценок и объединять их обычным кодом. Сложные задачи с длинным рассуждением требуют другого подхода; Jev рассчитана на быстрые, узкие суждения.

В анонсе заявлены ускорение в 20–200 раз и снижение стоимости в 40–400 раз. Опубликованный тариф — $0,042 за миллион входных токенов, выход бесплатный. Это заявления разработчика, а выигрыш зависит от задачи. В его тестах эталоном служит согласованный ответ других сильных моделей, что само по себе не доказывает правильность решения. Методика сравнения

К обещанию «без галлюцинаций» тоже нужна точность: гарантируется соответствие заданной схеме ответа. Правильный формат не гарантирует правильный выбор.

Практическая ценность такого подхода — возможность встроить смысловую оценку в привычную программу: распределять обращения, проверять документы, выбирать следующий шаг. Сейчас открыт ранний доступ через список ожидания. Проверять её стоит на знакомых задачах, где можно измерить ошибки и понять, какие решения допустимо автоматизировать.

Следующий шаг

Agents API или Codex: как выбрать способ автоматизации

Связанные материалы

• Статья: Экономика агентной компании: стоимость решения вместо стоимости рабочего часа
• Блог: Скиллы больше не дают преимущества: выигрывают циклы и графы
• База знаний: n8n — визуальная автоматизация с нативной поддержкой ИИ-агентов

Если в вашем процессе много повторяющихся решений, полезно разобрать, какие из них можно поручить модели и где нужна проверка человека.

Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov