Karta tytułowa z napisem „Jev: model, który odmawia pisania” i podtytułem „model decyzyjny TypeSafe AI zwraca odpowiedzi typowane zamiast tekstu”, trzy karty z etykietami dla prymitywów Choice, Score i Noul oraz blok statystyk pokazujący 777 osądów w mniej niż 0,7 sekundy przy $0,042 za milion tokenów wejściowych.
Guides & Insights

{{1}}Jev odmawia napisania choćby jednego słowa{{/1}}: {{2}}Co robi model decyzyjny TypeSafe AI i co wykazały audyty{{/2}}

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Jev 1.13 (typesafe/jev-1.13) to pierwszy model od TypeSafe AI, z którym czytelnik prawdopodobnie zetknie się raczej przez tabelę kosztów niż przez okno czatu, ponieważ nie ma okna czatu. Wprowadzony 15 września 2026 r. przez Diogo Almeidę — współautora artykułu o InstructGPT, pracy, która sprawiła, że ChatGPT zaczął zachowywać się jak asystent — Jev w ogóle nie generuje tekstu. Przyjmuje fragment stanu (e-mail, wiersz logu, zgłoszenie do pomocy technicznej, obiekt JSON ze współrzędnymi gry) oraz listę typowanych pytań i zwraca typowane odpowiedzi: wybór ze zbioru, który sam podasz, ocenę według rubryki albo prawdopodobieństwo tak/nie, a każda z nich ma własną wartość pewności. Żadnej prozy, żadnego kodu, żadnego wyjaśnienia. Argument TypeSafe jest taki, że ta wąskość jest produktem, bo daje szybkość i cenę, którym model generatywny nie może dorównać — od 20 do 200 razy szybciej i od 40 do 400 razy taniej niż „porównywalne LLM-y” w materiałach premierowych samej firmy, przy cenie 0,042 USD za milion tokenów wejściowych, a tokeny wyjściowe rozliczane po zerowej stawce. Jest ogólnie dostępny od 21 września 2026 r., kiedy TypeSafe zlikwidował listę oczekujących i zaczął przyznawać nowym kontom 5 USD kredytu — co w przeliczeniu samego dostawcy odpowiada około 120 milionom tokenów wejściowych po cenie katalogowej. Model jest starszy niż wiadomość w tym artykule. OrcaRouter dodał typesafe/jev-1.13 do swojego katalogu 24 września 2026 r. i teraz kieruje do niego ruch na tym samym kluczu co modele generatywne, obok których ma funkcjonować, i to jest zmiana, o której warto dziś wiedzieć. Druga rzecz, którą ta strona musi teraz uwzględnić, nie należy do TypeSafe: RSI-Jev, otwarty projekt strony trzeciej, który tworzy modele decyzyjne w stylu Jev oparte na Systemie 1; jego bieżące wydanie to 4B RSI-Jev v6.0-VL z 6 października 2026 r. Celowo kopiuje format transmisji Jev, a jego własna informacja licencyjna wyraźnie stwierdza, że nie jest powiązany z TypeSafe AI — to nie jest Jev od TypeSafe, nie są to wagi TypeSafe ani ten sam model pod krótszą nazwą. Ostatnia sekcja tego tekstu jest tam, gdzie jej miejsce, ponieważ stanowi najostrzejszą dostępną odpowiedź na pytanie, jak duża część pozycji Jev to fosa.

Najbardziej użyteczna liczba opublikowana w pierwszych 48 godzinach nie jest jedną z nich. Pochodzi od Every, którego szef ds. ewaluacji przepuścił Jev przez 27 opublikowanych artykułów Every oraz 10 ich odpowiedników stylizowanych na AI, zadając 21 pytań do wszystkich 37 dokumentów naraz: 777 ocen w mniej niż 0,7 sekundy, za około ćwierć centa. Drugi test, przeprowadzony przez dyrektora generalnego Every, skonfrontował 12 syntetycznych fragmentów — sześć czystych, sześć z celowo wprowadzonymi defektami — z czterema testami pisarskimi. Jev wypadł z medianą 0,35 sekundy na fragment w porównaniu z 8,83 sekundy dla Claude Fable 5.1 przy wysokim wysiłku: około 25 razy szybciej przy około 1/580 kosztu. Wychwycił sześć z siedmiu wprowadzonych defektów. Claude Fable 5.1 wychwycił wszystkie siedem. Werdykt Every brzmiał: „dobry, ale nie doskonały”, i to jest uczciwe jednozdaniowe odczytanie Jev z pierwszego opublikowanego niezależnego testu — twierdzenia o szybkości i koszcie przetrwały kontakt z podmiotem trzecim, twierdzenie o dokładności plasuje się o oczko poniżej czołówki, a próba jest tak mała, że nikt nie powinien był wyciągnąć z niej żadnego wniosku produkcyjnego — lukę, którą późniejsze ewaluacje częściowo zamknęły, w obu kierunkach.

Uwaga o tym, na jakiego rodzaju dowodach opiera się ten tekst, ponieważ poziomy przesunęły się szybko w przypadku tak nowego modelu. Jev jest prawdziwy i można go wywoływać: istnieje udokumentowany endpoint, Python SDK, alias modelu i opublikowana cena. Premiera została ogłoszona przez dostawcę, a nie wyciekła, i nikt nie zgaduje, czy model istnieje. Ale każde twierdzenie o wydajności, które TypeSafe wysuwa na pierwszy plan, pochodzi od samego TypeSafe, architektura nie została opublikowana, wagi nie są udostępnione, a panel benchmarków stojący za nagłówkiem 20-200x to zbiór wewnętrznych ewaluacji przepływów pracy, a nie publiczny ranking. Niezależne testy nie są już tym brakującym elementem, którym były w dniu premiery — istnieją teraz co najmniej trzy osobne zewnętrzne ewaluacje, w tym jeden przebieg prerejestrowany i jedno badanie zbudowane specjalnie po to, aby przetestować Jev na danych wejściowych, których nie mógł wcześniej widzieć — i zgadzają się z dostawcą co do szybkości, opowiadając przy tym bardziej złożoną historię o dokładności i kalibracji. Ten artykuł utrzymuje liczby dostawcy, liczby niezależne i otwarte pytania w widoczny sposób osobno, zamiast uśredniać je w konsensus, który nie istnieje.

Co TypeSafe faktycznie wydało

Jev jest pierwszym z tego, co TypeSafe nazywa modelami System One — nazwa zapożyczona od szybkiej, intuicyjnej połowy poznania Daniela Kahnemana, w przeciwieństwie do wolniejszego, deliberatywnego trybu, który naśladują chatboty. Kontrast, jaki rysuje TypeSafe, dotyczy standardowego wzorca zmuszania generatora tekstu do emitowania ustrukturyzowanych danych wyjściowych, a następnie parsowania tego tekstu z powrotem na coś, czemu kod może zaufać. Jev całkowicie pomija tekst. Własna dokumentacja TypeSafe ujmuje to bez ogródek: „Duże modele językowe (LLM) są projektowane do tworzenia tekstu dla ludzi do czytania. Kiedy potrzebujesz, aby model dokonał oceny, którą wykorzysta Twój kod, powstaje niedopasowanie”.

Powierzchnia wyjściowa to trzy prymitywy i nic więcej. Każde pytanie, które zadasz, musi być jednym z nich:

• Wybór — wybierz jedną opcję z listy, którą podasz, zwracając wybraną opcję oraz prawdopodobieństwo dla każdego kandydata i poziom ufności. Liczba opcji jest ograniczona do 255 na pole; powyżej tego TypeSafe dokumentuje dwuetapowy wzorzec polegający na niezależnym ocenianiu kandydatów, a następnie dokonaniu wyboru.

• Ocena — umieść stan na uporządkowanej skali ocen, zwracając poziom, prawdopodobieństwo dla każdego poziomu oraz pewność. Przykładem w dokumentacji jest ryzyko rezygnacji w skali 0–1.

• Noul — zlepek słów „no” i „null” — pojedyncze twierdzenie typu tak/nie, zwracające skalibrowane prawdopodobieństwo, że jest prawdziwe.

A capture of TypeSafe's own documentation introduction page, showing the sentence 'Jev is TypeSafe's flagship model and the first System One model', a table of the three primitives Choice, Score and Noul with what each returns, and the line that adding questions to a call barely changes the response time.

Interesującą właściwością nie jest żaden pojedynczy prymityw, lecz sposób, w jaki się komponują. Wszystkie trzy można łączyć w jednym wywołaniu API, a każde pytanie jest oceniane równolegle na podstawie jednego wspólnego odczytu tego samego stanu. Dokumentacja TypeSafe mówi, że dodawanie pytań „prawie nie zmienia czasu odpowiedzi”, a niezależne testy potwierdzają to w praktyce — 21 pytań w 37 dokumentach zmieściło się w tych samych 0,7 sekundy. To właśnie sprawia, że cena za pojedynczą ocenę gwałtownie spada: nie płacisz za dłuższe generowanie, płacisz za jedno przejście.

Praktyczny zakres, zgodnie z dokumentacją i relacjami pierwszych użytkowników: budżet żądań wynoszący około 64 000 tokenów, z czego około 32 000 obejmuje stan plus jedno najdłuższe pytanie — dokumentacja TypeSafe zauważa, że dokładność zmienia się wraz ze wzrostem stanu; brak wejścia obrazu lub dźwięku w momencie premiery; oraz kształt żądania i odpowiedzi niezgodny z konwencją chat-completions, więc istniejący klient nie może po prostu wskazać na niego swojego bazowego URL-a. Dostęp przestał być przeszkodą 21 września 2026 r., kiedy TypeSafe usunęło listę oczekujących i otworzyło Jev dla każdego, kto ma konto; nowe konta zaczynają z 5 USD środków, które według dostawcy są warte około 120 milionów tokenów wejściowych w cenie katalogowej. Własna strona główna TypeSafe nadal opisuje Jev jako znajdujący się we wczesnym dostępie — etykietę, której jego dokumentacja nie powtarza: dokumentacja podaje raczej dynamicznie dostosowywane limity 100 tys. tokenów na sekundę i 40 żądań na sekundę niż bramkę dostępu. Playground w przeglądarce nadal jest dostępny obok API, a jev-latest pozostaje aliasem modelu.

RLCD oznacza skalibrowany, a nie preferowany

TypeSafe szkoli Jev metodą, którą nazywa RLCD — Reinforcement Learning for Calibrated Decisions, zgodnie z dokumentacją samej firmy. Skrót jest tak nowy, że we wczesnych omówieniach rozwijano go niekonsekwentnie, warto więc ustalić, do czego właściwie się odnosi, ponieważ to rozróżnienie stanowi całą tezę badawczą.

RLHF optymalizuje pod kątem wyników preferowanych przez ludzi. RLVR optymalizuje pod kątem weryfikowalnej poprawności — tej, w której przypadki testowe przechodzą. RLCD optymalizuje pod kątem kalibracji: model, który mówi, że ma 70% pewności, powinien mieć rację mniej więcej w 70% przypadków. To inny cel niż mieć rację i dlatego każda odpowiedź Jev jest dostarczana z dołączonym rozkładem prawdopodobieństwa, a nie tylko z samą odpowiedzią. Zamierzonym trybem awarii jest model, który wie, kiedy nie wie, dzięki czemu Twój kod może zdecydować, co z tym zrobić.

To, co to daje w praktyce, to panel sterowania. Udokumentowany wzorzec to trzy pasma ufności — działaj automatycznie na górze, oznacz lub potwierdź w środku, przekieruj do człowieka na dole — z progami w twoim kodzie, a nie w modelu. To, czy pasma są uczciwe, jest empirycznym pytaniem o twoje dane, i jest to pytanie, na które TypeSafe wyraźnie każe ci odpowiedzieć samemu, zauważając, że progi ufności są specyficzne dla przypadku użycia i powinny być testowane na własnych oznaczonych przykładach. Ta instrukcja to najważniejsze zdanie w dokumentacji, a dokumentacja nie zawiera żadnego zewnętrznego opisu tego, czy metoda stojąca za tymi pasmami robi to, co mówi jej nazwa. Od tego tygodnia istnieje częściowy [opis], i jest to rekonstrukcja, a nie ujawnienie: analiza post mortem RL autorstwa RSI-Jev buduje kontrolowaną siedmioramienną rekonstrukcję opublikowanych domysłów na temat RLCD — wycinek 13,8 tys. pytań, 1500 kroków na ramię — i publikuje, co stało się z każdym ramieniem, w tym z tymi, które zawiodły. Każda nagroda RL w niej pogarszała surową kalibrację; tania głowica ufności post hoc odzyskała wszystkie z nich oprócz ramienia proper-score; i żaden cel nie poprawił uporządkowania ufności. Kończy się wymienieniem trzech składników, które musi zawierać RLCD, sformułowanych jako hipoteza o tym, jak metoda mogłaby działać, a nie jako twierdzenie o wewnętrznych mechanizmach TypeSafe, których nikt poza firmą nie widział. Czytaj to jako pierwszy dowód od strony trzeciej, który stoi obok twierdzeń kalibracyjnych uporządkowanych poniżej, a nie jako wgląd w nie; tło samej metody znajduje się w naszym objaśnieniu RLCD Explained.

Liczby, posortowane według tego, kto je wyprodukował

Tu większość opracowań o Jevie traci ostrość, więc warto wyraźnie powiedzieć, skąd pochodzą informacje. Oto, co pochodzi od dostawcy, co od niezależnych testerów, a co jest po prostu nieznane.

• Zgłoszone przez dostawcę, nieodtworzone — główne twierdzenia dotyczące szybkości i kosztów. 70–500 ms opóźnienia end-to-end w porównaniu z 3–329 sekundami dla wywołań frontier LLM; 20–200x szybciej i 40–400x taniej; pojedynczy wynik przepływu pracy z najlepszego przypadku reklamowany jako 193,6x szybszy i 444,6x tańszy. TypeSafe przyznaje, że są to wartości z najlepszego przypadku, a nie uniwersalne.

• Zgłoszone przez dostawcę i możliwe do zweryfikowania w cenniku — 0,042 USD za milion tokenów wejściowych, co daje 42 USD za miliard, a wyjście jest bezpłatne. Powód, dla którego wyjście jest bezpłatne, jest mechaniczny, a nie promocyjny: nie ma dekodowania autoregresyjnego do mierzenia, więc nie ma tokenów wyjściowych do rozliczenia. Dla porównania: te same materiały premierowe podają typową cenę tokenów wejściowych dla modeli frontier na poziomie od 0,20 USD do 10 USD za milion, przy czym cena wyjścia jest często około pięciokrotnie wyższa od ceny wejścia.

• Zgłoszone przez dostawcę, z wewnętrznego benchmarku — własny dashboard przepływu pracy firmy TypeSafe, 711 przypadków w czterech zadaniach, z odpowiedziami referencyjnymi opartymi na średniej ocenie GPT-6 Astra i Claude Fable 5.1, a nie na danych wzorcowych. Na tym dashboardzie Jev osiąga łącznie 67,8% wobec 74,1% dla najlepszego rozwiązania porównywanego. W rozbiciu: incydenty bezpieczeństwa 61,7% wobec 66,2% dla Opus 5; obserwowalność śladów agentów 71,6% wobec 76,6%; przetwarzanie faktur 61,8% wobec 79,1%; obsługa klienta 76,0% wobec 78,3%. Jev wygrywa w kolumnach kosztu i opóźnienia na tym wykresie, a przegrywa w kolumnie dokładności. Sam dashboard zauważa możliwe obciążenie związane z harnessem, a firma TypeSafe stwierdziła, że celowo pominęła publiczne rankingi na rzecz jednorazowych ewaluacji powiązanych z aktualizacjami produktu.

• Niezależnie zmierzona, niewielka próba — pierwszy zewnętrzny test, opisany powyżej przebieg Every: 777 ocen w mniej niż 0,7 sekundy za około ćwierć centa; 1709 ocen w 11 eksperymentach za łącznie mniej niż centa; około 25 razy szybciej i 1/580 kosztu Claude Fable 5.1 w zadaniu klasyfikacji 12 fragmentów, przy pominięciu jednego z siedmiu celowo wprowadzonych defektów, które wychwycił komparator. Samo Every doszło do wniosku, że przed wdrożeniem do produkcji chciałoby znacznie dokładniejszego sprawdzenia dokładności — sprawdzenia, które od tego czasu częściowo się pojawiło, poniżej.

• Niezależnie zmierzona, prerejestrowana i większa — zewnętrzny zespół opublikował 20 września 2026 r. prerejestrowaną ewaluację, ustalając 21 eksperymentów i 50 prognoz, zanim wysłano choćby jedno zapytanie, w ramach 5721 wywołań. Na 400-elementowym zbiorze referencyjnym Jev uzyskał 95,9% w trybie zero-shot, wobec 77,2% dla ręcznie pisanych reguł opartych na słowach kluczowych i 66,0% dla nadzorowanej linii bazowej TF-IDF. To samo badanie dokumentuje tryb awarii, który ma większe znaczenie niż sam nagłówek: gdy opisy kryteriów w pytaniu były błędne, dokładność spadła do 16,7%, poniżej 25-procentowego progu losowego dla tego zadania. Autorzy ujawniają własne obciążenie w przeciwnym kierunku — 18 z ich 21 sfalsyfikowanych przewidywań było błędnych w ten sam sposób, ponieważ wciąż przewidywali porażkę i wciąż się mylili.

• Niezależnie zmierzone, poza rozkładem — w osobnym badaniu kalibracyjnym, opublikowanym 19 września 2026 r., utworzono 900 wygenerowanych regułowo zgłoszeń do wsparcia, których etykiety zależą częściowo od wewnętrznej polityki poziomu konta, niepojawiającej się nigdzie w tekście, więc żaden model nie mógł jej zapamiętać, i uruchomiono je razem z 3721 pozycjami publicznego benchmarku. W części syntetycznej oczekiwany błąd kalibracji Jev'a wyniósł 0,107 wobec 0,024 poziomu szumu, który autorzy obliczyli dla idealnie skalibrowanego modelu — około 4,4 razy więcej niż ten poziom. Na publicznych benchmarkach to samo badanie zmierzyło wartości od 0,024 do 0,032. Różnica między tymi dwoma przedziałami jest odkryciem.

• Nieznane — architektura. Brak artykułu w momencie premiery, brak liczby parametrów, brak ujawnienia nakładów obliczeniowych na trening, brak wag. Firma TypeSafe poinformowała, że szczegóły są na razie trzymane w tajemnicy, a artykuł może pojawić się później. Fala replikacji z połowy września tego nie zmieniła: te projekty odtwarzają zachowanie za pomocą własnych architektur i żaden z nich nie ujawnia, jak działa model TypeSafe. Otwarte checkpointy, które publikuje teraz projekt strony trzeciej, należą do tego projektu, a nie są wydaniem TypeSafe, i nie zmieniają niczego w powyższych zdaniach — pełny bilans tego, co dostawca udostępnił, a czego nie, znajduje się w „Czy Jev jest open source?”.

A single-column scoreboard titled 'Jev - the scoreboard' listing six dimensions: latency 70-500 ms claimed, price $0.042 per million input with output free, accuracy 67.8% on the vendor dashboard, independent test 6 of 7 defects caught, context about 32K tokens with no image input, and weights not released.

Wzorzec na tych poziomach jest spójny i nie jest to wzorzec, który sugeruje nagłówek o 200x. Każda niezależna i pochodząca od dostawcy liczba zgadza się, że Jev jest dramatycznie tańszy i dramatycznie szybszy. Żadna liczba nigdzie, w tym własne liczby TypeSafe, nie pokazuje, że jest on dokładniejszy niż modele frontier, z którymi jest porównywany cenowo — na własnym dashboardzie dostawcy plasuje się w okolicach poziomu dobrego modelu średniej klasy. To, co dodają nowsze zewnętrzne prace, to kształt historii o dokładności, a nie nowy nagłówek. W typach zadań, które widział już wcześniej, może wyglądać bardzo mocno: 95,9% zero-shot na własnym, wstępnie zarejestrowanym 400-elementowym zestawie referencyjnym zespołu, daleko przed bazowymi rozwiązaniami opartymi na słowach kluczowych i TF-IDF, z którymi go porównywano. Na danych wejściowych skonstruowanych tak, by nie przypominały niczego, co widział, jego pewność traci oparcie. Porównanie, które się broni, wciąż nie brzmi: „tak samo bystry jak model frontier za jedną setną ceny” — brzmi: „blisko osądu modelu średniej klasy za ułamek centa na wywołanie, wystarczająco szybko, by działać w każdej pojedynczej turze”.

Co oznacza, a czego nie oznacza „zero halucynacji”

Materiały premierowe TypeSafe zawierają wykres pokazujący 0% odsetek błędów wywołań narzędzi dla Jev w porównaniu z niezerowym odsetkiem dla modeli porównawczych, a określenie „odporny na halucynacje” towarzyszy modelowi. Oba są prawdziwe i oba są węższe, niż sugeruje ich brzmienie.

Gwarancja ma charakter strukturalny. Każda możliwa odpowiedź jest wyliczona, zanim model zostanie uruchomiony — to ty dostarczyłeś listę wyborów, kryteria oceny albo twierdzenie prawda/fałsz — więc nie ma miejsca, w którym można by wyemitować wartość spoza zadeklarowanego typu. Niepoprawnie sformułowane wywołanie narzędzia nie jest czymś, co Jev może wygenerować. To prawdziwa właściwość inżynierska i dla każdego, kto spędził tydzień na pisaniu logiki ponawiania wokół błędów parsowania JSON, jest warta realnych pieniędzy.

To nie jest twierdzenie o poprawności. Odpowiedź zgodna ze schematem wciąż może być błędna: Jev może z pełnym przekonaniem skierować reklamację rozliczeniową do kolejki technicznej, a wynik będzie idealnie poprawny formalnie, choć bezużyteczny. Sam Almeida mówił o tym wprost, przyznając, że można z pełnym przekonaniem się mylić. Użytecznym sposobem pogodzenia obu tych faktów jest to, że Jev eliminuje klasę błędów wynikających z formatowania danych wyjściowych, a nie robi zupełnie nic w kwestii klasy błędów wynikających z osądu. Co oznacza, że kwestia dokładności jest w całości kwestią kalibracji, a kalibracja to dokładnie to, co musisz zmierzyć samodzielnie.

Pierwsze zewnętrzne oceny dodają konkretne ostrzeżenie o tym, jak ta gwarancja strukturalna zachowuje się w środowisku produkcyjnym. Ponieważ Jev zawsze zwraca jedną z podanych przez Ciebie odpowiedzi, nie ma sposobu, aby powiedzieć „żadna z powyższych”, chyba że mu ją zapewnisz. Przedrejestrowany przebieg we wrześniu poprosił go o sklasyfikowanie materiału bez prawidłowej kategorii i wykazał, że 0 z 30 wiadomości spoza zakresu zostało oznaczonych, a każda została zwrócona z pewnością 0,99. Przepis na ciasto albo strona losowych liter wraca jako kategoria z wysoką pewnością, ponieważ kategoria jest tym, o co proszono w żądaniu. Rozwiązaniem jest nawyk projektowy, a nie ustawienie modelu: uwzględnij jawną opcję ucieczki w każdej liście Choice i gałąź fałszywą w każdym twierdzeniu Noul, a brak którejkolwiek z nich traktuj jako błąd we własnym tekście pytania.

Jak przetestować twierdzenie o kalibracji na własnych danych

Kalibracja to jedna z nielicznych właściwości modelu, którą można rzetelnie sprawdzić za pomocą kilkuset przykładów i bez infrastruktury ML, i jest to jedyny test, który się liczy, zanim Jev dotknie ścieżki produkcyjnej. Procedura jest krótka.

Weź kilkaset przypadków, dla których masz już etykiety. Zadaj Jevowi pytanie, które ma znaczenie — o decyzję routingową, wynik ryzyka, sprawdzenie defektu — i pogrupuj odpowiedzi według zgłoszonego poziomu pewności. Następnie sprawdź, czy przedział z pewnością 0,9 ma rację w około 90% przypadków, przedział 0,7 w około 70%, i tak dalej. Dobrze skalibrowany model kreśli linię diagonalną. Model, który jest jedynie pewny siebie, grupuje wszystko powyżej 0,9 i ma rację w 70% przypadków — i to jest ten kształt, który po cichu psuje zautomatyzowany potok.

Ten sam test mówi ci, jakich progów użyć. Jeśli przedział 0,9 naprawdę ma 90% dokładności na twoich danych, możesz go zautomatyzować. Jeśli twoje środkowe pasmo to papka, kierujesz je do człowieka albo przekazujesz modelowi generatywnemu i pozwalasz, by kosztowna ścieżka zajęła się niejednoznacznością. Ten podział — tani model dla pewnej większości, kosztowny model dla niepewnej reszty — to rzeczywista architektura, za którą opowiada się Jev, i dlatego model najlepiej rozumieć jako komponent, a nie zamiennik.

Badanie out-of-distribution jest pierwszą odpowiedzią z zewnątrz na to pytanie i stanowi ostrzeżenie, a nie pozwolenie. Przeprowadzone na 900 syntetycznych zgłoszeniach pomocy technicznej, w których decydująca zasada nie występuje w tekście, ujawniło, że pewność Jev przestała odpowiadać jej dokładności: oczekiwany błąd kalibracji 0,107 wobec poziomu szumu 0,024, około 4,4 razy więcej niż uzyskałby doskonale skalibrowany model na tym samym zestawie. Na trzech publicznych benchmarkach wynosił on od 0,024 do 0,032 — więc model jest dobrze skalibrowany na takim rodzaju danych, dla jakich został zbudowany i na jakich był mierzony, a istotnie słabiej w momencie, gdy zadanie jest nieznane. Prymityw wyniku był najsłabszy z trzech — przy 44,7% dokładności i średnim deklarowanym prawdopodobieństwie 0,74. Sami autorzy badania proszą czytelników, aby brali pod uwagę kierunek tego wyniku, a nie dokładną wielkość, ponieważ jedna syntetyczna rodzina zadań przy n=900 nie jest ogólnym prawem. Kierunek jest tym, co ma znaczenie dla każdego, kto ustala progi: przeprowadź powyższy test kubełkowania na własnych etykietach, zanim zautomatyzujesz decyzję, ponieważ kalibracja widoczna na publicznych benchmarkach to nie kalibracja, którą uzyskasz na swoim ruchu.

Ile to kosztuje, krok po kroku

Cennik jest na tyle prosty, że można go łatwo przeanalizować, co jest rzadkością. Wejście kosztuje 0,042 USD za milion tokenów — stawka publikowana przez TypeSafe i widniejąca w katalogu OrcaRouter — a wyjście jest darmowe. Przy udokumentowanym budżecie około 64 000 tokenów wejściowych pojedyncze wywołanie o maksymalnym rozmiarze kosztuje mniej niż trzy dziesiąte centa.

Dwie podane liczby dają wyobrażenie o skali. Wczesny użytkownik wykonał około 5000 żądań za mniej więcej 2 dolary. Demonstracja Doom — Jev sterujący botem za pomocą tekstowego opisu stanu gry, a nie surowych pikseli — działała z szybkością około 10 wywołań na sekundę za około 7 dolarów na godzinę. A 777 ocen Every w 37 dokumentach kosztowało około jednej czwartej centa — i to właśnie ta liczba sprawia, że interesujący przypadek użycia staje się czytelny: przy tej cenie sprawdzanie każdego pojedynczego kroku pętli agenta przestaje być decyzją kosztową i staje się domyślnym działaniem.

To jest prawdziwy argument za Jev. Przebieg weryfikacji po każdej turze — czy to wywołanie narzędzia było sprzeczne z poprzednim, czy ten wynik jest zgodny z deklarowanym zamiarem użytkownika, czy powinno to wzbudzić sygnał ostrzegawczy — od zawsze był technicznie możliwy przy użyciu modelu frontierowego i ekonomicznie absurdalny na dużą skalę. Przy cenie 0,042 USD za milion tokenów bez opłaty za wyjście ten sam przebieg staje się przystępny cenowo w każdej turze. Wartość nie polega tu na tym, że Jev myśli lepiej niż model frontierowy, ponieważ tak nie jest. Wartość polega na tym, że myśli wystarczająco tanio i szybko, by być nieustannie konsultowanym.

Warto powiedzieć to wprost, bo to oczywiste kolejne pytanie: OrcaRouter dodał typesafe/jev-1.13 do swojego katalogu 24 września 2026 r., a model jest dostępny na karcie modelu Jev 1.13 już dziś — jedno API dla ponad 200 modeli w cenie katalogowej dostawcy przekazywanej dalej z 0% marży, więc obniżka ceny przez dostawcę trafia na naszą stronę tego samego dnia, w którym wchodzi w życie. Dwa szczegóły dotyczące sposobu jego udostępniania, bo to o nie ludzie pytają najczęściej. Żądania trafiają do POST /v1/systemone, bez strumieniowania, w kontekście 65 536 tokenów; to nie jest format chat-completions, dlatego Jev ma własny typ punktu końcowego, zamiast zostać włączony do trasy czatu. A karta publikuje nasze własne siedmiodniowe okno serwowania, zmierzone na ruchu przez nasz playground od 24 września, a nie przepisane od dostawcy: p50 151 ms, p95 247 ms, 349 tokenów wyjściowych na sekundę i 0,49% wskaźnika błędów na 76,2 mln tokenów. To właśnie sprawia, że wzorzec dwóch modeli, za którym opowiada się Jev, jest jedną umową, a nie dwiema. Jev podejmuje decyzję typowaną, model generatywny obsługuje część wymagającą prozy, kodu lub wyjaśnienia, obie połowy rozliczane są na tym samym kluczu w cenie katalogowej dostawcy, a automatyczne przełączanie awaryjne nie pozwala, by źle skalibrowany komponent decyzyjny stał się incydentem produkcyjnym.

A capture of the OrcaRouter models catalogue showing the header '197 models - 15 providers - one API key, one bill', an OpenAI-compatible chat-completions request example, and model cards for DeepSeek V4.1 Flash, OpenAI GPT-6 Astra and Google Gemini 3.8 Flash with their per-million-token input and output prices.

Gdzie Jev nie pasuje

Ograniczenia są wyjątkowo jasno określone przez dostawcę, co sprawia, że tę sekcję łatwo napisać uczciwie. Jev nie może generować dowolnego tekstu. Nie potrafi pisać kodu. Nie potrafi prowadzić rozmowy. Nie ma interfejsu czatu, wejścia obrazowego ani budżetu żądań wynoszącego około 64 000 tokenów — z czego około 32 000 obejmuje stan oraz najdłuższe pojedyncze pytanie — czyli o rząd wielkości mniej niż modele o długim kontekście, z którymi porównuje się go pod względem ceny. Pola wyboru mają maksymalnie 255 opcji. A właściwość „brak halucynacji”, jak wyżej, dotyczy formatu odpowiedzi, a nie prawdziwości.

Ta sieć ma dość wąskie zastosowanie. Dobrze: masowa klasyfikacja i routing, przebiegi zabezpieczeń i weryfikacji, decyzje krytyczne pod względem opóźnienia, ocenianie dużych zbiorów dokumentów równolegle, wszędzie tam, gdzie poprawna odpowiedź jest rzeczywiście wyborem, liczbą na skali lub wartością logiczną. Słabo: generowanie otwarte dowolnego rodzaju, rozumowanie na długim kontekście, dialog wieloturowy lub dowolne zadanie, którego poprawna odpowiedź jest zdaniem. Jeśli twojego problemu nie da się sprowadzić do pytania z określonym typem odpowiedzi, Jev nie jest tańszym sposobem na jego rozwiązanie — nie jest żadnym sposobem na jego rozwiązanie.

Istnieje też słuszna krytyka tego ujęcia, którą warto podtrzymać. Nazywanie Jev modelem frontier zapożycza wiarygodność, której ten model nie zdobył: nie potrafi kodować, rozmawiać ani napisać zdania, a wykresy porównawcze opierają się na modelach frontier jako punkcie odniesienia, podczas gdy kolumna dokładności opowiada inną historię. Twierdzenie, którego łatwiej bronić — i które dowody rzeczywiście potwierdzają — jest takie, że TypeSafe przesunęło granicę szybkości i kosztów w decyzjach strukturalnych bardzo daleko. To poważne osiągnięcie. To jednak coś innego niż zbudowanie modelu, który dorównuje GPT-6 Astra lub Claude Fable 5.1.

Co zmieniłoby ten obraz

Cztery rzeczy rozstrzygnęłyby tę kwestię, a tydzień, jaki upłynął od udostępnienia modelu, zmienił trzy z nich.

• Opublikowany artykuł o architekturze lub otwarte wagi. Wciąż największa luka. Wszystko, co dotyczy tego, jak Jev osiąga swoją szybkość, pozostaje czarną skrzynką, a twierdzenie, że mechanizmem jest równoległa ewaluacja — analogia, którą przywołuje Almeida, to zastąpienie obliczeń sekwencyjnych tak, jak transformery zastąpiły sieci rekurencyjne — jest twierdzeniem, a nie wykazanym wynikiem. Fala open source poniżej odtwarza to zachowanie; żadna z niej nie ujawnia, jak działa model TypeSafe. Dopóki projekt nie zostanie opublikowany, szybkość jest faktem, a wyjaśnienie to marketing.

• Druga niezależna ocena na większej próbie. Ta częściowo się powiodła. Przedrejestrowany test z 20 września obejmuje 5721 wywołań i 400-elementowy zestaw referencyjny, czyli znacznie większą próbę niż 12 fragmentów Every i znacznie lepiej zaprojektowaną, i jest najsilniejszym pojedynczym dowodem na rzecz Jev, jaki istnieje. Jest też autorstwa samego zespołu, jednodniowy, z jednej lokalizacji i przeprowadzony na jednej wersji modelu, a zespół publikuje własne ograniczenia obok wyników. To, co rozstrzyga, to fakt, że Jev jest naprawdę dobry w tym, do czego został zaprojektowany; czego nie rozstrzyga, to jak wypada w zadaniu kogoś innego.

• Audyt kalibracji na realistycznych, chaotycznych danych wejściowych. Ten jeden trafił i jest to najmniej komfortowy wynik w tym artykule. Wspomniane wyżej badanie out-of-distribution to pierwszy audyt przeprowadzony na materiale stworzonym tak, by był nieznany modelowi, i wykazało ono odłączenie pewności od dokładności przy około 4,4-krotności poziomu szumu doskonale skalibrowanego modelu — podczas gdy ten sam model wyglądał na dobrze skalibrowany na trzech publicznych benchmarkach. Jedna syntetyczna rodzina zadań licząca 900 elementów to nie wyrok, i autorzy sami to mówią. To wystarczy, by przesunąć pytanie z „czy Jev jest skalibrowany?” na „skalibrowany do czego?”, które i tak jest bardziej użytecznym pytaniem.

• Replikacja, która pokonuje Jev na warunkach samego Jev. Jeszcze nie, a fala nie zatrzymała się we wrześniu. W ciągu około 48 godzin od premiery co najmniej sześć niezależnych otwartych projektów wydało modele decyzyjne typu Jev — jeden zbudowany na enkoderze z 421 milionami parametrów, jeden to LoRA na modelu 9B, jeden tak mały, że mieści się w kilkudziesięciu kilobajtach — a do 23 września jeden z nich był na szczycie listy trendów serwisu hostującego modele. Każde porównanie publikowane przez te projekty jest deklarowane przez sam zespół, który zbudował alternatywę, i każde używa własnego zbioru ewaluacyjnego. Wyniki wskazują w różnych kierunkach: klon, który wygrywa w kategoryzacji wiadomości, mocno przegrywa w zadaniu rozpoznawania intencji z 77 klasami, a jedyny niezależny bezpośredni test przeprowadzony na identycznych co do bajtu danych wejściowych daje Jev prowadzenie w sześciu z dziewięciu zestawów testowych. Dokładność samego Jev na pojedynczym benchmarku została już opublikowana jako cztery różne wartości przez cztery różne ewaluacje. Trwałym elementem tej fali jest RSI-Jev i jest to konkretny, opatrzony datą przykład tego argumentu: otwarty projekt strony trzeciej, który buduje modele decyzyjne System One w stylu Jev, kod na licencji MIT, wagi Apache-2.0 na Hugging Face, z wierszem licencji o treści „Not affiliated with TypeSafe AI”. Jego wydanie z tego tygodnia to 4B RSI-Jev v6.0-VL, opublikowane 2026-10-06 i siódme w pętli samodoskonalenia, która przeprowadziła 471 eksperymentów i zachowała bardzo niewiele z nich: wieża Qwen3.5-4B-Base z wytrenowaną głową odpowiedzi, jedno przejście w przód na decyzję, nic nie jest generowane. Wydaje głębokość zamiast tokenów — głowy odpowiedzi na warstwach 16, 20 i 32, więc żądanie zatrzymuje się na tej, która pierwsza nabierze pewności, mediana 23, 27 i 40 ms na jednym H200 w bf16 — i mówi dokładnie formatem przewodowym TypeSafe: to samo żądanie, te same trzy typy pytań, ta sama statystyka pewności, więc wszystko napisane pod Jev działa z nim bez zmian. W publicznym Decision Index projektu raportuje od 38.38 do 46.24 w jednym wydaniu, z 0.698 na swoim zbiorze odłożonym i 0.440 na MMLU-Pro — własne liczby na własnej tablicy, a nie ma niezależnego bezpośredniego porównania między nim a Jev 1.13. To nie jest wydanie wag Jev, nie czyni modelu TypeSafe otwartym, a TypeSafe ani go nie stworzył, ani nie poparł; wcześniejsze wydania w tej linii to modele 2B na Qwen3.5-2B-Base, a wynik RL, który rozsławił projekt, pochodzi z v3.0, opatrzonego datą 2026-09-28, trzy wydania wstecz — pierwsze wydanie, w którym etap RL pobił model nadzorowany, od którego był kontynuowany, nagroda za reranking listwise na 16 kandydatach, która podniosła reranking R@1 z 0.192 do 0.308 względem własnego rodzica, o 60%, przy koszcie zestawu 0.0028. Nasz katalog nie zawiera identyfikatora dla RSI-Jev: to, co udostępniamy, to typesafe/jev-1.13 na endpoincie systemone, a ten projekt jest uruchamiany z własnego repozytorium. Pełne omówienie dla czytelnika, który po raz pierwszy się z tym spotyka, znajduje się w artykule „Czym jest RSI-Jev?”.

To, co pokazuje ta fala, nie oznacza, że Jev został pokonany — oznacza, że otwarty model można zbudować tak, by w przybliżeniu wykonywał tę pracę w weekend, co jest innym i trwalszym twierdzeniem o tym, gdzie leży fosa. Postawa, która z tego wynika, jest węższa niż tydzień temu i bardziej konkretna. Jev to prawdziwy, wydany, wyjątkowo tani model, który jest teraz otwarty dla każdego, kto ma konto, z prawdziwą przewagą strukturalną w niezawodności wyników, profilem dokładności w okolicach średniej półki według własnych danych dostawcy oraz twierdzeniem o kalibracji, które od premiery zostało niezależnie przetestowane dwukrotnie: raz na dużym, korzystnym, samodzielnie opracowanym benchmarku, a raz na nieznanym wejściu, na którym wskaźniki pewności się nie utrzymały. Uznaj drugi wynik za bardziej informacyjny. Jeśli w twoim przepływie pracy jest krok, który sprowadza się do wpisanego pytania zadawanego wystarczająco często, że użycie modelu czołowego byłoby marnotrawstwem, to jeden z najtańszych sposobów, by je zadać — a zwracana przez niego wartość pewności wciąż jest tym, co należy przetestować na własnych danych, zanim jej zaufasz, a nie szybkość. Można go też przetestować bez drugiego konta: typesafe/jev-1.13 jest dostępny na OrcaRouter obok modeli generatywnych, jakich potrzebuje przepływ pracy w kształcie Jev.