«System One» как категория моделей: где в ней находится Jev 1.13

«System One» — это категорийный термин, который TypeSafe использует для своего разделения между моделью, которая решает, и моделью, которая пишет, и Jev 1.13 (typesafe/jev-1.13) — её первый представитель — модель, возвращающая типизированные ответы вместо предложений. Это не новая модель. TypeSafe выпустила Jev 15 сентября 2026 года, и эта страница — не анонс: модели пятнадцать дней, и она находится за пределами семидневного окна, в котором пишет этот блог. Что произошло внутри окна: OrcaRouter добавил модель в свой каталог 24 сентября 2026 года и открыл карточку модели для Jev 1.13 по адресу https://www.orcarouter.ai/models/typesafe/jev-1.13 — впервые она стала доступна для вызова через сторонний шлюз а не только через собственный эндпоинт TypeSafe. Идея категории — причина существования этой страницы; изменение в обслуживании — причина, по которой она датирована сегодняшним днём.

Простая версия этой категории: LLM задают вопрос, и она пишет ответ, который прочитает человек. Модель System One получает вопрос и возвращает значение, по которому программа выбирает ветвь выполнения. Сама TypeSafe формулирует это так: «LLM производят слова для людей», тогда как «Jev производит типизированные решения и больше похож на код: надёжный, быстрый, самосогласованный и типобезопасный». Это предложение — вся категория, сжатая в одну фразу, и его стоит разбирать не спеша, потому что четыре прилагательных выполняют разную работу, а одно из них — больше, чем остальные.

Что на самом деле утверждает «больше похоже на код»

Рассмотрите четыре утверждения по порядку, потому что они не являются четырьмя пересказами фразы «это лучше».

• Надёжность — форма вывода задана заранее. Вы объявляете вопрос; ответ может вернуться только как одно из значений, которые вы разрешили. TypeSafe прямо заявляет, что «модель никогда не допускает ошибок типов», и отмечает, что это единственное их утверждение, которое «математически невозможно» опровергнуть контрпримером, потому что значение, не входящее в объявленное вами множество, не является значением, которое модель может выдать.

• Быстро — все ответы формируются за один проход, а не токен за токеном. В посте о запуске TypeSafe сказано: «Jev выдаёт все вероятности параллельно, вместо того чтобы авторегрессионно генерировать по токенам». В нашем собственном семидневном окне обслуживания, завершившемся 2026-09-30, медианное время до первого токена для typesafe/jev-1.13 составляет 151 мс, а p95 — 247 мс.

• Самосогласованность — одно и то же состояние с одними и теми же вопросами обычно даёт одни и те же ответы. Аналогия с программированием помогает это сделать наглядным, но именно здесь аналогия перестаёт быть доказательством: детерминированность компилятора — это свойство его устройства, тогда как здесь утверждается нечто о поведении. Честнее всего об этом говорят наши собственные измерения — доля ошибок в трафике нашей песочницы за тот же семидневный период составляет 0,49%, так что это самосогласованно так, как самосогласована хорошая функция, а не так, как самосогласована арифметика.

• Типобезопасность — и именно этот пункт несёт наибольший вес. «Типобезопасный» здесь не оценочное прилагательное; это утверждение о том, где модель находится по отношению к проверке типов. В обычном генеративном конвейере система типов включается после того, как модель закончила работу: модель пишет текст, парсер угадывает его форму, валидатор её проверяет, а ветка обработки ошибок разбирает случаи, где догадка оказалась неверной. Модель System One переносит объявление типа в момент до вызова. Три примитива, которые описывает наша карточка, и есть система типов: noul, суждение «истина/ложь», возвращаемое с калиброванной вероятностью; choice, одна метка, выбранная из максимум 255 размеченных вариантов; и score, оценка по упорядоченной шкале от 2 до 10 уровней. Вы выбираете примитив, задаёте метки или критерии, и возвращаемое значение берётся из этого набора.

TypeSafe действительно публикует одно различие между своими документами и нашими, которое стоит обозначить, а не разрешать: документация производителя приводит пример с нулевой индексацией, тогда как наша карточка описывает шкалу как уровни от 2 до 10. Оба источника описывают один и тот же примитив. Если вы создаёте порог, прочитайте страницу производителя, чтобы узнать точную индексацию, используемую в вашем SDK.

Два режима отказа, которые перестают существовать

Интересное следствие «отсутствия прозы» — не эстетическое. Оно состоит в том, что два сбоя, доминирующих в производственных генеративных пайплайнах, отсутствуют в этом дизайне, а не смягчаются им.

Дрейф формата — это первое. LLM, которой сказано возвращать JSON, возвращает JSON в большинстве случаев, а в остальное время — что-то близкое к JSON: завершающий комментарий, markdown-ограждение, поле, переименованное в синоним, вложенный объект там, где схема ожидала строку. Исправления на уровне промпта (более строгие инструкции, few-shot примеры, схема в системном промпте) — это попытки удержать форму, которую модель вольна отбросить, потому что форма — это запрос, а не ограничение. Формулировка TypeSafe делает контраст явным: со строками «возможные выходные данные и структура» запрашиваются и «нуждаются в парсинге + валидации», при этом «всегда есть некоторый риск, что ИИ сойдёт с рельсов». Когда возможные выходные данные объявлены заранее, дрейфу некуда деваться.

Непарсируемый вывод — это второй случай, и по сути тот же сбой, только в худший момент: не поле, которое вернулось слегка неверным, а ответ, который парсер вообще не может прочитать, приходящий в самую неудобную точку рабочего процесса. У модели, которая выдаёт типизированное значение, такого состояния нет.

Это структурный аргумент, и его следует формулировать именно так. Он ничего не говорит о том, правилен ли отдельный ответ — вопрос с выбором может выбрать неверную метку, а noul может вернуть истину с высокой уверенностью, когда правильный ответ — ложь. Что исчезает — это категория ошибок, которые обнаружил бы парсер. Это реальное и полезное сокращение, и это не то же самое утверждение, что «ответы верны».

Почему цена — это форма, а не скидка

Модель стоит $0.042 за миллион входных токенов, а вывод тарифицируется по нулю — и этот ноль не промо-тариф, а артефакт самой конструкции. У модели, которая выдаёт три токена структурированного ответа, нет объёма вывода, который можно было бы измерять, поэтому тарификации за выходные токены просто не к чему привязаться. Схема оплаты — это плата за входные токены и решение. Наш каталог передаёт прайс-лист провайдера с наценкой 0%, поэтому $0.042 — это цифра TypeSafe, а не установленная нами, и изменение цены поставщиком вступило бы в силу в тот же день.

Поставьте две эти схемы рядом — и разница окажется не в процентах. Стоимость генеративного конвейера масштабируется в зависимости от того, сколько говорит модель: развёрнутый ответ стоит дороже краткого при том же решении, а модель рассуждений с цепочкой мыслей выставляет счёт за токены, которые тратит на размышления перед ответом, независимо от того, становится ли ответ лучше. Стоимость одного вызова System One масштабируется в зависимости от того, сколько вы ей показываете — состояние и вопросы. Задайте один вопрос по длинному документу — и вы платите за документ. Упакуйте сорок вопросов к одному и тому же состоянию (бюджет входных данных в нашей карточке — 65 536 токенов на совокупные состояние и вопросы, примерно 64K; если вам встречалась цифра «примерно 32 000 токенов» в более ранних статьях OrcaRouter, это бюджет только состояния, а не конкурирующий общий итог) — и вы платите за документ один раз, а получаете сорок решений.

Именно поэтому стоимость за решение, а не стоимость за токен, — правильная единица измерения для этого класса задач, и именно поэтому счётчик крутится в противоположную сторону от того, чего ожидает большинство команд. Типичный ход для снижения затрат в генеративных моделях — «заставить модель говорить меньше». Здесь нечего говорить меньше.

Собственные цифры TypeSafe, которые заявлены вендором и не были независимо воспроизведены, нацелены прямо на это сравнение: «В 193,6 раза быстрее, в 444,6 раза дешевле», со сноской «на основе рабочих процессов для задач System One (доказательство)» и примером расчёта: «TypeSafe AI: стоимость $0,000081, завершено за 0,114 с / LLM: стоимость $0,013880, завершено за 8,566 с». На главной странице также указано «$42 за миллиард входных токенов» против «в 238 раз ниже входная цена, чем у Claude Fable 5.1». Относитесь ко всему этому как к аргументу вендора, а не как к измеренному результату: в посте о запуске признаётся, что «наши опубликованные оценки, как правило, выполняются с наших ноутбуков на Западном побережье» и что «мы не можем доказать, что это не субсидируется; нам потребуется долгосрочная перспектива, чтобы доказать устойчивость нашего ценообразования (которое, как мы ожидаем, будет снижаться, а не расти)». Эти две уступки принадлежат самому вендору, и они задают правильную рамку для любого множителя на странице.

Калибровка — это вторая половина идеи.

Если бы эта категория сводилась только к «структурированному выводу», она описывала бы вызов функций с дополнительными шагами. Самостоятельной её делает то, что каждый ответ приходит с вероятностью, и именно вероятности являются целью обучения. TypeSafe называет этот метод Reinforcement Learning for Calibrated Decisions (RLCD) — это их термин, а не общеупотребительная аббревиатура, — и сравнительная таблица в анонсирующем посте ставит его рядом с RLHF и RLVR: RLHF оптимизирует под то, что предпочитают человеческие оценщики, RLVR — под выходные данные, которые можно проверить программно, а RLCD — под «ответы с эпистемически честными вероятностями в задачах Системы 1».

Практическое различие в том, для чего нужна вероятность. В генеративном конвейере оценка уверенности — это второе порождение: вы спрашиваете модель, насколько она уверена, и она пишет число, которое само по себе является текстом с теми же режимами отказа. Здесь вероятность возвращается вместе с решением, за один проход, и именно от неё вы ветвите. Сама TypeSafe описывает выгоду так: модель, которая справляется с задачей в 95% случаев, но «не говорит, когда она попадает в те 5%», нельзя использовать для автоматизации задачи; уверенность даёт вам место, куда поместить эскалацию — к человеку или к модели рассуждений.

На главной странице TypeSafe это сформулировано как «Zero Hallucinations»: там поясняется, что каждое решение сопровождается оценкой уверенности, чтобы программное обеспечение могло «действовать, когда уверенность высока, и эскалировать, когда нет». Вчитайтесь в это внимательно: это утверждение об оценках уверенности, а не заявление о том, что ни один ответ никогда не бывает ошибочным. Наша собственная карточка — это противовес: доля ошибок 0,49% за семь дней, заканчивающихся 2026-09-30, на нашем трафике, измеренная нами. Эта цифра — скользящее окно, а не фиксированный тестовый набор: несколькими днями ранее на том же окне она показывала 0,57%, и она снова изменится.

Где Система 1 стоит рядом с Системой 2

Лексика «быстрый/медленный» возникла задолго до TypeSafe. Она пришла из книги Канемана «Думай медленно… решай быстро», и ИИ-исследователи заимствовали её задолго до этого — ярлык «Система 2» прикрепляли к цепочкам рассуждений и моделям намеренного рассуждения задолго до появления TypeSafe, и TypeSafe не утверждает, что придумала тот или иной термин. Что они сделали — так это применили это различие к границе продукта, а не к режиму промптинга.

• Модель рассуждений System Two тратит больше вычислений перед ответом и лучше справляется с задачами, где это необходимо. Её вывод по-прежнему представляет собой обычный текст, а дополнительные вычисления тарифицируются как выходные токены.

• Модель System One в понимании TypeSafe не думает дольше, чтобы отвечать лучше. Она отвечает за один проход, и то, чем она жертвует ради скорости, — это способность выдавать что-либо, кроме типизированного значения.

• Эти двое дополняют друг друга в рабочем процессе, а не соперничают в сравнении. Вызов System One обрабатывает решения, которые должны быть быстрыми, дешёвыми и понятными; модель рассуждений получает случаи, которые оценка уверенности пометила как неопределённые. Именно типизированный вывод делает передачу чистой — вы передаёте на следующий этап значение и вероятность, а не предложение для повторного разбора.

Терминология становится зыбкой там, где «System One model» начинают рассматривать как устоявшуюся категорию, которую переняли другие вендоры. Доказательств этого нет, и эту страницу не следует читать как утверждение об этом. TypeSafe использует этот термин для собственного класса моделей; дисклеймер в нашей собственной карточке говорит то же самое через умолчание, указывая единственный тип эндпоинта для единственной модели. Если другая лаборатория начнёт использовать это выражение для той же архитектуры, это будет факт, заслуживающий освещения, и сообщить о нём можно будет только их собственными словами.

Наша карточка также относит неровность к честной границе, а не к неожиданностям: девять названных режимов отказа. Пункты о буквальном прочтении и косвенности — это те, что напрямую следуют из аналогии «больше похоже на код»: модель, отвечающая на вопрос, который вы написали, а не на тот, который вы имели в виду, ведёт себя как функция, сделавшая ровно то, что было сказано в коде. А пункт о подсчёте — нет. Модель, которая «распознаёт форму ответа, а не подсчитывает», вовсе не похожа на код, поэтому собственная рекомендация TypeSafe — считать в коде, а там, где действительно нужно суждение, задавать по одному вопросу на элемент и суммировать ответы самостоятельно.

Два ограничения, которые формируют дизайн, а не счёт

И то, и другое — из одного и того же: нет строк — нечего передавать потоком и нечего отправлять по частям.

• Без потоковой передачи — первый вывод — это готовый ответ, поэтому вызов System One — это единый ответ, а не поток. Вопрос не в том, может ли он работать в потоковом режиме, а в том, что именно передавалось бы потоком.

• Одна форма запроса — модель обслуживается через POST /v1/systemone в нашем каталоге, а не в форме chat-completions, и это честная версия более старого утверждения, что она «говорит на собственном формате запроса». Это реальное отличие в том, как вы её вызываете: на вход подаются объект состояния и карта именованных вопросов; на выходе получается структурированный ответ на каждый вопрос. Вам нужно будет написать для неё маппер, и, поскольку выходные данные типизированы, маппер — это и есть вся интеграция: под ним нет никакого защитного слоя парсинга.

Стоит знать перед нагрузочным тестированием: задержка неодинакова для разных типов вопросов. TypeSafe объясняет почему, их словами — «Для вариантов с большей кардинальностью мы используем двухэтапную систему: сначала независимая оценка, затем явный выбор, отсюда и периодические замедления». Решение о маршрутизации с 4 вариантами и классификация с 200 вариантами на бумаге — один и тот же примитив, а на практике — разный объём работы. Наши ежедневные медианы за семь дней, заканчивающихся 2026-09-30, составляют 175, 170, 163, 161, 170, 147, 143 мс. Один день в этом ряду, 2026-09-28, имел p95 = 2 448 мс — настоящий однодневный выброс, который честно входит в этот ряд, но не отражает общую картину сервиса.

Ещё одна вещь, которую стоит узнать перед первой интеграцией, — это к чему вы подключаетесь. Инструментарий вокруг Jev имеет открытый исходный код под лицензиями MIT и Apache-2.0 — SDK для Python и JavaScript, адаптер, предоставляющий тот же клиент на основе обычных LLM API, код workflow-evals и набор агентных навыков, всё в публичных репозиториях TypeSafe, с количеством звёзд и датами пушей, которые обновлялись совсем недавно — 2026-09-26 и 2026-09-29. А модель — нет. Репозитория с весами нет: архитектура Jev, число параметров, вычислительные ресурсы для обучения и веса не опубликованы, и читатель, проверяющий это, не должен быть введён в заблуждение тремя репозиториями в этой организации, которые являются форками не связанных проектов — форк vLLM, выпуск диффузионной языковой модели 2025 года и провайдер Pulumi. Ни один из них ничего не говорит о том, как устроен Jev. Ответ в одну строку: инструментарий открыт, а модель — нет.

Запуск сегодня, и что меняется для читателя

Jev 1.13 доступна на OrcaRouter как typesafe/jev-1.13, доступна по тому же ключу, что и 200+ других моделей, при этом цена провайдера по прайс-листу передаётся без наценки — 0%. Практическая ценность этого на странице о категории невелика, и её стоит сформулировать точно: чтобы попробовать модель System One, больше не нужны отдельный аккаунт, отдельный ключ и отдельный счёт за модель, о желании использовать которую вы, возможно, ещё не знаете. Она находится рядом с генеративной половиной того же рабочего процесса — классификатор и генератор текста на одних учётных данных, в одном месте, со счётчиками того, что вы фактически вызвали.

Ничто здесь не меняет того, что представляет собой модель. Она была запущена 2026-09-15, и TypeSafe по-прежнему описывает её как ранний доступ; с тех пор то, что она собой представляет, не изменилось. Что изменилось 2026-09-24 — теперь читатель может узнать, во сколько она обойдётся ему на практике, не вступая сначала в отношения со вторым поставщиком. Если вы ждали, чтобы понять, стоит ли эта категория прототипа, — изменилось именно это.