Титульная карточка с надписью «Jev: модель, которая отказывается писать» и подзаголовком «Модель принятия решений TypeSafe AI возвращает типизированные ответы вместо текста», три подписанные карточки для примитивов Choice, Score и Noul, а также блок статистики, показывающий 777 суждений менее чем за 0,7 секунды при $0,042 за миллион входных токенов.
Guides & Insights

Джев отказывается написать хоть слово: что делает модель принятия решений TypeSafe AI и что с тех пор обнаружили аудиты

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Jev 1.13 (typesafe/jev-1.13) — первая модель от TypeSafe AI, с которой читатель, скорее всего, столкнётся через таблицу стоимости, а не через окно чата, потому что окна чата нет. Запущенный 15 сентября 2026 года Диогу Алмейдой — соавтором статьи InstructGPT, работы, которая заставила ChatGPT вести себя как ассистент, — Jev вообще не генерирует текст. Она принимает фрагмент состояния (письмо, строку лога, обращение в поддержку, JSON-объект с игровыми координатами) плюс список типизированных вопросов и возвращает типизированные ответы: выбор из заданного вами набора, оценку по рубрике или вероятность «да/нет», каждый из которых несёт собственное значение уверенности. Никакой прозы, никакого кода, никаких объяснений. Аргумент TypeSafe в том, что эта узость и есть продукт, потому что она даёт скорость и цену, которые генеративная модель не может обеспечить, — в 20–200 раз быстрее и в 40–400 раз дешевле, чем «сопоставимые LLM», согласно собственным материалам компании к запуску, при $0,042 за миллион входных токенов и нулевой оплате вывода. Она общедоступна с 21 сентября 2026 года, когда TypeSafe убрала лист ожидания и начала выдавать новым аккаунтам кредит на $5 — по собственному пересчёту вендора, это около 120 миллионов входных токенов по прайсовой цене. Модель появилась раньше новости, о которой идёт речь в этом материале. OrcaRouter добавил typesafe/jev-1.13 в свой каталог 24 сентября 2026 года и теперь маршрутизирует его по тому же ключу, что и генеративные модели, рядом с которыми он предназначен работать, — и именно это изменение стоит знать сегодня. Второе, что теперь должна учитывать эта страница, — не от TypeSafe: RSI-Jev, сторонний открытый проект, который создаёт модели решений System One в стиле Jev; его текущий релиз — 4B RSI-Jev v6.0-VL от 6 октября 2026 года. Он намеренно копирует формат передачи данных Jev, и в его собственной строке лицензии прямо сказано, что он не связан с TypeSafe AI: это не Jev от TypeSafe, не веса TypeSafe и не та же модель под более коротким именем. Последний раздел этого материала — там, где ему и место, потому что это самый точный из доступных ответов на вопрос о том, насколько позиция Jev — это защитный ров.

Самое полезное число, опубликованное за первые 48 часов, — не из их числа. Оно принадлежит Every, чей руководитель отдела оценок прогнал Jev по 27 опубликованным статьям Every и 10 их аналогам в стиле ИИ, задав 21 вопрос по всем 37 документам сразу: 777 оценок менее чем за 0,7 секунды, примерно за четверть цента. Второй тест, проведённый генеральным директором Every, подверг 12 синтетических отрывков — шесть чистых, шесть с намеренно внесёнными дефектами — четырём проверкам письма. Jev показал медиану 0,35 секунды на отрывок против 8,83 секунды у Claude Fable 5.1 в режиме высоких усилий: примерно в 25 раз быстрее при стоимости примерно в 1/580. Он выявил шесть из семи внесённых дефектов. Claude Fable 5.1 выявил все семь. Вердикт Every был «хорошо, но не идеально», и это честная оценка Jev в одну строку по результатам первого опубликованного независимого теста — заявления о скорости и стоимости проходят проверку третьей стороной, утверждение о точности находится на ступень ниже фронтира, а выборка настолько мала, что никто не должен был делать из неё вывод для продакшена — разрыв, который последующие оценки частично сократили, причём в обе стороны.

Примечание о том, какого рода доказательства использует этот материал, потому что для настолько новой модели уровни доказательности быстро сместились. Jev реально существует, и его можно вызвать: есть документированный эндпоинт, Python SDK, псевдоним модели и опубликованная цена. Запуск анонсирован вендором, а не утёк, и никто не гадает, существует ли он. Но каждое заявление о производительности, которое TypeSafe выдвигает на первый план, принадлежит самой TypeSafe, архитектура не опубликована, веса не выложены, а дашборд бенчмарков, стоящий за заголовком о 20-200x, — это набор внутренних оценок рабочих процессов, а не публичный лидерборд. Независимое тестирование больше не является тем недостающим элементом, каким оно было в день запуска, — теперь есть как минимум три отдельных внешних оценки, включая один предрегистрированный прогон и одно исследование, специально созданное, чтобы проверить Jev на входных данных, которых он не мог видеть, — и они согласны с вендором в отношении скорости, но рисуют более сложную картину в отношении точности и калибровки. В этой статье цифры вендора, независимые цифры и открытые вопросы наглядно разделены, а не усреднены в консенсус, которого не существует.

Что TypeSafe на самом деле выпустила

Jev — первая среди моделей, которые TypeSafe называет System One; название взято из быстрой, интуитивной половины познания, описанной Даниэлем Канеманом, в отличие от более медленного, рассудительного режима, который имитируют чат-боты. TypeSafe противопоставляет это стандартной схеме, при которой генератор текста принуждают выдавать структурированный вывод, а затем парсят этот текст обратно во что-то, чему может доверять код. Jev полностью пропускает текст. В собственной документации TypeSafe об этом говорится без обиняков: «Большие языковые модели (LLM) предназначены для создания текста, который читают люди. Когда вам нужно, чтобы модель вынесла суждение, которое будет использовать ваш код, возникает несоответствие».

Поверхность вывода состоит из трёх примитивов, и больше ничего нет. Каждый вопрос, который вы задаёте, должен быть одним из них:

• Выбор — выберите один вариант из предоставляемого вами списка, возвращая выбранный вариант, а также вероятность для каждого кандидата и уверенность. Число вариантов ограничено 255 на поле; свыше этого TypeSafe описывает двухэтапную схему: независимая оценка кандидатов, а затем выбор.

• Оценка — поместить состояние на упорядоченную рубрику, возвращая уровень, вероятность для каждого уровня и уверенность. Риск оттока по шкале от 0 до 1 — это пример в документации.

• Noul — словослияние «no» и «null» — единичное утверждение «да/нет», возвращающее калиброванную вероятность его истинности.

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.

Интересное свойство здесь — не какой-то отдельный примитив, а то, как они компонуются. Все три можно смешать в одном вызове API, и каждый вопрос оценивается параллельно на основе одного общего чтения одного и того же состояния. В документации TypeSafe сказано, что добавление вопросов «почти не меняет время отклика», и независимые тесты подтверждают это на практике — 21 вопрос по 37 документам уложился в те же 0,7 секунды. Именно поэтому цена за одно суждение резко падает: вы платите не за более длинную генерацию, а за один проход.

Практические ограничения, как задокументировано и как сообщают первые пользователи: бюджет запроса примерно 64 000 токенов, из которых около 32 000 покрывают состояние плюс один самый длинный вопрос — документация TypeSafe отмечает, что точность меняется по мере роста состояния; на старте нет ввода изображений или аудио; а формат запроса и ответа не соответствует конвенции chat-completions, поэтому существующий клиент не может просто направить свой базовый URL на него. Доступ перестал быть препятствием 21 сентября 2026 года, когда TypeSafe убрала список ожидания и открыла Jev для всех, у кого есть аккаунт; новые аккаунты начинают с 5 долларов кредита, которые, по словам поставщика, стоят около 120 миллионов входных токенов по прейскурантной цене. Собственная домашняя страница TypeSafe по-прежнему описывает Jev как находящийся в раннем доступе, но документация этот ярлык не повторяет: в документации публикуются динамически регулируемые лимиты в 100 тыс. токенов в секунду и 40 запросов в секунду, а не ограничение доступа. Браузерная площадка по-прежнему доступна наряду с API, а jev-latest остаётся псевдонимом модели.

RLCD означает «калиброванный», а не «предпочтительный».

TypeSafe обучает Jev с помощью метода, который называет RLCD — обучение с подкреплением для калиброванных решений, согласно собственной документации компании. Аббревиатура настолько новая, что в ранних публикациях её расшифровывали непоследовательно, поэтому стоит точно установить, что именно она обозначает, ведь это различие и составляет суть исследовательского утверждения.

RLHF оптимизируется под предпочтения человека. RLVR — под проверяемую корректность, ту, где тест-кейс проходит. RLCD — под калибровку: модель, которая говорит, что уверена на 70%, должна быть права примерно в 70% случаев. Это другая цель, нежели быть правым, и именно поэтому каждый ответ Jev поставляется с приложенным распределением вероятностей, а не просто с ответом. Предполагаемый режим отказа — модель, которая знает, когда она не знает, чтобы ваш код мог решить, что с этим делать.

На практике это даёт вам поверхность управления. Описанный в документации шаблон — три диапазона уверенности: действовать автоматически на верхнем, помечать или подтверждать на среднем, передавать человеку на нижнем — причём пороги находятся в вашем коде, а не в модели. Честны ли эти диапазоны — эмпирический вопрос о ваших данных, и именно на него TypeSafe прямо предлагает вам ответить самостоятельно, отмечая, что пороги уверенности зависят от конкретного сценария использования и их следует проверять на ваших собственных размеченных примерах. Эта инструкция — самое важное предложение в документации, а чего в документации нет — так это какого-либо внешнего описания того, делает ли метод, стоящий за этими диапазонами, то, что следует из его названия. С этой недели появилось частичное, и это реконструкция, а не раскрытие информации: постмортем RSI-Jev по RL строит контролируемую реконструкцию опубликованных догадок о RLCD с семью ветвями — срез из 13,8 тыс. вопросов, 1 500 шагов на каждую ветвь — и публикует, что произошло с каждой ветвью, включая те, что провалились. Каждая RL-награда в нём делала сырую калибровку хуже; дешёвая постфактум-голова уверенности восстановила все из них, кроме ветви с proper-score; и ни одна целевая функция не улучшила упорядочивание уверенности. В заключение он перечисляет три компонента, которые должны быть в RLCD, сформулированные как гипотеза о том, как метод мог бы работать, а не как утверждение о внутреннем устройстве TypeSafe, которого никто за пределами компании не видел. Читайте это как первое стороннее свидетельство, которое стоит рядом с утверждениями о калибровке, отсортированными ниже, а не как взгляд внутрь них; предыстория самого метода — в нашем разборе RLCD Explained.

Числа, отсортированные по тому, кто их создал.

Именно здесь большинство материалов о Jev становятся расплывчатыми, поэтому стоит прямо указать происхождение данных. Вот что исходит от поставщика, что получено от независимых тестировщиков, а что просто неизвестно.

• Заявленные поставщиком, невоспроизведённые — ключевые заявления о скорости и стоимости. Сквозная задержка 70–500 мс против 3–329 секунд для вызовов передовых LLM; в 20–200 раз быстрее и в 40–400 раз дешевле; единственный результат рабочего процесса для лучшего случая, заявленный как в 193,6 раза быстрее и в 444,6 раза дешевле. TypeSafe признаёт, что это показатели для лучшего случая, а не универсальные цифры.

• Заявлено поставщиком, и это можно проверить в прайс-листе — $0,042 за миллион входных токенов, то есть $42 за миллиард, при этом вывод бесплатен. Причина бесплатности вывода — механическая, а не промо-акционная: нет авторегрессионного декодирования, которое нужно было бы учитывать, поэтому нет выходных токенов, за которые нужно выставлять счёт. Для сравнения: в тех же материалах запуска типичная цена ввода передовых моделей указана на уровне от $0,20 до $10 за миллион, а вывод часто примерно в пять раз дороже ввода.

По данным вендора, на основе внутреннего бенчмарка — собственного дашборда рабочих процессов TypeSafe: 711 кейсов по четырём задачам, причём эталонные ответы получены из усреднённого суждения GPT-6 Astra и Claude Fable 5.1, а не из эталонной разметки. На этом дашборде Jev показывает совокупный результат 67,8% против 74,1% у лучшего из сравниваемых. В разбивке: инциденты безопасности — 61,7% против 66,2% у Opus 5; наблюдаемость трассировок агентов — 71,6% против 76,6%; обработка счетов — 61,8% против 79,1%; обслуживание клиентов — 76,0% против 78,3%. Jev выигрывает в столбцах стоимости и задержки на этом графике и проигрывает в столбце точности. Сам дашборд отмечает возможную предвзятость тестового стенда, а TypeSafe заявила, что намеренно пропустила публичные таблицы лидеров в пользу единичных оценок, привязанных к обновлениям продукта.

• Независимо измеренная небольшая выборка — первый внешний тест, описанный выше прогон Every: 777 оценок менее чем за 0,7 секунды примерно за четверть цента; 1709 оценок в 11 экспериментах в общей сложности менее чем за цент; примерно в 25 раз быстрее и в 580 раз дешевле, чем Claude Fable 5.1, в задаче классификации на 12 отрывках, при этом пропустив один из семи намеренно внесённых дефектов, который обнаружила модель для сравнения. Собственный вывод Every был таков: перед запуском в продакшен хотелось бы гораздо более тщательной проверки точности — проверка, которая с тех пор отчасти появилась, ниже.

• Независимо измерено, предварительно зарегистрировано и в большем масштабе — сторонняя команда опубликовала предварительно зарегистрированную оценку 20 сентября 2026 года, зафиксировав 21 эксперимент и 50 прогнозов до отправки первого запроса, охватив 5 721 вызов. На эталонном наборе из 400 пунктов Jev набрал 95,9% в режиме zero-shot против 77,2% для написанных вручную правил на основе ключевых слов и 66,0% для контролируемого базового уровня TF-IDF. В том же исследовании описан режим отказа, который важнее заголовка: когда описания критериев в вопросе были неверными, точность обрушилась до 16,7%, ниже 25%-ного случайного порога для этой задачи. Авторы раскрывают собственную предвзятость в противоположную сторону — 18 из 21 их опровергнутых прогнозов ошиблись одинаковым образом, потому что они продолжали предсказывать провал и продолжали ошибаться.

Независимо измерено, вне распределения — отдельное исследование калибровки, опубликованное 19 сентября 2026 года, создало 900 сгенерированных по правилам тикетов поддержки, метки которых частично зависят от внутренней политики тарифных уровней аккаунта, нигде не отражённой в тексте, поэтому ни одна модель не могла её запомнить, и запустило их вместе с 3 721 задачей из публичных бенчмарков. На синтетической ветви ожидаемая ошибка калибровки Jev составила 0,107 при уровне шума 0,024, который авторы вычислили для идеально откалиброванной модели, — примерно в 4,4 раза выше этого уровня. На публичных бенчмарках то же исследование измерило от 0,024 до 0,032. Разрыв между этими двумя диапазонами и есть результат.

• Неизвестно — архитектура. Ни статьи на момент запуска, ни количества параметров, ни раскрытия объёма вычислений для обучения, ни весов. TypeSafe заявила, что детали «пока держат в секрете», а статья, возможно, появится позже. Волна воспроизведения в середине сентября этого не изменила: эти проекты воссоздают поведение на собственных архитектурах, и ни один из них не раскрывает, как работает модель TypeSafe. Открытые чекпоинты, которые сейчас публикует сторонний проект, принадлежат этому проекту, а не являются выпуском TypeSafe, и они ничего не меняют в приведённых выше утверждениях — полный отчёт о том, что вендор выпустил, а что нет, приведён в статье «Is Jev 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.

Картина по этим уровням согласуется, и это не та картина, которую предполагает заголовок про 200x. Все независимые и вендорские цифры сходятся в том, что Jev кардинально дешевле и кардинально быстрее. Нигде ни одна цифра, включая собственные данные TypeSafe, не показывает, что он точнее передовых моделей, с которыми его сравнивают по цене, — на собственной панели вендора он оказывается примерно на уровне хорошей модели среднего уровня. Более новая внешняя работа добавляет не новый заголовок, а очертания истории о точности. На типах задач, которые он видел раньше, он может выглядеть очень сильно: 95,9% zero-shot на собственном референсном наборе из 400 пунктов предварительно зарегистрированной команды, далеко впереди базовых методов на ключевых словах и TF-IDF, с которыми его измеряли. На входных данных, созданных так, чтобы быть непохожими на всё, что он видел, его уверенность теряет опору. Сравнение, которое выдерживает проверку, всё ещё не «так же умён, как передовая модель, за сотую долю цены», а «близок к суждениям модели среднего уровня за долю цента за вызов, достаточно быстр, чтобы запускаться на каждом отдельном ходу».

Что означает «нулевая галлюцинация», а что — нет

В материалах запуска TypeSafe есть график, показывающий 0% ошибок при вызове инструментов у Jev на фоне ненулевого показателя у моделей для сравнения, а вместе с моделью идёт фраза «устойчива к галлюцинациям». И то, и другое верно, и оба утверждения уже, чем кажутся при чтении.

Гарантия — структурная. Каждый возможный ответ перечисляется до запуска модели — вы предоставили список вариантов, критерии оценки или утверждение «истина/ложь», — так что нет пространства, в котором можно выдать значение вне объявленного типа. Некорректно сформированный вызов инструмента — не то, что Jev способен породить. Это подлинное инженерное свойство, и для всякого, кто потратил неделю на написание логики повторных попыток при сбоях разбора JSON, оно стоит настоящих денег.

Это не утверждение о правильности. Ответ, валидный по схеме, всё ещё может быть неверным: Jev может уверенно направить жалобу на выставление счетов в техническую очередь, и результат будет безупречно оформлен, оставаясь бесполезным. Алмейда и сам говорил то же самое, признавая, что можно уверенно ошибаться. Полезный способ совместить оба факта состоит в том, что Jev устраняет класс ошибок, возникающих из-за форматирования вывода, и совершенно ничего не делает с классом ошибок, возникающих из-за суждения. А значит, вопрос точности — это целиком вопрос калибровки, и калибровка — это именно то, что вам нужно измерять самостоятельно.

Первые внешние оценки добавляют конкретное предупреждение о том, как эта структурная гарантия ведёт себя в продакшене. Поскольку Jev всегда возвращает один из предоставленных вами ответов, у него нет способа сказать «ни один из вышеперечисленных», если вы не добавите его. Предварительно зарегистрированный запуск в сентябре попросил его классифицировать материал без допустимой категории и обнаружил, что 0 из 30 сообщений вне области были помечены, каждое вернулось с уверенностью 0.99. Рецепт торта или страница случайных букв возвращаются как категория с высокой уверенностью, потому что запрос просил именно категорию. Исправление — это привычка проектирования, а не настройка модели: включайте явный вариант выхода в каждый список Choice и ложную ветку в каждое утверждение Noul, и рассматривайте отсутствие одного из них как ошибку в тексте вашего собственного вопроса.

Как проверить утверждение о калибровке на ваших собственных данных

Калибровка — одно из немногих свойств модели, которое можно как следует проверить на нескольких сотнях примеров и без ML-инфраструктуры, и это единственный тест, который имеет значение, прежде чем Jev коснётся production-пути. Процедура коротка.

Возьмите несколько сотен случаев, для которых у вас уже есть метки. Задайте Jev вопрос, который имеет значение — решение о маршрутизации, оценку риска, проверку на дефекты — и сгруппируйте ответы по уровню уверенности, который он сообщил. Затем проверьте, права ли корзина с уверенностью 0.9 примерно в 90% случаев, корзина 0.7 — примерно в 70%, и так далее. Хорошо откалиброванная модель выстраивает диагональную линию. Модель, которая лишь уверена в себе, группирует всё выше 0.9 и оказывается права в 70% случаев, и именно эта форма тихо ломает автоматический конвейер.

Тот же тест подсказывает, какие пороги использовать. Если бакет 0.9 действительно даёт 90% точности на ваших данных, его можно автоматизировать. Если ваш средний диапазон — это каша, вы направляете его человеку или передаёте генеративной модели и позволяете дорогому пути разбираться с неоднозначностью. Это разделение — дешёвая модель на уверенном большинстве, дорогая модель на неопределённом остатке — и есть та самая архитектура, за которую выступает Jev, и именно поэтому модель лучше всего понимать как компонент, а не как замену.

Исследование на данных вне распределения — это первый ответ извне на этот вопрос, и он служит предупреждением, а не разрешением. В исследовании, проведённом на 900 синтетических тикетах поддержки, в тексте которых отсутствует политика, определяющая решение, уверенность Jev перестала соответствовать его точности: ожидаемая ошибка калибровки 0,107 при уровне шума 0,024 — примерно в 4,4 раза больше, чем показала бы идеально калиброванная модель на том же наборе. На трёх публичных бенчмарках этот показатель составлял от 0,024 до 0,032 — значит, модель хорошо калибрована на том типе данных, для которого она создавалась и на котором измерялась, и существенно хуже — как только задача становится незнакомой. Примитив score оказался самым слабым из трёх: точность 44,7% при средней заявленной вероятности 0,74. Сами авторы исследования просят читателей ориентироваться на направление этого результата, а не на его точную величину, поскольку одно семейство синтетических задач при n=900 — это не общий закон. Направление — это то, что важно для всех, кто задаёт пороги: прогоните описанный выше тест с разбиением по корзинам на собственных метках, прежде чем автоматизировать принятие решения, потому что калибровка, которую вы видите на публичных бенчмарках, — это не та калибровка, которую вы получите на своём трафике.

Сколько это стоит: подробный расчёт

Ценообразование достаточно простое для понимания, что встречается редко. Ввод стоит $0.042 за миллион токенов — тариф, который публикует TypeSafe, и тариф, который содержит каталог OrcaRouter, — а вывод бесплатен. При документированном бюджете примерно в 64 000 входных токенов один вызов максимального размера стоит меньше трёх десятых цента.

Две приведённые цифры дают представление о масштабе. Один из первых пользователей выполнил около 5 000 запросов примерно за $2. Демонстрация Doom — где Jev управлял ботом, используя текстовое описание состояния игры, а не необработанные пиксели, — работала примерно на 10 вызовах в секунду и стоила около $7 в час. А 777 оценок Every по 37 документам обошлись примерно в четверть цента — и именно эта цифра делает интересный сценарий использования наглядным: при такой цене проверка каждого отдельного шага агентного цикла перестаёт быть решением о затратах и становится нормой по умолчанию.

Вот в чём настоящий аргумент в пользу Jev. Проверочный проход на каждом ходу — противоречил ли этот вызов инструмента предыдущему, согласуется ли этот вывод с заявленным намерением пользователя, не должно ли это поднять флаг — всегда был технически возможен с передовой моделью и экономически абсурден в масштабе. При $0,042 за миллион токенов и без платы за вывод тот же проход становится доступным на каждом ходу. Ценность здесь не в том, что Jev думает лучше передовой модели, потому что это не так. Ценность в том, что он думает достаточно дёшево и быстро, чтобы к нему обращались постоянно.

Стоит сказать прямо, ведь это очевидный следующий вопрос: OrcaRouter добавил typesafe/jev-1.13 в свой каталог 24 сентября 2026 года, и модель уже доступна на карточке модели Jev 1.13 — сегодня это единый API для 200+ моделей по прайсовой цене провайдера, передаваемой без наценки (0%), так что снижение цены вендором доходит до нас в тот же день, когда вступает в силу. Две детали о том, как это устроено, — потому что спрашивают именно о них. Запросы идут на POST /v1/systemone, без стриминга, в контексте на 65 536 токенов; это не формат chat-completions, поэтому Jev размещён на собственном типе эндпоинта, а не встроен в чат-маршрут. А карточка публикует наше собственное семидневное окно обслуживания, измеренное по трафику через нашу песочницу с 24 сентября, а не пересказанное со слов вендора: p50 — 151 мс, p95 — 247 мс, 349 выходных токенов в секунду и доля ошибок 0,49% на 76,2 млн токенов. Именно это превращает двухмодельный паттерн, за который ратует Jev, в единый контракт, а не в два. Jev принимает типизированное решение, генеративная модель берёт на себя то, что требует прозы, кода или объяснения, обе половины тарифицируются по одному ключу по прайсовой цене провайдера, а автоматический фейловер не даёт компоненту принятия решений, оказавшемуся плохо откалиброванным, превратиться в производственный инцидент.

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.

Где Jev не подходит

Ограничения необычно чётко сформулированы поставщиком, благодаря чему этот раздел легко написать честно. Jev не умеет генерировать свободный текст. Он не умеет писать код. Он не может поддерживать разговор. У него нет интерфейса чата, нет ввода изображений, а бюджет запроса составляет примерно 64 000 токенов — около 32 000 из них отводится на состояние плюс самый длинный отдельный вопрос — что на порядок меньше, чем у моделей с длинным контекстом, с которыми его сравнивают по цене. В полях выбора допускается не более 255 вариантов. А свойство «отсутствие галлюцинаций», как указано выше, относится к формату вывода, а не к истинности.

Сеть подходит для довольно узкого круга задач. Хорошо: классификация и маршрутизация больших объёмов, проходы по защитным ограничениям и верификации, решения с критичной задержкой, параллельная оценка больших наборов документов, а также там, где правильный ответ действительно является выбором, числом на шкале или булевым значением. Плохо: открытая генерация любого рода, рассуждения с длинным контекстом, многоходовой диалог или любая задача, правильный ответ на которую — предложение. Если ваша задача не сводится к типизированному вопросу, Jev — не более дешёвый способ её решить; это вообще не способ её решить.

Есть и справедливая критика этой подачи, которую стоит учитывать в дальнейшем. Называть Jev фронтирной моделью — значит заимствовать кредит доверия, которого модель не заслужила: она не умеет ни программировать, ни вести беседу, ни написать предложение, а сравнительные графики опираются на фронтирные модели как на базовый уровень, тогда как столбец точности рассказывает другую историю. Более обоснованное утверждение — и именно его в действительности подтверждают доказательства — состоит в том, что TypeSafe далеко продвинула фронтир скорости и стоимости для структурированных решений. Это существенное достижение. Но это не то же самое, что создать модель, соперничающую с GPT-6 Astra или Claude Fable 5.1.

Что изменило бы эту картину?

Четыре вещи могли бы решить это, и неделя с момента открытия модели продвинула три из них.

• Опубликованная статья об архитектуре или открытые веса. Всё ещё самая большая дыра. Всё, что касается того, как Jev достигает своей скорости, остаётся чёрным ящиком, а утверждение, что механизмом является параллельное вычисление — аналогия, которую проводит Almeida: замена последовательных вычислений так же, как трансформеры заменили рекуррентные сети — это заявление, а не продемонстрированный результат. Волна открытого исходного кода ниже воспроизводит поведение; ничто из неё не раскрывает, как работает модель TypeSafe. Пока дизайн не опубликован, скорость — это факт, а объяснение — маркетинг.

• Вторая независимая оценка с более крупной выборкой. Эта частично удалась. Предзарегистрированный прогон 20 сентября охватывает 5 721 вызов и эталонный набор из 400 пунктов — это гораздо более крупная выборка, чем 12 отрывков Every's, и гораздо лучше спроектированная, и это самое сильное отдельное свидетельство в пользу Jev из существующих. Этот прогон также подготовлен самими авторами, проведён за один день, в одной локации и на одной версии модели, а команда публикует свои собственные ограничения вместе с результатами. Что он устанавливает — так это то, что Jev действительно хорош в том, для чего предназначен; чего он не устанавливает — так это того, как он справляется с чужой задачей.

• Аудит калибровки на реалистичных, грязных входных данных. Этот результат попал в цель, и это самый неудобный результат в статье. Исследование на данных вне распределения, описанное выше, — это первый прогон аудита на материале, специально созданном как незнакомый модели, и он выявил отрыв уверенности от точности, примерно в 4,4 раза превышающий уровень шума идеально калиброванной модели, — тогда как на трёх публичных бенчмарках та же модель выглядела хорошо калиброванной. Одно семейство синтетических задач из 900 элементов — это не вердикт, и авторы сами это признают. Этого достаточно, чтобы перевести вопрос с «калиброван ли Jev?» на «калиброван на чём?», а это в любом случае более полезный вопрос.

• Репликация, которая обыгрывает Jev на его собственных условиях. Пока нет, и волна не остановилась в сентябре. В течение примерно 48 часов после запуска как минимум шесть независимых открытых проектов выпустили decision-модели в стиле Jev — одна построена на энкодере с 421 миллионом параметров, одна — LoRA на 9B-модели, одна достаточно мала, чтобы уместиться в несколько десятков килобайт, — и к 23 сентября одна из них была на вершине списка трендов на площадке хостинга моделей. Все сравнения, которые публикуют эти проекты, основаны на самоотчётах команды, создавшей альтернативу, и каждое использует собственный оценочный набор. Результаты указывают в разные стороны: клон, выигрывающий в категоризации новостей, сильно проигрывает на задаче с 77 классами интентов, а единственное независимое прямое сравнение на байт-идентичных входах показывает Jev впереди в шести из девяти наборов. Собственная точность Jev на одном бенчмарке теперь опубликована в четырёх разных значениях четырьмя разными оценками. Долговечным представителем той волны оказался RSI-Jev, и это конкретный, датированный пример того аргумента: сторонний открытый проект, который строит decision-модели System One в стиле Jev, код — MIT, веса — Apache-2.0 на Hugging Face, со строкой лицензии: «Not affiliated with TypeSafe AI». Его релиз на этой неделе — это 4B RSI-Jev v6.0-VL, опубликованный 2026-10-06 и являющийся седьмым в цикле самоулучшения, который провёл 471 эксперимент и сохранил очень немногие из них: башня Qwen3.5-4B-Base с обученной головой ответа, один прямой проход на решение, ничего не генерируется. Он тратит глубину вместо токенов — головы ответа на слоях 16, 20 и 32, так что запрос останавливается на той, которая первой достигает уверенности: медианные 23, 27 и 40 мс на одном H200 в bf16 — и он говорит точно в wire-формате TypeSafe: тот же запрос, те же три типа вопросов, та же статистика уверенности, поэтому всё, написанное под Jev, работает с ним без изменений. В собственном публичном Decision Index проекта он сообщает 38,38–46,24 в одном релизе, с 0,698 на отложенном наборе и 0,440 на MMLU-Pro — это его собственные цифры на его собственной доске, и нет независимого прямого сравнения между ним и Jev 1.13. Это не релиз весов Jev, он не делает модель TypeSafe открытой, и TypeSafe его ни создавала, ни одобряла; более ранние релизы в этой линейке были 2B-моделями на Qwen3.5-2B-Base, а RL-результат, прославивший проект, относится к v3.0, датированному 2026-09-28 и отстоящему на три релиза назад — первый релиз, в котором RL-этап превзошёл supervised-модель, продолжением которой он был: listwise-награда за ранжирование по 16 кандидатам, поднявшая reranking R@1 с 0,192 до 0,308 относительно собственной родительской модели, рост на 60%, при стоимости набора 0,0028. В нашем каталоге нет id для RSI-Jev: мы обслуживаем typesafe/jev-1.13 на эндпоинте systemone, а этот проект запускается из собственного репозитория. Полное описание для читателя, впервые столкнувшегося с темой, находится в What Is RSI-Jev?.

То, что демонстрирует эта волна, — не то, что Jev побеждён, а то, что открытую модель можно создать, чтобы она выполняла примерно эту задачу за выходные; и это другое и более устойчивое утверждение о том, где находится защитный ров. Позиция, которая из этого следует, уже, чем была неделю назад, и более конкретна. Jev — это реальная, уже выпущенная, необычно дешёвая модель, которая теперь открыта для любого, у кого есть аккаунт, с настоящим структурным преимуществом в надёжности вывода, профилем точности где-то на уровне среднего сегмента по собственным показателям вендора и заявлением о калибровке, которое с момента запуска дважды проверялось независимо: один раз — на большом, благоприятном бенчмарке, созданном самими авторами, а другой — на незнакомых входных данных, где оценки уверенности не подтвердились. Считайте второй результат более информативным. Если в вашем рабочем процессе есть шаг, который сводится к вопросу определённого типа, задаваемому настолько часто, что использование фронтирной модели было бы расточительным, это один из самых дешёвых способов задать его — и проверять на собственных данных, прежде чем доверять, всё ещё нужно именно возвращаемое им значение уверенности, а не скорость. Всё это также можно протестировать без второго аккаунта: typesafe/jev-1.13 уже доступна на OrcaRouter рядом с генеративными моделями, которые нужны рабочему процессу в стиле Jev.

© 2026 OrcaRouter