Что такое TypeSafe AI? Лаборатория, стоящая за Jev 1.13, принимает решения, а не составляет предложения

TypeSafe AI — небольшая лаборатория из Сан-Франциско, которая продаёт модель, не способную написать ни одного предложения, и эта модель — Jev 1.13 (typesafe/jev-1.13). Она принимает фрагмент состояния — письмо, строку лога, обращение в поддержку, JSON-блок — плюс набор именованных вопросов и возвращает по одному типизированному ответу на каждый вопрос, каждый со своим значением уверенности. Ни прозы, ни кода, ни объяснений, ни окна чата. Сама модель вышла 2026-09-15, так что она не новая, и здесь нет никакой истории запуска: эта страница существует из-за меньшего, датируемого изменения. 2026-09-24 OrcaRouter добавил typesafe/jev-1.13 в свой каталог и открыл карточку модели по собственному адресу — впервые Jev можно было вызвать через сторонний шлюз, а не только через собственный эндпоинт TypeSafe. Вот это событие, на 2026-09-30 ему шесть дней, и именно поэтому читатель, у которого ещё нет контракта с TypeSafe, теперь может поставить модель System One на тот же ключ, что и генеративные модели, рядом с которыми она задумана. Всё остальное на этой странице — фон о компании, которая её создала.

Честная формулировка по срокам, потому что это важно для того, насколько всё это проверено: Jev вышел более двух недель назад и находится в общем доступе с 2026-09-21, когда в TypeSafe убрали список ожидания. В семидневное окно попадает изменение маршрутизации, а не модель. Если вы пришли сюда в ожидании обзора запуска, запуск уже состоялся, и его осветили несколько других материалов.

Страница компании с манифестом и без архитектурной диаграммы

TypeSafe описывает себя в собственном метаописании как «ИИ-лаборатория, создающая инфраструктуру машинно-нативного интеллекта для автоматизации», а её системы «спроектированы так, чтобы принимать решения внутри программного обеспечения». На её главной странице стоит отметка «Версия 0.01», а в подвале — «Сделано в SF». Есть манифест, утверждающий, что кратчайший путь к экономическому сдвигу в форме ИИ лежит через превращение интеллекта в компонуемый, чтобы программное обеспечение могло вызывать семантическое суждение так же, как вызывает функцию; собственное резюме плана компании состоит в том, чтобы выпустить форму машинно-нативного компонуемого ИИ, затем сделать его достаточно надёжным для реальной автоматизации, а затем предложить высокоуровневые абстракции, достаточно стабильные, чтобы на них можно было надстраивать. Её слоган — «Мы строим прод, а не Бога». На странице команды указаны три основателя — Диогу Алмейда в роли CEO, Саша Шэн в роли COO и Эрик Гафни в роли CTO. Это всё, что компания говорит о себе: позиция, продукт, три имени — и ни одной цифры о самой компании.

Чего на сайте нет, так это того, за чем инженер, оценивающий новую зависимость, обращается в первую очередь. Нет страницы с описанием архитектуры, нет числа параметров, нет раскрытия данных о вычислительных ресурсах, затраченных на обучение, и нет карточки модели в академическом смысле. Собственный дашборд бенчмарков TypeSafe по-прежнему помечен как «в ожидании». Для компании, чьё предложение зиждется на надёжности, объём раскрываемой информации невелик, и это констатация того, что было опубликовано, а не обвинение в том, что что-то скрывают.

System One: категория и почему это название заимствовано

Jev — первая из того, что TypeSafe называет моделями System One. Название происходит от разделения, предложенного Дэниелом Канеманом, между быстрым, интуитивным мышлением Системы 1 и медленным, обдуманным рассуждением Системы 2, и в публикации компании о запуске это сказано прямо — в ней также признаётся, что «мышление Системы 1» несёт оттенок склонности к ошибкам, и утверждается, что эти модели можно сделать более надёжными, чем альтернативы. TypeSafe не придумала этот термин и не владеет им.

Практическое содержание категории — это намеренное разделение труда: модель, которая решает, и модель, которая пишет. Предполагается, что арифметику, упорядочивание дат, подсчёт и сравнение строк вы оставляете обычному коду, где они точны, а семантическое суждение передаёте Jev. Она может отвечать на три типа вопросов:

• noul — суждение «истина/ложь», возвращаемое с калиброванной вероятностью

• выбор — выберите один из до 255 помеченных вариантов

• оценка — оценивать по упорядоченной шкале; наша карточка публикует уровни 2-10, а в собственной документации TypeSafe приведён пример с нулевой индексацией, поэтому считайте уровни вендора определением, а 2-10 — тем, что публикует карточка

Каждый вопрос содержит собственные инструкции, а для выбора и оценки — собственные критерии. Запросы, превышающие примерно 64K входных токенов, отклоняются, не доходя до модели, а ответы не передаются в потоковом режиме. Поставщик отдельно документирует бюджет состояния — состояние плюс один самый длинный вопрос — в 32K токенов, что является меньшей величиной, чем контекст в 65 536 токенов на карточке, и не противоречит ему.

Их тезис — их собственными словами

TypeSafe формулирует этот тезис лучше, чем любое резюме, поэтому привожу его дословно: «LLM производят слова для людей. Jev производит типизированные решения и больше похож на код: надёжный, быстрый, самосогласованный и типобезопасный». Метод обучения, стоящий за этим, тоже их, и этот термин стоит атрибутировать именно потому, что его подхватили в других местах так, будто он был общеупотребительным. TypeSafe называет его Reinforcement Learning for Calibrated Decisions, или RLCD, и противопоставляет его RLHF и RLVR: тогда как те оптимизируют предпочтения человека или программно проверяемые вознаграждения, RLCD, по формулировке компании, нацелен на «ответы с эпистемически честными вероятностями в задачах System One». Считайте RLCD собственным неологизмом TypeSafe, а не устоявшейся аббревиатурой в литературе.

Цифры, с которых они начинают, и кто выбрал рабочую нагрузку

На главной странице в качестве ведущего заявлено «193,6x быстрее, 444,6x дешевле» со сноской на рабочие процессы для задач System One. Под ним находится разобранный пример: TypeSafe AI — $0,000081 и 0,114 секунды против LLM — $0,013880 и 8,566 секунды. Ниже: «$42 за миллиард входных токенов. 238x ниже цена входных токенов, чем у Claude Fable 5.1». И раздел под заголовком «Ноль галлюцинаций», который при ближайшем рассмотрении оказывается заявлением об оценках уверенности, а не доказательством отсутствия ошибок: каждое решение Jev содержит оценку уверенности, поэтому программное обеспечение может действовать, когда уверенность высока, и эскалировать, когда она невысока. Все четыре — это цифры TypeSafe, полученные на рабочих нагрузках, выбранных TypeSafe, и ни одна из них не была независимо воспроизведена. В самом посте о запуске говорится, что команда ожидает, что её 193,6x и 444,6x окажутся на верхней границе реальных улучшений, и отмечается, что рабочие процессы были созданы её собственной командой по возможностям, а эталонные ответы были получены конкурирующими моделями. Наши собственные семидневные данные обслуживания на той же модели показывают уровень ошибок 0,49%, что является другим измерением на другой рабочей нагрузке и служит честным противовесом трактовке «нуля» как абсолютного значения.

То, что они не опубликовали

Архитектура Jev, количество параметров, вычислительные ресурсы для обучения и веса не опубликованы, и в организации компании на GitHub нет репозитория с весами. Проверено 30 сентября 2026 года: в этой организации одиннадцать публичных репозиториев; существенные из них — это инструменты, все под лицензиями MIT или Apache-2.0 — репозиторий навыков агентов, Python SDK, TypeScript SDK, подключаемый клиентский адаптер, использующий другие LLM API, коллекция модулей Dagger, некоторый опубликованный код для оценки рабочих процессов, узел n8n и собственный сайт организации. Количество звёзд и даты последних push меняются, поэтому смотрите их в день проверки, а не на этой странице.

Три из одиннадцати — это форки не связанных между собой проектов: vLLM, LLaDA и провайдера Pulumi для ClickHouse Cloud. Это форки чужой работы, и они ничего не говорят о том, как устроен Jev, — в частности, ничего о том, что Jev основан на диффузии. Короткий ответ на вопрос, является ли Jev открытым исходным кодом, таков: инструментарий открыт, а модель — нет.

То, что они позволяют себе

Два признания из поста о запуске стоят больше, чем большинство оговорок поставщиков, потому что они называют точные места, где доказательства слабы. О цене: «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)». О скорости: «наши опубликованные оценки обычно проводятся с наших ноутбуков на Западном побережье (именно там сейчас базируется наш сервис)». Есть третье, более полезное для тех, кто строит на его основе: для наборов выбора с высокой кардинальностью Jev использует двухэтапную систему, которая независимо оценивает, а затем делает явный выбор, «отсюда и периодическое замедление». Это поставщик объясняет, почему задержка не одинакова для разных типов вопросов, и это то, что обычно узнаёшь из ветки поддержки.

Куда на сегодняшний день действительно можно позвонить

Через собственный API TypeSafe, где модель находится в общем доступе, а на главной странице по-прежнему используется собственная формулировка вендора «ранний доступ», эта формулировка актуальна и её стоит сохранить; «в списке ожидания» устарело: в документации опубликованы конкретные рабочие лимиты (100K токенов в секунду, 40 запросов в секунду, 429 с backoff в SDK при превышении любого из них), и списка ожидания там нет вообще. А с 2026-09-24 — через OrcaRouter.

О том, что мы предоставляем, стоит сказать точно, потому что различается именно форма вызова. Запись в каталоге — typesafe/jev-1.13, с названием TypeSafe: Jev 1.13 и поддерживаемым типом эндпоинта "systemone", поэтому обращаться к ней нужно через POST /v1/systemone, а не через формат OpenAI chat-completions, без потоковой передачи, текст на входе и структурированный JSON на выходе, до примерно 64 тыс. входных токенов суммарно по состоянию и вопросам. Ввод стоит $0,042 за миллион токенов, а вывод тарифицируется по нулю, потому что нет выходных токенов, которые нужно измерять: типизированное решение — не проза. Это прайс-листовая цена провайдера, передаваемая как есть, с наценкой 0%, на том же ключе, что и у остальных 200+ моделей в каталоге — один API для 200+ моделей, 0% наценки (цена из прайс-листа провайдера передаётся как есть, поэтому снижения цен вендором действуют здесь в тот же день). Если вы читаете о TypeSafe AI потому, что хотите выяснить, выдерживает ли калибровка Jev проверку на ваших собственных данных, прежде чем переводить на неё продакшен-путь, то запуск её рядом с генеративной моделью, которой вы уже доверяете, — дешёвый способ это выяснить; переключение на эту модель, когда уверенность Jev оказывается низкой, — дешёвый способ запустить это в продакшен.

Наши собственные семидневные показатели обслуживания за период, заканчивающийся 2026-09-30, — это наши цифры из нашего собственного трафика, а не бенчмарк поставщика: p50 151 мс, p95 247 мс, около 349 выходных токенов в секунду, доля ошибок 0,49 % и 76,2 млн обслуженных токенов. Ежедневный p50 за этот период составлял 175, 170, 163, 161, 170, 147, 143 мс, так что медиана умеренно снижается. Один день в этом ряду, 09-28, имеет p95 2 448 мс — настоящий выброс в данных, а не норма, и не то число, по которому стоит планировать бюджет задержки. Эти данные обновляются ежедневно; карточка — источник.

Где модель слаба, согласно TypeSafe

Поставщик публикует страницу неровностей для Jev 1.13, последний раз проверенную 2026-09-17, где режимы отказа названы откровеннее, чем в большинстве материалов запуска. Это та самая страница, которую стоит прочитать перед тем, как строить что-либо на этой модели, и её собственный список выглядит так. Jev отвечает на вопрос, который вы написали, а не на тот, который вы имели в виду, поэтому слова-ограничители, отрицания и подразумеваемые условия нужно прописывать явно. Это не калькулятор: на математических вопросах работает хуже, чем на семантических. Jev читает даты как текст, а не как упорядоченные величины, поэтому упорядочивание, пропуски и принадлежность к окну ненадёжны, а при смешанных форматах — ещё хуже. Двойные отрицания и многошаговая косвенность снижают точность. Точность падает по мере разрастания состояния нерелевантными деталями — на странице сказано, что Jev «страдает от гниения контекста», — поэтому решение — сначала фильтровать в коде. Состояние рассматривается как данные, а не как враждебное по умолчанию, поэтому внедрённые инструкции могут сдвигать ответы. Несогласованные инструкции и критерии сбивают Jev с толку. Структурные инварианты не гарантируются: нулевой вывод и вывод-выбор не обязаны соответствовать друг другу, а вопрос и его отрицание не обязаны в сумме давать единицу, поэтому пороги не следует переносить между этими двумя. И Jev не обучали генерировать текст — принуждение его проходить через цепочки выборов «будет работать плохо и окажется очень медленным».

Как интерпретировать TypeSafe AI спустя шесть дней после изменения маршрутизации

Компания делает сильное, конкретное, опровержимое заявление: что узкая модель принятия решений может быть быстрее, дешевле и надёжнее, чем общая, на том подмножестве задач, где нужно суждение, а не абзац. Это заявление правдоподобно и отчасти подтверждается само собой — оценки уверенности представляют собой реальное проектное отличие, цена реальна, а задержка, которую мы измеряем на собственном трафике, того же порядка, что и у поставщика. Не хватает того, что позволило бы стороннему наблюдателю проверить остальное: нет архитектуры, нет параметров, нет весов, нет независимого бенчмарка, а цена, устойчивость которой, по словам самой компании, не может быть доказана. Режимы отказа задокументированы — это больше, чем делают большинство лабораторий, и это самая веская причина относиться к модели серьёзно.

Если вы решаете, стоит ли обращать внимание: запустите Jev на входных данных, которые у вас уже размечены, скрыв метки, и посмотрите, отделяют ли его значения уверенности случаи, в которых он прав, от тех, в которых он ошибается. Этот тест почти ничего не стоит при цене $0.042 за миллион входных токенов, и это единственный тест, который отвечает на вопрос, который у вас действительно есть. Если вы решаете, можно ли доверять компании: раскрытия — это раскрытия, и честный ответ состоит в том, что доказательства сейчас — это слова поставщика плюс всё, что вы сгенерируете сами.