Что нового в модели Jev от TypeSafe AI
В сентябре 2026 года компания TypeSafe AI представила Jev — модель нового вида, которую они называют System One models, или, как предлагает переводчик и художник Maggie Appleton, «decision models» — модели решений. В отличие от привычных больших языковых моделей (LLM, Large Language Models), которые принимают текст на вход и выдают текст на выход, Jev принимает текстовую информацию, но отвечает не словами, а числами с плавающей точкой — например, вероятности или оценки для категорий, да/нет ответов и рейтингов с уверенностью.
Простыми словами, Jev — это инструмент для быстрого перевода сложной текстовой и полу-структурированной информации в понятные цифровые решения: классификации, проверку истинности утверждений, выбор из вариантов и выставление баллов по шкале.
Как устроена модель Jev и что она умеет
Вход и выход: «состояние» и вопросы
На вход Jev подается так называемый объект “state” — набор данных, описывающих, например, статью, клиента или какой-либо другой объект. Этот набор представляет собой либо строку, либо список строк, либо набор пар имя-значение.
Стоимость в API считается только за входной текст: вам платят за количество токенов, то есть за «слова» или кусочки текста, что также характерно для обычных LLM, но важная деталь — выход (числа) идет бесплатно. При этом Jev стоит дешевле GPT-5 Nano от OpenAI.
Вы задаете один или несколько вопросов разного типа:
- Да/нет вопросы (Noul questions). По сути это вероятность, что утверждение истинно, в виде числа от 0 до 1.
- Выбор из нескольких вариантов (Choice questions). Модель возвращает вероятность каждого варианта и указывает наиболее вероятный.
- Оценочные вопросы (Score questions). Вы задаете шкалу с уровнями и описаниями, а модель выставляет плавный числовой балл по шкале.
Важная особенность — параллельная обработка многих вопросов
Jev может принять много вопросов к одному объекту за один запрос и обработать их все одновременно, что значительно ускоряет работу в сравнении с последовательными вызовами.
Где и зачем использовать Jev в практике
Основное назначение Jev — задачи классификации и оценки, где важен числовой ответ, а не развёрнутый текст. Это разные сценарии:
- Фильтрация спама. Jev может быстро определить, насколько сообщение является спамом.
- Предложение ярлыков и категорий к тексту.
- Приоретизация и ранжирование объектов на основе заданных критериев.
- Ререйтинг результатов поиска. Сначала быстрым простым алгоритмом можно выбрать топ-100 подходящих вариантов, а затем Jev оценит релевантность каждого к запросу и предложит лучший из них.
Такой подход хорош для бизнес-задач, где нужна числовая уверенность в ответах и высокая скорость за низкую цену.
Почему Jev — это шаг назад к «черным ящикам» машинного обучения
Большие языковые модели уже считаются «черными ящиками»: мы видим результат, а как они пришли к нему — не всегда понятно. Jev еще более закрыт. Он не объясняет свои решения и выдает единственное число. Если Jev пометил письмо как спам, вы не узнаете, на каких сигналах он основывался.
Это повышает риск скрытых необъективностей и предвзятости, которую сложно отследить. Например, в эксперименте Jev поставил высокие оценки городам с высоким уровнем жизни и низкие — менее благополучным районам, что может негативно сказаться, если использовать модель для отбора людей в работу или другой важной сфере.
Поэтому важно тщательно проверять и тестировать модели на предмет справедливости — это особенно важно при использовании в социальных или кадровых задачах.
Как и где начать экспериментировать с Jev
Чтобы попробовать Jev, нужно подготовить данные в удобном виде — один объект “state” и несколько вопросов к нему. Затем с помощью API отправить запрос и получить числовые ответы. Ввиду низкой цены и быстрой работы можно запустить и проверить сотни запросов с разными вопросами за считанные центы.
Полезно начать с простых задач: например, проверить, подходит ли email под критерии «спама», или оценить релевантность заголовков новостей к тематике. Можно воспользоваться некоторыми экспериментальными проектами и примерами, опубликованными в сообществе.
Кому сейчас полезна модель Jev и кому можно пока не торопиться
Эта модель заинтересует специалистов, которые занимаются аналитикой, автоматизацией бизнес-процессов, системами рекомендаций и рейтингами. Она особенно удобна там, где важны скорости и числовые метрики, а не объяснения результата и развёрнутый текст.
Если вы ищете универсального собеседника или помощника, умеющего подробно объяснять и вести диалог — Jev не ваш выбор.
Также не стоит использовать Jev для оценки и отбора людей без серьёзных тестов на прозрачность и отсутствие предвзятости.
Если вы только начинаете знакомиться с ИИ, Jev пока будет слишком узкоспециализированным инструментом — сначала советуем изучить LLM и их возможности.
Понимание и эксперименты с такими «decision models» помогут вам уже сейчас увидеть, как будет меняться экосистема ИИ в будущем: развитие не только в сторону генерации текста, но и в сторону прямых прикладных решений и цифровых оценок.
Для подробной информации и базовых знаний советуем начать с нашего полного гида по OpenClaw. А чтобы следить за новинками технологий, заглядывайте в раздел новостей OpenClaw.