Jev не пишет текст. Она отвечает числами: вероятностью, оценкой по шкале, выбором из списка. Это первая публичная модель нового класса, который компания TypeSafe AI назвала System One. Представили её 15 сентября 2026 года, и за первую неделю о ней написали TechCrunch, The Register и десяток русскоязычных изданий.
Разберём по порядку: кто это сделал, что модель умеет на самом деле, сколько стоит, где проходит граница между заявлениями компании и проверяемыми фактами. В конце прикладная часть: что Jev меняет для контекстной рекламы.
Коротко для тех, кто спешит
- Что это. Модель, которая принимает структурированное состояние и возвращает типизированное решение с вероятностями. Не текст.
- Кто сделал. TypeSafe AI, основатель Диого Алмейда, соавтор RLHF и InstructGPT в OpenAI. Раунд 40 млн долларов, ведущий инвестор DCVC.
- Скорость. 70–500 миллисекунд на запрос против секунд у обычных языковых моделей.
- Цена. 0,042 доллара за миллион входных токенов, выходные бесплатны.
- Главное свойство. Ответ не может выйти за пределы заданной схемы. В этом смысле модель не галлюцинирует.
- Главное ограничение. Она ничего не объясняет и не пишет. Для диалога, текстов и кода нужна обычная LLM.
Кто стоит за Jev
Компанию основал Диого Алмейда, бывший исследователь OpenAI. Он участвовал в создании ChatGPT и в разработке RLHF, обучения с подкреплением на обратной связи от человека. Это та самая техника, благодаря которой языковые модели перестали быть капризным автодополнением и научились следовать инструкциям. Сооснователи: Эрик Гафни и Саша Шенг.
Мотив Алмейда формулирует так: он годами делал модели, которые лучше общаются с людьми, но если ИИ меняет способ работы, то потребителями интеллекта не могут быть одни люди. В интервью он говорит проще: компьютеры разговаривают на другом языке, и текстовый ответ для них неудобен.
Раунд на 40 миллионов долларов возглавил фонд DCVC.
System One: откуда название
Класс моделей назван по книге Даниэля Канемана «Думай медленно, решай быстро». Там описаны две системы мышления. Система 1 быстрая и интуитивная, отвечает мгновенно. Система 2 медленная и рассудительная.
Современные языковые модели с цепочками рассуждений ведут себя как Система 2: они долго думают вслух, и это стоит и времени, и денег. Идея TypeSafe в том, что большая часть решений внутри программ не требует рассуждений вслух. Нужен быстрый ответ: к какой категории отнести обращение, опасна ли команда, стоит ли эскалировать, какой следующий ход.
Сама модель названа в честь Уильяма Стэнли Джевонса, экономиста, описавшего парадокс: рост эффективности паровой машины привёл не к снижению потребления угля, а к росту. Компания рассчитывает, что с машинным интеллектом произойдёт то же самое.
Чем Jev отличается от языковой модели
| Языковая модель | Jev (System One) | |
|---|---|---|
| Что на выходе | Текст, строка | Типизированное значение с вероятностями |
| Как генерирует | Последовательно, токен за токеном | Параллельно, весь ответ за один проход |
| Обучение | RLHF, RLVR | RLCD, обучение с подкреплением на калиброванных решениях |
| Что на входе | Диалог, последовательность сообщений | Структурированное состояние программы |
| Галлюцинации | Возможны | Исключены на уровне схемы |
| Задержка | Секунды | 70–500 мс |
| Цена входа | 0,20–10 $ за млн токенов | 0,042 $ за млн токенов |
| Цена выхода | Примерно впятеро дороже входа | Бесплатно |
Главное здесь это параллельный проход. Обычная модель порождает ответ по одному токену, и каждый следующий зависит от предыдущего, поэтому задержка растёт вместе с длиной ответа. Jev выдаёт все ответы сразу, потому что выход у неё фиксированной формы: вероятности по заранее известным вариантам.
Вторая половина отличия: метод обучения RLCD. Обычное RLHF оптимизирует правдоподобие и то, насколько ответ нравится оценщику. RLCD оптимизирует калиброванность: модель должна вместе с вариантом корректно оценивать собственную уверенность. Если она говорит «0,7», в семи случаях из десяти это должно оказываться правдой.
Как выглядит работа с Jev на практике
API построен на трёх примитивах. Вы передаёте состояние и набор вопросов, а модель возвращает ответы по каждому.
Choice отвечает за выбор одного варианта из набора. До 255 вариантов, возвращает выбор и вероятности по всем.
Score показывает положение на шкале. От 2 до 10 уровней, ответ может быть дробным: 1,035 между «спокоен» и «раздражён», а не просто ярлык.
Noul возвращает да или нет в виде числа от 0 до 1.
Пример на Python из документации:
from typesafe_sdk import Choice, Noul, Score, TypeSafeClient
client = TypeSafeClient()
response = client.system_one(
state={
"ticket": "С меня дважды списали за заказ A-104",
"order": {"charges": [{"amount_usd": 49}, {"amount_usd": 49}]},
},
questions={
"department": Choice(
instructions="Какая команда должна этим заняться",
criteria={"billing": "Вопросы оплаты", "technical": "Ошибки"},
),
"frustration": Score(
instructions="Уровень раздражения клиента",
criteria=["Спокоен", "Раздражён", "Зол"],
),
"refund_requested": Noul(instructions="Просит ли вернуть деньги"),
},
)
Обратите внимание на принцип: вы не просите модель «ответить в формате JSON» и не надеетесь, что она не сломает структуру. Структуру задаёте вы, модель физически не может выйти за её пределы.
Лимиты
| Параметр | Значение |
|---|---|
| Контекст целиком | 64 000 токенов |
| На один вопрос | 32 000 токенов |
| Вариантов в Choice | до 255 |
| Уровней в Score | 2–10 |
| Задержка | 70–500 мс |
| Пропускная способность | 250 000 токенов в секунду, 1200 запросов в минуту |
Доступ пока по списку: ключ выдают в консоли TypeSafe, есть подключение через Vercel AI Gateway. Из SDK доступны Python от версии 3.10 и JavaScript от Node 20.
Сколько стоит
0,042 доллара за миллион входных токенов. Выходные бесплатны: компания пишет, что считать их слишком дёшево. Для сравнения, входные токены современных языковых моделей стоят от 0,20 до 10 долларов за миллион.
Что это значит в пересчёте на задачи:
- типичный вызов классификации стоит около 0,0004 доллара;
- демонстрация с игрой Doom, где модель принимает 10 решений в секунду, обходится примерно в 7 долларов в час;
- двухминутная сессия бота в Minecraft стоит около цента.
Если переложить на рекламную задачу: разметить 100 000 поисковых запросов на целевые и нецелевые обойдётся в несколько десятков рублей. На языковой модели того же уровня интеллекта счёт пойдёт на тысячи.
Скорость: что заявлено и как это измеряли
Компания приводит вилку от 40 до 200 раз по скорости и до 444 раз по стоимости на собственном наборе задач. В демонстрации рядом с GPT-5.6 Terra: 0,114 секунды против 8,566 секунды.
Из отзывов ранних пользователей, которые приводит TechCrunch: в Vercel получили ускорение в 5–18 раз против модели OpenAI, в Bryo AI получили результат в 10–20 раз дешевле, чем на Gemini.
Здесь важно быть честным: все эти цифры получены самой компанией или её партнёрами. TypeSafe открыто перечисляет слабые места своих замеров, и это заметно повышает доверие к остальному:
- задачи для оценки составляли люди из команды, которая обучала модель, поэтому смещение возможно;
- в демонстрациях запрос «сильно упрощён», а короткий вход выгоден именно их модели;
- цифры по галлюцинациям языковых моделей взяты из внешнего источника и «почти наверняка смещены», а собственный ноль получен не эмпирически, а выведен из устройства схемы;
- сравнение шло с моделями OpenAI и Anthropic, поэтому результаты DeepSeek, вероятно, занижены.
Независимых замеров на момент выхода статьи нет. Это нормально для модели возрастом в несколько дней, но принимать цифры за проверенный факт рано.
«Не галлюцинирует»: что это значит на самом деле
Формулировка из документации звучит точнее, чем заголовки новостей:
Jev не может вернуть значение вне вашей схемы. Она может вернуть неверное допустимое значение.
Разница принципиальная. Языковая модель, которую попросили выбрать из трёх категорий, может придумать четвёртую, вернуть её с опечаткой или добавить объяснение, которое сломает разбор ответа. С Jev это невозможно: ответ по построению лежит внутри заданного множества.
Но ошибиться в выборе она может, как и любая модель. «Без галлюцинаций» тут означает «без структурных сюрпризов», а не «всегда правильно». Для инженера это разные вещи: первое снимает целый класс ошибок разбора, второе по-прежнему требует проверки качества на ваших данных.
Где Jev не подходит
- Тексты, код, диалог. Модель не пишет. Для объявлений, писем и ответов клиентам нужна обычная LLM.
- Объяснения. Вы получаете вероятность, а не рассуждение. Почему модель решила так, из ответа не видно.
- Картинки и звук. Демонстрации работают на текстовом описании состояния, не на изображениях.
- Больше 255 вариантов. Каталог на тысячу категорий придётся разбивать на уровни.
- Реальное железо. Все публичные демонстрации идут в симуляторах: Doom, Minecraft, Википедия. Как модель поведёт себя с шумными данными с настоящих датчиков, пока неизвестно.
Отдельный вопрос: сравнение с обычными классификаторами. Если у вас есть размеченная выборка на десятки тысяч примеров, дообученный энкодер вроде BERT будет дешевле и быстрее любой большой модели. Ценность Jev в другом: она работает без обучения, на одном описании критериев, и её можно переписать за минуту, когда бизнес-правила поменялись.
Что это меняет для контекстной рекламы
Теперь прикладная часть, ради которой мы вообще взялись за разбор. В управлении рекламой полно задач, где нужно не рассуждение, а быстрое решение, повторённое десятки тысяч раз.
Разметка поисковых запросов. Отчёт по запросам за месяц насчитывает тысячи строк. Каждую нужно отнести к целевым, информационным или явно мусорным. Языковой моделью это долго и дорого, руками уходит вечер. Типизированное решение с вероятностью здесь ровно то, что нужно: заодно видно, в каких строках модель не уверена, и именно их стоит просмотреть глазами.
Оценка площадок РСЯ. Клики и конверсии считает арифметика, но у площадки есть и смысловой признак: игровой портал, приложение-фонарик, новостной агрегатор, тематический сайт. Классификация по названию домена укладывается в один вызов. Мы разбирали, как устроена чистка площадок РСЯ: смысловая разметка дополняет цифры там, где статистики мало.
Скоринг лидов. Заявки с рекламы неравноценны. Оценка «насколько это похоже на целевое обращение» по тексту заявки ложится в Score с тремя уровнями и вероятностью.
Проверка перед отправкой. Здесь Jev контролирует другую модель. Языковая модель подготовила изменение ставок, а быстрая модель проверяет: похоже ли это на опасную операцию, не выходит ли за границы обычного. Мы в AdCab решаем ту же задачу иначе, обязательным подтверждением человеком, но автоматическая проверка перед показом черновика хорошо ложится рядом.
Ограничение тут одно, зато существенное: решение в 70 миллисекунд бесполезно, если API рекламной площадки отвечает две секунды, а отчёт строится в офлайн-режиме. Выигрыш появляется там, где решений много, а не там, где они срочные.
Стоит ли пробовать сейчас
Если вы строите продукт, в котором модель вызывается тысячи раз в час для однотипных решений, счёт за инфраструктуру может упасть на порядок. Ранний доступ выдают по заявке.
Если вам нужно написать текст, объяснить решение или поговорить с пользователем, Jev не про это, и компания этого не скрывает.
И общий вывод, который кажется важнее самой модели. Индустрия три года строила всё вокруг одного интерфейса: текст на входе, текст на выходе. Jev стала первой заметной попыткой сказать, что для машин это неудобный формат и что решение стоит отдавать числом. Если подход приживётся, в ближайший год мы увидим ещё несколько моделей этого класса.
Частые вопросы
Jev заменяет ChatGPT? Нет. Это модель для другого типа задач. ChatGPT пишет и объясняет, Jev выдаёт решение в заданной структуре. Их скорее используют вместе: языковая модель рассуждает, быстрая проверяет и маршрутизирует.
Почему говорят, что Jev не галлюцинирует? Потому что ответ не может выйти за пределы схемы, которую вы задали. Неверный вариант из вашего же списка она выбрать может.
Сколько стоит Jev? 0,042 доллара за миллион входных токенов, выходные бесплатны. Типичная классификация обходится в доли цента.
Как получить доступ? Через консоль TypeSafe по заявке на ранний доступ или через Vercel AI Gateway. Есть SDK для Python и JavaScript.
Работает ли Jev с русским языком? Отдельных заявлений компании об этом нет, как и независимых замеров качества на русском. Проверять нужно на своих данных.
Можно ли использовать Jev для рекламы в Яндекс Директе? Напрямую с рекламным кабинетом она не работает: это модель принятия решений, а не коннектор. Данные из Директа в неё нужно чем-то подать. Как устроен такой доступ для языковых моделей, мы описали в разборе MCP-сервера для Яндекс Директа.
Источники
Заявления и цифры взяты из блога TypeSafe AI, материалов TechCrunch и The Register от 16–18 сентября 2026 года и практического руководства по API. Все оценки скорости и стоимости на момент публикации получены самой компанией или её партнёрами: независимых измерений пока нет.