Jev: модель, которая решает за 70 мс и не выдумывает ответы

TypeSafe AI 15 сентября 2026 года выпустила Jev, первую публичную модель класса System One. Это не чат-бот: модель не генерирует текст, она выдаёт типизированные решения с вероятностями, делая это за 70-500 миллисекунд. Основатель компании Диогу Алмейда до этого работал в OpenAI и участвовал в создании методов, которые легли в основу ChatGPT, а последние два года команда разрабатывала новую архитектуру в режиме стелса.

Спорных цифр в заявлениях много, разберём по порядку.

Чем System One отличается от языковой модели

Обычная LLM последовательно собирает ответ, токен за токеном: это гибко, но дорого и медленно, когда внутри программы модели приходится принимать сотни мелких решений подряд. Jev работает иначе. Один запрос порождает все решения параллельно, в виде заранее описанных структур с калиброванными вероятностями и оценкой уверенности. Метод обучения называется RLCD (Reinforcement Learning for Calibrated Decisions): не человеческие предпочтения, а честные вероятности по задачам, где результат проверяется программно.

Отказ от свободных строк даёт два следствия. Первое: ошибка в типе ответа невозможна в принципе, отсюда и заявление разработчиков о том, что модель не галлюцинирует в привычном смысле. Второе: каждый ответ сопровождается вероятностью. Если модель решает задачу в 95% случаев, она честно сообщает, когда попадает в оставшиеся 5. Без этого автоматизировать процесс нельзя: система, которая не знает, когда ошибается, годится только под присмотром человека.

Имя модели тоже не случайно. Jev — в честь экономиста Уильяма Стэнли Джевонса, автора идеи о том, что рост эффективности ресурса увеличивает его потребление. Класс System One назван в честь быстрого, интуитивного мышления по Канеману. Название — обещание: каждое падение стоимости интеллекта открывает на порядок больше сценариев применения.

Скорость и деньги

Frontier-модели отвечают за 3-329 секунд. Jev укладывается в 70-500 миллисекунд, то есть ускоряется в 40-200 раз при сопоставимом уровне интеллекта на структурированных задачах. На входе модель берёт $0,042 за миллион токенов, это $42 за миллиард, а за выход вообще не берёт: разработчики называют его слишком дешёвым, чтобы считать.

На главной TypeSafe цифры жёстче: в 193,6 раза быстрее и в 444,6 раза дешевле. Это результат собственных workflow-тестов, и компания сама оговаривает: такие выигрыши считаются верхней границей реальных, эталоном же служит среднее двух сильных моделей. Для сравнения по интеллекту брали GPT-5.6 Terra, признав его наиболее сопоставимым с Jev.

Что собрали на первые сутки

Первые проекты появились за 24-48 часов после релиза, и у всех одна конструкция: игра или симулятор шлёт упрощённое состояние мира, модель выбирает одно из разрешённых действий, состояние обновляется, цикл повторяется.

• В Minecraft агент под ником Linkнбери управляет персонажом: модель получает время суток, здоровье, ближайших врагов и список доступных действий. Две минуты работы примерно на 150 000 токенов обошлись в один цент. Ночью, когда появляются зомби, агент уходит сам: отдельная команда «убегай» ему не нужна.
• Симулятор автомобиля собирали не как систему автономного вождения. Машина, дорога, другие участники движения и четыре действия: ускориться, затормозить, держать скорость, повернуть. Цикл настолько быстр, что машина едет как в реальном времени, и весь прототип получился без сбора датасетов о вождении.
• Subway Surfers проверяет скорость реакции: персонаж должен прыгнуть, пригнуться или свернуть сразу после появления препятствия. Медленный ответ здесь бесполезен, такие игры и становятся честным тестом для подхода System 1.
• Полосу препятствий для дрона разработчик собирал примерно за 15 минут, а весь эксперимент оценил в 10 центов. Дрон держит положение, скорость и дистанции до препятствий, выбирая из пяти действий: вперёд, поворот, вверх, вниз, зависание.
• У самой TypeSafe в блоге есть демо в Doom, где десять запросов в секунду обходятся примерно в $7 в час, и викри racing: переход между статьями Википедии по ссылкам, где на каждом шаге выбор из сотен вариантов.

Список впечатляет меньше общего принципа: одна и та же модель, не дообученная под конкретный сценарий, следит за меняющимся состоянием и реагирует на него. Специализированные игровые боты существовали задолго до Jev, но их обучали отдельно под каждую игру. Здесь смены правил не требуется, и в этом весь смысл новой категории.

Где пока не работает

Все демонстрации построены на симуляциях. Настоящая машина потребует камер, датчиков, программного обеспечения управления и нескольких уровней безопасности, робот или дрон — систем стабилизации и аварийных ограничений. Пока заявления TypeSafe не подтвердятся на широком наборе задач, выводы о работе в реальных автомобилях и на настоящих дронах делать рано.

Есть и ограничение по самой природе модели: Jev не умеет генерировать текст, поэтому из него не получится собеседник или пишущий ассистент. Его область — классификация, маршрутизация, оценка, извлечение полей, ветвление внутри кода, скоринг больших объёмов данных и проверка чужих ответов. Когда решение нужно принимать сотни и тысячи раз подряд, цена запроса и скорость становятся архитектурой продукта, и здесь важнее прироста размера модели.

Что сделать на практике

• Запросите ранний доступ в TypeSafe и прогоните собственные воркфлоу: сервис открыт в early access, очередь снимают постепенно.
• Откройте evals.typesafe.ai: там лежат сами workflow-тесты с примерами запросов, аргументами расхождений и полным текстом задач.
• Посчитайте экономику до интеграции. Если модель отвечает на тысячи структурированных вопросов в сутки, разница между дорогим входом и бесплатным выходом перекрывает стоимость подключения уже на первой неделе.
• Проверьте обещание отсутствия галлюцинаций на своих данных: типы гарантированы математически, а вот калибровка вероятностей должна подтверждаться на вашем распределении задач.
• Отслеживайте широкую валидацию. Первые сутки показали, что скорость востребована, но настоящий тест — это недели работы на чужих системах, а не сутки энтузиастов.