Jev: модель, которая не пишет, а решает

15 сентября 2026 года TypeSafe AI выпустила Jev - модель, которая не генерирует текст вообще. Не чат-бот, не кодер, не собеседник. TypeSafe называет это System One: быстрые структурированные решения, которые софт может использовать напрямую, без парсинга прозы.

Как это работает

Вы шлёте модели два компонента: state (контекст для оценки - сообщение поддержки, запрос пользователя, вызов инструмента, JSON) и вопросы про этот state. В ответ - не абзац, а типизированные ответы с вероятностями.

Типов вопросов три. Choice: выбор из заданных вариантов, в ответе вероятность каждого варианта плюс общая уверенность. Score: оценка по упорядоченной шкале вроде low/medium/high, в ответе непрерывный скор, распределение и уверенность. Noul: да/нет, в ответе вероятность истинности утверждения.

Все вопросы про один state считаются параллельно в одном запросе, так что добавление вопросов почти не меняет время ответа. Обучена модель методом RLCD (reinforcement learning for calibrated decisions) - вероятности калиброванные, а не взятые с потолка. По данным открытого проекта openjev: ответ за 70-500 мс, до 64k токенов на запрос, цена $0.042 за миллион входных токенов, выход бесплатный.

Зачем это нужно

Агенты сегодня используют LLM для решений классификационного типа: проверить команду перед выполнением, роутить тикет, решить "делать самому или спросить человека". LLM для этого медленный, дорогой и недетерминированный. Jev закрывает именно этот слой: быстрый типизированный вердикт, а текст, код и действия остаются за LLM и вашим кодом.

Самый документированный пример - pi-warden, гардрейл для кодовых агентов, собранный за первые 48 часов после релиза. За первую неделю: 17 000 вызовов Jev, 42 деструктивные команды остановлены, 88% остановок позже подтверждены как верные. Заодно ловит заглушки, циклы повторов и неподтверждённые заявления "готово".

Экосистема за первую неделю

Релиз выстрелил: за неделю вокруг Jev выросли сканеры безопасности, роутеры, коннекторы под MCP/Ruby/DSPy, открытый интерфейс openjev и интеграция Vercel AI Gateway. Отдельная ветка - JEV-27B от AutoTrust AI: открытые веса под Apache 2.0, где блок решений на 108.9 млн параметров (0.4% модели) дообучен поверх замороженного Qwen3.8-27B. Обучение заняло около 9.2 часа на одном NVIDIA B200, а с выключенным блоком решений все 164 задачи HumanEval решаются байт в байт как базовая модель - то есть System 1 и System 2 живут в одних весах. В среднем по шести бенчмаркам JEV-27B показывает 84.07% против 83.85% у оригинального Jev 1.13 (замеры AutoTrust AI).

Подводные камни

Jev не замена LLM, и TypeSafe говорит это прямо: модель не пишет код, не чатится и не вызывает инструменты, это не drop-in replacement для Claude Code или Codex. Правильный паттерн - связка: LLM-агент делает работу, Jev принимает быстрые решения.

Цифры "в 200 раз быстрее и в 400 раз дешевле LLM на классификации" - собственные замеры компании, независимого подтверждения пока нет. Качество ответов упирается в формулировки: вопросы нужно ставить узко и слоями, иначе на выходе мусор с высокой уверенностью. И главное: решает всё равно ваш код. Jev фильтрует и ранжирует, но дорогие или необратимые действия должны оставаться за детерминированной политикой или человеком.

Кому подходит

Строителям агентов: гардрейлы, роутинг, скоринг, модерация, гейты перед опасными действиями - везде, где LLM сейчас отвечает "да/нет", но медленно и дорого. Не подходит тем, кому нужен текст: для генерации Jev бесполезен по определению. Правило простое: текст и план - за LLM, вердикт "делать или нет" - за Jev.