Jev — это модель TypeSafe AI для быстрых решений внутри программ и AI-агентов. В отличие от обычной генеративной модели, она не пишет длинный текст, а получает данные и возвращает строго заданный результат: выбрать один вариант, поставить оценку или определить вероятность ответа «да».
Именно это делает Jev интересным для автоматизации. Не каждый шаг AI-агента требует GPT, Claude или другой большой модели. Иногда нужно всего лишь определить: это лид или спам, какой инструмент вызвать, в какой отдел отправить письмо, нужен ли вообще дорогой LLM. Для таких задач Jev предлагает отдельный быстрый слой принятия решений.
Что такое Jev
Jev — первый публичный System One Model компании TypeSafe AI. Модель была представлена 15 сентября 2026 года. TypeSafe описывает её как «frontier-intelligence function call»: на вход поступает состояние системы и набор вопросов, а на выходе — типизированные вероятностные решения, которые программа может использовать напрямую.
Основатель TypeSafe AI Диогу Алмейда (Diogo Almeida) ранее работал в OpenAI над методами обучения моделей следовать инструкциям. В публикации о запуске Jev он пишет, что эта работа вошла в исследования, лежавшие в основе ChatGPT. Поэтому встречающаяся формулировка о «соавторе ChatGPT» слишком упрощает его роль.
Официальное описание Jev можно посмотреть в анонсе TypeSafe AI и документации модели.
Что означает System One Model
Название отсылает к концепции «Системы 1» и «Системы 2», популяризированной Дэниелом Канеманом. Здесь это скорее инженерная метафора.
Большая генеративная модель хорошо подходит для задачи вроде: «проанализируй эти документы, найди противоречия и подготовь заключение». Ей приходится рассуждать и генерировать последовательность токенов.
Jev рассчитан на другой вопрос: «к какому из пяти типов относится этот документ?» или «насколько вероятно, что письмо требует срочного ответа?».
Принцип Jev:
не создавать новый текст, когда программе на самом деле нужно принять небольшое решение.
Поэтому Jev не стоит рассматривать как замену ChatGPT, Claude или другим генеративным моделям. Это другой компонент системы. Подробнее о том, как такие компоненты объединяются вокруг модели, инструментов и памяти, мы разбирали в статье про agent harness для AI-агента.
Какие ответы умеет возвращать Jev
Вместо свободного текста TypeSafe использует три базовых типа вопросов. Они называются Choice, Score и Noul.
| Тип | Что делает | Пример |
|---|---|---|
| Choice | Выбирает один вариант из заданного списка | Продажи / поддержка / бухгалтерия |
| Score | Оценивает объект по заданной шкале | Низкий / средний / высокий приоритет |
| Noul | Возвращает вероятность того, что утверждение верно | Есть ли в письме запрос на возврат денег? |
Choice и Score также возвращают распределение вероятностей и confidence — степень уверенности. Noul возвращает вероятность от 0 до 1.
Это существенно для автоматизации. Программе не приходится получать ответ вроде «я думаю, что это, скорее всего, запрос в техническую поддержку», а затем пытаться извлечь из него слово technical. Она сразу получает значение, которое можно использовать в условии программы.
Почему Jev работает настолько быстро
Jev не генерирует ответ слово за словом. Возможные формы результата определяются заранее, а несколько вопросов к одному состоянию могут вычисляться параллельно.
TypeSafe заявляет для Jev задержку примерно 70–500 миллисекунд. Для подходящих под System One задач компания приводит диапазон ускорения примерно 40–200 раз по сравнению с frontier LLM.
На главной странице TypeSafe также опубликован отдельный workflow-тест с результатом 193,6× по скорости и 444,6× по стоимости. Важно понимать, что это измерения самой компании на специально определённых System One workloads, а не утверждение, что Jev будет в 200 раз быстрее любой LLM в любой задаче.
Практический вывод проще: если программе нужен выбор, классификация или оценка, генерация полноценного текста часто является лишней операцией.
Сколько стоит Jev
По данным TypeSafe на 1 октября 2026 года стоимость составляет $0,042 за 1 миллион входных токенов. Выходные токены для Jev не тарифицируются.
Причина необычной модели оплаты в том, что Jev не генерирует произвольный текст. Он возвращает заранее определённые структурированные результаты.
Для одного запроса разница может быть несущественной. Но архитектура становится интереснее при тысячах или миллионах маленьких решений: классификации сообщений, проверке результатов RAG, выборе инструмента агента, фильтрации событий и маршрутизации запросов.
Где Jev особенно полезен
Главная область применения Jev — места, где обычному программному if не хватает понимания смысла, но запуск полноценной LLM выглядит избыточным.
- Маршрутизация запросов. Определить, к какому процессу, сотруднику или AI-модели отправить задачу.
- Классификация лидов. Разделить обращения на продажи, поддержку, партнёрство, спам или другой заранее определённый класс.
- Выбор инструмента AI-агента. Решить, нужно ли искать файл, обращаться к CRM, запускать web search или подключать большую модель.
- Оценка результатов RAG. Проверить, соответствует ли найденный фрагмент вопросу и стоит ли передавать его генеративной модели.
- Приоритизация. Оценить срочность обращения, релевантность документа или качество найденного результата.
- Model routing. Определить, достаточно ли дешёвой модели или задача требует более мощной LLM.
Такой подход хорошо сочетается с архитектурой, которую мы разбирали в материале про Skills, RAG и маршрутизацию AI-агента.
Как Jev меняет архитектуру AI-агента
Типичная система сегодня часто отправляет почти каждое решение в одну большую модель. Пользователь написал запрос — LLM. Нужно выбрать инструмент — снова LLM. Нужно проверить результат — ещё один вызов LLM. Нужно определить следующий шаг — ещё один.
Jev позволяет разделить работу.
Источник данных → Jev → решение → код / небольшая модель / большая LLM → действие
Например, приходит обращение клиента. Jev за один запрос может определить тип обращения, срочность, уровень раздражения клиента и необходимость подключения специалиста. После этого обычный код решает, что делать дальше.
Если вопрос типовой — workflow выполняется без большой модели. Если нужно написать полноценный ответ — задача передаётся GPT или Claude. Если ситуация неоднозначная — можно отправить её менеджеру.
Это и есть гибридная архитектура: дорогая универсальная модель используется там, где действительно нужны её возможности, а небольшие решения обрабатываются специализированным компонентом.
Пример для бизнеса: разбор входящих заявок
Представим компанию, которая получает обращения через сайт, email и Telegram. Сейчас все сообщения отправляются в одну LLM с большим промптом.
С Jev первый этап можно построить иначе. Система передаёт текст обращения и одновременно задаёт несколько вопросов: в какой отдел направить заявку, есть ли коммерческий интерес, насколько обращение срочное и требуется ли полноценный AI-анализ.
После ответа обычный workflow выполняет нужное действие: создаёт запись в CRM, уведомляет менеджера, запускает генеративную модель или завершает автоматическую обработку.
Для n8n такой сценарий можно собрать через обычный HTTP Request к API TypeSafe, а результаты Choice, Score и Noul использовать в IF или Switch. Это хорошо ложится на классическую схему автоматизации: источник → AI-обработка → решение → CRM / таблица / уведомление / менеджер.
Другие практические варианты применения таких систем разобраны в статье об ИИ-агентах для автоматизации бизнеса.
Как подключить Jev
TypeSafe предоставляет REST API и SDK. В официальной документации используется endpoint POST https://api.typesafe.ai/v1/systemone. В запрос передаются два основных элемента: state — данные, которые нужно оценить, и questions — набор типизированных вопросов.
Есть официальный Python SDK typesafe-sdk. TypeSafe также публикует Agent Skill, который можно подключать к coding agents. Подробный пример API-запроса доступен в официальном Quick Start.
Для существующей системы полностью перестраивать архитектуру обычно не требуется. Jev можно поставить перед уже используемой LLM как классификатор, маршрутизатор или оценщик.
Что Jev не должен делать
Jev специально ограничен, и именно поэтому он интересен. Он не предназначен для написания статей, диалогов, программного кода или развёрнутых аналитических ответов.
В документации TypeSafe для версии jev-1.13 прямо указано, что точную математику, подсчёты и сравнение дат лучше выполнять обычным программным кодом. Модель также лучше работает с короткими конкретными вопросами, чем со сложными инструкциями, содержащими несколько независимых решений.
Есть ещё один важный принцип: не нужно передавать модели огромный массив данных «на всякий случай». Сначала обычным кодом или поиском лучше выбрать релевантный контекст, а затем дать Jev конкретную задачу.
То есть правильная архитектура выглядит не как «пусть AI решает всё», а как разделение обязанностей между кодом, специализированной моделью и генеративной LLM.
Что показала независимая проверка Jev
29 сентября 2026 года появился независимый исследовательский препринт Evaluating and Benchmarking the System One Model Jev. Авторы протестировали Jev 1.13.0 на 37 наборах данных: классификация, маршрутизация, понимание текста, moderation, юридические задачи и rubric scoring.
Всего было выполнено 346 009 запросов менее чем за $10. На ряде стандартных задач классификации Jev показал очень высокую точность, однако исследователи также обнаружили снижение качества на некоторых малоресурсных языках, сложных рубриках и нечётко определённых категориях.
Особенно интересен практический результат с бинарными решениями: вероятность, возвращаемая моделью, полезна, но универсальный порог 0,5 подходит не для каждой задачи. Для production-сценария порог автоматического действия лучше настраивать на собственных данных.
Это хорошо показывает, как Jev стоит использовать на практике: не как магический «да/нет-движок», а как быстрый вероятностный компонент внутри обычной программной логики.
С чего начать: простой MVP
Для проверки Jev не нужно перестраивать весь AI-проект. Достаточно найти один процесс, где большая модель сейчас регулярно выполняет маленькое решение.
Хороший первый MVP — обработка входящих обращений. Возьмите несколько сотен реальных примеров, определите 3–5 решений, которые сейчас принимает сотрудник или LLM, и сформулируйте для каждого отдельный Choice, Score или Noul.
Затем сравните три показателя: качество решений, задержку и стоимость текущего workflow. Если результат подходит, Jev можно постепенно перенести на другие узлы системы.
Особенно интересен такой подход для сложных AI-агентов и harness-систем, где модель многократно выбирает инструменты и маршруты. Например, в DeepSeek Harness и других агентских средах отдельный быстрый decision layer может использоваться до вызова основной модели.
Почему Jev может оказаться важнее ещё одной большой LLM
Главная идея Jev не в том, что появилась ещё одна «умная модель». Интереснее сам подход: не использовать генеративную LLM там, где системе нужен только небольшой структурированный вывод.
Современный AI-stack может постепенно стать похож на обычную программную архитектуру. Один компонент ищет данные, другой принимает быстрые вероятностные решения, третий выполняет точные вычисления, а мощная генеративная модель подключается только для сложного анализа или создания контента.
Если этот подход закрепится, развитие AI-агентов будет зависеть не только от того, насколько умна самая большая модель. Не менее важным станет правильное распределение тысяч маленьких решений между кодом и специализированными моделями.
И именно в этом Jev выглядит наиболее интересно: не как конкурент GPT или Claude, а как быстрый диспетчер перед ними.
Если в компании уже используется AI, но слишком много запросов отправляется в дорогие модели, можно начать с разбора одного workflow и определить, какие решения имеет смысл вынести в отдельный быстрый слой. CenterAI может помочь оценить такой MVP и архитектуру автоматизации.
FAQ
Jev — это LLM?
TypeSafe относит Jev к новому классу System One Models. В практическом смысле главное отличие состоит в том, что Jev не генерирует свободный текст, а возвращает заранее определённые типизированные решения.
Может ли Jev заменить ChatGPT или Claude?
Нет. Jev рассчитан на классификацию, выбор, scoring и другие небольшие решения. Для генерации текста, сложного анализа и длинного reasoning нужны генеративные модели.
Сколько стоит Jev?
На 1 октября 2026 года TypeSafe указывает цену $0,042 за миллион входных токенов. Выходные токены не тарифицируются.
Можно ли использовать Jev с n8n?
Да. API можно вызвать из HTTP Request node, а полученные структурированные значения использовать в IF, Switch и других узлах workflow.
Что такое Noul?
Noul — тип вопроса TypeSafe для бинарной оценки. Вместо текстового «да» или «нет» он возвращает вероятность от 0 до 1, которую программа может сравнить с заданным порогом.
Когда Jev использовать не стоит?
Когда требуется написать текст, выполнить точные вычисления, сравнить даты или решить сложную многошаговую задачу. В таких случаях лучше использовать обычный код или генеративную модель.
Источники и проверка
Дата последней проверки: 01.10.2026
Основные источники: