TypeSafe AI выпустила Jev, модель, которая отвечает числами вместо текста

На прошлой неделе, примерно за неделю до 21 сентября 2026 года, компания TypeSafe AI представила Jev, первый пример новой категории моделей, которую сама компания называет «System One». Блогер Саймон Уиллисон, автор разбора, вслед за Мэгги Эплтон предпочитает другой термин, «модели решений» (decision models). Jev принимает на входе обычный текст, но вместо текстового ответа возвращает числа с плавающей запятой: вероятность для утверждения, распределение вероятностей по вариантам выбора или оценку по заданной шкале. Сама TypeSafe описывает Jev так: «вызов функции с интеллектом уровня фронтир-моделей: на входе, неструктурированное состояние, на выходе, типизированные вероятностные решения».

Пользователь собирает объект «state», строку, массив строк или набор пар «имя-значение», описывающий, например, статью или клиента, и отправляет к нему один или несколько вопросов трёх типов. «Noul»-вопросы (по подтверждению CEO TypeSafe на Hacker News, термин происходит от распределения Бернулли), это вопросы «да/нет», на которые модель возвращает число от 0 до 1, насколько она уверена, что утверждение верно. Вопросы с выбором дают вероятностное распределение по предложенным вариантам. Вопросы с оценкой возвращают число вдоль числовой шкалы с описанием уровней. Вопросы к одному state обрабатываются параллельно, поэтому ответ на много вопросов занимает примерно столько же времени, сколько на один. Цена первой модели Jev, $0,042 за миллион входных токенов, вывод бесплатен; для сравнения, у GPT-5 Nano от OpenAI входной токен стоит $0,05 за миллион.

Уиллисон описывает Jev как удобный инструмент для задач, сводимых к классификации: обнаружение спама, расстановка меток, приоритизация и ранжирование. Сам он экспериментировал с переранжированием результатов поиска: недорогой алгоритм BM25 отбирает 100 вероятных совпадений, а затем Jev оценивает их релевантность исходному запросу.

Вокруг Jev за несколько дней после выпуска сложилось небольшое сообщество экспериментов. Кайл Пена сделал jevchat, по словам Уиллисона, «ужасный» чат-бот, который на каждом шаге задаёт Jev один вопрос: какой символ должен идти следующим с учётом вопроса пользователя и уже написанного ответа; пользователь Hacker News ericpruitt сравнил это с «цифровым эквивалентом разговора Морти с кристаллом смерти». Фатих Кадир Акын реализовал на Jev функцию left-pad (jev-leftpad) через вопрос с выбором нужного числа пробелов, а Энди Гейтон, jev-2048, играющую в игру 2048. Отдельно появилась попытка воспроизвести Jev на открытых весах: модель Kev, построенная на Qwen 3.5, вышла в версиях на 0,8, 4 и 9 миллиардов параметров, а для сравнения таких «моделей класса Jev» уже появился бенчмарк JevBench.

Уиллисону при этом некомфортно от того, насколько Jev усиливает проблему «чёрного ящика»: обычную LLM можно попросить объяснить решение, пусть и без гарантии, что объяснение точное, а Jev в ответ на любой ввод отдаёт только число, без каких-либо сигналов о том, что на него повлияло. Он прямо пишет, что не хотел бы, чтобы Jev использовали для ранжирования кандидатов на работу: такое число может скрывать любую неосознанную предвзятость модели, а вычленить её экспериментально будет непросто. В качестве иллюстрации он привёл собственный эксперимент: попросил Jev ответить да/нет на вопрос «Хороший ли это город?» для каждого города в районе залива Сан-Франциско, по оценке модели первым оказался Купертино, последним, Ист-Пало-Альто.

Ключевые факты

TypeSafe AI выпустила Jev, модель, которая вместо текста возвращает числа: вероятности для вопросов «да/нет», распределение по вариантам выбора или оценку по шкале.
Цена, $0,042 за миллион входных токенов, вывод бесплатен; это дешевле входного токена GPT-5 Nano от OpenAI ($0,05 за миллион).
Автор поста переранжировал результаты поиска: BM25 отбирает 100 кандидатов, Jev оценивает их релевантность исходному запросу.
Сообщество за несколько дней после выпуска сделало на Jev чат-бот jevchat, реализацию left-pad и версию игры 2048; появилась и открытая копия Kev на Qwen 3.5 (0,8B/4B/9B) с бенчмарком JevBench.
Автор предупреждает: из-за отсутствия объяснимости Jev особенно опасно использовать для ранжирования кандидатов на работу, скрытую предвзятость модели трудно выявить.

Почему это важно

Jev, заметный пример отхода от привычного формата LLM: вместо генерации текста модель отдаёт типизированное число под конкретный вопрос. Сама TypeSafe подаёт это как отдельную категорию, «вызов функции с интеллектом фронтир-модели», где на входе неструктурированные данные, а на выходе, готовое вероятностное решение. Это дешевле и быстрее, чем прогонять обычную LLM ради классификации или оценки, и превращает задачи вроде разметки, ранжирования или детекции спама в дешёвый API-вызов.

Кому это важно

Разработчикам, которые строят классификацию, фильтрацию спама, приоритизацию заявок или переранжирование поиска, именно на этом сценарии автор поста уже проверил Jev сам, связав его с алгоритмом BM25. Полезно и командам, которые сравнивают цену инфраструктуры: вывод у Jev бесплатен, а входной токен дешевле, чем у GPT-5 Nano от OpenAI. Отдельно это интересно исследователям, которые изучают прозрачность и предвзятость моделей: Jev, концентрированный пример системы, где решение видно, а рассуждение, нет.

Как это применить

Запрос к Jev, это объект «state» (текст, массив строк или пары «имя-значение») плюс один или несколько вопросов трёх типов: «да/нет» (внутреннее название, «Noul», от распределения Бернулли), выбор одного варианта из предложенных с распределением вероятностей и оценка по числовой шкале с описанием уровней. Вопросы к одному state обрабатываются параллельно, так что несколько вопросов не увеличивают время ответа. Цена, $0,042 за миллион входных токенов, вывод бесплатен. Рабочий пример из поста: недорогой BM25 отбирает 100 кандидатов, а Jev оценивает их релевантность исходному запросу, получается дешёвое переранжирование поиска.

Можно ли доверять

Источник, Саймон Уиллисон, известный практикующий блогер по ИИ, который проверял Jev сам и прямо цитирует формулировки TypeSafe. При этом заявленная цена и характеристики, это утверждения самой компании, независимой проверки в посте нет. Архитектура и базовая модель Jev не раскрыты (известно только, что открытая копия Kev построена на Qwen 3.5); имя CEO TypeSafe не названо; точная дата релиза Jev не указана, только «на прошлой неделе» и «чуть меньше недели назад» относительно 21 сентября 2026 года.

Риски и подводные камни

Главный риск сформулировал сам автор поста: Jev, ещё более закрытый «чёрный ящик», чем обычная LLM, потому что не даёт вообще никакого объяснения ответа, только число. Он прямо предупреждает не использовать Jev для ранжирования кандидатов на работу, скрытая предвзятость модели может незаметно влиять на итоговую оценку, а выявить её экспериментально сложно. Его собственный тест, оценка городов залива Сан-Франциско по вопросу «хороший ли это город», иллюстрирует, как модель выдаёт уверенный результат без какой-либо возможности проверить его логику.

«Представьте Jev как вызов функции с интеллектом уровня фронтир-моделей: на входе, неструктурированное состояние, на выходе, типизированные вероятностные решения.»

— TypeSafe AI, из описания продукта