Модель Jev — первая System One Model от TypeSafe AI. Она предназначена для узких структурированных суждений, результат которых программа может использовать напрямую. Вместо написания абзаца Jev получает текстовое или JSON-поле state, оценивает один или несколько типизированных вопросов и возвращает варианты, баллы, вероятности и значения уверенности.

Поэтому Jev интересна для классификации, маршрутизации, ранжирования, проверки и guardrails. Но она не заменяет чат-модель, модель для программирования, калькулятор или детерминированное бизнес-правило.

Факты проверены 19 сентября 2026 года. Jev вышла в early access 15 сентября. Текущая документированная модель — jev-1.13.0. Цены, лимиты, задержка и заявления о возможностях ниже взяты из релизной статьи и документации TypeSafe. Мы не получали закрытый брифинг, не запускали оплачиваемый benchmark Jev и не воспроизводили независимо заявления TypeSafe о скорости и качестве.

Кратко о модели Jev

Параметр	Текущее документированное значение
Разработчик	TypeSafe AI
Класс модели	System One Model
Текущий ID версии	`jev-1.13.0`
Стабильный alias	`jev-latest`
Endpoint	`POST https://api.typesafe.ai/v1/systemone`
Вход	Только текст: строка, объект JSON или массив текстовых значений
Выход	Типизированные ответы `Choice`, `Score` и `Noul`
Контекст	64K токенов на запрос; 32K для `state` вместе с самым длинным вопросом
Цена прямого API	$0.042 за 1M входных токенов; выход сейчас бесплатный
Опубликованные стандартные лимиты	250,000 входных токенов/с и 1,200 запросов/мин; могут измениться
Заявленная поставщиком задержка	70–500 ms от начала до конца
Статус	Early access

Официальное написание — Jev, это не аббревиатура J-E-V. TypeSafe сообщает, что название дано в честь экономиста William Stanley Jevons. Термин «System One» отсылает к быстрой интуитивной Системе 1, описанной Daniel Kahneman в книге Thinking, Fast and Slow.

Что на самом деле делает Jev?

Jev удобно представить как вероятностную семантическую функцию:

text

неструктурированное или структурированное состояние
  + заранее заданные вопросы и пространства ответов
  -> типизированные решения и распределения вероятностей

Обычная LLM оптимизирована на продолжение последовательности и генерацию строк. Даже с JSON mode приложение всё равно просит генеративную модель составить ответ. Jev отказывается от свободной генерации. Клиент сначала определяет допустимую форму выхода, после чего модель оценивает каждый вопрос относительно одного состояния.

TypeSafe называет метод обучения Reinforcement Learning for Calibrated Decisions (RLCD). Его цель — не просто выбрать ответ, а выдать вероятности, у которых уверенность соответствует точности на группах предсказаний. Calibration — статистическое свойство: вероятность 0.8 должна соответствовать примерно 80% точности на сопоставимых случаях. Она не гарантирует правильность одного конкретного ответа.

Choice, Score и Noul

Jev предлагает три типа вопросов. Это основа API, а не параметры форматирования, применяемые после генерации.

Primitive	Форма вопроса	Возвращаемое значение	Подходящие задачи
`Choice`	Какой вариант подходит?	Выбранный вариант, вероятность каждого варианта, уверенность	Маршрутизация намерений, классификация, ранжирование закрытого набора
`Score`	Где это находится на описанной шкале?	Взвешенный балл, вероятности уровней, уверенность	Серьёзность, качество, срочность, диапазоны риска
`Noul`	Верно ли утверждение?	Вероятность от 0 до 1	Обнаружение, проверка, бинарные gates

Choice может содержать до 255 вариантов. Score принимает от 2 до 10 описанных уровней. У Noul нет отдельного поля уверенности, потому что значение от 0 до 1 уже является вероятностью ответа «да».

Несколько вопросов в одном запросе оцениваются независимо и параллельно относительно одного состояния. Это удобно, когда workflow нужны разные сигналы, но один ответ не становится автоматически условием другого. Если вопрос B зависит от вопроса A, эту зависимость нужно явно выразить в коде.

Пример запроса к API Jev

Сокращённый пример соответствует документированной TypeSafe структуре запроса. Одно сообщение в поддержку за один вызов оценивается по маршруту, недовольству и срочности.

bash

curl https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "My payouts have failed for three days and I am losing sales. Please help now.",
    "model": "jev-latest",
    "questions": {
      "department": {
        "type": "choice",
        "instructions": "Which team should handle this?",
        "criteria": {
          "billing": "Payments, invoices, or refunds",
          "technical": "Bugs, outages, or integrations",
          "sales": "Pricing, upgrades, or new accounts"
        }
      },
      "frustration": {
        "type": "score",
        "instructions": "How frustrated is the customer?",
        "criteria": ["Calm", "Frustrated", "Very angry"]
      },
      "is_urgent": {
        "type": "noul",
        "instructions": "Does this message convey urgency?"
      }
    }
  }'

Ответ сохраняет те же ID вопросов. department возвращает одну из трёх разрешённых строк и распределение по всем трём. frustration может быть дробным, поскольку это взвешенное по вероятности положение на заданных уровнях. is_urgent возвращает только вероятность ответа «да».

Точные значения зависят от входа, criteria и версии модели. Именно ваш код, а не модель, решает, какая вероятность достаточна для действия.

Jev, LLM и классификатор

Jev занимает полезное промежуточное положение, однако различия существенны.

Характеристика	Jev	Генеративная LLM	Традиционный классификатор
Основная задача	Ограниченные семантические суждения	Генерация или рассуждение в свободном тексте	Предсказание меток для одной фиксированной задачи
Пространство выхода	Задаётся в каждом запросе	Открытое даже при ограничении schema	Фиксируется обучением
Новый критерий	Описывается в запросе	Prompt или tool schema	Обычно нужны данные и переобучение
Вероятности	Полноценный ответ API	Часто недоступны или плохо откалиброваны	Обычны, если модель их раскрывает
Генерация текста	Нет	Да	Нет
Лучшая роль	Семантическая развилка внутри workflow	Создание, объяснение, код, многошаговое рассуждение	Стабильная массовая задача с размеченными данными

Называя Jev «просто классификатором», мы упускаем гибкость критериев во время запроса. Называя её «более быстрой LLM», мы забываем, что она не может создать объяснение, письмо, код или новый ответ вне переданных вариантов.

JSON mode тоже не даёт такой же контракт. Он ограничивает синтаксис сгенерированного текста. Jev ограничивает само пространство ответов и возвращает полное распределение, использованное для решения. Это полезно только тогда, когда задачу можно выразить ограниченными вопросами.

Цена, контекст и пропускная способность

Сейчас TypeSafe указывает для Jev 1.13 цену $0.042 за миллион входных токенов, или $42 за миллиард. Выход бесплатен как «слишком дешёвый для учёта», хотя ответ всё равно сообщает использование выходных токенов.

Объём входа	Прямая стоимость входа Jev
10,000 токенов	$0.00042
1 миллион токенов	$0.042
100 миллионов токенов	$4.20
1 миллиард токенов	$42.00

Это арифметические примеры, а не замеры счетов. Они не учитывают retries, предварительную обработку, другую модель в cascade, хранение, инженерную работу и будущие изменения цены.

Контекст ограничен сразу двумя условиями: весь state со всеми вопросами должен помещаться в 64K токенов, а state с одним самым длинным вопросом — в 32K. Больше контекста не всегда лучше. Собственное руководство TypeSafe по jaggedness говорит, что нерелевантные детали снижают точность.

Опубликованные 250,000 токенов/с и 1,200 запросов/мин — лимиты аккаунта, а не обещание скорости одного запроса. TypeSafe прямо предупреждает, что в период early access они меняются динамически.

Насколько убедительно заявление о скорости?

TypeSafe сообщает об общем времени ответа 70–500 ms и утверждает, что Jev может быть в 40–200 раз быстрее frontier-моделей на запросах «формы System One» при сопоставимом интеллекте. В материалах запуска также выделена оценка workflow, где Jev оказалась в 193.6 раза быстрее и в 444.6 раза дешевле.

Это результаты поставщика, а не нейтральный benchmark. TypeSafe раскрывает несколько важных ограничений:

Опубликованные замеры задержки обычно запускались с ноутбуков сотрудников на западном побережье США, где находился и сервис.
Задачи workflow подготовила команда model-capabilities TypeSafe, поэтому возможна предвзятость отбора.
Эталонный ответ усреднял GPT-6 Astra и Fable 5.1, что может давать преимущество этим семействам.
Конкурирующие LLM вызывались через OpenRouter и структурированный wrapper TypeSafe.
Сама TypeSafe называет результаты 193.6x и 444.6x верхней границей ожидаемого выигрыша в реальных условиях.

Корректный вывод уже: ограниченный выход и параллельная оценка Jev дают правдоподобный путь к очень низким задержкам и стоимости для ограниченных решений. Они не доказывают, что Jev в 40–200 раз быстрее на любой задаче, равна frontier LLM по общему интеллекту или лучше справляется с генерацией и многошаговыми рассуждениями.

«Ноль галлюцинаций» требует точного определения

TypeSafe рекламирует Jev как модель, которая не может галлюцинировать. Защитимая часть утверждения — безопасность schema: ответ Choice не может придумать четвёртый вариант, а сервис не должен возвращать прозу там, где код ожидает число. TypeSafe утверждает, что это соответствие гарантировано конструкцией, а не измерено как эмпирическая нулевая доля ошибок.

Но типизированный ответ всё равно может быть неверным по смыслу. В документации Jev 1.13 перечислены ошибки, связанные с:

слишком буквальным чтением и пропуском подразумеваемого намерения;
ненадёжным счётом, арифметикой, датами и числовой точностью;
многошаговой косвенной логикой;
длинным состоянием с нерелевантными подробностями;
adversarial-содержимым или prompt injection;
противоречивыми instructions и criteria;
вероятностями, которые не соблюдают интуитивные тождества между отдельно сформулированными вопросами;
любой задачей, требующей генерации текста.

Практическое утверждение звучит так: нулевая генерация вне схемы, а не нулевая вероятность ошибки решения. Продакшен-коду всё равно нужны данные для оценки, консервативные пороги, детерминированная проверка и путь эскалации.

Где Jev подходит лучше всего

Jev стоит рассмотреть при одновременном выполнении трёх условий: пространство ответов ограничено, суждение семантическое, а не математическое, и результат будет использовать другая программа.

Нагрузка	Почему Jev может подойти	Важный guardrail
Маршрутизация обращений	Закрытый набор команд и полезный сигнал неопределённости	Добавить `other`; низкую уверенность проверять вручную
Фильтрация RAG-фрагментов	Оценка релевантности, противоречия или риска injection	Проверять первоисточник вне модели
Guardrails входа и выхода LLM	Несколько узких проверок параллельно в одном запросе	Тестировать adversarial input как полноценную threat model
Entity matching	Оценка, относятся ли две записи к одному объекту	Точные ID и инварианты обеспечивать кодом
Модерация контента	Ограниченные метки и уровни серьёзности	Настраивать пороги по категориям вреда
Маршрутизация действий Agent	Выбрать tool или решить, применима ли skill	Права и проверки разрушительных действий оставить в коде

Jev не стоит выбирать по умолчанию для написания, суммаризации, генерации кода, открытого извлечения, точной арифметики, сравнения дат и длинных причинно-следственных рассуждений. Точную логику выполняйте обычным кодом, а когда нужно создать сам выход — генеративной или reasoning-моделью.

Чек-лист для продакшена

Детерминированная работа остаётся в коде. Разбирайте даты, считайте элементы и деньги, применяйте права без модели.
Задавайте атомарные вопросы. Разделите «Одобрить ли запрос?» на независимые факты, от которых зависит решение.
Опишите все границы. Добавьте other или none, если Choice не исчерпывающий, и задайте конкретные уровни Score.
Тестируйте на своём распределении. Основной язык обучения — английский; TypeSafe говорит, что другие языки, включая письменности CJK, работают не одинаково.
Калибруйте действия, не только прогнозы. Обратимая маршрутизация UI и автоматизация с большими последствиями не должны использовать один порог.
После настройки закрепите версию. jev-latest может измениться. Логируйте ID версии в ответе и переносите пороги осознанно.
Эскалируйте неопределённость. Передавайте неоднозначные случаи человеку или более медленной reasoning-модели вместо принудительного решения.
Считайте стоимость принятой задачи. Учитывайте retries, неверные решения, ручную проверку и последующие вызовы LLM, а не только цену токенов.

Доступна ли Jev через OmniaKey?

На дату проверки — нет. Мы не нашли маршрут Jev в текущем каталоге или кодовой базе OmniaKey. Endpoint и цены в этой статье относятся к прямому API TypeSafe, и публикация этого руководства не означает интеграцию с OmniaKey.

Фактическую доступность в gateway проверяйте в актуальном каталоге моделей OmniaKey. Для открытых задач программирования и Agent руководство по моделям для coding Agents рассматривает генеративные модели другого слоя стека.

Итоговый вывод

Jev лучше понимать как новый интерфейс семантических решений, а не универсальную замену LLM. Главная идея проста: нечёткое суждение выполняет модель, выход ограничивается понятным программе типом, неопределённость становится явной, а композиция и точная логика остаются в коде.

Текущий API необычно дёшев на бумаге, а архитектура рассчитана на низкую задержку. При этом модель находится в early access, принимает только текст, лучше всего работает на английском и имеет документированные слабости в математике, датах, косвенной логике, нерелевантном контексте и adversarial input. До появления сопоставимых независимых тестов сравнения скорости и интеллекта следует считать данными поставщика.

Частые вопросы

Jev — это LLM?

TypeSafe называет Jev System One Model, а не LLM. Она понимает состояние на естественном языке, но не генерирует свободный текст. В изученных источниках недостаточно архитектурных деталей, чтобы независимо установить, насколько базовая сеть похожа на обычную языковую модель.

Может ли Jev заменить GPT или Claude?

Нет. Jev не умеет писать, объяснять, программировать и выполнять открытую генерацию. Она может дополнять генеративную модель: маршрутизировать запросы, проверять выходы, оценивать доказательства или решать, когда запускать более медленную модель.

Что означают Choice, Score и Noul?

Choice выбирает из закрытого набора и возвращает вероятности всех вариантов. Score размещает состояние на 2–10 описанных уровнях. Noul возвращает вероятность истинности утверждения с ответом «да» или «нет».

У Jev действительно ноль галлюцинаций?

Она не может сгенерировать значение вне заявленного типа ответа, что устраняет большой класс ошибок parsing и schema. Но она всё равно может выбрать неверный допустимый вариант или присвоить вводящую в заблуждение вероятность. Типобезопасность не равна семантической правильности.

Сколько стоит API Jev?

TypeSafe указывает для Jev 1.13 цену $0.042 за миллион входных токенов, а выход сейчас бесплатен. Прямые цены и rate limits могут меняться в период early access.

Поддерживает ли Jev изображения или русский язык?

Она поддерживает только текст. Строки, объекты JSON и массивы в итоге должны содержать текст. Русский и другие языки принимаются, но TypeSafe называет английский самым сильным и рекомендует проверять неанглийские нагрузки на собственных данных.

Первоисточники

Данные проверены 19 сентября 2026 года. Jev быстро меняется в период early access; перед продакшеном ещё раз проверьте ID версии, цену, лимиты, поведение на нужном языке и условия работы с данными.

Изучить OmniaKey Открыть каталог моделей

Что такое модель Jev?

МОДЕЛЬ JEV