Модель Jev: цены API, сценарии и мгновенный доступ

Обновлено 24 октября 2026 года: добавлена Jev 1.14, теперь она доступна как jev-latest.

Модель Jev — это System One Model от TypeSafe AI. Она получает state в виде текста или JSON и типизированные вопросы, а возвращает типизированные решения вместо текста. Вызов идёт с model: "jev-latest", сейчас это Jev 1.14: $0.042 за 1M входных токенов, бесплатный выход и 64K токенов на запрос.

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

Кратко о модели Jev

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 нового в Jev 1.14?

Jev 1.14 (jev-1.14.0) стабильна с 14 октября 2026 года, и jev-latest, и jev-preview указывают на эту версию. Цена и стандартные лимиты не изменились; новое — две экспериментальные функции, которые включаются в каждом запросе отдельно.

Обе включаются заголовками, которые TypeSafe называет «danger zone». TypeSafe-Danger-Zone-Images: true добавляет изображения и новый тип вопроса Box, который возвращает координаты внутри картинки. TypeSafe-Danger-Zone-Long-Context: true расширяет окно до 262K токенов на запрос и на вопрос. По умолчанию всё выключено, без заголовка ничего не меняется. Релизная статья TypeSafe (проверена 24 октября 2026 года) просит использовать их на свой риск. Мы пока не проверяли эти два заголовка через OmniaKey.

Запросы с jev-1.13.0 продолжают работать, и стандартное тело не меняется: state, questions и необязательный model. Откат — одна строка, поэтому сначала прогоните свои реальные задачи на 1.14 и только потом переводите продакшен-трафик.

Что на самом деле делает Jev?

Jev удобно представить как вероятностную семантическую функцию:

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.

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 теме, недовольству и срочности.

curl https://api.omniakey.com/v1/alpha/search \
  -H "Authorization: Bearer $OMNIAKEY_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.

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. Модели d1 от Liquid AI принимают такие же ограниченные решения и также поставляются в виде открытых весов; см. обзор API Liquid AI d1.

JSON mode — это тоже другое. 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 вопросами с закрытыми вариантами.

Цены API Jev

TypeSafe указывает для Jev 1.14, как и для 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.

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

Контекстное окно и лимиты Jev

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.

Это прямые лимиты TypeSafe. У аккаунта OmniaKey могут быть собственные доступ, цены и квоты. Полные запросы, поля ответа, Python/Node.js и ошибки разобраны в руководстве по интеграции API Jev.

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:

1. Опубликованные замеры задержки обычно запускались с ноутбуков сотрудников на западном побережье США, где находился и сервис.
2. Задачи workflow подготовила команда model-capabilities TypeSafe, поэтому возможна предвзятость отбора.
3. Эталонный ответ усреднял GPT-6 Astra и Fable 5.1, что может давать преимущество этим семействам.
4. Конкурирующие LLM вызывались через OpenRouter и структурированный wrapper TypeSafe.
5. 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.

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

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

Доступна ли Jev через OmniaKey?

Да. Jev доступна через OmniaKey под ID jev-latest. Сейчас этот ID указывает на Jev 1.14, и OmniaKey передаёт его в TypeSafe без замены, поэтому при выходе новой версии переподключаться не нужно. Подавать заявку на early access TypeSafe или ждать одобрения из листа ожидания не нужно. Создайте отдельный ключ в панели API Keys и используйте его сразу. Карточка каталога — на странице модели Jev 1.14.

Отправьте нативное тело запроса Jev на POST https://api.omniakey.com/v1/alpha/search. Это отдельный endpoint Jev, а не endpoint OpenAI Chat Completions, поэтому сохраняйте структуру state и questions из примера выше. Smoke test 20 сентября вернул HTTP 200, итоговую модель jev-1.13.0, типизированные answers и token usage. Тот же запрос теперь разрешается в jev-1.14.0. 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, по умолчанию 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 заявлениями 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: распределять запросы, проверять выходы, оценивать ответы 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.

Как получить доступ к API Jev без листа ожидания?

Создайте API-ключ OmniaKey, отправьте нативное тело Jev на POST https://api.omniakey.com/v1/alpha/search и задайте model как jev-latest. Отдельный аккаунт TypeSafe и одобрение early access не нужны.

Сколько стоит API Jev?

TypeSafe указывает для Jev 1.14 цену $0.042 за миллион входных токенов, а выход сейчас бесплатен. Прямые цены и rate limits могут меняться в период early access.

Какая версия сейчас стоит за jev-latest?

Jev 1.14 (jev-1.14.0). jev-preview тоже пока указывает на эту сборку. Чтобы зафиксировать, укажите в запросе jev-1.13.0 или jev-1.14.0.

Поддерживает ли Jev изображения или русский язык?

По умолчанию она принимает текст. Строки, объекты JSON и массивы в итоге должны содержать текст. В Jev 1.14 изображения добавляются заголовком TypeSafe-Danger-Zone-Images: true, который TypeSafe помечает как экспериментальный. Русский и другие языки принимаются, но TypeSafe называет английский самым сильным и рекомендует проверять неанглийские нагрузки на собственных данных.

Можно ли пользоваться Jev бесплатно?

Проверенный прямой тариф берёт $0.042 за миллион входных токенов, а выход делает бесплатным. Бесплатный выход не означает бесплатный запрос. Пробный доступ, промокредиты и оплата шлюза имеют свои условия: проверьте предложение аккаунта, не предполагая общую бесплатную квоту.

Сколько параметров у модели Jev?

Официальная страница TypeSafe (проверена 24 октября 2026 года) указывает контекст и форматы ввода, но не число параметров. 64K и 32K — ограничения токенов, а не параметры модели. Из них нельзя вывести размер весов или требования к локальному оборудованию.

Первоисточники

• TypeSafe: Jev 1.14 release (на английском) (проверено 24 октября 2026 года)
• TypeSafe: Introducing System One Models & Jev (на английском)
• Документация TypeSafe: Introduction (на английском)
• Документация TypeSafe: System One (на английском)
• Документация TypeSafe: Models and pricing (на английском) (проверено 24 октября 2026 года)
• Документация TypeSafe: HTTP API reference (на английском)
• Документация TypeSafe: Confidence (на английском)
• Документация TypeSafe: Jev 1.13 jaggedness (на английском)

Цены, лимиты и детали Jev 1.14 перепроверены 24 октября 2026 года. Ранний smoke test шлюза остаётся датированным 20 сентября; это обновление не является новым платным тестом. Jev меняется быстро, поэтому перед эксплуатацией уточняйте версию и условия аккаунта.