JEV (TypeSafe AI): что это, чем отличается от LLM и как подключить из России

Коротко

JEV - первая публичная модель класса System One от TypeSafe AI. Она не пишет текст, а принимает типизированные решения: отдаёт готовый ответ с вероятностями и уверенностью (confidence), который код использует напрямую. Актуальная версия - jev-1.13.0: $42 за млрд входных токенов ($0,042 за млн), выход бесплатный, контекст 64k. По замерам вендора - до 193,6x быстрее и 444,6x дешевле LLM на System One задачах. Где подключить из России - карточка Jev.

Что такое JEV и TypeSafe AI

TypeSafe AI - лаборатория из Сан-Франциско. Основатели - выходцы из OpenAI, Google Brain и Meta/FAIR: CEO Диогу Алмейда соавтор RLHF и InstructGPT (методов, на которых вырос ChatGPT), COO Саша Шенг из Meta/FAIR, CTO Эрик Гафни.

JEV - флагман и первая публичная модель из нового класса System One Models.

Логика такая. LLM обучают через RLHF под человеческие предпочтения - получается «чат». Побочные эффекты RLHF: mode dropping, overconfidence, неполная надёжность, из-за чего нужен человек в цикле. TypeSafe пошли в обратную сторону и построили модель на другом алгоритме - RLCD (Reinforcement Learning for Calibrated Decisions). Результат - типизированные выходы и калиброванная уверенность: «decisions, not strings».

Главное отличие от LLM в одной строке: LLM генерирует текст для человека, JEV принимает решение для кода.

JEV vs LLM

Это не «замена ChatGPT», а другой инструмент. JEV встраивают туда, где раньше дёргали LLM ради одного ярлыка или порога.

Примитивы: чем именно спрашивают

JEV принимает state (текст или JSON) и набор questions, а отвечает на все параллельно. Три типа вопросов:

• Choice - выбрать один вариант из списка (choice + вероятности + confidence).
• Score - оценить по шкале (score + вероятности + confidence).
• Noul - да/нет, вернуть вероятность «да» (noul 0-1).

Пример - срочность обращения в поддержку:

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "Клиент третий день не может подключить Stripe и теряет продажи.",
    "model": "jev-latest",
    "questions": {
      "department": {"type": "choice", "instructions": "Кто обработает", "criteria": {"billing": "Платежи", "technical": "Интеграция", "sales": "Цены"}},
      "is_urgent":  {"type": "noul", "instructions": "Есть ли срочность"}
    }
  }'

В ответе - model: "jev-1.13.0", answers.department.choice с confidence и probabilities, answers.is_urgent.noul. Есть Python и JavaScript SDK (typesafe-sdk, @typesafe-ai/sdk) и agent-skill для Claude Code / Codex.

Почему быстрее и дешевле

state загружается один раз, все вопросы считаются параллельно, поэтому добавление вопросов почти не меняет время ответа. В докладе TypeSafe кейс с 13 вопросами по документу: батчинг в один вызов - 12,2x дешевле и 10x быстрее без изменения ответов.

Цены: $42 за млрд входных токенов, то есть $0,042 за млн, выходные токены бесплатны. Для сравнения, на главной TypeSafe заявлено, что входная цена в 238 раз ниже, чем у Claude Fable 5.1, а на System One workflow модель до 193,6x быстрее и 444,6x дешевле LLM. Все эти цифры - заявления вендора, зависят от задачи; проверяйте на своём кейсе.

Что JEV не умеет

TypeSafe сами публикуют список слабых мест jev-1.13:

• Не генерирует текст. Это не чат и не замена ChatGPT. Заставлять его писать - медленно и плохо.
• Не калькулятор. Счёт, арифметика, числовые сравнения - держите в коде.
• Даты читает как текст, не сравнивает и не считает интервалы. Извлекать части даты - можно, арифметику - нет.
• Literal reading. Отвечает на написанный вопрос, а не на подразумеваемый; double negatives и indirection снижают точность.
• Context rot. Чем больше в state лишнего, тем хуже; фильтруйте в коде.
• Adversarial content. Не относится к входу как к потенциально враждебному.
• Английский - основной язык. Русский и другие поддерживаются, но точность ниже - тестируйте на своих данных и следите за confidence.

Плюс JEV - закрытая модель: весов нет, self-host невозможен, на данных клиента не дообучается (кастомизация - только через state и instructions). Контраст с открытыми моделями - в гайде по локальному запуску.

Где JEV реально пригодится

Типовые задачи - там, где код принимает решение по нечёткому сигналу:

• маршрутизация обращений (billing/technical/sales, срочность, тональность);
• модерация и guardrails для LLM-приложений (пропустить / на ревью / блок);
• скоринг и классификация (RAG-пассажи, заявки, документы);
• извлечение значений выбором из вариантов.

Рабочий паттерн - «LLM пишет текст, JEV принимает решение, код действует». Цены на генерацию LLM для связки - в каталоге LLM API. Что строят на JEV - в директории madewithjev.com.

JEV из России: где получить доступ

JEV - облачная модель: весов в открытом доступе нет, локально её не запустить (в отличие от Llama и DeepSeek). Путь один - API. Официальный endpoint TypeSafe требует иностранную карту, поэтому из РФ удобнее агрегаторы нейросетей: один ключ, оплата в рублях, без VPN (как это работает). Актуальные цены и наличие - в каталоге LLM API.

Где купить доступ. Актуальные офферы - в карточке Jev:

Выходные токены бесплатны. Тарифы меняются - сверяйтесь в карточке модели; точную форму запроса у конкретного агрегатора берите из его документации.

Вывод

JEV - не ещё один чат, а попытка сделать модель для автоматизации: быстрые калиброванные решения, встраиваемые в код как обычные типы. LLM остаётся для генерации и сложного рассуждения; JEV забирает массовые «ярлыки» и пороги, где LLM дорого и медленно. Начинать стоит с одной узкой задачи и confidence-порогов, а тарифы - сверять в карточке Jev.