Что такое Jev и почему его называют «моментом интернета» для ИИ

Опубликовано

Что такое Jev и почему его называют «моментом интернета» для ИИ

Рассортировать 500 писем за несколько секунд и 3,5 цента, классифицировать 1018 научных статей за 8 центов, принять 2700 решений для витрины украинского маркетплейса за полтора цента. Такие результаты пользователи показывают с Jev, новой моделью стартапа TypeSafe AI.

Jev стал первой моделью нового класса System One, его представили 15 сентября 2026 года. Он не пишет абзацы текста, как ChatGPT. Вы даёте ему данные и вопросы с готовыми вариантами, а он за доли секунды возвращает решение: «да» или «нет», один вариант из списка или оценку по вашей шкале, и показывает, насколько уверена. Миллион токенов на входе стоит $0,042, то есть около 4 центов, а за ответ плата не берётся. По оценке TypeSafe, на задачах такого типа Jev в 20–200 раз быстрее и в 40–400 раз дешевле обычных языковых моделей.

Модель нового типа: решения вместо текста

За несколько лет мы привыкли, что ИИ это чат. Задаёшь вопрос, получаешь длинный ответ, платишь за каждое слово и проверяешь, не выдумала ли модель что-нибудь. Для творческих задач так и должно быть. Но заметная часть работы ИИ в программах состоит не из текстов, а из решений: куда передать заявку, нарушает ли комментарий правила, какой шаг агент сделает дальше.

Jev создан как раз для таких решений. Модель не может ответить вне вариантов, которые вы задали, поэтому программа всегда получает ответ в нужном формате. Автор одного из самых популярных разборов в X описывает этот подход формулой: языковая модель создаёт работу, Jev решает, что делать дальше, а код выполняет решение.

Благодаря этому становятся доступны задачи, которые раньше казались дорогими и долгими. Проверить десятки тысяч описаний товаров, рассортировать десятки тысяч комментариев, оценить каждый шаг ИИ-агента: с большими языковыми моделями это стоило ощутимых денег и часов ожидания, с Jev обходится в центы и минуты.

Языковые модели (ChatGPT, Gemini и другие) Jev
Что возвращает Текст Решение в заданном формате: да/нет, вариант, балл
Скорость От нескольких секунд до минут 70–500 мс (по данным TypeSafe)
Цена $0,20–10 за миллион входных токенов, плюс оплата за ответ $0,042 за миллион входных токенов, ответ бесплатный
Пишет тексты и код Да Нет
Показывает уверенность Обычно нет Да, вероятность для каждого варианта

Токеном называют кусочек слова. Языковые модели считают текст и деньги именно в токенах.

Три типа вопросов

  1. «Да или нет». Например: «Есть ли в этом письме жалоба?» Модель вернёт вероятность, скажем, 0,92, то есть «почти наверняка да».
  2. Выбор из списка. Например: «В какой отдел передать заявку: продажи, поддержка или бухгалтерия?» Вариантов может быть до 255, и для каждого модель покажет вероятность.
  3. Оценка по шкале. Вы словами описываете от 2 до 10 уровней (от «текст не отвечает на запрос» до «полностью закрывает запрос»), а Jev ставит балл.

В одном запросе можно задать много вопросов об одних и тех же данных, и модель ответит на все одновременно.

Откуда взялся хайп

TypeSafe вышла из «режима невидимки» с $40 млн инвестиций и сразу показала рабочую модель и документацию. Основатель компании, Диогу Алмейда (Diogo Almeida), раньше работал в OpenAI над исследованиями, которые помогли создать ChatGPT. В собственных тестах TypeSafe модель Jev на отдельных задачах оказалась до 193 раз быстрее и до 444 раз дешевле языковых моделей.

За несколько дней в X появились десятки гайдов и разборов, а авторы нескольких вирусных постов назвали Jev «моментом интернета» для ИИ. На GitHub начали выкладывать открытые проекты на его основе: браузерных агентов, сжатие контекста, автоматизацию компьютера. Сначала доступ давали через лист ожидания, потом открыли для всех, а 22 сентября TypeSafe временно остановила регистрацию: спрос оказался больше, чем компания ожидала.

Что уже сделали с Jev

Этими кейсами пользователи поделились в X за первую неделю. Цифры приводим так, как их опубликовали авторы.

  • Почта. Riley Brown показал, как Jev сортирует 500 писем: на это ушло несколько секунд и 3,5 цента. Каждое письмо можно сразу отнести к действию: ответить, изучить, подождать или просмотреть.
  • Научные статьи. Hassan (@nutlope) классифицировал 1018 статей об ИИ по 24 темам. Вся работа стоила $0,08, а на одну статью в среднем ушло 256 миллисекунд. Краткое содержание каждой статьи готовила другая модель, а Jev выбирал тему.
  • Браузерный агент. Команда Browser Use сделала открытого агента, в котором Jev на каждом шаге выбирает следующее действие и нужный элемент страницы. Авиабилеты агент нашёл за 7 секунд и $0,0039.
  • Экономия токенов в Claude. Алекс Волков показал плагин для Claude, который с помощью Jev просматривает все вызовы инструментов и убирает лишние. По его словам, за секунду сессия сократилась примерно с миллиона токенов до 86 тысяч. Другой популярный пост предлагает на той же идее мгновенное сжатие контекста: Jev оценивает каждый вызов и отбрасывает ненужные, вместо того чтобы просить модель пересказать всё заново.
  • Выбор модели под задачу. LangChain описал схему, где Jev читает запрос и решает, какая модель его выполнит: простые задачи уходят дешёвой модели, сложные более мощной.
  • Маркетинговые агенты. Сервис Okara перевёл на Jev шесть своих агентов: SEO-аудит сайта, проверку, кого цитируют ChatGPT и Claude, подбор ключевых слов и статей, поиск обсуждений на Reddit, посты для LinkedIn и X. По данным Okara, агенты стали работать в 30 раз быстрее без потери качества.

Кейс TraficBank: витрина, которая не пустеет

Украинский маркетплейс TraficBank работает с доставкой Новой почтой. В каталоге около 108 тысяч товаров, в наличии примерно 26 тысяч, и эта цифра меняется каждый день. Полки главной страницы команда сначала подбирала вручную, конкретными товарами, но за две с половиной недели большая часть этих товаров закончилась у поставщика: две полки опустели, ещё три остались полупустыми. Владелец поставил условие: витрина должна оставаться полной и уместной, даже если её месяц никто не трогает.

Команда разделила работу так: код собирает факты (наличие, цены, спрос, квоты на бренды), Jev отвечает на вопросы, на которые код ответить не может, а владелец ставит задачу и принимает решения. О каждом товаре Jev получал два вопроса: главный ли это товар для темы полки, а не аксессуар, и интересен ли он широкой аудитории по типу и цене. Обогреватель за 1718 гривен набрал 0,96 и 0,89 и попал на полку. Батарейка 9V получила 0,04 как «главный товар», квадрокоптер за 155 тысяч гривен 0,05 как «массовый», и на главную ни один из них не попал.

Так же команда оценила темы полок (первыми стали «Тепло вдома» и энергонезависимость), 483 категории, чтобы найти сезонные, и 201 раздел каталога. Даже выбор архитектуры витрины сверили с Jev: гибрид из правил и ночной оценки получил 0,99 против 0,01 и 0,00 у других вариантов.

Что это дало команде:

  • За два дня команда получила около 2700 решений «подходит / не подходит» через 70 запросов.
  • Эти 70 запросов стоили около $0,015, то есть полтора цента.
  • По оценке команды, вручную одни эти решения заняли бы 11–15 часов сосредоточенной работы мерчендайзера.
  • Каждую ночь Jev оценивает новые товары для полок, а полки собираются из актуального наличия. Первый ночной прогон: 635 товаров и 1270 решений за 41 секунду.

Главная экономия в другом. Ежедневный пересчёт вручную никто бы не делал, а без него ручная подборка закончилась за две с половиной недели. Главное решали люди: владелец поставил условие, выбирал между вариантами и принимал SEO-тексты. Jev взял на себя тысячи мелких решений, и ежедневный пересчёт стал возможен.

Как Jev ускоряет ИИ-агентов

ИИ-агенты вроде Claude Code или Codex за одну задачу делают десятки вызовов инструментов, и на каждом шаге большая модель тратит токены, чтобы решить, что делать дальше. Многим из этих решений текст не нужен: «хватает ли данных?», «какой инструмент следующий?», «готов ли черновик?». Jev может взять их на себя и за долю секунды вернуть готовую оценку шага, а большая модель остаётся для того, что умеет лучше всего: исследовать, планировать и писать.

Вторая сильная идея: советоваться с Jev. Основная модель предлагает десяток идей, а Jev за один запрос оценивает каждую по вашим критериям и показывает, насколько уверен. Получается второе мнение, которое стоит доли цента.

Так же можно проверять и тексты. Для этой статьи мы дали Jev шесть вариантов заголовка и список проверенных фактов, и модель оценила каждый вариант на преувеличение. Заголовок «Jev меняет всё: новая ИИ-модель, которая делает ChatGPT ненужным» получил 98% вероятности преувеличения, а заголовок этой статьи «Что такое Jev и почему его называют „моментом интернета“ для ИИ» 20%.

Та же схема работает и для технических решений. Команда одного контентного проекта выбирала, как вести блог на тысячи статей: файлы вместе с кодом сайта, готовая CMS или своя админка. Jev получил описание проекта, технические ограничения платформы и три варианта, а потом ответил на пять вопросов:

  • Лучший вариант: статьи в файлах вместе с кодом, с вероятностью 99%. Готовая CMS получила 1%, своя админка 0%.
  • Замедлится ли сайт от тысяч статей: нет, вероятность всего 6%.
  • Нужна ли CMS, только если статьи публикуют не разработчики: скорее да, 73%.
  • Упрётся ли проект в технические лимиты платформы: 39%, то есть риск умеренный.
  • Насколько лишней будет своя админка: максимальная оценка по шкале, то есть много работы и почти никакой пользы.

Весь запрос занял 1102 токена, то есть примерно $0,00005.

Где Jev полезен для маркетинга, SEO и интернет-магазинов

Jev лучше всего работает там, где решений много, они похожи друг на друга, а варианты ответа известны заранее:

  • Каталог товаров. Проверить десятки тысяч описаний на соответствие характеристикам, найти одинаковые товары от разных поставщиков. В документации TypeSafe есть пример, где Jev сопоставляет 450 пар товаров из каталога.
  • Комментарии и отзывы. Рассортировать по теме и настроению, найти жалобы, убрать спам.
  • Заявки. Потенциальный клиент, спам или запрос в поддержку, и в какой отдел его передать.
  • Реклама и тексты. Нет ли в объявлении запрещённых обещаний, например гарантированного дохода.
  • SEO. Насколько страница отвечает поисковому запросу, какие из сотни идей для статей лучше всего подходят под тему сайта.
  • Персонализация. Какую страницу, товар или предложение показать конкретному посетителю.
  • Контроль другого ИИ. Действительно ли цитата в тексте, который написала языковая модель, есть в источнике.

Посчитаем примерно. Если на один комментарий вместе с вопросом приходится 300 токенов, 10 тысяч комментариев дадут 3 миллиона токенов, то есть около 13 центов.

А если вам просто нужен быстрый ответ «да или нет» без программирования, ради интереса попробуйте наш Решатель дилемм или Шар желаний 8.

Что стоит знать перед стартом

Jev дополняет языковые модели, а не заменяет их. Чтобы получить от него максимум, учтите, что говорит о модели сама TypeSafe:

  • Jev не пишет тексты, код и не объясняет решений. Для этого рядом нужна языковая модель.
  • Арифметику, подсчёты и сравнение дат лучше оставить обычному коду.
  • Условия стоит описывать чётко: модель понимает вопрос буквально.
  • Точность выше, когда в данных нет лишнего текста, не относящегося к решению.
  • Модель не выдумает ответ вне ваших вариантов, но может выбрать не тот вариант. Для важных решений смотрите на уверенность и передавайте сомнительные случаи человеку или более мощной модели.

Как попробовать Jev

  1. Зарегистрируйтесь в консоли TypeSafe: console.typesafe.ai. Если регистрацию ещё не возобновили, запишитесь в лист ожидания.
  2. Получите API-ключ: это пароль, по которому ваша программа обращается к модели.
  3. Отправьте первый запрос. Разработчикам доступны библиотеки для Python и JavaScript или обычный HTTP-запрос:
curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer ВАШ_КЛЮЧ" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jev-latest",
    "state": "Помогите! Выплаты не приходят уже три дня.",
    "questions": {
      "urgent": { "type": "noul", "instructions": "Это срочный запрос?" }
    }
  }'

В ответ придёт что-то вроде "noul": 0.95, то есть «почти наверняка срочный».

Если вы работаете с Claude Code или Codex, TypeSafe предлагает для них готовый модуль: агент сам разберётся, где в вашем проекте Jev может взять решения на себя.

Частые вопросы о Jev

Что такое Jev?

ИИ-модель Jev от TypeSafe AI стала первой моделью класса System One. Она не генерирует текст, а за долю секунды отвечает на вопросы с готовыми вариантами и показывает, насколько уверена в ответе.

Сколько стоит Jev?

$0,042 за миллион токенов входных данных, то есть около 4 центов. Ответ модели бесплатный.

Чем Jev отличается от ChatGPT?

ChatGPT пишет тексты и ведёт диалог. Jev принимает решения в заданном формате, поэтому он намного быстрее и дешевле на задачах сортировки, оценки и выбора. Лучше всего они работают вместе.

Для чего используют Jev?

Для сортировки писем, заявок и комментариев, модерации, подбора товаров для витрины интернет-магазина, проверки текстов, выбора модели под задачу, управления браузерными агентами и экономии токенов в ИИ-агентах вроде Claude Code.

Как получить доступ к Jev?

Через консоль console.typesafe.ai. 22 сентября 2026 года TypeSafe временно остановила новые регистрации из-за высокого спроса, поэтому доступ может появиться не сразу.

Источники