TypeSafe Jev против OpenAI Decisions API: быстрые решения ИИ по цене $0,042 за 1 млн токенов

Новая компания в сфере ИИ привлекла 870 млн долларов всего через несколько недель после запуска модели, которая не пытается писать эссе, код или дружелюбные ответы в чате.

Компания называется TypeSafe AI.

Её модель называется Jev.

TypeSafe объявила о раунде Series A 9 октября 2026 года при оценке в 7,5 млрд долларов. Раунд возглавила Andreessen Horowitz; в нём также приняли участие Sequoia Capital, существующий инвестор DCVC и другие инвесторы.

Основатели компании также привлекли внимание.

TypeSafe основали Эрик Гафни, Саша Шэн и Диогу Алмейда. Ранее Алмейда работал в OpenAI и участвовал в разработке исследований, лежавших в основе систем следования инструкциям эпохи ChatGPT. Шэн ранее работала в Meta/FAIR, а Гафни имеет опыт в инженерии и создании стартапов.

Публичный запуск Jev состоялся 15 сентября.

Всего две недели спустя OpenAI объявила об ограниченном предварительном доступе к продукту, поразительно похожему по направлению: быстрому API, возвращающему вероятности, варианты выбора и оценки вместо длинного сгенерированного текста. 6 октября OpenAI перевела этот продукт, Decisions API, в статус публичной бета-версии.

Позже руководитель продуктового направления OpenAI API Никундж Ханда открыто признал, что Jev вдохновила создание этой продуктовой категории.

Это делает Jev интересной по двум причинам.

Во-первых, модель предлагает другой способ использования ИИ внутри программного обеспечения.

Во-вторых, она заставила передовую исследовательскую лабораторию необычно быстро отреагировать.

Jev не пытается быть ИИ, с которым вы разговариваете.

Она пытается быть ИИ, к которому ваше программное обеспечение обращается тысячи или миллионы раз, а вы при этом никогда не видите ответ.

Jev создана для небольших решений, которые программное обеспечение принимает весь день

Откройте почтовый ящик — и перед вами окажутся сотни небольших решений, которые нужно принять.

Важно ли это сообщение?

Содержит ли оно счёт, срок действия которого скоро истекает?

Требуется ли срочный ответ?

Изменилось ли время встречи?

Нужно ли архивировать сообщение, передать его на эскалацию или проигнорировать?

Универсальная языковая модель уже может отвечать на такие вопросы.

Проблема в том, что обычная LLM часто создаётся для генерации языка.

Для одного электронного письма эти дополнительные затраты могут быть несущественными.

Но при работе в масштабе они становятся важными.

Если приложение принимает однотипные решения тысячи или миллионы раз в день, небольшие различия в задержке и стоимости превращаются в крупные операционные расходы.

Jev специально разработана для таких повторяющихся решений.

На входе — состояние, на выходе — типизированное решение

TypeSafe описывает Jev как System One Model.

Это отсылка к быстрой, интуитивной форме мышления «Система 1», популяризированной Даниэлем Канеманом.

Вместо просьбы сгенерировать абзац приложение передаёт Jev некоторое состояние и набор заранее определённых вопросов.

Jev возвращает типизированные значения, например:

• Вариант из разрешённого набора.
• Оценку по заданной шкале.
• Вероятность истинности утверждения.

Приложение может использовать результат напрямую.

Упрощённая схема выглядит так:

Входящее электронное письмо
      ↓
Jev оценивает несколько вопросов
      ↓
urgent_reply = 0.91
billing_related = 0.74
meeting_change = 0.03
      ↓
Приложение применяет собственные правила
      ↓
Оповестить / архивировать / направить / отправить на проверку

Ключевое различие заключается в интерфейсе.

При работе с универсальной языковой моделью разработчики часто просят вернуть JSON или другой структурированный формат, а затем проверяют сгенерированный ответ.

В Jev типизированные результаты решений являются основой продукта.

API TypeSafe предоставляет один эндпоинт systemone и позволяет разработчикам отправлять несколько вопросов относительно одного общего состояния.

Один запрос может оценивать несколько вопросов

TypeSafe делает акцент на параллельном принятии решений.

Если приложению нужно оценить один и тот же вход по нескольким независимым критериям, эти вопросы можно отправить вместе, не превращая каждый из них в отдельный диалоговый ход.

Это полезно для программного обеспечения, которому нужно ответить на такие вопросы:

• В какой отдел следует направить этот тикет?
• Насколько он срочный?
• Нужна ли проверка человеком?
• Содержит ли он конфиденциальную информацию?
• Может ли запрос нарушать правила?

Затем приложение объединяет эти результаты с помощью обычного кода.

Именно поэтому Jev больше похожа не на чат-бота, а на интеллектуальное условное выражение.

Почему цена $0,042 за 1 млн входных токенов имеет значение

В настоящее время TypeSafe указывает для Jev следующие цены:

TypeSafe утверждает, что выходные данные слишком дёшевы для отдельного тарифицирования, поскольку Jev не генерирует длинные последовательности токенов авторегрессионным способом.

Цена важна потому, что Jev предназначена для решений, которые могут приниматься очень часто.

Решение, автоматизация которого слишком дорога для каждого действия пользователя, может стать практически целесообразным, если стоимость снизится на порядок.

Это создаёт другой вопрос о развёртывании.

Вместо вопроса:

Достаточно ли это важно, чтобы вызвать модель ИИ?

команды разработчиков могут начать спрашивать:

Почему бы не поручить ИИ оценивать ещё и этот небольшой шаг?

В этом заключается экономическое обоснование продукта.

Низкая цена не означает автоматически низкую совокупную стоимость

Заявленная цена за токены — лишь одна часть производственных расходов.

Командам по-прежнему необходимо измерять:

• Объём запросов.
• Среднюю длину входных данных.
• Стоимость ложноположительных результатов.
• Стоимость ложноотрицательных результатов.
• Объём проверок, выполняемых людьми.
• Логику повторных попыток.
• Инфраструктуру мониторинга и оценки.

Дешёвое решение, которое слишком часто оказывается неверным, всё равно может быть дорогим.

Этот момент становится особенно важным далее, в независимой оценке Jev.

Разработчики чрезвычайно быстро приняли Jev

Vercel почти сразу после запуска добавила Jev в AI Gateway.

Реакция в первый день была необычно сильной.

По данным Vercel, в течение 24 часов Jev использовали почти 13% платных команд AI Gateway.

Это было более чем вдвое выше охвата первого дня у любой предыдущей модели, запускавшейся на платформе.

Позже Vercel назвала Jev моделью с самым быстрым внедрением в истории AI Gateway.

Такой всплеск в первый день не доказывает долгосрочное удержание пользователей.

Однако он показывает, что разработчики сразу распознали класс задач, для которых узкая модель принятия решений может быть полезна.

Vercel приводит такие примеры:

• Направление агента к следующему инструменту.
• Решение о том, следует ли продолжить рабочий процесс, повторить попытку, запросить информацию у пользователя или остановиться.
• Оценка срочности или риска.
• Проверка результата модели.
• Обеспечение защитных ограничений.
• Передача случаев с низкой уверенностью людям.

Это не самые эффектные задачи.

Но именно такие задачи производственное программное обеспечение выполняет постоянно.

Бывший исследователь OpenAI годами размышлял об этой проблеме

Идея Jev не возникла за одну ночь.

Диогу Алмейда рассказывал, что во время работы в OpenAI всё больше интересовался базовым вопросом:

Если ИИ преобразит экономику, кто в будущем будет выполнять большинство вызовов моделей?

Люди, вручную открывающие окна чата?

Или программное обеспечение, автоматически вызывающее интеллект в фоновом режиме?

Он выбрал второй вариант.

Это меняет то, что должен оптимизировать интерфейс ИИ.

Модели, ориентированные на людей, выигрывают от естественного диалога, гибкой прозы, объяснений и творчества.

Модели, ориентированные на программное обеспечение, выигрывают от:

• Предсказуемых схем.
• Низкой задержки.
• Низкой стоимости.
• Стабильных типов.
• Полезных оценок уверенности.
• Простого встраивания в код.

Алмейда описывал Jev как ответ на разрыв между моделями, впечатляющими в разговоре, и моделями, которые легко использовать как надёжные программные примитивы.

TypeSafe утверждает, что разрабатывала систему около двух лет до публичного запуска.

Две недели спустя OpenAI вошла в ту же категорию

Запуск Jev не остался незамеченным внутри OpenAI.

В интервью Latent Space, записанном примерно во время OpenAI DevDay, руководитель продуктового направления API Никундж Ханда прямо признал, что Jev вдохновила продвижение Decisions API.

Он объяснил, что пользователи и внутренние команды запрашивали значительно более быструю систему классификации.

Он также подтвердил, что всего несколькими неделями ранее этот проект ещё не входил в дорожную карту.

OpenAI не обучала совершенно новую базовую модель специально для первой версии.

Вместо этого компания использовала GPT-6 Luna и создала вокруг неё специализированный интерфейс принятия решений и путь инференса.

Теперь результат доступен в публичной бета-версии через:

POST /v1/decisions

Decisions API принимает общие свидетельства и один или несколько вопросов, а затем возвращает типизированные ответы.

В настоящее время OpenAI поддерживает три типа вопросов:

Это во многом пересекается с вариантами использования, на которые нацелена Jev.

OpenAI использует GPT-6 Luna вместо отдельной модели, похожей на Jev

Это главное архитектурное различие между доступными сегодня публичными продуктами.

TypeSafe утверждает, что Jev использует специализированную архитектуру модели и метод обучения, который компания называет Reinforcement Learning for Calibrated Decisions (RLCD).

Первая версия OpenAI Decisions API вместо этого использует веса существующей GPT-6 Luna со специализированным интерфейсом обслуживания решений.

Концептуально:

TypeSafe:
Специализированная модель принятия решений
→ типизированный вероятностный результат

OpenAI:
GPT-6 Luna
→ специализированный путь Decisions API
→ типизированный вероятностный результат

Это означает, что для разработчиков два продукта могут выглядеть похожими, хотя внутри используют разные подходы.

OpenAI добавляет решения на основе изображений

Одно из практических различий — поддерживаемая модальность входных данных.

Текущий OpenAI Decisions API принимает текст, изображения или оба типа данных.

Публичный запуск Jev от TypeSafe был сосредоточен на входных данных в виде текста и состояния.

В документации OpenAI приведён пример, в котором API анализирует фотографию товара и оценивает наличие видимых повреждений, например трещины, разрыва или вмятины.

Приложение электронной коммерции может использовать такой подход для автоматической отправки изображений на проверку.

Например:

Фотография товара
→ Decisions API проверяет наличие видимых повреждений
→ вероятность = высокая
→ направить на ручную проверку

Это хороший пример того, почему API принятия решений могут работать внутри обычного программного обеспечения, вообще не создавая ответа, предназначенного для пользователя.

Пользователь может никогда не узнать, какая модель анализировала фотографию.

Он лишь видит результат рабочего процесса.

Jev дешевле; OpenAI заявляет о задержке примерно в 10 раз ниже, чем у собственного пути Responses

Текущие публичные цены достаточно просты.

По базовой цене входных токенов Jev дешевле.

В документации OpenAI Decisions говорится, что API возвращает типизированные ответы примерно в 10 раз быстрее, чем Responses API.

Это заявление о десятикратном ускорении относится именно к сравнению с собственным путём Responses API от OpenAI.

Это не опубликованное прямое сравнение, показывающее десятикратное преимущество по скорости над Jev.

Это различие важно.

Аналогично, TypeSafe публикует значительно более крупные показатели ускорения и снижения стоимости в собственных оценках рабочих процессов, но прямо признаёт, что эти тесты основаны на собственной методологии и могут отражать верхнюю границу преимуществ в реальных условиях.

Для выбора решения в производственной среде командам следует тестировать реальные рабочие нагрузки.

OpenAI не скрывала влияния Jev

Необычным в этой истории делает продукт то, насколько прямо OpenAI признала источник вдохновения.

В интервью Latent Space Ханда сказал, что Jev вдохновила эту категорию и что пользователи OpenAI и внутренние команды быстро начали запрашивать аналогичную возможность быстрой классификации.

Он рассказал, что небольшая внутренняя группа быстро создала прототип, а затем оптимизировала задержку.

Это не означает, что Jev и Decisions API идентичны.

Но это показывает, что TypeSafe обнаружила реальный пробел в продуктах.

Конкуренция перешла от вопроса:

У кого самая мощная универсальная модель?

к другому вопросу:

Какой программный примитив для конкретного повторяющегося решения
внутри программного обеспечения является самым дешёвым и быстрым?

Это другой рынок, отличный от традиционного сравнения чат-ботов.

Короткий ответ всё равно может быть ошибочным

Низкая цена Jev вскоре после запуска получила полезную независимую проверку.

29 сентября исследователи из Боннского университета и института Lamarr опубликовали препринт с оценкой Jev 1.13.0.

Исследование охватывало:

• 37 наборов данных.
• 346 009 запросов.
• Классификацию.
• Маршрутизацию.
• Вывод на естественном языке.
• Понимание прочитанного.
• Рассуждения на основе здравого смысла.
• Модерацию.
• Анализ юридических положений.
• Оценивание по рубрикам.

Общая стоимость использования API Jev составила менее 10 долларов.

Это впечатляющая цифра.

Но ещё важнее то, что статья говорит о надёжности.

Вероятности вариантов полезны для селективного предсказания

Исследователи обнаружили, что вероятности вариантов Jev могут быть полезны для селективного предсказания.

Простыми словами:

Если система отвечает только на те случаи, в которых она наиболее уверена, точность может быть выше.

По мере того как приложение принимает больше случаев с низкой уверенностью, точность снижается.

Именно поэтому вероятности полезны в автоматизации.

Производственный рабочий процесс может определять разное поведение для разных уровней уверенности.

Например:

уверенность >= 0.95
→ автоматизировать

0.70 <= уверенность < 0.95
→ запросить дополнительную проверку

уверенность < 0.70
→ проверка человеком

Конкретные пороги должны определяться результатами оценки, а не интуицией.

Порог 0,5 не всегда является правильным

Исследование выявило важную особенность бинарных решений.

Вероятности Jev могли хорошо ранжировать примеры, но при этом плохо работать вокруг фиксированного порога 0,5.

Это означает, что правило:

если вероятность >= 0.5:
    действовать

не является автоматически оптимальным для каждой задачи.

В одной из оценок UNFAIR-ToS исследователи сообщили, что настройка порогов на обучающих данных повысила micro-F1 с 0,50 до 0,75.

Общий вывод прост:

Вероятность полезна, но приложение всё равно должно определить, насколько высокой должна быть вероятность, чтобы предпринимать действие.

Это не уникальная особенность Jev.

Таково базовое требование к ответственному развёртыванию вероятностных классификаторов.

Стоимость ошибки важнее общей точности

Вернёмся к примеру с электронной почтой.

Предположим, модель ошибочно пометила одно рекламное письмо как важное.

Цена ошибки — небольшое неудобство.

Теперь предположим, что она пропустила письмо, на которое нужно ответить до конца рабочего дня.

Цена может быть значительно выше.

Поэтому правильный порог зависит от соотношения между ложноотрицательными и ложноположительными результатами.

Практическая система может использовать разные правила для разных решений:

Сильная модель принятия решений не отменяет продуктовую политику.

Она упрощает выражение этой политики в программном обеспечении.

Типизированный результат не означает, что решение не может быть ошибочным

TypeSafe подчёркивает, что результат Jev является типобезопасным.

Это важное инженерное свойство.

Если разработчик определяет разрешённый набор результатов, модели не нужно придумывать произвольную строку за пределами этой схемы.

Но существуют два разных вида корректности:

Корректность схемы

Результат соответствует разрешённому типу.

Семантическая корректность

Выбранный ответ действительно правильный.

Модель принятия решений может значительно надёжнее гарантировать первое, чем второе.

Независимое исследование наглядно показывает это различие: Jev всё ещё может выбрать неправильный ответ, даже если её ответ идеально соответствует типизированному значению.

Поэтому наиболее безопасная интерпретация в производственной среде такова:

Jev устраняет большой класс ошибок форматирования и разбора, но не устраняет ошибки модели.

Некоторые задачи по-прежнему лучше решать обычным кодом или более сильными моделями

В исходном материале справедливо подчёркивается, что не каждое решение следует поручать Jev.

Собственные материалы TypeSafe признают, что специализированные модели System One имеют более узкую роль, чем универсальные языковые модели.

Полезно разделять задачи следующим образом.

Используйте обычный код, когда правило является точным

Примеры:

• Арифметика с детерминированными формулами.
• Расчёты дат, если доступны точные правила.
• Ограничения базы данных.
• Простое сопоставление строк, если шаблон стабилен.

Используйте Jev или Decisions API для нечётких повторяющихся решений

Примеры:

• Классификация.
• Маршрутизация.
• Оценка приоритетности.
• Проверка релевантности.
• Модерационные фильтры.
• Ветвление агента.
• Первичный отбор кандидатов.

Используйте более сильную универсальную модель для открытых рассуждений

Примеры:

• Сложный многоэтапный анализ.
• Синтез больших объёмов информации.
• Новое планирование.
• Генерация кода.
• Исследования, требующие объяснений и доказательств.

Используйте человека при неопределённости с высокими последствиями

Примеры:

• Значимые юридические решения.
• Проверка в медицинских вопросах или областях, связанных с безопасностью.
• Необратимые финансовые действия.
• Пограничные случаи, в которых система плохо откалибрована.

Дешёвая модель не должна создавать новые расходы, постоянно выдавая решения, которые людям приходится исправлять.

Название TypeSafe связано с парадоксом Джевонса

Название Jev отсылает к экономисту Уильяму Стэнли Джевонсу.

Джевонс связан с идеей, которая сегодня называется парадоксом Джевонса.

Упрощённая формулировка такова:

Ресурс используется эффективнее
→ стоимость одного использования снижается
→ спрос растёт
→ общее потребление ресурса может увеличиться

TypeSafe применяет эту логику к машинному интеллекту.

Если каждый вызов ИИ становится значительно дешевле, программное обеспечение может не просто тратить меньше на те же рабочие нагрузки.

Разработчики могут создавать совершенно новые рабочие нагрузки, которые раньше было слишком дорого оправдывать.

Это уже видно в таких примерах, как:

• Проверка каждого кандидата на соответствие каждой должности.
• Проверка каждого обращения в службу поддержки по нескольким правилам.
• Оценка каждого действия агента до его выполнения.
• Классификация каждого входящего фрагмента контента.
• Непрерывный запуск проверок ИИ в фоновом режиме.

В результате стоимость одного решения может снизиться, но общее число решений — значительно вырасти.

Именно на этом пари, связанном с парадоксом Джевонса, основана Jev.

Когда ИИ становится достаточно дешёвым, чтобы исчезнуть внутри программного обеспечения

Самая важная часть этой тенденции может быть невидима для пользователей.

Сегодня люди часто взаимодействуют с ИИ явно:

Открыть чат-бота
→ вставить контекст
→ написать запрос
→ прочитать ответ
→ скопировать результат обратно в другой инструмент

Машинно-ориентированные модели принятия решений предлагают другой сценарий:

Пользователь работает с обычным программным обеспечением
→ ИИ оценивает небольшие решения в фоновом режиме
→ программное обеспечение автоматически направляет, оценивает, проверяет или фильтрует
→ человек видит только важные случаи

Почтовый ящик может показывать только срочные письма.

Инструмент для работы с текстом может отмечать только предложения, требующие проверки.

Агент может автоматически выбрать следующий инструмент.

Система поддержки может направить тикеты до того, как их увидит сотрудник.

Торговая площадка может ранжировать кандидатов сразу после регистрации.

В этот момент пользователю может быть безразлично, использовала ли внутренняя система Jev, GPT-6 Luna или другую модель принятия решений.

Пользователю важно, что программное обеспечение работает быстрее и требует меньше ручных действий.

Ставка в размере 870 млн долларов: модели принятия решений станут инфраструктурой

Именно в этом контексте привлечение TypeSafe выглядит более понятным.

Компания делает ставку не на то, что людям нужна ещё одна вкладка с чат-ботом.

Она предполагает, что само программное обеспечение будет выполнять огромное количество вызовов моделей.

TypeSafe утверждает, что уже треть компаний из списка Fortune 500 используют Jev, однако это предоставленная компанией цифра внедрения, и компания пока публично не назвала всех этих клиентов.

Раунд Series A на 870 млн долларов даёт TypeSafe значительный капитал для расширения этой стратегии.

В объявлении о привлечении средств компания сообщает о намерении создавать:

• Больше машинно-ориентированных моделей.
• Больше инфраструктуры вокруг этих моделей.
• Корпоративные функции для крупных клиентов.

Быстрая реакция OpenAI с Decisions API показывает, что крупные лаборатории видят ту же возможность.

Следующий вопрос конкуренции заключается не только в том, какая система дешевле.

Важно, какая из них принимает решения достаточно надёжно, чтобы разработчики были готовы позволить программному обеспечению действовать на их основе автоматически.

Часто задаваемые вопросы

Что такое TypeSafe Jev?

Jev — первая «модель System One» компании TypeSafe AI, созданная для быстрых машиночитаемых решений, а не для генерации свободного текста. Она принимает общее состояние и типизированные вопросы, а затем возвращает варианты, оценки или вероятности, которые программное обеспечение может использовать напрямую.

Сколько стоит Jev?

В настоящее время TypeSafe указывает цену Jev на уровне $0,042 за 1 млн входных токенов, а выходные данные предоставляются бесплатно. Фактическая стоимость приложения зависит от объёма запросов, размера входных данных, повторных попыток, расходов на оценку и количества случаев, переданных более крупным моделям или людям.

Является ли Jev LLM?

TypeSafe описывает Jev как трансформерную модель System One, а не как обычную большую языковую модель для генерации текста. Её ключевая особенность заключается в том, что она не генерирует произвольную прозу, а возвращает типизированные вероятностные решения.

Может ли Jev ошибаться?

Да. Типобезопасный результат предотвращает определённые ошибки форматирования и схемы, но выбранное решение всё равно может быть семантически неверным. Независимая оценка показывает сильные результаты на многих наборах данных, но также выявляет ошибки, зависящие от конкретной задачи, и проблемы калибровки порогов.

Что такое OpenAI Decisions API?

OpenAI Decisions API — это эндпоинт в публичной бета-версии на базе GPT-6 Luna, который преобразует текст или изображения в типизированные предикаты, варианты выбора или оценки. OpenAI заявляет, что он примерно в 10 раз быстрее, чем выполнение аналогичной работы через Responses API.

Как цены OpenAI Decisions сравниваются с Jev?

Текущая цена Decisions API составляет $0,10 за 1 млн входных токенов без отдельной платы за выходные токены. Опубликованная базовая цена Jev ниже и составляет $0,042 за 1 млн токенов, также без платы за выходные данные.

Почему для моделей принятия решений важны пороги уверенности?

Вероятность сама по себе не сообщает приложению, какое действие нужно предпринять. Команды должны выбирать пороги на основе размеченных данных оценки и реальной стоимости ложноположительных, ложноотрицательных результатов и проверки человеком, а не считать, что 0,5 всегда является правильной границей.

Когда следует использовать модель принятия решений, а не универсальную LLM?

Модели принятия решений лучше всего подходят для высокообъёмной классификации, маршрутизации, выставления оценок, проверки и ветвления, когда возможные результаты можно определить заранее. Универсальные модели следует использовать, когда задача требует открытых рассуждений, объяснений, генерации контента или сложного планирования.

Связанные инструменты

• TypeSafe Jev: машинно-ориентированная модель принятия решений TypeSafe для типизированных вариантов, оценок и вероятностей.
• Документация TypeSafe API: официальная документация OpenAPI для API Jev/System One.
• OpenAI Decisions API: публичный бета-API OpenAI для решений типа predicate, choice и score с использованием GPT-6 Luna.
• Vercel AI Gateway: унифицированный шлюз моделей, предоставляющий доступ к Jev и другим моделям ИИ через единый инфраструктурный слой.
• Vercel AI SDK: SDK для интеграции нескольких провайдеров ИИ и структурированных рабочих процессов с моделями в TypeScript и других приложениях.
• OpenAI Playground: интерактивная среда OpenAI для тестирования поддерживаемых API-моделей и рабочих процессов в стиле принятия решений.

Связанные ссылки

• TypeSafe: Introducing System One Models & Jev: официальное объяснение архитектуры Jev, цен, концепции обучения и предполагаемых вариантов использования.
• TypeSafe: объявление о Series A на $870 млн: официальное объявление о привлечении средств, подтверждающее раунд и оценку в $7,5 млрд.
• Andreessen Horowitz: Investing in TypeSafe AI: объявление ведущего инвестора и инвестиционная тезисная позиция.
• Документация OpenAI Decisions API: официальная информация о работе API, поддерживаемых типах вопросов, ценах, вводе изображений и статусе публичной бета-версии.
• Vercel: Jev — самая быстро принятая модель в истории AI Gateway: данные о внедрении в первый день, показывающие, что Jev попробовали почти 13% платных команд.
• Независимый препринт с оценкой Jev: оценка Jev 1.13.0 на 37 наборах данных и 346 009 запросах.
• Latent Space: OpenAI DevDay и Decisions API: интервью, в котором руководитель продуктового направления OpenAI API Никундж Ханда рассказывает о влиянии Jev на Decisions API.
• Исходная статья сообщества BAAI: исходный материал на китайском языке, использованный в качестве основы для этой микроадаптации.

Итоги

TypeSafe Jev придерживается намеренно узкого подхода к ИИ: вместо создания языка для людей она создаёт типизированные решения для программного обеспечения. Благодаря этому высокообъёмные классификация, маршрутизация, выставление оценок и проверка становятся значительно дешевле и проще для интеграции в код.

Раннее внедрение модели оказалось настолько сильным, что OpenAI быстро вошла в ту же продуктовую категорию с Decisions API на базе GPT-6 Luna. Jev остаётся более дешёвой по опубликованной базовой цене входных данных, тогда как OpenAI добавляет поддержку изображений и масштаб существующей платформы универсальных моделей.

Главная инженерная проблема связана с надёжностью, а не с форматированием. Типизированные результаты устраняют один класс ошибок, но точность решений по-прежнему зависит от набора данных, порога, стоимости ошибок и политики эскалации. Независимое исследование Jev особенно ясно это показывает.

Более масштабный сдвиг заключается в том, что ИИ может перестать быть тем, с кем пользователи явно «разговаривают», и превратиться в недорогой слой принятия решений, незаметно работающий внутри обычного программного обеспечения.