Jev не пишет тексты — и, возможно, именно поэтому так хороша

Мы привыкли мерить прогресс ИИ способностью продолжить фразу: написать письмо, объяснить код, сочинить стратегию, притвориться собеседником. Новая модель Jev стартапа TypeSafe предлагает другую картину. Ей не надо красиво формулировать ответ. Ей надо быстро и дёшево ответить на вопрос, для которого заранее известна форма ответа: да или нет, один вариант из списка, число на шкале, вероятность события.

TypeSafe называет это «System One Model» — в честь быстрой, интуитивной системы мышления из популярной схемы Даниэля Канемана. На вход Jev получает состояние: текст обращения в поддержку, лог событий, JSON с данными приложения или описание игровой ситуации. Затем код задаёт типизированные вопросы. На выходе — не строка, которую ещё придётся распарсить и перепроверить, а выбор, оценка или вероятность с уверенностью. То есть не «вот мои соображения о том, стоит ли блокировать платёж», а сразу block: 0.93.

В этом и состоит заявка на смену интерфейса. Авторегрессионная языковая модель вынуждена по одному выпускать токены — даже если программе в итоге нужен один бит: пропустить запрос или отправить его на ручную проверку. Jev, по версии разработчиков, считает ответы на набор вопросов параллельно. TypeSafe обещает задержку от 70 до 500 миллисекунд, цену $0,042 за миллион входных токенов и бесплатный «выход». Сравнения у авторов — «в десятки и сотни раз быстрее и дешевле фронтирных LLM» — пока следует читать именно как заявления компании по её собственным workflow-тестам, но даже в таком виде современная линия Парето уже под угрозой.

Даже эти демонстрации хорошо объясняют, почему вокруг Jev столько шума. Модель уже заставили играть в Doom: она получает структурированное описание состояния игры и выбирает действие примерно десять раз в секунду. Это не зрительный агент, который смотрит на сырые пиксели экрана, и не бот, который непременно побьёт классические игровые алгоритмы. Зато это наглядный стресс-тест для идеи: поток меняющихся данных, фиксированное множество действий, решение должно прийти сейчас, а не после развёрнутого рассуждения.

В пересказах релиза Jev уже успела «играть в шахматы» и «рисовать картинки по пикселям». С этими примерами стоит быть аккуратнее: в доступном первоисточнике TypeSafe подтверждаются Doom и Wikiracing, а не такие широкие заявления. Но сама механика действительно допускает подобные игрушки: шахматный ход — выбор из легальных ходов, координата следующего пикселя — выбор из дискретного пространства. Вопрос не в том, умеет ли модель творить, а в том, можно ли разложить задачу на множество маленьких решений с чётко заданными вариантами.

Шахматы особенно хорошо продают эту идею. На скриншоте AI/ML API Jev V13 играет пятиминутный блиц с Fable 5.1 и GPT-6 Astra: один ход — один вызов API. По утверждению авторов ролика, Fable к 29-му ходу получила огромный перевес по материалу, но тратила на анализ по 6–15 секунд и проиграла флаг; Jev отвечала примерно за 2,6 секунды. Astra, напротив, поставила мат Jev на 18-м ходу, имея 2:27 на часах. Это не доказательство шахматной силы — скорее наглядная демонстрация другой валюты: когда решение нужно много раз подряд, скорость отдельного вызова сама становится частью стратегии.

Jev не заменяет LLM везде — она принципиально отказалась от свободной генерации текста. Не попросишь её написать объяснение для клиента, спроектировать архитектуру в естественном языке или вести длинный диалог. Но современному IT вообще не так часто нужна проза в товарных количествах. Инженеру чаще нужен маршрутизатор: какой инструмент вызвать агенту, является ли письмо фишингом, где в логе инцидент, какой тест запустить, стоит ли эскалировать тикет. Сегодня для таких задач мы нередко вызываем большую языковую модель, просим её выдать JSON и надеемся, что JSON окажется валидным.

Большинству программ не нужен предсказатель следующего токена. Им нужна универсальная, но строго ограниченная машинка ответов на дискретные вопросы.

Отсюда и второстепенные, на первый взгляд, применения. Wikiracing — не про любовь к Википедии, а про навигацию по дереву вариантов: из текущей статьи выбрать ссылку, которая приблизит к цели, и повторить. Рисование по пикселям — предельный случай такого же цикла: состояние холста, набор допустимых действий, следующий выбор. В продукте вместо доски и холста будут выдача поиска, очередь модерации, набор кнопок в интерфейсе, кандидаты для ранжирования или правила, которые надо применить к документу. Там, где LLM красиво проговаривает ход мысли, Jev должна просто вовремя нажать правильную кнопку.

В этом смысле главный тезис Jev звучит почти обидно для эпохи чат-ботов: большинству программ не нужен предсказатель следующего токена. Им нужна универсальная, но строго ограниченная машинка ответов на дискретные вопросы. Если она действительно удержит качество, близкое к сильным LLM, при обещанных скорости и цене, то самые массовые ИИ-вызовы тихо переедут из чата в обычные ветвления кода.

Но «если» здесь большое. Опубликованные цифры качества и выигрыша исходят от самой TypeSafe; независимых стандартных бенчмарков пока не видно. А типизированный ответ убирает не ошибку мышления, а лишь класс ошибок формы: модель не выдаст невалидный вариант, если вариантов нет в контракте, но вполне может выбрать неверный валидный вариант. Jev интересна не как доказательство конца LLM, а как своевременное напоминание: генерация текста — очень мощный универсальный молоток, однако далеко не каждый инженерный гвоздь обязан платить за поэму вокруг одного true или false.

Парадоксально, что хайповее всего выглядят именно игровые ролики. Но настоящая ставка не в том, научится ли Jev эффектно бегать по Doom. Ставка в том, что ИИ перестанет быть отдельным собеседником в окошке и станет почти незаметной функцией внутри софта: дешёвой, быстрой и вызываемой столько раз, сколько нужно продукту.