Обзор Jev

Jev — первая публичная модель из класса, который TypeSafe AI называет System One Models: моделей, предназначенных для принятия узких решений внутри программного обеспечения, а не для общения или написания текстов. Запрос содержит state (строку, объект JSON или массив текста) и любое количество типизированных вопросов. Jev отвечает на каждый вопрос параллельно: Choice (один вариант из списка, с вероятностью для каждого варианта и значением уверенности), Score (уровень по заданной вами рубрике) или Noul (вероятность того, что утверждение истинно). Модель не генерирует текст, не пишет код и не ведёт диалог, и TypeSafe прямо заявляет, что она не заменяет LLM, лежащую в основе кодинг-агента.

Вы обращаетесь к ней через одну конечную точку HTTP (POST /v1/systemone) или через SDK для Python и JavaScript/TypeScript, а сначала можете опробовать её в браузерной среде Playground в консоли TypeSafe. TypeSafe также публикует агентный навык (agent skill), чтобы Claude Code, Codex и другие кодинг-агенты могли писать интеграции с Jev. Идея в том, что управление остаётся за вашим кодом: вы задаёте пороги уверенности, действуете автоматически при высокой уверенности, а остальные случаи передаёте человеку или более крупной модели. TypeSafe документирует, где текущая модель испытывает трудности, в том числе арифметика, подсчёт, сравнение дат и буквальное прочтение инструкций.

Вы платите только за входные токены. При цене $0,042 за миллион нагрузка в 100 миллионов входных токенов стоит $4,20, а миллиард входных токенов — $42, независимо от того, сколько вопросов вы включили в каждый запрос. Необязательный режим длинного контекста увеличивает оба лимита до 262k токенов по той же цене за токен, но, по словам TypeSafe, работает медленнее и менее точно. Лимиты запросов устанавливаются для каждой организации в консоли; более высокие лимиты доступны на индивидуальных и корпоративных тарифах. В FAQ на главной странице TypeSafe задаётся вопрос, являются ли эти цены временными или субсидируемыми, но ответ на странице свёрнут, поэтому считайте цену актуальной, а не гарантированной.

Цены проверены на странице цен вендора 2 ноября 2026 года. См. Jev models and pricing.

Что TypeSafe документирует для Jev:

Jev подходит разработчикам, которые уже обращаются к LLM только для получения метки, оценки или ответа «да/нет», например для маршрутизации обращений в поддержку, проверки контента, проверки цитат или оценки лидов в больших объёмах, и которым нужны типизированные ответы и значение уверенности, чтобы решать, когда к работе должен подключиться человек. Поскольку вывод бесплатный, а ввод оплачивается за токен, модель ориентирована на высоконагруженные решения с низкой задержкой.

Выбирайте другое решение, если вам нужны генерация текста, рассуждения или объяснения: этим занимается универсальная модель через OpenAI API или быстрый хостинг, такой как Groq, и такие модели тоже могут возвращать структурированный вывод. Командам, которым нужна точность на нескольких языках, следует сначала провести тестирование, поскольку TypeSafe заявляет, что наиболее точен Jev на английском. Если ваша цель — проверка входных и выходных данных LLM, ещё один путь — специализированный фреймворк, такой как Guardrails AI.

Jev был запущен в сентябре 2026 года, независимых практических обзоров пока мало; сторонних бенчмарков его точности мы не нашли. В разборе в блоге eesel AI, написанном компанией, которая продаёт конкурирующий продукт для поддержки, и основанном на документации и материалах запуска, а не на тестировании, модель названа хорошо подходящей для задач классификации, оценки и маршрутизации, однако отмечено, что заявленные кратные показатели скорости — это данные вендора и что уверенный, но неверный типизированный ответ по-прежнему возможен. О запуске также писали DataCamp и The New Stack. На главной странице TypeSafe опубликован кейс, в котором утверждается, что клиент сократил затраты на отбор кандидатов на 88%; это заявление вендора.