Jev - Моделі створені для однієї конкретної задачі
Доброго ранку ☕️
Поки більшість компаній зосереджується на генеративних моделях і моделях міркування, одна компанія робить ставку на інший клас моделей. Її нова модель лише аналізує текст і відповідає на запитання про нього. Зате швидше й дешевше ніж велика мовна модель.
Компанія TypeSafe, заснована колишнім дослідником OpenAI Діогу Алмейдою який близько чотирьох років працював над RLHF, InstructGPT, ChatGPT і GPT-4, випустила Jev. Компанія назвала цей клас моделей System One, відсилка до швидкого інтуїтивного мислення з книги Деніела Канемана. Reasoning-моделі це System 2, повільне обдумане мислення. Jev натомість має бути швидкою автоматичною реакцією.
Модель не генерує текст. На вхід вона отримує текст до 64 тисяч токенів, формат відповіді задає користувач: вибір одного варіанта зі списку, числова оцінка або "так/ні".
Архітектуру TypeSafe докладно не розкриває. Каже лише що це не LLM і не авторегресійна модель, хоча в основі лежить Transformer. Докладніше описують метод навчання, Reinforcement Learning for Calibrated Decisions або RLCD.
Ключова ідея в тому що модель навчають видавати каліброві ймовірності а не просто відповіді які подобаються людям-оцінювачам. Наприклад серед усіх відповідей яким модель присвоїла ймовірність 20% правильними в ідеалі мають виявитися приблизно 20%. Це відрізняється від класичного RLHF який оптимізує модель під те щоб звучати правильно для людини а не бути каліброваною по факту.
Архітектура і ціноутворення заохочують розробників ставити багато коротких конкретних запитань за один запит. Замість одного питання "чи є цей лист спамом" задачу краще розкласти на окремі критерії: чи не збігається домен відправника із заявленою організацією, чи запитує лист пароль, чи містить підозріле посилання, чи створює штучну терміновість. Мета отримати повну структуровану картину на основі якої програмна система сама оцінить ситуацію.
Розробники опублікували результати лише на власних внутрішніх датасетах, пояснюючи це перенасиченням публічних бенчмарків. На чотирьох внутрішніх датасетах де еталонні відповіді визначали GPT-6 Astra та Claude Fable 5, Jev показала точність 67%, приблизно на рівні GPT-5.6 Terra та Claude Sonnet 5. Обробка одного прикладу коштувала приблизно $0.0007 проти $0.06 для Terra і $0.12 для Sonnet, а розробники стверджують що Jev працює у 193.6 раза швидше.
Але це результати внутрішніх тестів самої TypeSafe і жодна незалежна сторона поки не перевірила ці цифри.
Невдовзі з'явилася низка схожих моделей. Деякі відкриті і можуть працювати локально, на відміну від пропрієтарної Jev. Laya зосереджується на багатомовності. Bespoke Nimble перетворює Qwen 3.5 9B на класифікатор через донавчання. Kev теж на базі Qwen 3.5 намагається відтворити підхід Jev. Незалежного бенчмарку для порівняння поки немає.
Платформи на кшталт Vercel і Cloudflare вже додали підтримку Jev для вибору інструменту, маршрутизації запитів, оцінювання ризику та перевірки дій агентів.
До стрімкого поширення LLM більшість дослідників навчала моделі які добре виконували одну конкретну задачу. Після успіху великих мовних моделей індустрія почала прагнути одну модель здатну виконувати майже будь-що. TypeSafe пропонує проміжний підхід: одна модель яка не вміє робити все але добре виконує будь-яке завдання класифікаційного типу. Компанія сформулювала це слоганом "Build prod, not god", будуйте продакшн а не Бога.
Jev не замінить великі мовні моделі. Вона не генерує код, не веде розмову і не діє як повноцінний агент. Натомість може виявляти jailbreak та prompt injection, знаходити відсутні дані, класифікувати звернення, обирати наступну дію агента, оцінювати ризик, перевіряти результати роботи іншої моделі, вирішувати коли потрібне втручання людини.
У всіх цих сценаріях перетворення неструктурованого тексту на чіткі типізовані відповіді може бути надзвичайно корисним для розробників.
🔔 ПІДПИСАТИСЯ
6
3
3
128 вересня 2026 р. 242 1
