В поддержку приходит сообщение: «После обновления не могу войти в аккаунт». Системе нужно отправить его нужной команде. Можно попросить языковую модель прочитать обращение и вернуть категорию в JSON. Jev решает такую задачу через другой интерфейс: приложение заранее задаёт варианты, а модель выбирает между ними и возвращает вероятности.

TypeSafe AI представила Jev 15 сентября 2026 года. Компания называет этот класс моделей System One: они предназначены для коротких суждений, которые программа использует внутри своего процесса. Jev не пишет ответ клиенту и не составляет план исправления ошибки. Его результат нужен коду, который решает, что делать дальше.

По сообщению TechCrunch от 9 октября, TypeSafe привлекла $870 млн при оценке $7,5 млрд. Инженерной команде предстоит решить, какую часть работы поручить Jev и как проверить результат.

Что приложение отправляет модели

В документации TypeSafe запрос состоит из состояния state и вопросов questions. Состояние содержит материал для оценки: например, сообщение клиента и сведения о продукте. Каждый вопрос описывает одно суждение и форму ответа.

Для текстовых задач используются три основных типа:

По описанию примитивов, несколько вопросов можно отправить одним запросом. Они оцениваются независимо на одном состоянии. Если следующий вопрос требует результата предыдущего, зависимость нужно оформить отдельным шагом в коде.

В нашем примере приложение может отдельно спросить о теме обращения и наличии признаков массового сбоя. Затем обычная логика выберет очередь и приоритет. Это схема возможной интеграции; мы не проверяли её на реальных обращениях.

Вероятность помогает выбрать следующий шаг

У Choice и Score есть распределение вероятностей и поле confidence. Для Noul возвращается вероятность без отдельного confidence. TypeSafe описывает confidence как число, вычисленное из распределения ответов. Его нельзя автоматически читать как процент правильных решений на ваших данных.

Допустим, модель почти поровну разделила вероятность между проблемой доступа и оплатой. Приложение может отправить такое обращение оператору. При более определённом ответе — выбрать очередь автоматически. Пороги придётся подобрать на своей выборке и проверить, сколько ошибок они пропускают.

Для команды полезно измерять два показателя вместе: долю обращений, обработанных автоматически, и долю ошибок среди них. Порог, при котором система почти никогда не ошибается, но передаёт человеку 99% запросов, может оказаться бесполезным.

Правильный тип ответа не делает решение верным

В анонсе TypeSafe обещает отсутствие галлюцинаций, связывая это с гарантированным соответствием ответа схеме. Гарантия схемы допускает ошибку по смыслу: модель может выбрать существующую категорию и отправить обращение не той команде.

У самой TypeSafe есть список ограничений Jev 1.13. В нём описаны ошибки при подсчётах и сравнении дат, влияние порядка вариантов Choice и чувствительность к тексту, который пытается навязать модели ответ. Эти замечания относятся к указанной версии; переносить их без проверки на каждую следующую было бы неверно.

VentureBeat также обратило внимание на prompt injection при использовании Jev в агентных системах. Мы бы не давали модели выдавать себе разрешения. Проверка прав пользователя и допустимости операции остаётся в приложении, даже если модель уверенно выбрала действие.

Если клиент написал «верните деньги», Jev может помочь распознать намерение. Наличие оплаченного заказа, право на возврат и сумму нужно проверять по данным системы. Уверенность модели не заменяет эти проверки.

Откуда обещания скорости

TypeSafe объясняет скорость параллельным вычислением ответов вместо последовательной генерации текста. Компания также описывает метод обучения Reinforcement Learning for Calibrated Decisions — RLCD. В анонсе есть сравнения с LLM, но авторы оговаривают, что самые большие выигрыши получены на выбранных workflow и не описывают любой запрос.

Для продукта сравнение стоит начинать с того вызова, который уже работает. Если сегодня категории выбирает небольшая модель с коротким ответом, сравнение Jev с долгим рассуждением большой LLM мало что скажет о возможной экономии.

Мы бы проверяли полное время запроса из инфраструктуры продукта, стоимость обработки и качество на одинаковых обращениях. В выборку нужны неоднозначные сообщения, несколько намерений в одном тексте и попытки повлиять на классификацию. Иначе легко ускорить удачный пример, который редко встречается в работе.

Где попробовать Jev

Нам кажется разумным начинать с одного ограниченного решения: маршрутизации обращений или оценки релевантности найденного документа. Рядом должен быть текущий способ решения той же задачи, чтобы сравнение имело смысл. Это наша рекомендация по проверке, а не результат внедрения Jev в HOUNDS.

Если задача состоит в написании письма, Jev сам по себе её не закроет: понадобится генеративная модель. Если ответ можно точно вычислить из данных, сначала стоит написать обычную функцию.

Первый эксперимент с Jev можно провести без автоматического выполнения действий. Модель предлагает решение, система записывает его, а человек работает как раньше. После сравнения на накопленных примерах будет понятно, какие решения можно доверить автоматике и какие случаи оставить на проверку.