Подключите AITUNNEL к популярным инструментам разработки и автоматизации.

DeepSeek HarnessАгентный харнесс DeepSeek с рабочими пространствами и плагинами — модели через AITUNNEL
Claude CodeТерминальный агент Anthropic — правит код, запускает команды и git-операции через AITUNNEL
Codex CLICodex CLIOpen-source агент OpenAI в терминале — правки кода, ревью и автоматизация задач
Cursor IDEAI-редактор на VS Code с автодополнением Tab, агентом Composer и моделями через AITUNNEL
Qwen CodeCLI-агент для Qwen3-Coder — навигация по проекту, сборка фич и правки через AITUNNEL
OpenCodeОткрытый агент для терминала и IDE с поддержкой 75+ LLM-провайдеров
n8nВизуальная автоматизация с AI-агентами, RAG и интеграциями — модели через AITUNNEL
ClineAI-агент для VS Code — правки файлов, команды в терминале и браузер с подтверждением шагов
OpenClawAI-агент для Telegram, Discord и Slack — модели через один API-ключ AITUNNEL
Все инструменты
GPT, Claude, Gemini — все модели через единый API. Работает в России без VPN.Начать бесплатно

Jev от TypeSafe — модель, которая принимает решения вместо текста

JevTypeSafeSystem OneМодели решенийКлассификацияМодерацияРоутинг

Jev не пишет ни слова. Она читает данные из вашего приложения и возвращает вероятности: «да» или «нет», какой вариант выбрать, где на шкале. Разбираемся, зачем это нужно и где у такого подхода предел.

Большая часть работы нейросетей внутри приложений — это не тексты, а маленькие решения. Куда отправить обращение. Нарушает ли комментарий правила. Подтверждает ли справка ответ бота. Можно ли агенту выполнить эту команду. Обычно для этого берут чат-модель, просят «ответь одним словом», парсят ответ и надеются, что модель не добавила пояснений. Платить при этом приходится и за вход, и за сгенерированный текст, а насколько модель уверена, не видно.

Jev от TypeSafe AI устроена иначе. Вы передаёте ей состояние — текст, JSON или картинку — и набор типизированных вопросов, а в ответ получаете структуру с вероятностями. Код сравнивает число с порогом и действует. Текущая версия — Jev 1.14, она вышла 14 октября 2026 года.

Ниже — как устроена модель, как выглядит запрос, что показала независимая проверка на 37 публичных датасетах, где Jev стабильно ошибается и сколько стоит её использование.

Что такое System One

Название отсылает к различию, которое популяризировал Даниэль Канеман: быстрое интуитивное «Система 1» и медленное обдуманное «Система 2». Чат-модели работают как «Система 2» — рассуждают вслух и генерируют текст токен за токеном. Модели System One рассчитаны на быстрые суждения: они не пишут текст, а сразу выдают ответ на заранее типизированный вопрос.

За Jev стоит TypeSafe AI — лаборатория из Сан-Франциско, которую основал бывший исследователь OpenAI Диогу Алмейда (InfoQ). Команда два года работала в закрытом режиме и построила для Jev отдельный стек: собственную архитектуру, параллельный сэмплер, который отвечает на все вопросы за один проход, и метод обучения Reinforcement Learning for Calibrated Decisions (RLCD).

Ключевое слово в названии метода — calibrated. Обычные чат-модели после RLHF оптимизированы под то, какие ответы нравятся людям, и их уверенность часто не соответствует реальной точности. RLCD оптимизирует вероятности под фактические исходы: если Jev говорит 0,9, то в среднем по большой выборке такие ответы должны быть верны примерно в 90% случаев. TypeSafe отдельно оговаривает, что калибровка — свойство группы предсказаний, а не гарантия правильности каждого ответа.

Из этого вытекает главная идея: модель, которая справляется с задачей в 95% случаев, но не говорит, когда она в оставшихся 5%, задачу не автоматизирует. Модель, которая сообщает свою уверенность, позволяет автоматизировать уверенные случаи и отдать спорные человеку.

Как выглядит запрос

Запрос состоит из state — что оценивать — и именованных вопросов. Вот обращение в поддержку и три вопроса к нему разных типов:

curl https://api.aitunnel.ru/v1/decisions \
  -H "Authorization: Bearer sk-aitunnel-..." \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jev-1.14",
    "state": {
      "customer_tier": "business",
      "ticket": "После нажатия «Оплатить» страница становится пустой. Пробовал в двух браузерах."
    },
    "questions": {
      "is_bug": {
        "type": "noul",
        "instructions": "Клиент сообщает об ошибке в продукте?"
      },
      "team": {
        "type": "choice",
        "instructions": "Какая команда должна взять обращение?",
        "criteria": {
          "payments": "Оформление заказа, оплата, списания",
          "frontend": "Отображение, вёрстка, браузеры",
          "account": "Вход, права доступа, профиль"
        }
      },
      "urgency": {
        "type": "score",
        "instructions": "Насколько срочное обращение?",
        "criteria": ["Подождёт до релиза", "Исправить на этой неделе", "Теряем выручку прямо сейчас"]
      }
    }
  }'

Ответ приходит за один проход — по ключу на каждый вопрос:

{
  "model": "jev-1.14-20261014",
  "answers": {
    "is_bug": { "type": "noul", "noul": 0.96 },
    "team": {
      "type": "choice",
      "choice": "payments",
      "confidence": 0.67,
      "probabilities": { "payments": 0.78, "frontend": 0.22, "account": 0 }
    },
    "urgency": { "type": "score", "score": 1.99, "confidence": 0.99 }
  },
  "usage": { "input_tokens": 476, "cost_rub": 0.004 }
}

Модель почти уверена, что это ошибка (0,96), с вероятностью 0,78 отправляет обращение в команду платежей и ставит максимальную срочность. Ни одного сгенерированного слова, ни одной строки для парсинга.

Типы вопросов:

  • noul — выполняется ли условие. Ответ — вероятность «да» от 0 до 1. Значение около 0,5 означает «одинаково вероятно да и нет», а не «наполовину да».
  • choice — какой вариант из списка, до 255 вариантов. Ответ — выбранный вариант, вероятность каждого и confidence. Варианты должны исключать друг друга; если они покрывают не всё, нужен вариант other.
  • score — позиция на упорядоченной шкале от 2 до 10 уровней. Ответ дробный: 2,1 — между вторым и третьим уровнем, ближе ко второму.

В Jev 1.14 TypeSafe добавила четвёртый тип вопросов, Box, но через AITUNNEL сейчас доступны три перечисленных. Вопросы в одном запросе независимы и не видят ответов друг друга, поэтому зависимые решения собираются в коде.

Чат-модель (LLM)Jev
Что возвращаетСвободный текстТипизированный ответ с вероятностями
Как использовать в кодеПарсить текст, ловить отклонения от форматаСравнить число с порогом
УверенностьНе виднаВероятность каждого варианта и confidence
ЗадержкаСекунды и больше70–500 мс по данным TypeSafe
ОплатаВход и выходТолько вход
Объяснение ответаЕстьНет — только числа
Таблица 1. Чем модель решений отличается от обычной чат-модели.

Что показала независимая проверка

TypeSafe заявляет, что на задачах System One Jev сопоставима по качеству с чат-моделями, а работает на два порядка быстрее и дешевле. Проверить это помогает независимая оценка jev-1.13, вышедшая в сентябре 2026 года. Авторы прогнали модель без примеров (zero-shot) на 37 публичных датасетах — от классификации и роутинга до модерации и оценки по рубрикам — всего 346 009 запросов. Весь прогон обошёлся меньше чем в 10 долларов. Для сравнения на тех же запросах проверили открытые Qwen3.8-27B и Gemma-4-E4B.

ЗадачаДатасетТочность Jev
Тональность отзывовIMDB / SST-296,5% / 96,4%
Определение языкаLanguage ID99,6%
Здравый смыслHellaSwag / WinoGrande95,5% / 91,4%
Научные вопросыARC-Easy / ARC-Challenge99,3% / 97,7%
Да/нет по текстуBoolQ91,3%
Финансовые новостиFinancial PhraseBank73,0%
Пять оттенков тональностиSST-557,9%
Эмоции по хэштегамEmotion58,5%
Таблица 2. Независимая оценка jev-1.13 без примеров (zero-shot), выборочные датасеты. Источник: arXiv 2609.37647.

Jev оказалась сильнее Qwen3.8-27B на 27 датасетах из 37 и сильнее Gemma-4-E4B на всех 37. Там, где Qwen впереди, разница укладывается в погрешность. Лучше всего Jev работает, когда решение зависит от общего смысла короткого текста: тональность, тема, определение языка, вопросы на здравый смысл.

Вероятности действительно откалиброваны. По 22 датасетам с вопросами choice и почти 280 тысячам ответов ожидаемая ошибка калибровки (ECE) составила 0,028. У Qwen — 0,063, у Gemma — 0,208: она систематически переоценивает свою уверенность. Это главное практическое преимущество Jev: её confidence можно использовать для автоматического решения «действовать или отдать человеку».

Неожиданный результат — математика из MMLU. На вопросах с вычислениями Jev точнее, чем на остальных (94,3% против 91,3%), хотя у обеих открытых моделей картина обратная. Авторы проверили, не запомнила ли модель ответы, и простое запоминание исключили, но объяснения не нашли. TypeSafe при этом сама советует держать арифметику в коде.

Где Jev ошибается

Языки. Основной язык Jev — английский. На тесте понимания текста Belebele точность на английском 97,2%, медиана по 122 языкам — 91,1%, но на малоресурсных языках падает до 37%. Отдельной цифры для русского в работе нет. Русский — один из широко распространённых языков, и провалы приходятся не на него, но перед запуском стоит проверить модель на своей выборке.

Тонкие и шумные метки. Пять градаций тональности (SST-5) — 57,9%, эмоции, размеченные по хэштегам, — 58,5%. Если соседние варианты трудно различить даже человеку, Jev различает их плохо. Помогает укрупнить классы или переписать критерии.

Длинные тексты с рассуждением. Задачи, где нужно внимательно прочитать длинный документ или рассуждать в несколько шагов, Jev решает слабо: найти место, где текст человека сменяется машинным, — 32,2%, решить короткий детектив — 35%. TypeSafe сама отмечает этот режим как сложный. Для таких задач нужна чат-модель с рассуждением.

Пороги. Вероятности для вопросов noul нужно калибровать под свою задачу, особенно когда к одному тексту задаётся много меток. В оценке подбор порогов на небольшой выборке поднял F1 на датасете UNFAIR-ToS с 0,50 до 0,75. Порог 0,5 по умолчанию почти всегда неоптимален.

Недетерминированность. Повтор того же запроса сдвигает вероятности на несколько сотых, изредка до 0,1. Случай рядом с порогом может оказаться по другую сторону, поэтому между порогами «да» и «нет» стоит оставлять зону ручной проверки.

Нет объяснений. Jev возвращает только числа. Если пользователю нужно обоснование отказа, решение принимает Jev, а текст пишет чат-модель.

Как встраивать Jev в код

Ответ — число, поэтому решение принимает ваш код. Удобная схема — две границы и человек посередине:

APPROVE_AT, BLOCK_AT = 0.9, 0.1

p = answers["policy_covers"]["noul"]
if p >= APPROVE_AT:
    approve()          # явно «да» — действуем автоматически
elif p <= BLOCK_AT:
    reject()           # явно «нет» — отказываем
else:
    send_to_human()    # спорный случай — человеку

Порог выбирается от цены ошибки, а не от круглого числа: где дорого ложное «да» (возврат денег), порог выше; где дорого пропустить (угрозы в комментариях), ниже. Разметьте вручную 100–200 типичных примеров, прогоните через модель и посчитайте точность и полноту для нескольких порогов. Сырые вероятности сохраняйте — пороги можно перенастроить на сохранённых ответах без повторных запросов.

Сложные решения лучше разбивать на простые утверждения. Не спрашивайте «одобрить ли возврат». Спросите три вещи: просит ли клиент вернуть деньги, тот ли это заказ, покрывает ли случай политика, — и одобряйте, только если все три ответа уверенные. Арифметику и проверки по базе (сумма не больше остатка, заказ существует) делайте в коде до запроса: это бесплатно и надёжнее.

Типовые сценарии, для которых Jev подходит лучше всего:

  • Триаж обращений — отдел через choice, срочность через score, «ошибка ли это» через noul, всё одним запросом.
  • Каскад моделей — дешёвая модель пишет ответ по справке, Jev проверяет, подтверждён ли каждый факт, и только при провале запрос уходит в сильную модель.
  • Роутинг — score по сложности запроса выбирает, какая чат-модель будет отвечать.
  • Проверка действий агента — перед выполнением вызова инструмента Jev проверяет его по обращению и политике.
  • Автоодобрение команд кодинг-агента — хук в Claude Code одобряет только команды, которые Jev уверенно считает обратимыми и нужными для задачи. Опасные команды отсекает список в коде до модели.

Готовый код для каждого сценария — в документации по моделям решений.

Сколько стоит Jev

В AITUNNEL Jev 1.14 и 1.13 стоят 8,40 ₽ за миллион входных токенов. В них входят state, instructions и criteria всех вопросов. Выходные токены бесплатны. Обращение в поддержку на 500 токенов с тремя вопросами стоит около 0,004 ₽, тысяча таких обращений — около 4–5 ₽. Точная стоимость каждого запроса приходит в поле usage.cost_rub.

Для сравнения: вход самой дешёвой модели GPT-6 Luna стоит 20 ₽ за миллион токенов, то есть в 2,4 раза дороже, и к этому добавляется оплата сгенерированного ответа. На потоках в сотни тысяч классификаций в день разница становится заметной, а главное, у ответа Jev нет проблемы с форматом.

Несколько вопросов об одном state выгоднее задавать в одном запросе: state оплачивается один раз. Картинки тарифицируются входными токенами — изображение 1024 px занимает от одной до трёх тысяч токенов, поэтому фото стоит уменьшать до 512–768 px, если мелкие детали не важны.

Jev 1.14 или 1.13

Для новых проектов берите jev-1.14. Цена, контекст и формат запросов у версий одинаковые, переход — заменой поля model. Но вероятности у разных версий могут отличаться, поэтому пороги, подобранные под 1.13, перед переходом стоит перепроверить на размеченной выборке.

Если версия должна быть зафиксирована, указывайте конкретный id — jev-1.14 или jev-1.13. Слаг ~typesafe/jev-latest всегда указывает на последнюю версию семейства и уходит в OpenRouter напрямую. Для порогов, которые не должны уплывать, он не подходит.

Другие модели решений

После Jev похожие модели выпустили и другие компании. Формат запросов у них совместим с Jev, так что модели можно сравнивать на своих данных, меняя одно поле model.

МодельВвод, ₽ / 1MКонтекстЧто читает
Jev 1.148,40262KТекст, JSON, изображения
Joey 1 (Baseten)216KТекст
Kev 4B (открытые веса)8,408KТекст
Classify-1 (ScaleDown)81MТекст, изображения, PDF
Drex v2.0 (Nace.AI)12131KТекст
GPT-6 Luna Decisions201,05MТекст, изображения
Gemini Decision 120262KТекст, изображения, аудио, видео, документы
Таблица 3. Jev и другие модели решений в каталоге AITUNNEL. Формат запроса у всех одинаковый — модели взаимозаменяемы заменой поля model.

Joey 1 — самая дешёвая, но с контекстом 16K и только для текста. Kev 4B — открытая альтернатива под лицензией Apache 2.0. Classify-1 читает документы до миллиона токенов. Gemini Decision 1 — единственная, которая понимает аудио и видео. Полный список с ценами — в каталоге моделей решений.

Как подключить Jev из России

Через AITUNNEL Jev доступна из России с оплатой в рублях, аккаунт TypeSafe не нужен: зарегистрируйтесь, пополните баланс, создайте ключ sk-aitunnel-... в разделе «Ключи» и отправляйте запросы на https://api.aitunnel.ru/v1/decisions. Этот же ключ работает со всеми чат-моделями, поэтому каскад «Jev проверяет — чат-модель отвечает» собирается на одном ключе.

Официальный TypeSafe SDK тоже работает: в @typesafe-ai/sdk или typesafe_sdk укажите ключ AITUNNEL и base URL https://api.aitunnel.ru без /v1 — SDK сам добавит /v1/systemone. Не сработает только client.models.list(): каталог AITUNNEL отдаётся в другом формате. OpenAI SDK для этого эндпоинта не подходит — нужен обычный HTTP-запрос или TypeSafe SDK.

Отлаживать запросы удобно в песочнице, на вкладке Decisions: там же можно приложить к state изображение.

Модели TypeSafe

Jev 1.14

Актуальная версия
14 октября 2026Контекст: 262 144 токена (state + вопросы)Вывод: Текст не генерирует — типизированные ответы

Флагманская модель TypeSafe и первая модель класса System One. Отвечает на три типа вопросов: noul (вероятность «да»), choice (выбор варианта с распределением вероятностей) и score (позиция на упорядоченной шкале). Все вопросы к одному состоянию обрабатываются параллельно за один запрос. Читает текст, JSON и изображения PNG и JPEG.

Ключевые преимущества

  • Ответ всегда в заданном формате — модель не может вернуть вариант, которого нет в списке
  • Вероятность и confidence в каждом ответе: удобно автоматизировать уверенные случаи и отдавать спорные человеку
  • Задержка 70–500 мс по данным TypeSafe — подходит для синхронных проверок в интерфейсе
  • Оплачивается только вход, выходные токены бесплатны
  • Несколько вопросов к одному state за один запрос — state оплачивается один раз

Подходит для

  • Триаж обращений в поддержку: отдел, срочность, ошибка ли это
  • Модерация комментариев и отзывов
  • Проверка ответов RAG на соответствие справке
  • Роутинг запросов между дешёвой и сильной моделью
  • Проверка вызовов инструментов агентом перед выполнением

Jev 1.13

Предыдущая версия
Сентябрь 2026Контекст: 262 144 токена (state + вопросы)Вывод: Текст не генерирует — типизированные ответы

Предыдущая версия Jev с тем же API, ценой и контекстом. Именно её проверяли в независимой оценке на 37 датасетах. Остаётся в каталоге для проектов, где пороги уже подобраны под эту версию.

Ключевые преимущества

  • Формат запросов и ответов совпадает с 1.14
  • Пороги, подобранные под 1.13, не уплывут после обновления модели
  • Подробно описана в независимой оценке с открытыми данными

Подходит для

  • Работающие пайплайны с откалиброванными порогами
  • Сравнение версий на собственной размеченной выборке

Итог

Jev — не замена чат-модели, а другой инструмент для другой работы. Она не напишет ответ клиенту и не объяснит своё решение, зато быстро и дёшево отвечает на вопросы, которые в коде превращаются в if: куда отправить, нарушает ли правила, подтверждено ли, можно ли выполнить. Независимая проверка на 37 датасетах показала, что на коротких текстах и распространённых языках Jev точна и честно сообщает свою уверенность, а слабые места — малоресурсные языки, тонкие градации и длинные рассуждения — предсказуемы и задокументированы. Если в вашем продукте есть места, где чат-модель используется как классификатор, Jev стоит попробовать на размеченной выборке: за 8,40 ₽ за миллион входных токенов это обойдётся в копейки.

Часто задаваемые вопросы

Что такое Jev

Jev — модель решений от TypeSafe AI, первая модель класса System One. Она не генерирует текст: принимает состояние (текст, JSON или изображение) и типизированные вопросы и возвращает вероятность «да», выбранный вариант или позицию на шкале. Код сравнивает число с порогом и действует.

Чем Jev отличается от ChatGPT и других чат-моделей

Чат-модель пишет текст, который нужно парсить, и не сообщает, насколько уверена. Jev возвращает ответ строго в заданном формате вместе с откалиброванными вероятностями, отвечает за 70–500 мс и берёт плату только за входные токены. Зато она не умеет писать тексты и объяснять решения.

Насколько Jev точна

В независимой оценке jev-1.13 на 37 датасетах модель показала 95–99% на тональности, определении языка, вопросах на здравый смысл и научных вопросах и обошла Qwen3.8-27B на 27 датасетах из 37. Слабые места — малоресурсные языки, тонкие градации классов и задачи с длинным рассуждением.

Работает ли Jev на русском языке

Да, но основной язык модели — английский. В независимой оценке медиана точности по 122 языкам составила 91,1%, а провалы пришлись на малоресурсные языки. Отдельной цифры для русского нет, поэтому перед запуском проверьте модель на 100–200 своих размеченных примерах.

Сколько стоит Jev

В AITUNNEL — 8,40 ₽ за миллион входных токенов, выходные токены бесплатны. Обращение на 500 токенов с тремя вопросами стоит около 0,004 ₽.

Как подключить Jev из России

Через AITUNNEL: зарегистрируйтесь, пополните баланс в рублях, создайте ключ и отправляйте POST-запросы на https://api.aitunnel.ru/v1/decisions с model=jev-1.14. Официальный TypeSafe SDK тоже работает — укажите ключ AITUNNEL и base URL https://api.aitunnel.ru.

Доступ к этому провайдеру через AITUNNEL

Все модели провайдера доступны через единый API. Работает из России без VPN, оплата в рублях.

Единый APIОплата картой РФБез VPN
Начать работуРегистрация за 1 минуту
ПопробоватьВсе модели