Что такое ИИ-агент без генерации текста: модель Jev решает в 444 раза дешевле GPT

До сих пор каждый шаг ИИ-агента, выбрать модель, проверить команду, оценить релевантность документа, требовал вызова полноценной языковой модели. Это дорого, медленно и избыточно: для бинарного решения «безопасно или нет» не нужен генератор текста на миллиарды параметров. TypeSafe AI предложила отдельный класс модели, которую называет System One, и выпустила первую реализацию под названием Jev. По данным TypeSafe AI, модель работает до 193,6 раза быстрее и обходится до 444,6 раза дешевле по сравнению с GPT-6 Astra и Fable 5.1, хотя компания оговаривает, что это верхний край реальных результатов на собственных тестах.

Что именно делает Jev и зачем он нужен ИИ-агентам?

Чтобы понять, что такое ИИ-агент в практическом смысле, представьте программу, которая сама решает, какой следующий шаг предпринять: позвонить в одну модель или другую, разрешить действие или заблокировать, считать задачу выполненной или продолжить. Каждое такое микрорешение обычно требует вызова большой языковой модели, которая генерирует текст, а потом этот текст ещё нужно разобрать на структурированный ответ.

Jev работает иначе. Каждый вызов отправляет «состояние» (текст или JSON) и набор типизированных вопросов. Модель не пишет свободный текст, а возвращает один из трёх примитивов:

• Choice выбирает один вариант из списка и отдаёт вероятность каждого варианта плюс уверенность модели
• Score оценивает состояние по заданной шкале и возвращает вероятности по уровням
• Noul возвращает вероятность от 0 до 1, что утверждение истинно

Все вопросы обрабатываются параллельно за один запрос. TypeSafe AI обучает Jev методом RLCD (обучение с подкреплением для калиброванных решений), то есть чем выше уверенность модели, тем точнее должен быть ответ.

Где Jev уже применяется?

TypeSafe AI опубликовала 20 сценариев применения. Вот ключевые с цифрами из их документации.

Маршрутизация и оркестрация. Jev оценивает сложность запроса и направляет его к быстрой или мощной модели. Из опубликованного примера: система подбора навыков выбирает нужный навык из 182 в каталоге Hermes от Nous Research за два запроса.

Безопасность и контроль. Инструмент pi-warden проверяет, не является ли команда необратимой или нецелевой. Например, отличает команду «сбросить базу данных» после запроса «сбрось базу» от той же команды после запроса «добавь колонку». Инструмент jev-auto-approve автоматически одобряет действия только при вероятности безопасности 0,95 и выше: в опубликованной калибровке он одобрил ноль из восьми команд, изменяющих состояние. Защита jev-secret-guard заблокировала 6 из 6 секретов и пропустила 6 из 6 безобидных строк.

Поиск и проверка источников. На 40 юридических запросах из набора CLERC точность первого результата выросла с 5% до 18%, а попадание в топ-10 поднялось с 38% до 62%. В тесте с внедрённой инъекцией (подставным вредоносным текстом в поисковой выдаче) косинусная близость поставила инъекцию на первое место с оценкой 0,584, а Jev оценил её на 0,99 по шкале опасности и отбросил.

Управление браузером и устройствами. Браузерный агент Jev Ultrafast выполнил поиск авиабилетов через Google Flights примерно за 7,1 секунды. Десктопный агент typesafe-computer-use управляет macOS примерно за $0,0002 за шаг. Мобильный агент дошёл до экрана оплаты Uber примерно за 21 секунду и 9 действий.

Как Jev выглядит на фоне конкурентов?

Единственное сравнение на независимой площадке, тест Banking77 от OpenRouter. Это классификация банковских запросов по 77 категориям.

Jev набрал 81,0% точности против 84,4% у Claude Opus 5. Разница в 3,3 процентных пункта. При этом Jev оказался в 13 раз быстрее по медиане и примерно в 22 раза дешевле.

Компания честно указывает: её собственные цифры 193,6x по скорости и 444,6x по стоимости получены на внутренних тестах и представляют верхний край результатов. Цифры открытых моделей, реализующих тот же интерфейс /v1/systemone (проекты Laya и kev), получены каждым проектом на собственных бенчмарках, поэтому прямое сравнение затруднено.

Что это значит для вас?

Авторам Дзена и копирайтерам. Если вы экспериментируете с ИИ-агентами для автоматизации рутины, например проверкой источников или классификацией тем, Jev показывает, что такое ИИ-агент нового типа: не универсальный генератор текста, а узкий «решатель», который стоит копейки. При цене $0,042 за миллион входных токенов (токен, это минимальная единица текста для модели, примерно 3/4 слова) можно прогнать тысячи проверок за центы.

Маркетологам. Экономика агентных решений меняется. Раньше каждый вызов модели для маршрутизации или проверки безопасности стоил как генерация полноценного ответа. Jev разделяет эти задачи: генерация остаётся за языковой моделью, а микрорешения уходят на дешёвый специализированный слой. Это сокращает стоимость внутренних ИИ-процессов на порядки.

Предпринимателям в России. Jev доступен через API, локальной версии нет. Из доступных в РФ аналогов по идее «типизированных решений» ближе всего подходят классификаторы и ранжировщики в YandexGPT API, хотя прямого аналога System One на российском рынке пока не существует. Главный вывод: для внутренних агентных решений больше не нужно оплачивать полный инференс (инференс, это процесс получения ответа от модели) большой модели на каждое микрорешение. Это принципиально меняет ROI (окупаемость) ИИ-автоматизации, особенно при ограниченных бюджетах на облачные вычисления.

Главное, что стоит запомнить: Jev не замена языковой модели, а её напарник по микрорешениям. Если вы строите или планируете строить ИИ-агентов, протестируйте разделение задач: пусть генерация текста остаётся за большой моделью, а рутинные решения уходят на дешёвый специализированный слой. Именно так выглядит экономически устойчивая архитектура агентов в 2025 году.

По данным TypeSafe AI