Decision AI модели: в 290 раз дешевле GPT, а точность та же

Термин Decision AI (модели принятия решений) закрепился после запуска Jev. TypeSafe AI называет свою разработку «System One model» по аналогии с быстрым интуитивным мышлением из теории Даниэля Канемана. За три недели после выхода Jev конкурент Fastino Labs выпустил две собственные модели того же класса, а независимые разработчики опубликовали несколько воспроизведений архитектуры в опенсорсе. Ниже разбираю, как устроена категория Decision AI, какие модели существуют и чем они полезны тем, кто работает с ИИ-агентами и автоматизацией в России.

Что отличает Decision AI модели от обычных?

• Ответ без текста. Обычная языковая модель возвращает абзац, который нужно парсить. Decision AI модель возвращает структурированный ответ: выбор из списка, числовую оценку или вероятность от 0 до 1. Код может ветвиться по ответу напрямую, без разбора JSON (формата обмена данными между программами).

• Три базовых типа вопросов Jev. Choice (выбор одного варианта из списка до 255 опций с вероятностями). Score (оценка по шкале с упорядоченными уровнями). Noul (сокращение от Bernoulli, вероятность от 0 до 1, что утверждение истинно).

• Параллельная обработка. Все вопросы к одному состоянию обрабатываются одновременно и изолированно. По данным TypeSafe, добавление вопросов почти не увеличивает время ответа.

• Новый метод обучения. TypeSafe описывает метод RLCD (Reinforcement Learning for Calibrated Decisions, обучение с подкреплением для калиброванных решений). Если привычный RLHF (обучение на человеческих предпочтениях) оптимизирует ответ «нравится человеку», то RLCD оптимизирует точность вероятностей: чем выше уверенность модели, тем точнее должен быть ответ.

• Скорость и стоимость. По данным TypeSafe, время ответа Jev составляет от 70 до 500 миллисекунд. Контекстное окно (объём текста, который модель «видит» за один запрос) составляет 32 000 токенов по данным OpenRouter.

Что показали тесты?

TypeSafe провела сравнительные тесты на четырёх задачах: обработка инцидентов безопасности, наблюдаемость агентных цепочек, обработка счетов и клиентский сервис. Эталонные метки получены усреднением ответов GPT-6 Astra и Claude Fable 5.1 на высоком уровне рассуждений.

• Jev: 67,8% средней точности, $0,0004 за кейс, 0,4 секунды.
• Claude Sonnet 5 (тот же сценарий): 67,8% точности, $0,1174 за кейс, 78,1 секунды.
• Лучшая сравнительная конфигурация (OpenAI «sol»): 74,1%, $0,0836 за кейс, 23,3 секунды.

Jev сравнялся с Claude Sonnet 5 по точности, но обошёлся примерно в 290 раз дешевле и отработал примерно в 195 раз быстрее. При этом Jev отстаёт от лучшей фронтирной конфигурации на 6,3 процентных пункта. По отдельным задачам разброс заметный: 76% на клиентском сервисе и 61,8% на обработке счетов.

Показателен и темп принятия рынком. По данным Vercel, Jev стал самой быстро принятой моделью в истории их AI Gateway: за 24 часа почти 13% платных команд начали его использовать. Это, по данным Vercel, вдвое больше доли семейства GPT-5.6 и более чем в шесть раз больше доли Fable 5.1.

Где Decision AI модели уже работают?

Простое правило из документации TypeSafe: если коду нужен ограниченный ответ, по которому он будет ветвиться, подходит Decision AI модель. Если результат читает человек, нужна обычная языковая модель.

Конкретные применения, уже описанные разработчиками и интеграторами:

• ИИ-агенты: выбор следующего инструмента, решение «продолжить, повторить, спросить пользователя или остановиться» одним вопросом Choice вместо разбора JSON.
• Маршрутизация моделей: лёгкие запросы отправляются дешёвой модели, сложные отправляются дорогой. Fastino перечисляет маршрутизацию по назначению, сложности и уровню эскалации.
• Гарантии безопасности (guardrails): TypeSafe предлагает Jev для оценки промптов, цепочек рассуждений и выходных данных на предмет вредоносности.
• Оценка качества вместо «LLM-судьи»: Arize и Langfuse уже запустили оценщики на базе Jev для анализа трассировок ИИ-агентов. Langfuse называет функцию «decision-model evaluators» и пока помечает её как экспериментальную.
• Переранжирование поиска: Саймон Уиллисон описал паттерн, где 100 кандидатов от BM25 (классического поискового алгоритма) оцениваются Jev параллельно одним вызовом Score вместо дорогого обращения к языковой модели.

Как попробовать?

1. Откройте документацию Jev на сайте TypeSafe AI или через OpenRouter, где модель доступна с контекстным окном 32 000 токенов.
2. Сформируйте запрос: передайте «состояние» (текст, массив или набор пар «ключ-значение») и один или несколько типизированных вопросов (Choice, Score или Noul).
3. Получите структурированный ответ с вероятностями и уверенностью, который ваш код использует напрямую без парсинга текста.
4. Для интеграции в пайплайны оценки качества посмотрите экспериментальные коннекторы Langfuse и Arize.

Сравнение с инструментами, доступными в России

В российском ИИ-ландшафте прямого аналога Decision AI моделей пока нет. YandexGPT и GigaChat остаются языковыми моделями: они генерируют текст, и для получения структурированного ответа приходится просить JSON и парсить его, что ненадёжно и медленнее.

Для разработчиков из России это означает, что задачи классификации, маршрутизации и guardrails пока решаются через промпт-инжиниринг (составление инструкций для модели) с YandexGPT или GigaChat, но при появлении прямого доступа к Jev или его опенсорс-аналогам выигрыш в стоимости и надёжности может быть кратным.

Чего Decision AI модели не умеют?

TypeSafe честно перечисляет ограничения в руководстве по Jev 1.13:

• Генерация текста, пересказов, объяснений: для этого нужна обычная языковая модель.
• Точная арифметика, подсчёт, вычисления с датами: TypeSafe прямо указывает на слабость в этих задачах.
• Решения, затрагивающие судьбы людей (найм, увольнение): Саймон Уиллисон предупреждает, что скрытые предвзятости (bias) в таких моделях сложно выявить и проверить.

Что делать с этим прямо сейчас, по ролям?

Разработчику и автоматизатору: если вы строите ИИ-агента или цепочку вызовов моделей, Decision AI модели решают конкретную боль: замена ненадёжного парсинга JSON на типизированные ответы. Попробуйте Jev через OpenRouter для задач маршрутизации и guardrails.

Автору Дзена и контент-маркетологу: напрямую Jev не заменит вам написание текстов, это не его задача. Но если вы используете ИИ-агентов для автоматизации публикаций (классификация тем, сортировка черновиков, проверка на соответствие редполитике), Decision AI модели делают такие цепочки дешевле и надёжнее.

Предпринимателю в РФ: доступ через OpenRouter может быть ограничен, проверяйте. Опенсорс-воспроизведения Jev появились уже в первые три недели, следите за ними: именно открытые веса дают возможность развернуть аналог на своих серверах без зависимости от зарубежных API.

Частые вопросы

Decision AI модели заменят обычные языковые модели?

Нет. Это разные инструменты для разных задач. Если результат читает человек и нужен связный текст, используется языковая модель. Если результат читает код и нужен выбор, оценка или вероятность, подходит Decision AI модель. TypeSafe прямо говорит: Jev не генерирует строки.

Можно ли использовать Jev из России?

Jev доступен через OpenRouter. Ограничения зависят от политики платформы и способа оплаты. Альтернативный путь: опенсорс-воспроизведения архитектуры Jev, которые появились в первые три недели после запуска, можно развернуть на собственных серверах.

Насколько можно доверять точности Decision AI моделей?

По тестам TypeSafe, Jev показал 67,8% средней точности на четырёх задачах, сравнявшись с Claude Sonnet 5. Но это бенчмарки самого разработчика, а разброс между задачами велик. Для критичных решений (безопасность, финансы, найм) модель не рекомендована без человеческой проверки.