Jev: зачем нужна модель решений и как её использовать вместо настройки LLM

TypeSafe AI, компания-разработчик Jev, позиционирует продукт как модель решений (decision model). Документация API вышла 22 октября 2026 года. Информации о привлечённом финансировании, раунде или оценке компании в источнике нет: сумму и тип сделки TypeSafe AI не раскрыли.

Что такое Jev и какую задачу решает?

Представьте: в чат поддержки приходит сообщение. Приложению нужно мгновенно понять, это вопрос клиента, реклама или что-то ещё. Универсальная нейросеть вроде GPT или Claude тоже умеет классифицировать текст, но разработчику приходится самому описывать формат ответа и разбирать результат.

Jev берёт эту работу на себя. Модель принимает текст и набор вопросов определённого типа, а возвращает готовые значения для кода. Три типа вопросов закрывают основные сценарии:

• Choice выбирает одну категорию из заданного набора. Например, «вопрос», «реклама» или «другое». Тем же способом можно маршрутизировать обращения в поддержку: оплата, доставка, возврат.
• Score оценивает текст по упорядоченной шкале. Скажем, срочность обращения от «может подождать» до «работа остановлена». Результат бывает дробным, между уровнями.
• Noul возвращает вероятность ответа «да» числом от 0 до 1. Содержит ли комментарий персональные данные? Просит ли клиент поговорить с человеком? Порог для действия задаёт само приложение.

В одном вызове (инференс, однократное обращение к модели) можно задать сразу несколько вопросов. Например, определить тип сообщения через Choice и одновременно проверить через Noul, есть ли в нём персональные данные. Вопросы оцениваются независимо друг от друга: второй не видит ответ на первый. Если между решениями нужна связь, её организует код приложения.

Как это выглядит на практике?

Для работы нужен Python 3.10 или новее и официальный пакет typesafe-sdk. Ключ API получают в консоли TypeSafe и передают через переменную окружения TYPESAFE_API_KEY.

Разработчик описывает категории и инструкцию обычным текстом. Модель jev-latest выбирает актуальную версию без фиксации. Ответ приходит с тремя полями:

• .choice содержит метку с наибольшей вероятностью.
• .probabilities показывает распределение по всем вариантам.
• .confidence отражает уверенность модели с поправкой на число вариантов: 0 соответствует равномерному угадыванию, 1 означает полную сосредоточенность на одном варианте.

Если вероятности «вопроса» и «рекламы» близки, приложение может отправить сообщение на ручной разбор, даже когда одна метка формально победила. Это принципиальное отличие от бинарного ответа «да/нет»: распределение позволяет учесть неоднозначность.

Почему рынку нужны модели решений?

Универсальные большие языковые модели (LLM, нейросети, обученные на огромных массивах текста) поддерживают structured outputs (структурированный вывод, когда модель возвращает данные в заданном формате). Построить классификатор на GPT или Claude можно и сейчас.

Jev предлагает другой подход: готовый контракт для решений. Разработчик не конструирует промпт (промпт, текстовая инструкция для нейросети) под формат ответа, а вызывает типизированный метод. Приложение получает и результат, и оценки достоверности, по которым выбирает следующее действие.

Появление отдельного продукта для «узкого» решения, классификации и скоринга, а не генерации текста, фиксирует разделение рынка: одни модели пишут, другие решают. Для компаний, которые встраивают нейросети в продуктовый код, это сокращает слой «обвязки» между моделью и бизнес-логикой.

Jev занимает место между входными данными и следующим действием кода. Генерация развёрнутого текста и задачи с длительным рассуждением требуют отдельного этапа. : Документация TypeSafe AI

Что это значит для вас?

Автору Дзена. Если вы модерируете комментарии или сортируете входящие сообщения вручную, Jev показывает направление: скоро такие решения станут стандартным блоком в любом сервисе. Пока инструмент требует навыков программирования на Python, но сам принцип, автоматическая сортировка с оценкой уверенности, уже появляется в конструкторах ботов и CRM.

Маркетологу. Классификация обращений, приоритизация лидов, фильтрация спама по вероятности, всё это задачи, которые Jev решает «из коробки». Если ваша команда уже использует API нейросетей, переход на специализированную модель решений может убрать часть кода и ускорить обработку.

Предпринимателю в РФ и СНГ. TypeSafe AI не сообщает об ограничениях по регионам, но и о прямой доступности в России данных нет. Из локальных инструментов со схожей логикой можно рассмотреть API YandexGPT и GigaChat: оба поддерживают структурированный вывод, хотя готового «контракта решений» как у Jev у них пока нет.

Пока Jev остаётся обещанием: документация есть, независимых замеров нет. Но сам факт, что появился отдельный продукт именно для решений, а не для генерации, стоит запомнить: это направление, в котором рынок нейросетей будет дробиться дальше.