Jev

Из шести просьб, с которыми к Jev приходят, без оговорок закрывается одна: узнать цену. Бесплатно попробовать нельзя, ключ сегодня не получить, а русский вендор называет вторым языком.

Ваш код уже спрашивает у LLM «какой из трёх отделов», «спам или нет», «насколько зол клиент». Такие вопросы Jev закрывает за треть секунды и доли цента, пример с норвежскими документами в главе 2.

Вам нужны сотни тысяч мелких решений в час: модерация, сортировка, скоринг. Проверка девяти тысяч пар товаров обошлась в $0,32 (paddo.dev, 19.09.2026).

Вы цените одинаковый ответ на одинаковый вопрос. На госзакупках Jev повторяла своё решение в 98% случаев, gpt-oss менял ответ на каждой шестой позиции (Хабр, 21.09.2026).

Вам нужен текст, код или ответ по картинке. Jev принимает только текст, а рисунки в виде SVG угадывала в два с половиной раза хуже, чем Claude Sonnet 5 по настоящим картинкам (19.09.2026).

Вы хотите задать один большой вопрос вроде «можно ли деплоить этот код». Сам Алмейда отвечает, что так выйдет плохо: модель сильна на маленьких вопросах, которые складываются в задачи посложнее (17.09.2026).

Вы считаете, сравниваете даты или работаете с русским без своей проверки. Вендор пишет, что модель не считает и читает даты как текст, а английский у неё основной язык.

Как получить ключ и вызвать модель, в главе 3; чем она отличается от GPT-5 nano и Haiku, в сравнении. Если только начинаете с ИИ, откройте введение в вайбкодинг.

Три типа вопросов. Jev понимает три формы вопроса. Choice выбирает один пункт из списка, Score ставит оценку по шкале, Noul отвечает «да» или «нет» числом от 0 до 1. К одному тексту можно задать сразу десятки вопросов, модель считает их параллельно, и время ответа почти не растёт.

Гонка с LLM. В ролике запуска один тикет поддержки с тремя десятками вопросов отдали Jev и GPT-5.6 Terra. Jev ответила за десятую долю секунды, LLM в этот момент ещё ждала первый токен. Вендор сам оговаривает, что короткий текст выгоден его модели (15.09.2026).

Судья для агента. Инженеры LangChain Дэниел Ши и Шон Роше прогнали одни и те же ответы погодного агента сотни раз через четырёх судей и сверили с разметкой человека. Jev совпала с человеком во всех случаях, Claude Sonnet 4.6 ошибался в каждом пятом, а прогон обошёлся в 80 раз дешевле (наша новость, 20.09.2026).

Норвежские слушания. Эмиль Линдфорс отдал Jev две дюжины документов о ресурсной ренте в лососеводстве и попросил определить позицию каждого автора. Модель угадывала позицию в пяти случаях из шести и отвечала на документ за треть секунды, DeepSeek без рассуждений думал почти три. Подробные формулировки вопросов, к удивлению автора, сделали её менее уверенной (lindfors.no, 18.09.2026).

Каталог товаров. На blog.r6i.it разбор товаров по дереву категорий перевели с агентного цикла на GPT-5.2 на Jev. Товар стал проходить дерево в семь раз быстрее, а вызовов модели понадобилось вдвое меньше. Пути совпали в семи случаях из десяти, и ошибка на первой ветке у Jev необратима, назад по дереву она не ходит (21.09.2026).

Русские коды закупок. Виталий Тренкеншу подбирал коды ОКТРУ к позициям госзакупок и просил модели выбрать лучший код из списка кандидатов. Jev попадала в нужный код чаще всех, включая Gemini 3.1 Pro, которая стоила в 60 раз дороже. Английский у модели основной, и автор советует проверять на своих данных (Хабр, 21.09.2026).

Где споткнулась. Бартош Микульский перевёл четыреста рисунков из Quick, Draw! в SVG-текст и просил угадать предмет. Jev угадала каждый третий и больше половины рисунков назвала самолётом, Claude Sonnet 5 по настоящим картинкам угадала девять из десяти. Картинок модель не видит вовсе (19.09.2026).

Ещё. На Hacker News пользователь под ником silbercue водил Jev по сайтам как браузерного агента: модель выбирала, куда кликнуть, и в шести сценариях не ошиблась ни разу, а текст в поля печатала отдельная маленькая модель.

Наш опыт. Мы дали Jev пересудить двести свежих постов нашей ленты новостей и сверили с решениями нашего судьи на большой модели. Совпали в трёх случаях из четырёх, а из РФ через OpenRouter ответ приходил за 0,42 с; весь прогон обошёлся в три цента. Где Jev не уверена, судья чаще всего тоже сомневается, разбор в статье (21.09.2026).

Лист ожидания. Регистрация у TypeSafe закрыта: на typesafe.ai вы оставляете заявку, а ключ выдают после приглашения в консоли console.typesafe.ai. Бесплатного уровня и стартовых кредитов в документации нет.

Вызов. Один адрес, POST https://api.typesafe.ai/v1/systemone, заголовок с ключом и тело из двух полей. В state лежит текст, в questions список вопросов с вариантами. Есть SDK для Python (typesafe_sdk) и JavaScript (@typesafe-ai/sdk), модель по умолчанию jev-latest, сейчас это jev-1.13.0.

Через шлюзы. Без листа ожидания модель отдают Vercel AI Gateway под именем typesafe-ai/jev, Cloudflare AI и OpenRouter как typesafe/jev-1.13 по той же цене. У Vercel это не обычный вызов чата, а отдельная функция evaluate в AI SDK 7, потому что формат запроса у Jev свой.

Для агентов. TypeSafe выложила навык для агентов-кодеров. В Claude Code он ставится командой claude plugin install typesafe@typesafe-ai и объясняет агенту, как писать вопросы к модели.

Лимиты. 64 тысячи токенов на запрос и 32 тысячи на текст вместе с самым длинным вопросом, 1 200 запросов в минуту и 250 тысяч токенов в секунду. Вендор предупреждает, что лимиты плавают и меняются без уведомления, пока спрос выше мощностей.

Из РФ. Рабочий путь тот же, что у других зарубежных API: зарубежная оплата и шлюз, у которого уже есть аккаунт. Страны, карты и телефоны TypeSafe в открытых документах не называет, поэтому проверить доступ по ним нельзя. Посредник polza.ai обещает оплату рублями, это его заявление, покупкой не проверяли.

Замер вендора. На своих четырёх рабочих задачах TypeSafe насчитала Jev 67,8% точности при $0,0004 и 0,4 с на кейс. GPT-5.6 Sol набрала 74,1%, Claude Opus 5 73,1%, GPT-5.6 Terra 67,9% при $0,03 и 10 с. Эталоном верного ответа там служат усреднённые ответы GPT-6 Astra и Claude Fable 5.1, а не разметка людей (evals.typesafe.ai, 21.09.2026).

Откуда 193,6 и 444,6. Эти множители с главной страницы вендор выводит из того же замера и сам называет верхней границей. По нашему пересчёту его таблицы 193,6 получается делением 78,1 с у Claude Sonnet 5 на 0,4 с у Jev, а 444,6 делением $0,176 у Opus 5 на $0,0004. Скорость сравнена с самой медленной моделью, цена с самой дорогой.

Независимые прогоны. Три замера 18–20 сентября сходятся: против дешёвых LLM выигрыш в скорости двух-трёхкратный. На Banking77 с 77 классами Jev дала 83,2%, GPT-5.4 nano 79,3%, GPT-5.6 Terra 87,5%, а обученный на этих данных маленький классификатор 93,3% (ickma2311, 18.09.2026). JevBench на полном тесте Banking77 из 3 080 примеров получил 80,3%, а на фишинговом наборе замерил задержку 239 мс из Франции против 687 мс у Claude Haiku 4.5 (20.09.2026).

Зависит от вопроса. На фишинговых письмах Jev с одним вопросом дала 62,6% против 81,3% у Haiku 4.5, а после разложения на пять вопросов с подобранными весами 95,0% (XenoSpectrum, проверено 21.09.2026). Простое регулярное выражение на том же наборе даёт 91,8%.

Русские данные. Виталий Тренкеншу просил модели выбрать лучший код ОКТРУ из списка кандидатов для 928 позиций госзакупок, справочник насчитывает 77 772 кода. Jev дала точность 0,775 за $0,56, Gemini 3.1 Pro 0,753 за $33,46, gpt-oss-120b 0,741 за $1,10 (Хабр, 21.09.2026).

Цена токена. $0,042 за миллион входных токенов, выходные бесплатны. В документации вендор считает в миллиардах, $42 за миллиард. Отдельной страницы тарифов нет, планы и минимальный платёж не названы, цена стоит только в описании модели (проверено 21.09.2026).

Цена задачи. Тысяча документов слушаний обошлась в $0,22 против $1,31 у DeepSeek без рассуждений (lindfors.no, 18.09.2026). Классификация 1 018 статей стоила $0,08 (Хабр, 19.09.2026). Бот для Doom делал 10 запросов в секунду за $7 в час, это единственная бытовая цифра самого вендора.

Подвох цены. В блоге TypeSafe пишет, что не может доказать отсутствие субсидии и ждёт долгого срока, чтобы подтвердить устойчивость цены. На главной странице при этом сказано, что модель обслуживается прибыльно. Лимиты меняются без уведомления.

Из РФ. Оплата у TypeSafe скрыта за логином, стран и карт в документах нет. Способы оплаты зарубежных API собраны на отдельной странице.

Форма, не правда. Jev не может вернуть вариант вне вашего списка, и в этом смысле слова «ноль галлюцинаций» с главной страницы верны. Выбрать неправильный вариант из списка она может, вендор пишет это прямо: модель гарантирует форму ответа, а не правильность каждого решения.

Что значит уверенность. Калибровка обещана по группам ответов: из решений с вероятностью 0,8 верными должны оказаться около 80%. Про отдельный ответ это ничего не гарантирует. В прогоне ickma2311 уверенность Jev не отделяла её ошибки лучше, чем словесная уверенность обычной LLM (18.09.2026). Статьи, кривой калибровки и числа ошибки калибровки вендор не публиковал, разбор этого обещания вышел в нашей ленте 21.09.2026.

Девять слабых мест. TypeSafe сама ведёт страницу отказов jev-1.13: буквальное чтение вопроса, счёт, сравнение дат, ссылки через несколько шагов, длинный текст с мусором, враждебные вставки, противоречивые критерии, правила, которые должны сходиться между ответами, и генерация. Совет вендора один, считать и сравнивать в коде, а модели оставлять суждение (проверено 17.09.2026).

Данные. По документации модель не обучается на запросах клиентов, для корпоративных клиентов есть режим без хранения данных. Дообучить Jev на своих данных нельзя, одни и те же веса обслуживают все аккаунты.

Русский язык. Английский назван основным языком обучения, остальные языки «обрабатываются, но не одинаково хорошо». В единственном замере на русских данных, госзакупках на Хабре, Jev выиграла, но автор оговаривает то же самое. Проверяйте на своих текстах и смотрите на уверенность.

Кто за этим стоит. Диого Алмейда четвёртый из двадцати авторов InstructGPT, работы 2022 года, из которой вырос ChatGPT, и один из полусотни участников блога о запуске ChatGPT. Слов «соизобретатель ChatGPT» из его твита в документах OpenAI нет. Компания основана в 2024 году в Сан-Франциско, 15.09.2026 получила $40 млн от DCVC.

Jev или GPT-5 nano. Nano умеет писать текст и стоит $0,05 на входе и $0,40 на выходе. На Banking77 Jev была точнее на четыре пункта и вдвое быстрее за вызов, 0,43 с против 0,9 с (ickma2311, 18.09.2026). Если решение нужно одно, а текст не нужен, Jev дешевле; если рядом нужно написать ответ клиенту, nano закроет обе задачи.

Jev или Claude Haiku 4.5. Haiku понимает картинки, пишет текст и стоит $1 на входе. На фишинге с одним вопросом Haiku дала 81,3% против 62,6% у Jev, после разложения на пять вопросов Jev вышла на 95,0% (XenoSpectrum, проверено 21.09.2026). Выигрыш Jev здесь куплен ручной работой над вопросами.

Jev или свой классификатор. Маленькая модель, обученная на тех же данных Banking77, дала 93,3% против 83,2% у Jev и отвечала за 0,01 с (ickma2311, 18.09.2026). Но такую модель нужно обучать под каждую задачу, а Jev берёт задачу из текста вопроса без обучения. На Hacker News её назвали скорее классификатором, чем языковой моделью, и основатель ответил «очень точно».

Где чей вызов. Jev не вписывается в обычный формат чата, поэтому в OpenAI-совместимые библиотеки одной строкой не встаёт. Nano и Haiku работают через привычные API OpenAI и Anthropic.

От выхода из стелса до первых независимых замеров прошло три дня, до первого замера на русских данных шесть. Всё ниже датировано по публикациям авторов.