Jev to model od TypeSafe AI, który zamiast generować tekst, wybiera odpowiedź z gotowej listy i podaje jej prawdopodobieństwo. Działa w ułamku sekundy i kosztuje około 0,042 USD za milion tokenów wejściowych, więc nadaje się do routingu, klasyfikacji i decyzji tak/nie w aplikacji. Nie zastępuje LLM-a, bo nie napisze odpowiedzi, kodu ani uzasadnienia.
Przez ostatnie lata do każdego problemu z AI podchodziliśmy tak samo: wysyłamy tekst do dużego modelu językowego i czekamy na odpowiedź. Tymczasem w wielu aplikacjach odpowiedź ma jedno słowo: „billing”, „tak” albo „wysoki priorytet”. Na takie zadania w 2026 roku pojawiła się nowa kategoria modeli, a jej najgłośniejszy przedstawiciel to Jev.
Czym jest Jev?
Jev to pierwszy model TypeSafe AI, startupu z San Francisco, który wyszedł z ukrycia 15 września 2026 roku. Firma zakłada Diogo Almeida, były badacz OpenAI. Nazwa pochodzi od ekonomisty Williama Stanleya Jevonsa.
Jev nie pisze tekstu. Dostaje opis sytuacji (tzw. stan) i pytanie, a zwraca decyzję razem z prawdopodobieństwem. TypeSafe nazywa to modelem „System One” (System One model), od szybkiego, automatycznego myślenia z psychologii. Duże LLM-y są bliżej „Systemu Drugiego”: wolnego, rozbudowanego rozumowania.
Jev przyjmuje tylko tekst (może to być JSON lub lista), bez obrazów, dźwięku i wideo.
Jakie decyzje potrafi podejmować Jev?
Pytania mają jeden z trzech typów:
| Typ pytania | Co podajesz | Co dostajesz |
|---|---|---|
| Choice (wybór) | pytanie i do 255 opcji | wybraną opcję, prawdopodobieństwo każdej opcji i poziom pewności |
| Score (ocena) | pytanie i 2–10 uporządkowanych poziomów opisanych słowami | ocenę (średnia ważona prawdopodobieństwami, więc możliwe jest np. 1,4), rozkład poziomów i pewność |
| Noul (tak/nie) | pytanie tak/nie | liczbę od 0 do 1: prawdopodobieństwo odpowiedzi „tak” |
Przykład z dokumentacji Braintrust (opisany jako poglądowy): przy pytaniu o kategorię zgłoszenia wynik może wyglądać tak: billing 80%, wsparcie techniczne 15%, inne 5%, więc wybranym wyborem jest billing.
Czym Jev różni się od LLM-a?
| Cecha | LLM | Jev |
|---|---|---|
| Wynik | tekst, który trzeba sparsować | wartość zgodna ze schematem, ustalonym przed wywołaniem |
| Generowanie | token po tokenie | według opisu TypeSafe: decyzja w jednym przebiegu |
| Pewność | zwykle brak albo „na oko” | prawdopodobieństwa, które mają odzwierciedlać, jak często model ma rację (calibration) |
| Uzasadnienie | może je napisać | brak uzasadnienia |
| Cena | np. 10 USD za milion tokenów wejściowych i 50 USD wyjściowych (Claude Fable 5.1) | 0,042 USD za milion wejściowych, wyjściowe za darmo |
| Czas odpowiedzi | zwykle sekundy | według TypeSafe 70–500 ms |
Różnica w praktyce: LLM prosisz o „odpowiedz w JSON-ie” i liczysz na to, że sformatuje poprawnie. W Jevie lista dozwolonych odpowiedzi jest częścią zapytania, więc model nie może zwrócić wartości spoza niej.
Jak wywołać Jeva w kodzie?
Żądanie to JSON z trzema elementami: state (tekst, który model ma przeczytać), model i questions. Każde pytanie ma type, instructions i, dla wyboru, mapę criteria, czyli opcji z opisami. Poniższy kształt pochodzi z dokumentacji bramki LiteLLM, która przekazuje wywołania do TypeSafe. Nie uruchamialiśmy go z własnym kluczem, a samą dokumentację TypeSafe znajdziesz na docs.typesafe.ai.
{
"state": "Pomocy! Wypłaty nie działają od trzech dni.",
"model": "jev-latest",
"questions": {
"department": {
"type": "choice",
"instructions": "Który zespół powinien się tym zająć?",
"criteria": {
"billing": "Płatności, faktury, zwroty",
"technical": "Błędy, awarie, integracje",
"sales": "Ceny, zmiany planu, nowe konta"
}
}
}
}
Odpowiedź dla pytania typu wybór zawiera wybraną opcję, prawdopodobieństwo każdej z nich i poziom pewności:
{
"model": "jev-1.13.0",
"answers": {
"department": {
"type": "choice",
"choice": "technical",
"probabilities": {"billing": 0.08, "technical": 0.85, "sales": 0.07},
"confidence": 0.82
}
},
"usage": {"input_tokens": 312, "output_tokens": 48}
}
Kilka rzeczy wartych zapamiętania:
- W jednym żądaniu możesz zadać wiele pytań. Są oceniane niezależnie i równolegle, więc odpowiedź na jedno nie wpłynie na drugie.
- Nazwy
jev-latestijev-previewzmieniają się wraz z wydaniami. Jeśli ustawiasz progi pewności, przypnij konkretną wersję, np.jev-1.13.0. - Streaming nie jest dostępny.
- Okno kontekstu to 32 tys. tokenów na stan i najdłuższe pytanie (łącznie z pytaniami do 64 tys.), a po przekroczeniu dostaniesz błąd. Długie rozmowy trzeba skracać.
- Jev jest też dostępny przez bramki (Vercel, OpenRouter, LiteLLM) i w bibliotece Pydantic AI, gdzie ustawiasz progi pewności i awaryjne przejście na LLM.
Do czego Jev nadaje się w aplikacji?
Dobrze pasuje wszędzie tam, gdzie wynik to etykieta, liczba albo tak/nie:
- Routing zgłoszeń: do którego działu trafia wiadomość.
- Wybór modelu: proste pytanie idzie do taniego modelu, trudne do mocnego (zobacz też bramkę LiteLLM).
- Klasyfikacja dokumentów i ocena, czy fragment jest istotny dla pytania.
- Decyzje w pętli agenta: czy dość już wiemy, czy trzeba wywołać kolejne narzędzie. W agentach AI takich kroków jest wiele, a każdy z LLM-em kosztuje sekundy i pieniądze.
- Kolejka do człowieka: niska pewność oznacza „pokaż to osobie”.
Typowy wzorzec to LLM, który przygotowuje kontekst, Jev, który podejmuje szybką decyzję, i znów LLM, który wykonuje akcję.
Czego Jev nie potrafi?
To część, o której warto pamiętać przed wdrożeniem:
- Nie generuje tekstu: żadnych odpowiedzi, kodu ani wyjaśnień. Do tego nadal potrzebujesz LLM-a.
- Nie liczy ani nie porównuje dat: do arytmetyki, liczenia i kolejności dat użyj zwykłego kodu.
- Pewność to nie poprawność: w Choice i Score oznacza, jak skupione są prawdopodobieństwa, a nie że odpowiedź jest dobra.
- Poprawny schemat nie znaczy poprawnej decyzji: model może zwrócić dozwoloną, ale złą odpowiedź.
- Podatność na wstrzyknięcia: stan nie jest traktowany jako wrogi, więc zmanipulowany tekst wejściowy może zmienić odpowiedź.
- Brak uzasadnienia: w audytach i dziedzinach regulowanych to poważna wada. Przy ważnych decyzjach zostaw człowieka w pętli.
- Niedeterminizm treści: format jest deterministyczny, ale ta sama wejściowa treść może za drugim razem dać inną odpowiedź.
Czy Jev jest dokładniejszy od LLM-a?
Nie według danych, które mamy. W teście TypeSafe na czterech własnych zadaniach Jev osiągnął 67,8%, a GPT-5.6 Sol 74,1% i Claude Opus 5 73,1%. Zadania i wzorcowe odpowiedzi przygotowała sama firma (wzorce pochodziły z modeli OpenAI i Anthropic), a niezależnej replikacji nie opublikowano. Argumentem za Jevem jest więc cena i szybkość, nie jakość. Zgłaszane przez TypeSafe 0% błędów formatu to cecha schematu, nie dowód trafności decyzji.
Dokumentacja Pydantic AI radzi to samo: zmierz trafność, odsetek przekazań do człowieka i progi na własnych, oznaczonych danych, zanim zaczniesz im ufać. Zwraca też uwagę, że Jev czyta pytania dosłownie (warunki brzegowe trzeba opisać wprost), słabnie przy pytaniach wymagających kilku kroków rozumowania, a zbędny kontekst w stanie obniża trafność.
Jak zdecydować, kiedy Jev ma oddać decyzję człowiekowi?
Praktyczna zasada: ustaw próg pewności, a wszystko poniżej niego kieruj do osoby. Pamiętaj jednak, że pewność oznacza tylko, jak skupione są prawdopodobieństwa, a nie że odpowiedź jest poprawna. Dlatego próg dobierz na własnych danych, a nie na wartości z dokumentacji. Biblioteka Pydantic AI pozwala ustawić takie progi, a w razie niskiej pewności przekazać sprawę do LLM-a.
Jak sprawdzić Jeva, zanim mu zaufasz?
Nie polegaj na benchmarkach producenta. Weź 50 prawdziwych przypadków z własnej aplikacji, zapisz, jak zdecydowałby człowiek, i porównaj z odpowiedziami Jeva. Jeśli zgodność jest niska, problem zwykle leży w opisach opcji (criteria) albo w nadmiarze kontekstu w stanie, a nie w samym modelu. Taki test zajmuje godzinę i mówi więcej niż jakikolwiek ranking.
Kto jeszcze robi modele decyzyjne?
Po trzech tygodniach od premiery Jeva, 6 października 2026, OpenAI uruchomiło Decisions API. Działa na istniejącym modelu GPT-6 Luna bez dodatkowego treningu, przyjmuje także obrazy, kosztuje 0,10 USD za milion tokenów wejściowych (wyjściowe za darmo) i według OpenAI zwraca decyzje do dziesięciu razy szybciej niż ogólne Responses API. Według Fortune pracownik OpenAI przyznał, że usługi nie było na mapie drogowej cztery tygodnie wcześniej i że zainspirował ją Jev.
Analityk Arize ocenia, że Jev „nie ma wielkiej fosy”, więc to raczej początek nowej kategorii niż jeden produkt.
Jak szybko Jev trafił do programistów?
TypeSafe wyszło z ukrycia 15 września 2026 z rundą seed na 40 mln USD pod przewodnictwem DCVC, a Jev debiutował w early access z listą oczekujących. Szybko pojawił się też w bramkach: Vercel ogłosił go w AI Gateway jako darmowego do 25 września. Ta promocja już się skończyła i dziś obowiązuje standardowa cena 0,042 USD za milion tokenów wejściowych. W ciągu doby od startu na Vercelu wypróbowało go około 13% płatnych zespołów, dwa razy więcej niż przy jakiejkolwiek wcześniejszej premierze modelu. Dostępność szybko się zmienia (bramki, OpenRouter, własne konto TypeSafe), więc zajrzyj do aktualnej dokumentacji.
Czy warto uczyć się modeli decyzyjnych?
Warto, bo to zmienia sposób projektowania aplikacji z AI. Zamiast wysyłać wszystko do jednego dużego modelu, rozdzielasz pracę: tani i szybki model podejmuje decyzje, a drogi generuje treść. Podstawy, czyli wywołania API modeli, schematy i walidację odpowiedzi, znasz z klasycznych LLM-ów, więc wejście w modele decyzyjne to rozszerzenie, nie nowy start.
