0,042 USD za milion tokenów wejściowych, darmowe tokeny wyjściowe i odpowiedź w około ćwierć sekundy – to najważniejsze liczby opisujące Jev, pierwszy model klasy „System One” od TypeSafe AI, udostępniony 15 września 2026 r.
Przez pierwsze dwa tygodnie analizowaliśmy deklaracje producenta, przeprowadzaliśmy niezależne testy i przygotowaliśmy pierwsze raporty z produkcji. Z artykułu dowiecie się, jaka jest nasza interpretacja.
Czego dziś potrzebujemy?
Duża część tego, co nazywamy automatyzacją AI, nie potrzebuje modelu, który pisze. Kiedy agent wybiera kolejne narzędzie albo workflow kieruje zgłoszenie do właściwej kolejki, wynikiem jest jedna opcja z zamkniętej listy – a mimo to prosimy dziś LLM, by zapisał ją tekstem, który potem parsujemy z powrotem do etykiety.
Jev, zbudowany przez TypeSafe AI, pomija pisanie – wysyłamy mu stan i zestaw pytań o zadanym typie odpowiedzi, a każda odpowiedź ma przypisane prawdopodobieństwo. „System One” to u Daniela Kahnemana szybki, intuicyjny osąd – w odróżnieniu od wolnego, rozważnego Systemu 2, pod który budowane są modele rozumujące.
Jev działa jak klasyfikator: Definiujemy z góry odpowiedzi i otrzymujemy prawdopodobieństwo. Na start nie trzeba etykietowanych danych ani pipeline’u treningowego, więc klasyfikator, na który wielu zespołom brakowało czasu lub danych, jest dziś wywołaniem API. Tracimy za to mocne strony LLM: Jev nie napisze ani zdania komentarza, ani nie powie, dlaczego wybrał to, co wybrał.
Gdzie model się opłaca
Dotychczas najlepsze wyniki dotyczą masowych decyzji ze znanym zbiorem odpowiedzi.
- LangChain używa modelu Jev do routingu zapytań między tańszymi i mocniejszymi modelami oraz do blokowania ryzykownych wywołań narzędzi.
- Brizz płaci dziś 1,40 USD zamiast 29,67 USD za 17 840 zapytań klasyfikacyjnych i ma odpowiedzi 16 razy szybciej.
W teście na 540 artykułach prasowych Jev zgodził się z etykietami referencyjnymi Claude Opus 5 w 92,6% przypadków, wobec 79,8% dla gpt-4o-mini. Routing, triage i guardraile stają się tak tanie, że można je stosować na każdym kroku.
Drobny druk pod hasłem „nie halucynuje”
Co do formatu, deklaracja się broni: Niezależni testerzy nie odnotowali żadnej niepoprawnej odpowiedzi w ponad 23 000 wywołań modeli decyzyjnych. Osąd bywa jednak błędny – i to przy wysokiej pewności.
Jev zawsze wybiera jedną z podanych opcji, stąd potrzeba opcji „żadna/nie wiem”, a liczy się też sformułowanie pytania: W teście wykrywania phishingu jedno ogólne pytanie dało 62,6% trafności, a pięć węższych, z wagami dopasowanymi na 1000 oznaczonych e-maili – 95%. Kalibracja, główna obietnica, jest sporna: Jeden audyt pokazał najlepszą w teście kalibrację „z pudełka”, inny – prawdopodobieństwa niesumujące się do jedności.
Pierwsze pytanie naszych klientów o dowolny komponent AI brzmi: Czy możemy zaufać liczbie, którą zwraca, i posłużyć się nią do podjęcia realnych decyzji? Kalibracja zależy od danych klienta tak samo jak od modelu: dopóki nie zmierzymy jej w docelowym systemie, wskaźnik pewności jest hipotezą.
400x na slajdzie, 39% na produkcji
TypeSafe podaje, że Jev jest 193,6 razy szybszy i 444,6 razy tańszy od czołowych modeli – na czterech workflowach własnego zespołu. Liczby z produkcji są zwykle skromniejsze: w Polylane 90. percentyl opóźnienia spadł z 4,8 do 0,5 sekundy, a koszt wywołania – o 39%.
To wczesny etap: Analiza ponad 6000 publicznych wpisów z tygodnia premiery pokazała, że na produkcji używało modelu tylko 3,7% testujących. Liczy się koszt decyzji względem zastępowanego modelu.
Rezydencja danych i alternatywy z otwartymi wagami
Jev jest dostępny wyłącznie jako hostowane API, obsługuje tylko tekst, najlepiej po angielsku, a publicznych informacji o regionie w UE nie znaleźliśmy.
Alternatywy z otwartymi wagami pojawiły w kilka dni później: Laya od Convai Innovations i GLiNER2.5-Decide od Fastino, oba na licencji Apache 2.0 – ten drugi działa na CPU, także w środowiskach odciętych od sieci. Dla klientów, którzy nie mogą wysyłać danych do API dostawcy, właśnie te modele warto poddać tej samej ewaluacji.
Artificial Intelligence
Dostarczamy rozwiązania AI dopasowane do Twojego biznesu, które zwiększają efektywność i podnoszą produktywność Twojego zespołu.
Oferta AIWnioski z pierwszych dwóch tygodni modelu Jev
- Szukaj wywołań LLM, których wynik od razu parsujesz do etykiety z zamkniętej listy.
- Zawsze dawaj modelowi wyjście awaryjne, np. opcję „żadna/nie wiem”.
- Rozbijaj jedno ogólne pytanie na kilka wąskich i łącz odpowiedzi w kodzie.
- Sprawdź kalibrację na własnym ruchu, zanim ustawisz progi pewności.
- Zostaw LLM jako fallback, a oszczędności mierz na produkcji, nie na zbiorze testowym.
- Sprawdź, gdzie przetwarzane są dane, zanim spojrzysz na ranking.
Jev ma kilka tygodni, dowody są wczesne – oceniamy go jak każdy model: na zadaniach klienta.
***
Jeśli Twoja organizacja chce sprawdzić, które z jej wywołań AI powinny być decyzjami, a nie rozmowami – porozmawiajmy. Pomożemy przetestować modele takie jak Jev na Twoich danych i zaprojektować wokół nich harness.
Zostaw komentarz