Jev от TypeSafe AI: инженерный разбор модели, меняющей подход к ИИ

15 сентября 2026 года компания TypeSafe AI представила модель Jev, вызвавшую значительный резонанс в западном сообществе искусственного интеллекта. Этот релиз подтверждает эволюцию LLM-технологий за пределы их первоначального предназначения, демонстрируя новый взгляд на возможности ИИ.

Архитектура и функциональность Jev

В отличие от традиционных чат-ботов и больших языковых моделей (LLM), Jev не предназначена для генерации свободного текста или последовательной выдачи токенов. Её ключевая особенность заключается в возвращении распределений над заранее определёнными вариантами ответов. Модель эффективно отвечает на структурированные вопросы, выбирает опции, предоставляет числовые значения или выставляет оценки.

  • Негенерирующий ИИ: Jev не умеет писать текст и не объясняет логику своих рассуждений.
  • Франкенштейнинг: Основатель TypeSafe AI, Диого Алмейда (бывший исследователь ChatGPT и InstructGPT), описывает архитектуру модели термином «Франкенштейнинг», подчеркивая её уникальный композитный подход.
  • Стоимость: По данным TypeSafe, цена использования Jev составляет $0,042 за миллион входных токенов, при этом выходные токены не тарифицируются.

Применение и производительность

Jev демонстрирует потенциал для высокочастотных операций, требующих быстрых и точных решений. Например, модель была успешно интегрирована в бота для маркет-мейкинга на платформе Monad. Этот бот считывает биржевой стакан MON/USDC на Kuru, запрашивает решение у Jev примерно раз в 300 мс на каждом блоке и выставляет лимитный ордер. Репозиторий проекта набрал более тысячи звёзд за три дня, при этом время получения некоторых решений от Jev составляло всего 81 мс.

Важно отметить, что Jev является частью более крупной системы принятия решений. Она отвечает за оценочную функцию внутри комплексного торгового цикла, который также включает сбор данных, расчёт признаков, определение политики действий, управление рисками и отправку ордеров.

Концепция и философия создания Jev представляют собой свежий подход в индустрии ИИ, подтверждая, что инновации в области машинного обучения продолжают развиваться в неожиданных направлениях.