BlogAI
Jev czyli AI, które nie pisze, tylko decyduje
Ile z naszego AI to tak naprawdę decyzje?
Kiedy zespoły wpinają LLM w produkt, zwykle wygląda to podobnie. Jest prompt z opisem zadania, lista dozwolonych odpowiedzi i prośba o JSON. Model ma przeczytać zgłoszenie i zwrócić „billing”, „technical” albo „sales”. Albo ocenić, czy klient jest zdenerwowany. Albo sprawdzić, czy komenda, którą agent chce uruchomić w terminalu, jest bezpieczna.
W takim zadaniu nikt nie potrzebuje tekstu. Potrzebna jest jedna etykieta i informacja, na ile można jej ufać. Mimo to płacimy za model, który składa odpowiedź token po tokenie, potrafi napisać wiersz o kotach i czasem myśli kilkadziesiąt sekund nad pytaniem, na które człowiek odpowiada w sekundę.
W tę lukę celuje Jev, model, który firma TypeSafe AI pokazała 15 września 2026 roku.
Co to jest Jev
Jev jest pierwszym publicznym modelem z kategorii, którą twórcy nazywają System One. Nazwa kojarzy się z Kahnemanem: System 1 to szybki, intuicyjny osąd, System 2 to powolne rozumowanie krok po kroku. Modele z trybem rozumowania są bliżej Systemu 2. Jev ma być Systemem 1 dla oprogramowania.
Czym Jev różni się od LLM
Najkrócej: LLM odpowiada tekstem, Jev odpowiada decyzją.
Kształt odpowiedzi. LLM generuje tekst, nawet gdy prosimy go o JSON. Jeśli dostawca wymusza schemat (structured outputs), format się zgadza, ale w środku jest słowo wybrane przez model. Część API zwraca do niego prawdopodobieństwa tokenów, ale to prawdopodobieństwa kolejnych tokenów, a nie decyzji. Jev zwraca wartość z typu, który sami zdefiniowaliśmy: wybór z listy (do 255 opcji), ocenę na opisanej skali albo prawdopodobieństwo od 0 do 1. Nie ma jak zwrócić czegoś spoza listy.
Pewność. Przy wyborze z listy i ocenie na skali dostajemy rozkład prawdopodobieństwa na wszystkie opcje i poziom pewności, a przy pytaniu „tak czy nie” samo prawdopodobieństwo. Model jest trenowany metodą, którą TypeSafe nazywa RLCD (Reinforcement Learning for Calibrated Decisions). Jej celem są „uczciwe” prawdopodobieństwa: jeśli model mówi 0,9, to powinien mieć rację mniej więcej dziewięć razy na dziesięć. Modele językowe, zapytane o pewność, mają skłonność do przesadnej pewności siebie.
Sposób liczenia. LLM pisze odpowiedź token po tokenie. Jev według twórców generuje wszystkie odpowiedzi w jednym przebiegu, równolegle, więc kilka pytań w jednym zapytaniu nie znaczy kilka razy dłuższego czekania.
Czas i koszt. TypeSafe podaje od 70 do 500 ms na odpowiedź, wobec od 3 do 329 sekund dla czołowych LLM-ów. Cena to 0,042 dolara za milion tokenów wejściowych, a wyjście jest darmowe. Dla porównania Claude Haiku 5.5, mały model Anthropic, kosztuje 0,10 dolara za milion tokenów wejściowych. Firma sama przyznaje, że nie umie udowodnić, że jej cena nie jest dotowana.
Czego nie robi. Nie pisze tekstu, nie generuje kodu, nie tłumaczy swoich decyzji i nie wybiera sam kolejnego kroku. Dokumentacja mówi wprost, że to model do budowania oprogramowania z AI, a nie do budowania agentów.
Jak to wygląda w praktyce
Do API wysyłamy stan, czyli tekst albo obiekt z danymi (na przykład treść zgłoszenia z metadanymi), i listę pytań. Każde pytanie ma swój typ:
wybór: „który zespół powinien to obsłużyć?”, z opcjami billing, technical i sales oraz krótkim opisem każdej;
ocena: „jak bardzo sfrustrowany jest klient?”, na skali opisanej słowami;
prawdopodobieństwo: „czy wiadomość jest pilna?”, z odpowiedzią od 0 do 1.
Na każde pytanie wraca wartość i jej pewność. Ciekawsze od samego API jest to, jak TypeSafe radzi z niego korzystać:
Zadawaj wąskie, pojedyncze pytania. Szerokie pytanie chowa kilka osądów pod jedną odpowiedzią.
Niech kod robi co innego przy pewnej i niepewnej odpowiedzi. Niepewne przypadki trafiają do człowieka albo do droższego modelu, który umie rozumować.
Progi ustal na własnych danych. Zestaw pewność modelu z jego trafnością na swoich przypadkach i dopiero wtedy zdecyduj, od jakiej pewności ufasz odpowiedzi.
To klasyka uczenia maszynowego, a nie nowość ery LLM. I to chyba najcenniejsze, co Jev wnosi: dyscyplinę, którą zespoły ML znają od lat, w narzędziu, którego używa się jak promptu.
Gdzie to ma sens
Wspólny mianownik jest prosty: dużo powtarzalnych decyzji, odpowiedź z zamkniętej listy i czas, który ma znaczenie, bo czeka użytkownik albo agent wykonuje setki kroków. Typowe przykłady to triage zgłoszeń i maili, filtrowanie spamu i phishingu oraz przegląd dokumentów.
Jak byśmy do tego podeszli
Nie wymienialibyśmy LLM-a w całym systemie, tylko szukali w nim kroków, które są decyzjami. Na kilkuset prawdziwych przypadkach sprawdzilibyśmy trafność, koszt i czas, a potem ustawili próg pewności: powyżej decyduje Jev, poniżej model z rozumowaniem albo człowiek. Twórcy nie podają listy obsługiwanych języków, więc test na polskich danych to warunek, a nie formalność.
Na koniec
Jev nie zastąpi modeli językowych, bo nie umie tego, w czym są najlepsze: pisać, tłumaczyć, rozumować i rozmawiać. Może za to zabrać im pracę, do której nigdy nie były potrzebne. I przypomina, że nie każde pytanie wymaga rozmowy.
Czytaj dalej
Czy Reverse Engineer Anything z AI pomaga zrozumieć cudzy program, czy oddać tę samą pracę pod inną nazwą?
Rozbieranie cudzego programu nie zaczęło się od modelu. Od lat ludzie biorą na warsztat rzecz, której źródeł nie dostali, i próbują…
CzytajKiedy klasyczne ML wygrywa z LLM
Na hasło „zróbmy to z AI” coraz częściej pada odpowiedź „wyślijmy to do LLM-a”. Tymczasem spora część problemów w firmach to przewidywanie…
CzytajWolicie zobaczyć, jak to wygląda w projektach, a nie w teorii? Zajrzyjcie do realizacji