TypeSafe AI pokazuje Jev: model, który nie generuje tekstu, tylko decyzje

TypeSafe AI, założone przez byłego badacza OpenAI Diogo Almeidę, ogłosiło 15 września 2026 nową klasę modeli — System One Models — oraz pierwszy z nich, Jev. Model nie generuje tekstu: zwraca typowane decyzje z oceną pewności w 70–500 ms. Wpis trafił na szczyt Hacker News z 1715 punktami.

Najważniejsze w skrócie

Trzy typy prymitywne: Choice, Score i Noul — brak tekstu swobodnego
Czas odpowiedzi 70–500 ms, deklarowane 40–200× szybciej od modeli frontier
Cena 0,042 USD za milion tokenów wejściowych (ok. 0,17 zł), wyjściowe bez opłat
Trening metodą RLCD zamiast RLHF czy RLVR
Early access od 15 września 2026, przez listę oczekujących

Trzy typy zamiast stringa

Każdy model z rodziny System One Models przyjmuje stan i zwraca odpowiedź w jednym z trzech typów. Każda odpowiedź niesie ocenę pewności, więc kod wywołujący sam decyduje, kiedy działać, a kiedy eskalować do człowieka.

Typ	Co zwraca	Przykład
Choice	Wybór z listy dyskretnych opcji	billing · technical · account
Score	Skalibrowaną wartość liczbową	zakres 0–2 z częścią dziesiętną
Noul	Decyzję binarną jako prawdopodobieństwo	0,95

Typy prymitywne System One

Wywołanie opisane w dokumentacji sprowadza się do trzech elementów:

POST /v1/systemoneendpoint HTTP API

modelpole wyboru wariantu modelu

jev-latestwartość domyślna

RLCD: kalibracja zamiast preferencji

Zamiast RLHF czy RLVR firma używa metody nazwanej Reinforcement Learning for Calibrated Decisions. Cel optymalizacji jest inny niż w modelach czatowych: prawdopodobieństwa mają odpowiadać faktycznym wynikom, a nie ludzkim preferencjom co do brzmienia odpowiedzi. Szczegóły mechanizmu nie zostały ujawnione.

\dots Statystyczny warunek kalibracji — nie wzór podany przez TypeSafe, lecz definicja własności, którą firma deklaruje jako cel treningu. ▶ Znaczenie symboli \dots pewność zwrócona przez model razem z odpowiedzią \dots faktyczny odsetek poprawnych odpowiedzi przy tej deklarowanej pewności

Praktyczne znaczenie jest proste: jeśli model deklaruje 0,9 pewności, powinien mylić się mniej więcej raz na dziesięć przypadków. Druga różnica to próbkowanie — Jev generuje wyjście równolegle w jednym zapytaniu, zamiast sekwencyjnie token po tokenie, i stąd bierze się deklarowana przewaga czasowa.

70–500 msdeklarowany czas odpowiedzi end-to-end, czyli 40–200× szybciej od modeli frontierTypeSafe AI

Gdzie to ma sens

TypeSafe AI celuje w warstwę, w której dziś nadużywa się dużych modeli: routing w workflow, warunki logiczne, przetwarzanie danych na dużą skalę i weryfikacja wyjścia innego LLM. Deklarowane liczby z ewaluacji workflow są agresywne — 193,6× szybciej i 444,6× taniej od porównywanych modeli — ale firma sama oznacza je jako górny kraniec przedziału. Obsługiwane są wybory o liczności do 255 pozycji.

Wszystkie liczby w tym artykule pochodzą od TypeSafe AI. Model jest w zamkniętym early accessie, więc nie istnieją dziś niezależne pomiary, które by je potwierdziły albo obaliły.

Dlaczego to ważne?

Klasyfikacja i rozgałęzienie to dziś najdroższa rzecz, jaką robi się najdroższym narzędziem. Jeśli deklaracje Jeva się potwierdzą, ta warstwa przestaje być wąskim gardłem kosztowym i opóźnieniowym, a duże modele wracają tam, gdzie mają przewagę — do zadań wymagających języka. Otwarte pozostaje pytanie, czy typowane wyjście wystarczy w zadaniach, w których granica między kategoriami jest rozmyta.

Co dalej?

Early access ruszył 15 września 2026 — wejście przez listę oczekujących, bez podanej daty otwarcia dla wszystkich
TypeSafe nie opublikowało niezależnie weryfikowalnych benchmarków ani nazw klientów
Mechanizm RLCD pozostaje nieujawniony poza nazwą i celem optymalizacji