Jev – model AI, który nie pisze tekstu, tylko podejmuje decyzje

Jev to model AI, który nie odpowiada zdaniami. Zadajesz mu pytania z góry określonymi odpowiedziami, a on w ułamku sekundy zwraca decyzje z prawdopodobieństwami, które program może od razu wykorzystać. Firma TypeSafe AI pokazała go 15 września 2026 roku i w ciągu kilku dni sieć zalały dema: od przeglądu kodu za ułamek centa po automatyczne linkowanie wewnętrzne całego serwisu. Ten artykuł wyjaśnia, czym Jev różni się od modeli językowych, co naprawdę pokazują jego benchmarki, gdzie się myli i dlaczego warto go rozumieć, jeśli zajmujesz się widocznością marki w wyszukiwaniu AI.

Czym jest Jev i kto za nim stoi

Jev jest dziełem TypeSafe AI – startupu z San Francisco założonego w 2024 roku przez Diogo Almeidę, Sashę Sheng i Erika Gafniego. Almeida to były badacz OpenAI, współautor prac nad RLHF i InstructGPT, czyli metod, dzięki którym modele językowe nauczyły się wykonywać polecenia i rozmawiać z ludźmi. Premierze modelu towarzyszyło wyjście firmy z ukrycia (stealth mode) i ogłoszenie rundy seed o wartości 40 mln USD, prowadzonej przez fundusz DCVC.

Ciekawy jest sam punkt wyjścia. Człowiek, który pomógł nauczyć modele rozmowy z ludźmi, przez dwa lata budował model rozmawiający wyłącznie z oprogramowaniem. TypeSafe opisuje Jev jako „wywołanie funkcji z inteligencją najnowocześniejszych modeli (frontier models)”: nieuporządkowany stan na wejściu, typowane decyzje probabilistyczne na wyjściu.

Nazwa „System One” nawiązuje do książki Daniela Kahnemana „Pułapki myślenia”. System 1 to szybki, intuicyjny osąd, System 2 – powolne, świadome rozumowanie. Większość laboratoriów ściga się dziś o lepszy System 2, czyli modele, które długo „myślą”. TypeSafe celuje w drugą stronę: w oceny, które kompetentna osoba wydałaby w kilka sekund, a które w oprogramowaniu pojawiają się tysiące razy dziennie.

Jak działa Jev – stan, pytania i trzy typy odpowiedzi

Każde zapytanie do Jev składa się z dwóch części. Stan (state) to materiał do oceny – zgłoszenie klienta, fragment dokumentu, obiekt JSON z danymi. Pytania (questions) to zdefiniowane z góry osądy, które model ma wydać. Odpowiedź wraca z tymi samymi identyfikatorami pytań, więc kod od razu wie, gdzie szukać wyniku.

Pytania mają tylko trzy typy:

Przykład z dokumentacji dobrze pokazuje sens tego podejścia. Klient pisze, że od trzech dni nie może podpiąć konta Stripe, traci sprzedaż i prosi o pilną pomoc. W jednym wywołaniu Jev dostaje trzy pytania: do którego działu skierować zgłoszenie (Choice), jak bardzo klient jest sfrustrowany (Score) i czy wiadomość jest pilna (Noul). W odpowiedzi zwraca dział „technical”, frustrację na poziomie 1,035 w skali 0–2 i prawdopodobieństwo pilności 0,999. Wynik Score to średnia ważona prawdopodobieństwami, dlatego wychodzi „trochę ponad” poziom 1, a nie okrągła etykieta.

Kluczowa różnica wobec modelu językowego leży w sposobie generowania. Model językowy tworzy odpowiedź token po tokenie (jest autoregresyjny), więc czas rośnie z długością tekstu, a na końcu i tak trzeba go sparsować – z ryzykiem, że zamiast technical przyjdzie „technical support” albo przeprosiny. Jev jest modelem nieautoregresyjnym. Ocenia wszystkie pytania równolegle, w jednym przebiegu, i zwraca wartości z przestrzeni zdefiniowanej przez programistę. Dokładanie kolejnych pytań do tego samego stanu prawie nie wydłuża czasu odpowiedzi – płacisz głównie za tokeny samych pytań.

Pewność zamiast elokwencji – kalibracja i RLCD

Modele czatowe mają dobrze znaną wadę: brzmią pewnie także wtedy, gdy zgadują. Wynika to częściowo z treningu RLHF, który nagradza odpowiedzi preferowane przez ludzi, a ludzie wolą odpowiedzi stanowcze. TypeSafe trenuje Jev metodą RLCD (Reinforcement Learning for Calibrated Decisions), która optymalizuje prawdopodobieństwa względem rzeczywistych wyników, a nie preferencji oceniających.

W praktyce każda odpowiedź typu Choice i Score ma pole confidence o wartości od 0 do 1. Nie jest to osobny pomiar, tylko statystyka wyliczona z kształtu rozkładu: gdy całe prawdopodobieństwo skupia się na jednej opcji, pewność wynosi 1,0, a im równiej się rozkłada, tym jest niższa. Noul nie ma pola pewności – jego wynik bliski 0,5 sam w sobie oznacza, że model jest rozdarty.

Dokumentacja proponuje trzy ścieżki:

• Wysoka pewność – system działa automatycznie.
• Średnia pewność – system prosi o potwierdzenie, oznacza przypadek do przeglądu lub zbiera więcej danych.
• Niska pewność – decyzja trafia do człowieka lub innego systemu.

Progi nie powinny być jednakowe dla całej aplikacji. Wyświetlenie złego ekranu kosztuje użytkownika kilka sekund, a zatwierdzenie złego przelewu – pieniądze. Im poważniejsze skutki pomyłki, tym wyższy próg dla automatycznej akcji.

Trzeba też pamiętać o zastrzeżeniu, które TypeSafe formułuje wprost: kalibracja to właściwość grupy, a nie pojedynczej odpowiedzi. Jeśli model jest dobrze skalibrowany, to spośród odpowiedzi z pewnością 0,9 około 90% jest trafnych, ale konkretna odpowiedź z wynikiem 0,95 nadal może być błędna. Niezależne testy są na razie nieliczne. Przykładowo raport JourdanLabs podaje oczekiwany błąd kalibracji 0,0936 na zbiorze Banking77 i 0,0204 na CLINC150 – dobre wyniki, ale na dwóch zbiorach klasyfikacji intencji, a nie na każdym zadaniu.

Szybkość i koszt – co naprawdę pokazują benchmarki TypeSafe

Najgłośniejsze liczby z premiery to 193,6 razy szybciej i 444,6 razy taniej niż najpotężniejsze modele na rynku. Według TypeSafe czas odpowiedzi Jev wynosi od 70 do 500 ms, podczas gdy duże modele językowe potrzebowały w tych samych zadaniach od 3 do 329 sekund. Cena modelu jev-1.13.0 to 0,042 USD za milion tokenów wejściowych, a tokeny wyjściowe są bezpłatne.

Ciekawsze od nagłówków są jednak szczegóły ewaluacji. TypeSafe przygotował zestaw „workflow evals”, w których zadania rozbito na pojedyncze pytania Choice, Score i Noul. Wybrane wyniki na jeden przypadek:

Wniosek jest bardziej wyważony niż hasła z mediów społecznościowych. Jev dorównuje GPT-5.6 Terra w zgodności odpowiedzi przy kilkudziesięciokrotnie niższym koszcie i 25-krotnie krótszym czasie, ale ustępuje modelowi Claude Opus 5 o ponad 5 punktów procentowych. To model do masowych, prostych decyzji, a nie zamiennik najmocniejszych modeli tam, gdzie liczy się każdy procent trafności.

Do tego dochodzą zastrzeżenia, które producent publikuje sam:

• Referencja to nie prawda absolutna – „poprawne” odpowiedzi to średnia z modeli GPT-6 Astra i Claude Fable 5.1 w trybie wysokiego rozumowania, co według TypeSafe przesuwa wyniki w stronę modeli OpenAI i Anthropic.
• Przepływy pracy (workflows) budował zespół TypeSafe – nie było ich w danych treningowych, ale przygotowali je pracownicy firmy.
• Wyniki to górna granica – sama firma określa podane mnożniki jako bliższe górnej granicy realnych zysków, a pomiary robiono blisko jej serwerów na zachodnim wybrzeżu USA.
• Cena może być dotowana – TypeSafe przyznaje, że na razie nie potrafi tego wykluczyć.

Najbardziej uniwersalną lekcją z tych testów jest coś, co dotyczy wszystkich modeli. Każdy badany model wypadł lepiej, gdy zadanie rozbito na wąskie, typowane pytania, niż gdy tę samą politykę wpisano w jeden prompt. Model Claude Haiku 4.5 poprawił się z 18,1% do 53,6%, a Claude Opus 5 z 64,8% do 73,1%. Dekompozycja zadania pomaga niezależnie od tego, za który model płacisz – o tym, jak projektować takie polecenia, piszemy w przewodniku po prompt engineeringu.

Ograniczenia Jev – czego model nie potrafi

TypeSafe opublikował nietypowo szczerą stronę o „nierównościach” modelu (model jaggedness). Warto ją przeczytać, zanim podepniesz Jev pod cokolwiek ważnego. Najważniejsze punkty:

• Dosłowne czytanie poleceń – Jev odpowiada na pytanie, które napisałeś, a nie na to, które miałeś na myśli. Myli się przy zakresach, zaprzeczeniach i warunkach domyślnych.
• Liczby i arytmetyka – „Jev nie jest kalkulatorem”. Nie liczy wiarygodnie znaków, wystąpień ani elementów listy.
• Daty – model czyta daty jako tekst, a nie jako uporządkowane wartości, więc zawodzi przy porównywaniu, co było pierwsze, i przy sprawdzaniu przedziałów czasowych.
• Pośredniość – podwójne zaprzeczenia i „cechy cech” obniżają trafność. Bezpośrednie sformułowania działają lepiej.
• Nadmiarowy stan – zbędne informacje w danych działają jak dystraktory i pogarszają wyniki.
• Ataki adwersaryjne (prompt injection) – model nie traktuje stanu jako potencjalnie wrogiego, więc wstrzyknięte polecenia albo tekst „przekonujący” do własnej klasyfikacji mogą zafałszować odpowiedź.
• Brak generowania tekstu – Jev nie napisze odpowiedzi, streszczenia ani kodu.

Do tego dochodzą ograniczenia techniczne. Model przyjmuje wyłącznie tekst (ciągi znaków, obiekty JSON, tablice tekstów), a obrazy trzeba wcześniej zamienić na opis. Okno kontekstowe wynosi maksymalnie 64 tys. tokenów, przy czym stan razem z najdłuższym pytaniem mieści się w 32 tys. Limity przepustowości (rate limits) wynoszą 250 tys. tokenów na sekundę i 1200 zapytań na minutę. Najlepsze wyniki Jev osiąga po angielsku – inne języki obsługuje, ale słabiej, więc polskie treści trzeba przetestować na własnych danych, zanim trafią do produkcji.

Do czego ludzie już używają Jev

W tygodniu premiery deweloperzy opublikowali dziesiątki eksperymentów. Wszystkie liczby poniżej pochodzą od ich autorów i należy je traktować jako dema, a nie studia przypadków, ale dobrze pokazują, do jakich zadań model pasuje:

• Przegląd kodu – recenzent pull requestów sprawdza 14 kwestii w jednym wywołaniu (m.in. ujawnione sekrety, SQL injection, usunięte testy). Autor podaje koszt 0,00007 USD za recenzję i czas ok. pół sekundy, a niepewne wyniki kieruje do człowieka lub większego modelu.
• Linkowanie wewnętrzne – skrypt przeczytał 586 podstron, w 45,1 sekundy przebudował mapę linków wewnętrznych i umieścił 584 odnośniki za 0,21 USD. Dla 139 stron uznał, że nie ma sensownego dopasowania, i niczego nie wstawił.
• Klasyfikacja dokumentów – otwarty klasyfikator formularzy podatkowych kosztuje ok. 0,001 USD za stronę. Na 314 wypełnionych stronach nie popełnił błędu, a z 753 pustych formularzy 38 trafiło poniżej progu pewności do ręcznej weryfikacji.
• Porządkowanie wiedzy – 1018 publikacji naukowych o AI przypisano do 24 tematów za 0,08 USD. Streszczenia napisał inny model (DeepSeek V4 Flash), a Jev tylko przydzielał kategorie.
• Agent przeglądarkowy – agent zarezerwował lot Zurych–Londyn w prawdziwych Google Flights w 7,1 sekundy za 0,0039 USD, łącznie z ładowaniem stron.

Wspólny wzorzec jest wyraźny: pętla, bezpieczeństwo i arytmetyka zostają w zwykłym kodzie, a Jev odpowiada za wąski osąd pośrodku, którego nie da się łatwo zapisać regułą. Kilka projektów łączy go też z modelem generatywnym – jeden pisze, drugi decyduje.

Jev w RAG i wyszukiwaniu AI – co to znaczy dla widoczności marki

Jev nie odpowiada użytkownikom, więc nie da się „pojawić w Jev” tak, jak w ChatGPT czy w Perplexity. Mimo to ma znaczenie dla każdego, kto dba o widoczność treści w AI, bo trafia dokładnie w to miejsce, w którym systemy generowania wspomaganego wyszukiwaniem (RAG) decydują, które fragmenty dokumentów zobaczy model piszący odpowiedź.

TypeSafe opisuje kilka takich zastosowań w swoich poradnikach:

• Ponowne rankingowanie (reranking) – po wyszukiwaniu Jev ocenia każdą parę „zapytanie–fragment” i zmienia kolejność kandydatów. W eksperymencie producenta na 40 zapytaniach prawniczych trafność pierwszego wyniku wzrosła z 5% do 18%, a obecność właściwego dokumentu w pierwszej dziesiątce – z 38% do 62%. Więcej o samym mechanizmie piszemy w artykule o rerankingu w RAG.
• Klasyfikacja fragmentów – osobne pytania o trafność, wartość dowodową, sprzeczność z pytaniem użytkownika i próby wstrzyknięcia poleceń.
• Weryfikacja cytowań – sprawdzenie, czy źródło wskazane w odpowiedzi rzeczywiście popiera twierdzenie, przeczy mu, czy go nie rozstrzyga.

Jeśli tanie i szybkie modele decyzyjne upowszechnią się w potokach RAG (a przy cenie rzędu setnych części centa za ocenę trudno w to wątpić), filtrowanie treści przed wygenerowaniem odpowiedzi stanie się gęstsze i bardziej rygorystyczne. Fragment, który tylko powtarza słowa kluczowe z pytania, przegra z fragmentem, który na nie faktycznie odpowiada – także wtedy, gdy koryguje błędne założenie użytkownika. Dla twórców treści oznacza to wzmocnienie zasad, które znamy z optymalizacji dla silników generatywnych (GEO):

• Samodzielne akapity – fragment musi być zrozumiały bez reszty strony, bo oceniany jest w oderwaniu od niej.
• Konkret zamiast ogólników – liczby, warunki i wersje produktów dają oceniającemu modelowi podstawę do uznania fragmentu za dowód.
• Aktualność i jednoznaczność wersji – w przykładach TypeSafe filtr odrzuca fragment o starej wersji produktu na rzecz aktualnego. Nieaktualne strony tracą szansę na cytowanie w odpowiedziach AI.
• Zero sztuczek – TypeSafe traktuje wykrywanie tekstu „przekonującego” model jako osobne pytanie. Treści pisane pod manipulację klasyfikatorem prędzej trafią na listę podejrzanych niż do odpowiedzi.

Szerzej o tym, jak modele wybierają fragmenty do cytowania, piszemy w artykule jak LLM-y cytują źródła.

Kiedy sięgnąć po Jev, a kiedy zostać przy modelu językowym

Jev nie konkuruje z Claude’em ani z GPT w pisaniu, analizie czy programowaniu. Konkuruje z klasyfikatorem zbudowanym z taniego modelu językowego i kilkuset linii parsowania – oraz z decyzjami, których nikt dotąd nie automatyzował, bo ekonomia się nie spinała.

Jev ma sens, jeśli:

• przestrzeń odpowiedzi jest zamknięta i znana z góry – kategorie, poziomy na skali, pytania tak/nie;
• liczą się skala i czas reakcji – tysiące decyzji dziennie albo decyzje w czasie rzeczywistym;
• potrzebujesz pewności jako bramki – chcesz automatycznie obsłużyć oczywiste przypadki, a wątpliwe skierować do człowieka.

Lepiej zostać przy modelu językowym, jeśli:

• wynikiem ma być tekst – odpowiedź dla klienta, streszczenie, kod, opis produktu;
• zadanie wymaga wieloetapowego rozumowania – analizy, obliczeń, porównywania dat;
• pracujesz na specjalistycznych treściach po polsku i nie masz jeszcze danych, które potwierdzą jakość modelu.

Najrozsądniejszą architekturą jest kaskada. Jev jako szybka i tania „recepcja” klasyfikuje każde zapytanie, zwykły kod obsługuje przypadki rozstrzygnięte, a najnowocześniejszy model językowy lub człowiek dostaje tylko trudną mniejszość. Próg pewności, który decyduje o tym podziale, siedzi w kodzie, więc można go stroić bez zmiany modelu. Jak dobrać model językowy do tej trudniejszej części układanki, wyjaśniamy w przewodniku po modelach językowych. A jeśli chcesz sprawdzić, czy treści Twojej marki przechodzą przez filtry wyszukiwania AI i trafiają do odpowiedzi, zacznij od pozycjonowania AI – metodyki, która mierzy widoczność we wszystkich głównych modelach jednocześnie.