Jev: czym jest i jak z nim pracować

Praktyczny przewodnik po pierwszym modelu System One od TypeSafe · dla @aizvestia · wrzesień 2026

Czym to jest

Jev to pierwszy publiczny model klasy System One od TypeSafe. To nie jest model czatu ani 'kolejna LLM z trybem JSON': Jev w ogóle nie generuje tekstu. Wysyłasz state (kontekst: tekst, JSON lub tablicę) i listę typowanych pytań, a dostajesz decyzje gotowe dla maszyny: wybraną opcję, wynik na skali albo prawdopodobieństwo 'tak' - plus rozkład prawdopodobieństwa i confidence dla każdej odpowiedzi. Twórcy opisują to jedną frazą: 'smart if-statements' - sprytne if-else dla twojego kodu. Najjaśniejszy przykład to e-mail: Jev przebiega po każdej wiadomości i orzeka 'spam, pewność 94%', 'wymaga odpowiedzi', 'może poczekać'. Nic nie pisze - tylko sortuje: 1700 e-maili za 18 centów.

Nazwa System One pochodzi od Kahnemana ('Myślenie szybkie i wolne'): model jest zbudowany pod szybkie, intuicyjne oceny, nie pod powolne rozumowanie. Zabawny szczegół: współzałożyciel TypeSafe, Diogo Almeida, jest współtwórcą RLHF - tej samej metody, którą wytrenowano ChatGPT. Teraz stawia na to, że automatyzacja potrzebuje innej metody treningu.

Czym różni się od 'poprzednich rzeczy'

Post-trening modeli językowych przeszedł trzy podejścia:

Istota kalibracji: gdy model mówi 0.8, na długiej serii takich odpowiedzi około 80% będzie poprawnych. Prawdopodobieństwo staje się liczbą, na której można budować logikę.

Praktyczna różnica wobec LLM 'zmuszonej' do wypluwania JSON-a:

• Wyjście jest typowane z konstrukcji. Model fizycznie nie może odpowiedzieć poza twoimi opcjami - nie 99.99%, tylko 100%. Zero parsowania i retry przy zepsutym JSON-ie.
• Każda odpowiedź to rozkład prawdopodobieństwa, a nie tylko wybór. Widać, kiedy opcja wygrała pewnie, a kiedy model wybierał między dwiema niemal równymi.
• Pytania liczone są równolegle i niezależnie: dodanie tuzina pytań prawie nie zmienia czasu odpowiedzi (latencja poniżej sekundy) i nie tworzy 'context rot'.
• Taniej i szybciej: strona powitalna konsoli deklaruje 20-200x szybciej i 40-1000x taniej niż LLM (deklaracja firmy, ale łatwa do sprawdzenia).

Trzy prymitywy

Niuansy, które oszczędzają godziny:

• Noul nie ma osobnego confidence - sama wartość jest prawdopodobieństwem. 0.5 znaczy 'nie wiem', a nie 'średni poziom'. Chcesz mierzyć poziom - napisz Score z opisanymi poziomami.
• W Choice dodaj opcję 'other' / 'none of the above' na wypadek, gdyby lista nie pokrywała wszystkiego.
• ID pytania jest dla twojego kodu - model go nie widzi. Pełną treść pytania pisz w instructions.
• Jeśli state to JSON, wskaż w pytaniach dokładne ścieżki w backtickach: `ticket.messages[0].text`.
• Jedno pytanie = jedna szybka ocena. 'Przeanalizuj to i zaproponuj plan' to złe pytanie. 'Czy ta wiadomość niesie pilność?' to dobre.

Start w 5 minut

0. Bez kolejki: Jev jest już na Vercel AI Gateway jako typesafe-ai/jev ($0.042/1M tokenów wejściowych) - jeśli jesteś na Vercel, wołaj od razu przez pakiet ai, bez waitlisty TypeSafe. Jest też na OpenRouter: ~typesafe/jev-latest (API zgodne z OpenAI).

1. Playground. Wejdź na console.typesafe.ai/playground, wklej dowolny tekst jako state, dodaj pytania, kliknij Run. (Wejście wita quizem 'Czy da się czatować z Jev?' - poprawna odpowiedź to No.)

2. API bezpośrednio. Klucz bierzesz z konsoli, dalej jeden endpoint:

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "Trying to connect my Stripe for 3 days, keeps failing. Help ASAP.",
    "model": "jev-latest",
    "questions": {
      "department": {
        "type": "choice",
        "instructions": "Which team should handle this",
        "criteria": {
          "billing": "Payment or subscription issues",
          "technical": "Bugs or integration problems"
        }
      },
      "is_urgent": { "type": "noul", "instructions": "The message conveys urgency" }
    }
  }'

W odpowiedzi każde pytanie ma wybraną wartość, prawdopodobieństwa wszystkich opcji i confidence.

3. Python SDK (3.10+): klient sam czyta TYPESAFE_API_KEY i domyślnie woła jev-latest:

pip install typesafe-sdk

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

client = TypeSafeClient()
response = client.system_one(
    state=ticket,
    questions={
        "department": Choice(
            instructions="Which team should handle this",
            criteria={
                "billing": "Payment or subscription issues",
                "technical": "Bugs or integration problems",
            },
        ),
        "is_urgent": Noul(instructions="The message conveys urgency"),
    },
)
print(response.answers["department"].choice)   # "billing"
print(response.answers["is_urgent"].noul)      # 0.999

Dla JS jest @typesafe-ai/sdk, a dla agentów (Claude Code, Codex itd.) gotowy skill: npx skills add typesafe-ai/skills --skill typesafe-ai. Skill uczy agenty wysyłać pytania paczkami - agenty uwielbiają palić jedno żądanie na pytanie.

Cztery główne wzorce

1. Speculative fan-out. Wszystkie pytania dzielące jeden state idą w jednym żądaniu, w tym 'spekulacyjne', które nie zawsze są potrzebne. Dodatkowe pytanie kosztuje grosze, czas odpowiedzi prawie nie rośnie. Cookbook TypeSafe: 13 pytań w jednym zapytaniu jest ~12x tańsze i ~10x szybsze niż 13 osobnych wywołań, z tymi samymi odpowiedziami.
2. Confidence-gated routing. Odpowiedź mówi 'co', confidence mówi 'czy działać'. Trzy strefy: wysoka - działaj automatycznie; średnia - dopytaj albo oznacz do review; niska - eskaluj do człowieka albo modelu rozumującego. Progi zależą od ryzyka: pokazanie złego ekranu wybaczy się przy 0.6, wykonanie płatności dopiero przy 0.9+.
3. Composite scoring. Rozbij złożony osąd na atomowe Score i połącz wagami w kodzie. Priorytet ticketu = severity * 0.5 + frustration * 0.3 + actionability * 0.2. Priorytety się zmieniły? Poprawiasz współczynnik, nie przepisujesz promptu.
4. Intent routing. Sklasyfikuj przychodzące żądanie i pokieruj je: deterministyczny kod, tani model, drogi model rozumujący albo człowiek.

Ceny i limity (jev-1.13.0)

• $0.042 za milion tokenów wejściowych ($42/Btok); tokeny wyjściowe są darmowe.
• Limity: 250k tokenów/sek, 1200 żądań/min (dynamiczne, mogą się zmieniać).
• Kontekst: 64k tokenów na żądanie; state + najdłuższe pytanie - do 32k (ok. 150 tys. znaków tekstu angielskiego).
• Tylko tekst: string, obiekt JSON lub tablica. Bez obrazów, audio i wideo.
• Serwer stoi w us-west - z Europy latencja jest wyższa niż z USA.
• jev-latest to alias na aktualną wersję. Jeśli stroiłeś progi pod wersję - przypnij jev-1.13.0 jawnie: alias przesiądzie się przy kolejnym release.
• Angielski to główny język treningu; inne języki działają gorzej. Na polskiej treści testuj osobno i pilnuj confidence.
• Brak fine-tuningu - swoją domenę kształtujesz przez state i kryteria pytań.

Słabe punkty (szczerze, z ich własnych docs)

jev-1.13 ma publiczną stronę 'jaggedness' - szczera lista tego, czego model nie umie:

• To nie generator tekstu. Nie pisz nim tekstów i nie wyciskaj generowania łańcuchem Choice.
• Słabo liczy. Arytmetyka, zliczanie elementów, przedziały dat - do kodu. Model odpowiada na pytania semantyczne, nie obliczeniowe.
• Daty czyta jak tekst. 'Która data jest wcześniejsza' jest niewiarygodne. Wyciągnij komponenty Choice-ami (miesiąc - 12 opcji + 'nie podano'), złóż datę i porównaj w kodzie.
• Odpowiada dosłownie - na pytanie zapisane, nie zamierzone. Unikaj przeczeń i wielopoziomowych omówień.
• Context rot. Śmieci w state obniżają trafność: filtruj przed wysłaniem.
• Niezmienniki nie są gwarantowane. Noul 'prosi o zwrot' i Noul 'prosi o coś innego niż zwrot' mogą dać 0.72 i 0.47 - suma 1.19 i to jest normalne. Nie przenoś progów między typami pytań.
• Treść adwersaryjna może przesuwać odpowiedzi - dla modelu state to dane, nie zagrożenie. Testuj przypadki brzegowe przed produkcją.

Gdzie stosować

RAG rerankLLM guardrailscitation checkjailbreak detectticket routingmoderationcomplianceML featurescatalog matchingresume scoringlead scoring

Żywy przykład: terminal BUY/SELL/HOLD dla Bitcoina na Jev - jev-terminal.vercel.app. API zwraca uczciwe prawdopodobieństwa, decyzja przychodzi w ułamku sekundy.

Kolejny przykład - natychmiastowe generatywne UI: eksperyment json-render + jev - Jev wybiera z twoich komponentów, akcji i design systemu, a interfejs renderuje się w milisekundach.

Linki

• Konsola i Playground: console.typesafe.ai
• Dokumentacja: docs.typesafe.ai
• Manifest: typesafe.ai/manifesto