Jev: ИИ без галлюцинаций, который решает в 100 раз быстрее обычных LLM

Когда Diogo Almeida уходил из OpenAI, он унес с собой один вопрос, который не давал покоя: почему сверхчеловеческие чат-модели так и не привели к реальной автоматизации? Ответ, который он нашел за два года стелс-разработки, оказался неожиданным - и 15 сентября 2026 года его стартап TypeSafe AI выкатил на суд публики модель Jev, которая за один день набрала 4,2 миллиона просмотров на Twitter и уверенно обосновалась на вершине Hacker News.

Что такое Jev и почему это не просто "быстрый LLM"

Jev - это не облегченная версия GPT и не очередная попытка сделать языковую модель дешевле. Это принципиально другой класс систем, который TypeSafe называет "System One Model" - отсылка к концепции Даниэля Канемана из книги "Думай медленно... решай быстро". Быстрое интуитивное мышление против медленного аналитического.

Обычные LLM - это System Two: они генерируют токен за токеном последовательно, прежде чем выдать ответ. Jev работает иначе. Разработчик передает модели структурированное состояние (JSON-объект или строку вроде "с моей карты списали дважды") и набор типизированных вопросов - `Choice`, `Score`, `Noul`. В ответ приходит не абзац текста, а структурированные числовые значения с вероятностями и оценкой уверенности.

Для примера: запрос о маршрутизации обращения в службу поддержки вернет что-то вроде `{"billing": 0.08, "technical": 0.85, "sales": 0.07}` с confidence score 0.82. Никакого текста, никакого парсинга, никаких неожиданных форматов.

Цифры, которые сложно игнорировать

TypeSafe заявляет время ответа от 70 до 500 миллисекунд против 3-329 секунд у сопоставимых frontier-моделей. На демо на сайте компании Jev отвечает за 0.114 секунды, GPT-5.6 Terra - за 8.566 секунды. Параллельная обработка всех выходов сразу вместо последовательной генерации токенов дает такой эффект.

По стоимости: $0.042 за миллион входных токенов, выходные токены бесплатны. GPT-5.6 Terra стоит $2 за миллион токенов на входе. В своих собственных бенчмарках на задачах автоматизации бизнес-процессов TypeSafe получила ускорение до 193 раз и удешевление до 444 раз - но сами признают, что это идеальные условия, не реальный мир.

Стартап привлек $40 миллионов финансирования и сразу позиционирует себя как создателя frontier-модели нового типа.

Почему "нет галлюцинаций" - это архитектурный факт, а не маркетинг

Отсутствие галлюцинаций у Jev - не следствие какого-то особого обучения на "честных данных". Механизм проще и элегантнее: все возможные ответы заданы заранее как множество вариантов. Модели буквально нечего галлюцинировать - она распределяет вероятности по предопределенному пространству ответов.

Обучалась модель по методу RLCD (Reinforcement Learning for Calibrated Decisions) - в отличие от RLHF, который учит модель нравиться людям, RLCD учит ее знать, насколько она уверена в своем ответе. Если модель права в 95% случаев, но не может пометить оставшиеся 5% как "неуверенный ответ", для автоматизированных пайплайнов она почти бесполезна.

Что Jev умеет и чего категорически не умеет

Jev умеет: классифицировать, маршрутизировать, скорить, принимать решения в кодовых пайплайнах. Он может играть в Doom - буквально, демо есть на сайте, около 10 вызовов в секунду с реальным игровым состоянием. Но это скорее аттракцион для демонстрации скорости.

Jev не умеет: писать текст, объяснять решения, работать с изображениями, рассуждать в открытом формате. Максимальная кардинальность поля выбора - 255 вариантов. Оценки строятся на внутренних бенчмарках компании по задачам автоматизации, а не на публичных тестах вроде MMLU.

Это важное ограничение: независимой верификации заявленных цифр пока нет.

Почему название Jev - это не случайность

Название отсылает к парадоксу Джевонса: когда паровые двигатели стали эффективнее, потребление угля не упало - оно выросло, потому что уголь стал дешевле использовать. TypeSafe делает ставку на то же самое: когда стоимость одного интеллектуального решения падает в сотни раз, программисты начнут встраивать такие решения в места, где раньше даже не думали их использовать. Спрос на "умные решения" в коде вырастет пропорционально падению цены.

Что это означает для рынка

TypeSafe открыто позиционирует Jev как дополнение к System Two моделям - GPT, Claude, Gemini - а не конкурента. Логика такая: дорогостоящую reasoning-модель нет смысла гонять на каждую операцию маршрутизации или скоринга. Jev берет на себя миллионы мелких решений, освобождая "тяжелые" модели для задач, где нужно реальное рассуждение.

Для разработчиков в России: сервис доступен через API, оплата картами - судя по всему, через стандартные международные платежные системы, то есть прямой доступ из РФ будет затруднен без дополнительной инфраструктуры. VPN и иностранная карта или облачный посредник - стандартная схема для таких сервисов.

Анонс состоялся в один день с релизом Gemini 3.8 Live и объявлением Periodic Labs о модели Neon для материаловедения - и при этом Jev перетянул на себя основное внимание Hacker News. Это само по себе говорит о том, что индустрия давно ждала чего-то в этой нише.

Информация о запуске Jev подтверждена несколькими независимыми публикациями.