«Jev отвечает на вопрос, который вы написали, а не на тот, который имели в виду»: TypeSafe описала первую модель System One

Что такое System One

Такие модели, как и LLM, понимают естественный язык, но отвечают не текстом, а типизированными решениями и вероятностями. Они не пишут ответы, не генерируют код и не объясняют ход рассуждений: возможные варианты ответа задаёт разработчик. Название взято из концепции, которую популяризировал Даниэль Канеман в книге «Думай медленно… решай быстро»: System 1 — это быстрое и интуитивное мышление, System 2 — медленное и взвешенное, и акцент здесь сделан на быстрых сфокусированных суждениях.

Обучение устроено иначе, чем у генеративных моделей: вероятности калибруются по исходам, чтобы отражать неопределённость, а калибровка измеряется по группам предсказаний и не гарантирует правильность отдельного ответа. Входные данные при этом только текстовые — строки, JSON-объекты и массивы текста; изображения, аудио и видео не поддерживаются.

Три примитива вместо промпта

Ответное пространство задаётся тремя типами вопросов. Choice выбирает один вариант из заданного набора: критерии — это карта «вариант → описание», максимум 255 вариантов на вопрос. Score оценивает состояние по упорядоченной шкале: в критерии передаётся массив уровней, минимум два и максимум десять, а возвращаемый score взвешен по вероятностям и может оказаться между уровнями. Noul — это вопрос «да/нет», который возвращает вероятность того, что ответ «да», по шкале от 0 до 1.

Все вопросы в одном запросе оцениваются против общего состояния параллельно, а ключи в карте вопросов выбирает разработчик, и ответы приходят под теми же ключами. Сами ключи при этом не отправляются в модель и не участвуют в выводе — они нужны только коду.

API, цена и лимиты

Официальная точка входа — POST https://api.typesafe.ai/v1/systemone с ключом в заголовке Authorization и типом содержимого application/json. В поле model передаётся имя или алиас: алиас jev-latest указывает на версионированный идентификатор jev-1.13.0, а в ответе возвращается именно версия, которая обработала запрос. Это важно, потому что алиас переезжает при выходе новой версии и ответы за ним могут измениться без изменений на стороне клиента — если пороги уверенности подобраны под конкретную версию, документация советует фиксировать её идентификатор.

Цена — за входные токены: 42 доллара за миллиард токенов, то есть 0,042 доллара за миллион; выходные токены бесплатны. Лимиты заявлены как 250 000 токенов в секунду и 1 200 запросов в минуту, причём документация прямо предупреждает, что лимиты меняются динамически и могут измениться без уведомления, пока компания обслуживает очень большой объём спроса. Контекст ограничен 64 тысячами токенов на запрос, из которых 32 тысячи приходятся на состояние вместе с самым длинным вопросом. Ошибки описаны стандартными кодами: 401 при недействительном ключе, 422 при неверном теле запроса, 429 при превышении лимита и 529 при перегрузке.

Отдельно оговорено, что модель не дообучается и не адаптируется через LoRA на данных заказчика: одни и те же веса обслуживают все аккаунты, а поведение подстраивается не весами, а полями запроса — состоянием, инструкциями и критериями. Языковая поддержка тоже ограничена честной формулировкой: английский — основной язык обучения и тот, где точность сейчас лучшая, другие языки, включая CJK, обрабатываются, но не одинаково хорошо, поэтому перед рабочей нагрузкой не на английском документация советует тестировать на своих данных.

Что компания сама называет слабыми местами

У Jev 1.13 есть отдельная страница «jaggedness» — список известных неровностей, последний раз просмотренный 17 сентября 2026 года, с оговоркой, что многие из них будут исправлены в следующих версиях. Пять из них важны для тех, кто проектирует систему на этой модели: модель отвечает на написанный вопрос, а не на подразумеваемый, поэтому её чтение инструкции буквальное. Она не считает надёжно — ни символы в слове, ни вхождения термина в отрывок, ни элементы длинного списка — и не является калькулятором, поэтому арифметику документация советует держать в коде. Даты читаются как текст, а не как упорядоченные величины, так что сравнение дат надёжнее разделить: извлечение оставить модели, вычисления — коду. Точность падает по мере роста состояния за счёт материала, не относящегося к решению: Jev страдает от «контекстной гнили», и лишние данные в state стоят точности. Генерация текста в модель не заложена вовсе — обойти это цепочкой choice можно, но работать будет плохо и очень медленно.

Как это встраивают в агентов

Для агентных сред TypeSafe публикует готовый навык: он даёт агенту контекст по трём типам вопросов и архитектурным шаблонам, ставится как плагин Claude Code или одной командой npx skills add typesafe-ai/skills --skill typesafe-ai, а сам навык учит агента запрашивать суждение, но не выдаёт ему прав и не перехватывает вызовы. Для приложений есть клиентские SDK, а быстрый старт начинается с площадки: там проверяют одно решение на реальном состоянии, после чего ключ переносят на сервер — клиент Python читает TYPESAFE_API_KEY из окружения и по умолчанию вызывает jev-latest.