Jev: nový model, ktorý nič nenapíše, len bude za vás rozhodovať

• • Jev negeneruje text. Dostane popis situácie a otázky a na každú vráti odpoveď typu áno/nie, výber z možností alebo hodnotenie na škále, vždy s pravdepodobnosťou.
  • Za modelom stojí TypeSafe AI, startup Diega Almeidu, spoluautora ChatGPT a RLHF a bývalého výskumníka OpenAI. Firma vystúpila zo stealth režimu 15. 9. 2026 so seed investíciou 40 miliónov dolárov.
  • Cena: 0,042 USD za milión vstupných tokenov, výstupné tokeny zadarmo – 5 až 240× lacnejší ako bežné jazykové modely.
  • Rýchlosť: 70 až 500 ms end-to-end, väčšina dopytov okolo 100 ms.
  • Model sa volá cez vlastný endpoint /v1/systemone, nie cez bežné rozhranie chatovacích modelov.

Kto stojí za Jevom?

TypeSafe AI je tohtoročný startup zo San Francisca, ktorý vystúpil zo stealth režimu 15. 9. 2026 so seed investíciou 40 miliónov dolárov a s Jevom ako svojím prvým verejným modelom. Podľa MindStudio.ai firmu založil Diego Almeida, bývalý výskumník OpenAI, ktorý sa podieľal na vzniku ChatGPT a metódy RLHF (reinforcement learning from human feedback), používanej na doladenie väčšiny dnešných konverzačných modelov. TypeSafe uvádza, že model používa nový spôsob vzorkovania (sampler) a tréningovú metódu, ktorú nazýva reinforcement learning for calibrated decisions.

To dáva Jevu inú váhu, než keby išlo o anonymný startup. Almeida pozná zvnútra, ako fungujú modely, ktoré dnes odpovedajú konverzačne a generujú text token po tokene, a podľa MindStudio.ai argumentuje, že orientácia na to, aby model znel vierohodne a páčil sa ľudským hodnotiteľom, je štrukturálna slabina zdedená z trénovania pomocou RLHF. Jev je jeho vlastnou kritikou tohto prístupu pre určitú triedu úloh: tam, kde nie je potrebný plynulý text, ale rýchle a lacné rozhodnutie.

Odkiaľ sa vzalo meno a čo znamená „System One“

Názov System One odkazuje na knihu Daniela Kahnemana Thinking, Fast and Slow (Myslenie rýchle a pomalé). Systém 1 je rýchly, intuitívny úsudok, ktorý mozog robí bez námahy. Systém 2 je pomalé, premyslené uvažovanie. V poňatí TypeSafe má Jev riešiť úlohy prvého typu, zatiaľ čo na úlohy vyžadujúce uvažovanie zostávajú modely ako ChatGPT alebo Claude.

Samotné meno Jev je podľa webu Flaviocopes.com odvodené od Williama Stanleyho Jevonsa, ekonóma, po ktorom je pomenovaný Jevonsov paradox: keď sa parné stroje stali efektívnejšími, spotreba uhlia neklesla, ale rástla, pretože lacnejšia energia otvorila nové použitia. TypeSafe stavia na tom, že inteligencia sa bude správať rovnako – keď cena jedného rozhodnutia klesne hlboko pod cent, rozhodnutia sa začnú zadávať AI aj na miestach, kde by sa predtým žiadny jazykový model nevolal.

Jev ako „chytrý if“ – najjednoduchší opis

Web Flaviocopes.com opisuje Jev jednou vetou: je to chytrý príkaz if. Bežný kód sa vetví podľa hodnôt, ktoré vie vypočítať – if (order.total > 100). To funguje, kým je podmienka niečo, čo počítač vie overiť. Nefunguje to, keď je podmienka úsudok: Je táto správa podpory nahnevaná? Týka sa tento e-mail fakturácie? Na ktoré z dvanástich tlačidiel mám kliknúť, aby som pokračoval v objednávke?

Doteraz existovali tri cesty, ako také rozhodnutie urobiť v softvéri: ručne napísané pravidlo alebo regulárny výraz (rýchle, ale krehké, len čo záleží na význame), natrénovaný klasifikátor pre pevnú sadu štítkov (potrebuje tréningové dáta a samostatný model pre každú úlohu), alebo všeobecný jazykový model požiadaný o štruktúrovaný výstup (rozumie textu bez trénovania, ale stále ide o generatívny model, aj keď je výstup obmedzený na JSON schému). Jev cieli na stred medzi nimi: ako LLM prijíma neštruktúrovaný text a otázky definované za behu, ako klasifikátor vracia obmedzenú pravdepodobnostnú distribúciu namiesto otvorenej odpovede.

Ako sa líši od chatbotov a agentových nástrojov

Web Flaviocopes.com porovnáva Jev s bežnými AI nástrojmi podľa úlohy, ktorú v produkte zohrávajú:

Jev neprijíma otvorený cieľ a nepracuje na jeho splnení. Sám od seba neprechádza repozitár, nevolá nástroje, neupravuje súbory a neudržiava agentovú slučku. Kód mu dá jeden stav a sadu otázok. Jev vráti typované odpovede s pravdepodobnosťami a skončí. Práve preto môže sedieť vnútri týchto nástrojov, nie ich nahrádzať – kódovací agent sa ho môže opýtať, či je príkaz shellu bezpečný na spustenie, skôr než ho spustí, router úloh ním môže vyberať, ktorý model dostane danú úlohu, a SaaS aplikácia ním môže rozhodnúť, či správa podpory potrebuje databázový dopyt, generatívny model alebo živého človeka.

Ako Jev technicky funguje

Väčšina dnešných jazykových modelov, od GPT po Claude, je takzvane autoregresívna. Model predikuje jeden token za druhým a každý novo vygenerovaný token sa vracia späť na vstup na predikciu ďalšieho. To sa dobre hodí na plynulú konverzáciu a otvorené písanie, ale je to sekvenčne pomalé pre úlohy, ktoré potrebujú odpoveď v rádoch milisekúnd a opakujú sa tisíckrát.

Jev je opísaný ako neautoregresívny model. Namiesto generovania reťazca úvah alebo vety dostane štruktúrovaný vstup, popis stavu a zoznam povolených akcií alebo otázok, a vráti rozhodnutie priamo, s pravdepodobnosťou a mierou istoty v jednom kroku. TypeSafe tento prístup opisuje ako bližší správaniu bežného softvéru: deterministický, rýchly a menej náchylný na otvorenú improvizáciu, ktorá pri konverzačných modeloch vedie k halucináciám.

Firma zároveň uvádza, že zmenila spôsob trénovania modelu na prístup, ktorý nazýva reinforcement learning for calibrated decisions (posilňované učenie pre kalibrované rozhodnutia). Cieľom je model, ktorý vie, nakoľko si má byť istý danou odpoveďou, namiesto modelu optimalizovaného predovšetkým na to, aby znel vierohodne a páčil sa ľudským hodnotiteľom, čo Almeida označuje za štrukturálnu slabinu zdedenú z trénovania pomocou RLHF.

Tri typy otázok, na ktoré Jev odpovedá

Podľa dokumentácie TypeSafe, zhrnutej na Flaviocopes.com, existujú tri typy otázok:

• noul (áno/nie): model vráti pravdepodobnosť, že odpoveď je „áno“, napríklad 0,94. Hodnota 0,5 neznamená „stredne“, znamená, že si model nie je istý – na meranie miery slúži typ score, nie noul.
• choice (výber z možností): model vyberie jednu z pomenovaných možností a vráti aj pravdepodobnosti ostatných možností a súhrnnú mieru istoty (confidence). Dokumentácia odporúča vždy pridať možnosť „iné“ alebo „žiadna z uvedených“, pretože model musí niečo vybrať, aj keď žiadna ponúkaná kategória nesedí.
• score (hodnotenie na škále): model ohodnotí zadanie na definovanej škále a vráti očakávanú hodnotu, teda vážený priemer. Výsledok 2,48 na škále 0 až 3 znamená „niečo medzi dvojkou a trojkou, skôr trojka“. Dokumentácia zdôrazňuje: opisujte situácie, nie samotnú mieru – „nefunkčná funkcia, existuje riešenie“ dáva modelu niečo, s čím môže stav porovnať, „stredne závažné“ nie.

Všetky otázky k jednému stavu sa vyhodnocujú v jednom volaní a nezávisle od seba – odpoveď na jednu otázku nie je vstupom pre inú v tom istom volaní. Pridanie štvrtej otázky preto prakticky nespomalí odpoveď.

Confidence: kedy konať automaticky a kedy nie

Podľa Flaviocopes.com je miera istoty (confidence) jedným z najužitočnejších výstupov Jevu. Dokumentácia navrhuje rozdeliť rozhodnutia do troch pásiem: vysoká istota – konať automaticky, model má jasný úsudok; stredná istota – konať opatrne, nechať používateľa potvrdiť alebo označiť na revíziu; nízka istota – nekonať, odovzdať človeku alebo použiť pomalší systém. Dokumentácia TypeSafe uvádza ako príklad hranicu 0,5 pre revíziu a 0,9 pred potvrdením deštruktívnej akcie, ale zdôrazňuje, že ide o ilustračné hodnoty, nie predvolené nastavenie – odporúčaný postup je začať konzervatívne a hranice posunúť až podľa vlastných dát.

Firma trénovala Jev metódou, ktorú nazýva Reinforcement Learning for Calibrated Decisions (RLCD, posilňované učenie pre kalibrované rozhodnutia). Kalibrácia znamená, že naprieč mnohými predikciami by odpovede, ktorým model priradí 90% pravdepodobnosť, mali byť správne zhruba v 90 % prípadov. To však nehovorí nič o jednotlivej odpovedi, ktorá môže byť aj tak nesprávna.

Technické limity

Podľa serverov Experientiallabs.ai a Flaviocopes.com zdieľajú stav a všetky otázky spolu rozpočet okolo 64 000 tokenov, stav plus jedna najdlhšia otázka sa musia zmestiť do zhruba 32 000 tokenov (približne 150 000 znakov anglického textu). Na jednu požiadavku možno poslať maximálne 32 otázok, typ choice až 64 možností a typ score 2 až 10 úrovní (limity brány). Jev číta iba text – obrázky, zvuk a video zatiaľ nepodporuje. Rate limity v čase písania: 250 000 tokenov za sekundu a 1200 požiadaviek za minútu.

Demá: Minecraft, Subway Surfers, samoriadenie, drony

TypeSafe krátko po spustení zverejnila aj komunitné demonštrácie, ktoré ukazujú, na čo je takáto architektúra dobrá v reálnom čase:

• Minecraft bot: hra priebežne posiela Jevu zjednodušený popis sveta (denná doba, blízki nepriatelia, zdravie hráča, dostupné akcie) a Jev vyberá ďalší krok. Keď sa v noci objaví zombie, bot podľa popisu utečie bez toho, aby to ktokoľvek naprogramoval ako pravidlo. Dvojminútová session spotrebovala okolo 150 000 tokenov a stála približne 1 cent.
• Simulácia samoriadenia: existujúci simulátor s už postaveným autom, cestou a ovládaním, kde Jev vyberá medzi akciami ako zrýchliť, brzdiť alebo zmeniť pruh.
• Hra v štýle Subway Surfers: Jev rozhoduje o skoku, podrepe alebo úskoku podľa prichádzajúcich prekážok, teda úloha vyžadujúca rozhodnutie v zlomku sekundy.
• Simulovaný dron: model dostáva štruktúrované dáta (pozícia, rýchlosť, vzdialenosť od prekážok) a vracia navigačné rozhodnutia ako zatočiť, stúpať alebo sa vznášať. Pätnásťminútová simulácia stála približne 10 centov.

Dôležité obmedzenie: žiadna z týchto demonštrácií nebeží na reálnom hardvéri. Simulácia samoriadenia je simulátor s pripraveným autom a cestou, nie skutočné vozidlo s kamerami a senzormi. Simulácia dronu beží vnútri simulovaného okruhu prekážok, nie na fyzickom lietadle so skutočným riadením letu a bezpečnostnými systémami. Žiadny z týchto systémov nebol testovaný proti reálnemu hardvéru, nepredvídateľnému šumu zo senzorov ani bezpečnostne kritickým zlyhaniam.

Vývojári, ktorí demonštrácie postavili, ich podľa zdroja MindStudio zostavili za menej ako hodinu, niekedy aj za 15 minút, s použitím hotového modelu a zoznamu povolených akcií, bez potreby trénovať vlastného agenta na mieru.

Praktický príklad z dokumentácie Vercelu: smerovanie incidentu

Vercel na svojom webe ukazuje ilustračný (nie skutočne nameraný) príklad, ako Jev pomáha so smerovaním incidentu bez čakania na človeka, ktorý prečíta každé hlásenie. Hlásenie hovorí, že platby v e-shope po zmene konfigurácie zlyhávajú, prehliadanie webu funguje ďalej. Postup podľa Vercelu: najprv oddeliť dôkazy (text hlásenia, log, časová pečiatka pozorovania) od otázky. Otázka „Ktorý tím má incident vyšetriť ako prvý?“ je ohraničené rozhodnutie, pretože odpoveď má jasné miesto v aplikácii – na rozdiel od vágnej otázky „vyrieš tento incident“, ktorá nehovorí, či má ísť o priradenie, privolanie pohotovosti alebo zásah do produkcie.

Kategórie musia byť opísané pozorovateľne: platby vlastnia zlyhania po dosiahnutí platobnej služby, storefront vlastní zlyhania, ktoré zabránia odoslaniu požiadavky ešte na stránke. Vercel odporúča vždy pridať možnosť „nedostatok dôkazov“, ak hlásenie neobsahuje dosť informácií na rozhodnutie. Typová odpoveď podľa Vercelu neznamená, že je rozhodnutie správne, len že zodpovedá zadanej schéme – sémantickú správnosť treba overiť zvlášť, typicky porovnaním navrhnutých priradení s už uzavretými incidentmi, skôr než sa routing pustí do automatickej prevádzky.

Prístup a nasadenie

Jev je v ranom prístupe. Prihlásenie na čakaciu listinu prebieha na typesafe.ai, podľa prvých správ prišiel prístup do jedného až dvoch dní od prihlásenia. Kto nechce čakať v poradovníku, môže Jev volať aj cez Vercel AI Gateway pod označením typesafe-ai/jev za rovnakú cenu 0,042 USD za milión vstupných tokenov, cez AI SDK namiesto vlastného SDK TypeSafe. Oficiálny JavaScriptový SDK sa volá @typesafe-ai/sdk a vyžaduje Node.js 20 alebo novší.

Koľko reálne ušetrí na AI účte

Web Flaviocopes.com ponúka triezvy pohľad na často opakované tvrdenie, že Jev zníži AI účet o polovicu. Úspora sa týka len tej časti výdavkov, ktorá išla na rozhodovacie úlohy, ktoré Jev dokáže nahradiť: celková úspora = podiel klasifikačných úloh na účte × úspora na týchto volaniach. Príklad: firma platí mesačne 10 000 USD za AI. Ak 6000 USD ide na klasifikáciu, smerovanie, skórovanie a overovanie a nová cesta stojí 5 % starej ceny, úspora je 5700 USD, teda 57 % pôvodného účtu. Ak klasifikácia tvorí len 10 % záťaže, Jev nemôže znížiť celkový účet o viac ako 10 %, aj keby tieto volania boli zadarmo. Do výpočtu patrí aj príprava dát pred volaním Jevu (napríklad zhrnutie dlhého textu iným modelom) – to je stále generatívny krok s vlastnou cenou.

Na čo sa Jev podľa dostupných zdrojov hodí a na čo nie

Hodí sa na:

• triedenie veľkého objemu vstupov do kategórií (e-maily, tikety podpory),
• rozhodnutia typu áno/nie alebo povoliť/zakázať/skontrolovať (bezpečnostné filtre, smerovanie na človeka),
• predradený lacný filter relevantnosti pred drahým modelom,
• párovanie a deduplikáciu záznamov,
• hodnotenie kvality alebo relevantnosti vo veľkom objeme.

Nehodí sa na:

• čokoľvek, kde má vzniknúť nový text – Jev vie vybrať z ponúknutých možností, ale novú variantu nevymyslí,
• počítanie a porovnávanie čísel, to podľa dokumentácie TypeSafe patrí do bežného kódu,
• nepriame alebo zložité otázky, model číta inštrukcie doslovne,
• obrázky, zvuk a video bez predchádzajúceho prevedenia na text,
• nedôveryhodný vstup bez ochrany, rovnako ako ostatné modely je náchylný na pokusy o obídenie inštrukcií vloženým textom.

Čo si z toho vziať

Jev nie je náhrada konverzačného modelu ani všeobecného asistenta. Je to špecializovaný nástroj pre jednu konkrétnu triedu úloh – rýchle a lacné rozhodnutia opakované vo veľkom objeme – kde doterajšia voľba bola medzi pevne napísaným pravidlom v kóde a drahým volaním veľkého jazykového modelu. Podľa Flaviocopes.com ide o nový medzistupeň: rozhodnutie s číslom istoty za cenu, ktorú väčšina projektov na faktúre ani nezaregistruje.

Zároveň je model nový a málo preverený. Ceny, rýchlosť a benchmarky v tejto chvíli pochádzajú primárne od samotnej firmy TypeSafe, nie z ustálených porovnávacích rebríčkov nezávislých od výrobcu. Demonštrácie v reálnom čase bežia výhradne v simulovaných prostrediach, nie na fyzickom hardvéri, ako zdôrazňuje MindStudio.ai. „System One“ je vlastné označenie firmy TypeSafe, nie etablovaná kategória s nezávisle overenou definíciou. Typová odpoveď navyše zaručuje len tvar výstupu, nie jeho vecnú správnosť – ako upozorňuje aj dokumentácia Vercelu, rozhodnutia treba vždy overiť voči známym výsledkom, skôr než sa pustia do automatickej prevádzky.

Pre firmy, ktoré dnes riešia triedenie veľkého objemu vstupov, smerovanie požiadaviek alebo filtrovanie relevantnosti a platia za to plnú cenu jazykového modelu, je to téma na sledovanie a na otestovanie na vlastných dátach, nie na okamžité nasadenie do produkcie bez pilotného overenia.

Zdroje

• MindStudio.ai, „Jev Explained: Typesafe AI's Non-Autoregressive System-1 Model“ (18. 9. 2026)
• Flaviocopes.com, podrobný technický rozbor Jevu a TypeSafe AI (20. 9. 2026)
• Experientiallabs.ai, technický prehľad modelu jev-latest (parametre, limity, cena)
• Vercel.com, „What is Jev“ a príklad smerovania incidentu (dokumentácia AI Gateway)