Наблюдения за экосистемой Jev (часть 1): что 220 кейсов за четыре дня говорят о примитивах принятия решений

2026-09-15 компания TypeSafe AI выпустила Jev, первую модель серии System One. К концу дня 09-19 мы зафиксировали в репозитории jev-radar более 220 случаев (проекты, демо и идеи, у каждого указан первоисточник; 108 из них вошли в структурированный список). По оценке нашего девятого сканирования, экосистема насчитывает около 500 репозиториев и 21 600+ звёзд. Такой рост за четыре дня обычно говорит о том, что реальная потребность долго оставалась неудовлетворённой.

Эта статья открывает серию «Наблюдения за экосистемой Jev». Сначала о методологии: все случаи ниже взяты из десяти наших сканирований с 2026-09-15 по 09-19 (GitHub Search, Reddit, Hacker News, X и пять каталогов: madewithjev, awesomejev, risetive, jevable и typesafeai.app), и у каждого есть кликабельный первоисточник (ссылка на проект обязательна, ссылка на исходный пост приводится, если она доступна). Все показатели производительности сторонних проектов указаны самими авторами, и мы оценили их по силе доказательств (A — артефакты, которые можно проверить напрямую, C — только устные заявления). Цифры отражают состояние на момент среза, а экосистема меняется каждые 3 часа; актуальные данные смотрите в репозитории.

Что такое Jev: модель, которая не пишет предложений

На странице модели в OpenRouter Jev описана как «модель структурированных решений от TypeSafe, первая в серии System One». Она не генерирует текст: вы передаёте неструктурированное состояние и набор типизированных вопросов, а она возвращает решения, по которым ваш код может сразу ветвиться. Три примитива:

• Noul: истинно ли утверждение — возвращает откалиброванную вероятность от 0 до 1.
• Choice: какой вариант подходит — возвращает полное распределение и уверенность.
• Score: какая оценка по вашим критериям — возвращает оценку, взвешенную по вероятностям.

Ключ к пониманию этой экосистемы — цена: в OpenRouter указано $0,042 за миллион входных токенов, выходные токены бесплатны. На сайте TypeSafe технический подход называется RLCD — обучение с подкреплением для откалиброванных решений; это совсем другой вид моделей, чем чат-модели. Для инженеров это значит, что «спрашивать на каждом шаге цикла» впервые становится экономически оправданным. Как будет видно дальше, почти все авторы проектов сами указывают стоимость одного вызова, и доли цента здесь — норма.

Шесть самых частых сценариев: для чего Jev используют на самом деле

Первый и главный сценарий — дать агентам «второго пилота» по безопасности. За 72 часа после релиза в этой категории появилось более 30 проектов, и рынок уже превратился в «красный океан». Наиболее полная доказательная база в коллекции кейсов — у pi-warden: Jev читает инструкции пользователя, самоописание агента и предстоящие вызовы инструментов и с помощью Noul оценивает, «необратимо ли это, соответствует ли заявленному и не выходит ли воздействие за допустимые границы». Результаты добавляются в контекст, чтобы агент мог скорректировать свои действия. Автор повторно прогнал самооценку на 17 000 исторических вызовов (данные автора): было перехвачено всего 42 вызова, около 88% из них — верно, а доля жалоб составила около 2%. Среди похожих инструментов — Foreman, который выступает «супервайзером программной фабрики» для Codex, и rh-guard, который специализируется на том, чтобы не давать агентам для написания кода «манипулировать оценщиками или подглядывать в скрытые тесты»: защита от reward hacking уже сформировала отдельную подкатегорию.

Второй — сжатие контекста. Jev оценивает каждый вывод инструмента: «нужен ли он ещё для текущей задачи», и заменяет ненужные выводы восстановимыми заглушками. Этим направлением занимается самый популярный по звёздам инструмент сообщества — fast-jev-compaction (2 735★ на момент снимка). У winnow дизайн тоньше: блоки, бесполезные с высокой уверенностью, заменяются трёхстрочными заглушками-сводками, а полный текст можно вернуть командой восстановления. «Ничего не теряется, токены просто экономятся заранее».

Третий — маршрутизация и переранжирование. jev-codex-router — первый маршрутизатор моделей с данными бэктеста: 7 дней и 237 воспроизведённых реальных раундов, сокращение совокупных накладных расходов примерно на 60% при стоимости решения около $0,00003 за раунд (данные автора). Однако независимая оценка Janus остудила пыл: на двух наборах данных оптимальные пороги уверенности, оценки качества моделей и экономической эффективности маршрутизации дали противоположные результаты. Параметры маршрутизации нельзя переносить с одного набора данных на другой — их необходимо калибровать для каждого сценария.

Четвёртый — слои принятия решений в реальном времени. Типовая архитектура: «код отвечает за восприятие и выполнение, а Jev — только за Choice в ограниченном пространстве действий». Jev Ultrafast, официальный проект команды browser-use, сводит операции в браузере к одному запросу к Jev, который одновременно выбирает действие и целевой элемент: поиск рейса из Цюриха в Лондон занимает 7,1 секунды, а число вызовов браузерного протокола сокращается с 1 092 до 101 (данные автора; бенчмарк на одном профиле, результат не универсален). Голосовой браузер jev-voice-browser обходится примерно в $0,0002 за фразу. В играх результаты ещё радикальнее: тест китайского разработчика в Slay the Spire 2 показал «0,7 секунды на шаг — система успевает действовать ещё до того, как экран полностью воспринят».

Пятый — внедрение на инфраструктурном уровне, и это самый явный сигнал за четыре дня. pg-jev превращает Noul, Choice и Score в SQL-предикаты в PostgreSQL; похожие расширения доступны и для DuckDB. SDK более чем для 10 языков появились в течение трёх дней после релиза. eve от Vercel (5 253★ на момент снимка) использует Jev как модель оценки по умолчанию, а LanceDB, LiteLLM, Pydantic AI и n8n предлагают официальные интеграции. То, что модель уже на четвёртый день после релиза разворачивают как часть инфраструктуры, — само по себе показательный сигнал.

В-шестых, начинается внедрение в отраслевые бизнес-задачи. Налоговый классификатор достиг 100%-й точности по строгому критерию на 261 форме IRS (по данным автора). Каскад для выявления мошенничества использует Jev, чтобы быстро проверить 100 писем, и отправляет 31 письмо с уверенностью ниже 95% на повторную проверку крупной моделью; весь пайплайн достиг точности 96/100 при общей стоимости $0,07. Тематическая классификация 1 018 научных статей обошлась в $0,08, и автор сравнил это с тем, что «та же задача с использованием модели суммаризации стоит $3,99». В сфере трейдинга появился проект для торговли в реальном времени с 895★, где в каждом блоке реальные решения о покупке и продаже принимаются каждые 300 мс. Кроме того, один из авторов честно опубликовал неотфильтрованные данные: доля успешных сделок составила 41,1% по итогам 375 симулированных сделок. Такие неприукрашенные показатели в этой экосистеме особенно заслуживают внимания.

Примеры неудач: какие уроки повторялись за четыре дня

Данные о неудачах новой экосистемы ценнее историй успеха. Отрицательные примеры в подборке кейсов сводятся к пяти проблемам:

1. Всё решает качество входных данных. Часто цитируют вывод автора Supercov: если передать модели целый файл и спросить о «качестве», результат будет плохим, тогда как конкретные формальные вопросы — например, о дублировании кода или глубокой вложенности — позволяют достичь уровня коммерческих инструментов при стоимости в 100 раз ниже.
2. Качество рушится, когда вариантов становится много. Независимая оценка с самыми надёжными доказательствами в коллекции (agentjournal, 3 задачи, 5 477 тестовых строк, общая стоимость $1,43) показала, что Choice на 12 вариантов на реальных бухгалтерских данных даёт точность всего 0,3998. Модель «поняла каждое слово, но не смогла выбрать из 12 вариантов», то есть узкое место — формат решения, а не понимание.
3. Уверенность — не панацея. В тестах agentjournal точность на строках с уверенностью ≥ 0,9 составила всего 72,2%. Продукт для проверки утверждений Attest просто убрал поле уверенности: 22 из 24 реальных проверок попадали в диапазон от 0,95 до 0,99. «Число, которое всегда одинаковое, — это не информация». В сообществе уже есть репозитории, посвящённые аудиту этой проблемы.
4. Чувствительность к порядку и формулировкам. Attest публично признал, что изменение порядка доказательств на обратный меняет 5,8% решений. Пользователи протестировали сервис оценки стартап-идей killmyidea и обнаружили, что удаление трёх слов заметно сдвигает оценки. Даже в официальном Быстром старте обнаружился сбой: комментарии, отмеченные в примере как technical, во всех 100 случаях классифицировались как billing.
5. Вирусные демо бывают поддельными. Известный разработчик steve8708 публично указал, что вирусные демо Jev в X содержали ускоренные и сфабрикованные фрагменты. Наш ответ закреплён в критериях включения: среди любых демо со «сверхчеловеческой скоростью» приоритет получают репозитории с полным описанием методики и трассами выполнения.

Инфраструктурный слой экосистемы уже сложился

Анализ 500 репозиториев показывает, что к концу четвёртого дня экосистема расслоилась: около 10 официальных демо, около 15 интеграций с платформами, около 50 независимых приложений, около 90 инструментов для агентов и около 300 SDK и проектов длинного хвоста. Быстрее всего сформировалась экономика сайтов-каталогов: появилось пять агрегаторов и как минимум пять списков awesome-jev. Крупнейший из них, awesomejev, содержит 488 записей, собравших в общей сложности 21 644 звезды. Не менее активны клоны: SemIf (1 647★, слой семантических суждений с открытым исходным кодом, работающий на домашней видеокарте 3090) и jevlike (905★) вместе со своими форками набрали более 4 000 звёзд, а один клон с открытым исходным кодом получил 198 баллов в бенчмарке из 201 вопроса против 191 у официального Jev. Ни один из них не является официальным Jev; в подборке кейсов мы выделяем их в отдельную категорию и явно помечаем. Об экосистеме уже написал TechCrunch, а профессор экономики из Уортона и сооснователь Hasura публично её поддержали. На четвёртый день в китайском сообществе появилась первая волна приложений: очиститель ленты X qingliu (пока единственный китайский проект, опубликовавший данные о калибровке: 0,7% ложных срабатываний и на 47% больше выявленных случаев по сравнению с фильтрацией по словарю, по данным автора), фильтр ленты Zhihu и классификатор «ястребиной» и «голубиной» риторики на пресс-конференциях ФРС.

Что это значит для тех, кто создаёт продукты

Проверка на 500 репозиториях за четыре дня ясно показала оптимальную область применения: узкие вопросы при высокой частоте вызовов, ограниченное пространство действий и чувствительность к стоимости — пошаговый надзор внутри циклов агентов, масштабная классификация, переранжирование и оценка, а также выбор за миллисекунды. Столь же очевидны сценарии, которых следует избегать: задачи генерации, широкое пространство вариантов и ожидание, что один порог подойдёт для всех наборов данных.

Есть и факт, который игнорирует большинство демо: примитивы решений принимают на вход состояние, и то, откуда это состояние берётся, определяет потолок всего пайплайна. Когда Noul решает, «похож ли этот комментарий на реального покупателя», предполагается, что кто-то надёжно собрал десятки тысяч комментариев. Score оценивает отзывы, товары и рейтинги, предполагая чистые поля и проверяемые источники. Именно здесь нужны мы: EveryInfra через единый API даёт доступ к публичным данным многих платформ (отзывы, репутация, цены, контент) с оплатой по факту использования, а за ошибки и пустые результаты в итоге ничего не списывается. Модель решений отвечает за то, «как судить», а мы — за то, «откуда берётся сырьё для суждений». Если вы строите такой пайплайн, начните с руководства по единому API данных.

В следующей статье серии подробно разбираем главный сценарий: что на самом деле перехватывают и пропускают слои безопасности, защищающие агентов. jev-radar автоматически сканирует экосистему каждые 3 часа, подборка кейсов продолжает расти, и вы можете предложить свой проект, открыв issue.