Новая модель искусственного интеллекта от создателя ChatGPT обещает дешевле и быстрее
Диогу Альмейда, один из пионеров технологии подкрепленного обучения обратным связям человека (RLHF) в OpenAI, основал TypeSafe AI с целью создать инструмент, не опирающийся на генерацию человеческого языка. Новая модель Jev генерирует откалиброванные вероятностные решения, что, по заявлениям разработчиков, позволяет достигать высокой точности при значительно сниженных вычислительных затратах.
# Интеллектуальная эффективность без слов: Как модель Jev меняет подход к автоматизации
В мире искусственного интеллекта, где доминируют большие языковые модели (LLM), которые часто сравнивают с генеративными поэтами, возникает новый подход. Основатель стартапа TypeSafe AI Диогу Альмейда, известный своей работой над технологиями OpenAI, включая RLHF, утверждает, что существующие языковые модели не подходят для реальной автоматизации. Его новый проект, модель Jev, разработан для решения этой проблемы, предлагая альтернативу, которая не выдает текст, а выдает решения с присвоенной вероятностью.
От человеческой речи к машинному языку
Альмейда, ранее работавший в OpenAI, выразил разочарование тем, что индустрия слишком долго фокусировалась на оптимизации человеческой речи. «У нас есть молния в бутылке, но она не полезна», — говорил он. Проблема, по его мнению, заключается в том, что компьютеры говорят на ином языке, отличном от человеческого, и попытки заставить LLM работать как универсальный переводчик создают барьеры для автоматизации.
Модель Jev, выпущенная в сентябре 2026 года, была создана для преодоления этого барьера. В отличие от традиционных LLM, которые выдают длинные текстовые ответы и склонны к галлюцинациям (выдумыванию фактов), Jev работает иначе. Она не генерирует текст. Вместо этого она выдает так называемые «калиброванные решения» — вероятностные оценки. Это фундаментальное отличие позволяет модели быть предсказуемой и эффективной.
Как это работает технически
Архитектура Jev строится на преобразователях, но её ключевая особенность — отсутствие процесса генерации токенов текста. Поскольку пользователям заранее определяется набор возможных выходов модели, вероятность ошибки или выдумки исключается. Выходные данные модели представляют собой не абзацы текста, а цифры, указывающие на уверенность в правильности действия.
Этот подход имеет ряд практических преимуществ: * Снижение стоимости: Поскольку не происходит генерации огромного количества текстовых токенов, вычислительные затраты падают. Выходные токены для Jev бесплатны, а входные обрабатываются по более выгодной тарификации. * Скорость: Отсутствие необходимости формировать последовательность слов позволяет модели работать значительно быстрее конкурентов. * Надежность: Модель не может «придумать» ответ, так как её возможности ограничены заранее определенным набором вариантов, каждый из которых имеет вес вероятности.
Реакция сообщества разработчиков
Интерес к Jev со стороны разработчиков оказался настолько высоким, что API компании一度 временно перестала обслуживать пользователей из-за перегрузки спроса. Инженеры видят в модели инструмент для интеграции интеллекта в код, который является и дешевым, и robust (устойчивым).
Примером служит компания Vercel, работающая над инфраструктурой для автономных агентов. Они заменили модель OpenAI Luna 5.6 на Jev для классификации команд и проверки их безопасности. Результат превзошел ожидания: скорость обработки выросла в 5–18 раз при сохранении, а иногда и улучшении точности.
Другой разработчик, исполнительный директор Bryo AI Нихил Мудхолкар, провел тесты Jev против Gemini для классификации деловой почты. Хотя Gemini показал чуть более высокую точность в отдельных тестах, цена его работы оказалась в 10–20 раз выше. Для Мудхолка решающим фактором стало наличие у Jev уверенностных оценок. «Это единственная модель, которая возвращает реальную вероятность, что делает её идеальной для автоматизации рабочих процессов», — отметил он.
Применение в сложных системах
Помимо замены LLM в отдельных задачах, Jev может выступать в роли дополнения, контролируя поведение других моделей. Использование агентов для мониторинга других агентов часто становится слишком дорогим, но Jev предлагает эффективное решение.
Армин Ронacher, технический директор Earendil (разработчика открытой модели Pi), видит потенциал Jev в слежении за следами агентов LLM и предотвращении попыток обхода ограничений (jailbreaks). Он объясняет механизм работы просто: пользователь задает порог вероятности. Если уверенность модели ниже 50%, действие игнорируется. Если она составляет 95%, действие выполняется.
Кроме того, модель может использоваться для маршрутизации задач. Она способна в реальном времени предсказывать, требует ли конкретная нагрузка специфической модели, что экономит ресурсы, позволяя выбирать оптимальный инструмент без лишних затрат на работу LLM для принятия этого решения.
Роль пользователя и данные
Важно отметить, что, согласно Альмейде, модель делегирует часть ответственности за галлюцинации пользователю. Пользователь должен интерпретировать возвращаемую вероятность. Однако сама модель, благодаря обучению исключительно на синтетических данных с использованием техники «подкрепленного обучения калиброванными решениями», обеспечивает статистически обоснованную точность.
Альмейда утверждает, что ставка на создание всех своих собственных синтетических данных оказалась одной из лучших в его карьере, превзойдя даже успехи RLHF в OpenAI. Это позволяет компании контролировать качество и характер обучающей информации.
Будущее распределенного интеллекта
Модель названа в честь Уильяма Стэнли Джевонса, экономиста XIX века, чей парадокс описывает, как падение стоимости товара приводит к его более широкому использованию. Альмейда надеется, что падение стоимости интеллекта приведет к его повсеместному внедрению.
«Мы думаем, что скоро будет присутствовать умное программное обеспечение повсюду, возникающее и распределенное способом, похожим на ранний интернет, а не как огромные приложения, которые люди сейчас пытаются построить», — заявил основатель TypeSafe AI.
Хотя на данный момент Jev является единственной моделью такого рода, эксперты ожидают появления конкурентов по мере осознания её utility (полезности). TypeSafe AI заявляет, что планирует создавать новые версии модели в различных модальностях, сохраняя фокус на реальной интеллектуальной эффективности, а не на создании гиперактивных проектов ради самой hype (сенсации).
Таким образом, Jev представляет собой шаг от генерации контента к генерации решений, предлагая индустрии более практичный и экономически выгодный путь к software intelligence (интеллектуальным программам).