Споделям няколко интересни приложения на Jev: AI модел, който не дава отговори, а само прави преценки

В едно двойно-сляпо и предварително регистрирано проучване, проведено от PrimeLine, има детайл, който е много показателен.

В две реални задачи абсолютната точност на Claude Opus 5 и Haiku 4.5е наравно с тази на Jev, а в началото дори е по-добра. Но когато оценката позволява на модела да пропуска пробите, в които е най-малко сигурен,Jev изпреварва и в двете задачи.

Причината е, че изходните му нива на увереност сакалибрирани, докато универсалните генеративни модели често са лошо калибрирани и са твърде уверени в преценките си. С други думи: когато „да знаеш, че не знаеш“ е по-важно от „отговаряй на всяка цена“, се разкрива стойността на Jev.

Как да започнете

Ако вече използвате платформа за агрегиране на модели, интеграционните разходи са почти нулеви:

• OpenRouter: Jev вече е налична в официалния каталог на модели, с име на модела typesafe/jev, а смяната на името на модела в кода е достатъчна за превключване
• Vercel AI Gateway: интеграцията е завършена в рамките на 72 часа след пускането, разпределя се през глобалната edge мрежа на Vercel с ниска латентност
• Официален SDK: TypeSafe предлага онлайн конзола (Playground) и пълна документация с поддръжка на HTTP API, Python SDK и JavaScript SDK
• Официален пакет от умения: TypeSafe публикува с отворен код в GitHub хранилището skills, което учи кодиращите агенти „да изясняват всички двусмислици наведнъж“, вместо да задават по един въпрос всеки път

Цена: $0.042 на милион входни токена, изходът е безплатен. Новите акаунти разполагат и с безплатен кредит за проба.

Да кажем и нещо хладнокръвно

Първо,това не е заместител на големите езикови модели. Jev е специализиран модел за вземане на решения — не очаквайте от него отворено разсъждение и генериране на съдържание. Стойността му е в това да върши перфектно едно нещо: бързи и надеждни решения в рамките на ясно дефинирани възможни резултати.

Второ,при много казуси трябва да се разграничи „чия е заслугата“. Например демонстрацията на Browser Use с търсенето на полет за 7 секунди е резултат от съвместната работа на целия набор от инструменти — не бива да приписваме целия капацитет на Jev. Самото хранилище с подредените от общността казуси отбелязва границите на доказателствата — кои принципи са ясни, кои ефекти предстоят да бъдат проверени и кои твърдения нямат основания. Този подход заслужава да се последва.

Трето,внимавайте с безкритичния хайп. Само седмица след пускането Jev заля екраните — в този шум има реална техническа стойност, но и немалко маркетинг. Наистина важното е да изпълните собствените си задачи с него и да видите колко латентност и пари наистина спестява.

Но едно е сигурно:AI приложенията не минават само по пътя на „генерирането“. Извън тази надпревара инфраструктурният пласт „преценка“, пренебрегван дълго време, започва да се надгражда. Трудно е да се каже дали Jev е окончателният отговор, но въпросът, който поставя, е верният.

Големият модел пише отговорите, Jev взема решенията — всяко нещо на своето място, това е добрата архитектура.

Източници: официалните бележки за пускане на TypeSafe AI, библиотеката с казуси Jev_apps (137 казуса / 11 вида приложения), Wikipedia, техническият анализ на DataCamp

Това е една от посоките с най-висока инженерна стойност в момента.

Екипът на Browser Use само 3 днислед пускането на Jev пусна официалната интеграция jev-ultrafast, за която се твърди, че събра 2700 GitHub звезди за два дни. Тя разделя уеб действията на два избора (действие + цел),без екранни снимки и без мултимодални токени, като всеки обмен поражда само две решения.

Основателят Gregor Zunic сподели необработена демонстрация: браузърна автоматизация, задвижвана от Jev, извършва търсене на еднопосочен полет в сайта на реална авиокомпания,целият процес отнема 7 секунди, а цената на извикванията на модела е около 0.0039 щатски долара.

Подобни има още куп: управление на браузъра със Stagehand, jev-use на Cua, TipTour на Mac, който с CoreML + OCR намира бутоните и оставя Jev да избере къде да цъкне, браузър под гласов контрол... В тази категория засега има 13 казуса — най-много от всички.

IV. Като „маршрутизатор“: помощ при избора на подходящ модел за всяка задача

В епохата на многото модели има един реален разхищителен навик: скъп модел за прости въпроси — чисто парично изгаряне. Ниската латентност и ниската цена правят Jev идеален затриаж на трафика.

• Маршрутизатор за Claude Code: както при триажа на тикети, Jev първо преценява трудността на задачата, а плъгинът според това избира модела на под-агента и интензивността на разсъждение в главната сесия
• Маршрутизация на Codex по трудност на задачата: преди изпълнение оценява логическата сложност на кодиращата задача — простите редакции се дават на евтиния модел, а по-силният модел се активира само при сложен рефакторинг между файлове — според съобщениянамалява общите разходи за модели с над 60%
• Условна маршрутизация / разпределение на заявки в Eve: първо преценява от кой тип модел се нуждае въпросът, а после го предава на подходящия модел
• Разпределение на труда между локални кодиращи агенти: простите задачи, сложните въпроси и дългите задачи се разпределят на различни AI асистенти

LangChain посвети цяла статия на темата — „Изграждане на предпазен колан с Jev“, в която отбелязва, че логиката за класификация и маршрутизация в агентните рамки традиционно е скрита в затворените реализации на всеки; универсален нискобюджетен класификационен модел като Jev позволява този решаващ пласт да бъде преизползван в агентите с отворен код. Основателят на Sentry Armin Ronacher също смята, че използването на генеративни големи модели за маршрутизационни решения е икономически неоправдано.

V. Сигурност и инженеринг: скромната черна работа

Тези приложения не са ефектни, но са най-приложими на практика.

• Vercel смени класификатора за сигурност на Shell команди: инженерът Pranit Sharma замени вътрешния класификатор за сигурност на Shell команди, базиран на OpenAI, с Jev. Според съобщенияскоростта се увеличи 5-18 пъти, а процентът на фалшивите тревоги е по-нисък — по-малките фалшиви тревоги всъщност повишават реалната точност на системата
• Откриване на prompt инжекции: общността пусна с отворен код jev-mcp (разширение на базата на протокола MCP), с което Jev може да прави фактчекване между източници, да открива prompt инжекции, скрити в потребителските подсказки, и да оценява семантичната релевантност на извлеченото съдържание
• Компресия на дълъг контекст: fast-jev-compaction използва Jev за бърза оценка на стойността на всяко извикване на инструмент, изтрива ненужните логове и същевременно пази ключовото състояние — контекстът на кодиращ агент лесно се подува при дълги задачи; проектът получи и одобрението на официалния екип на Jev
• Предварителен филтър за PR: в CI тръбопроводите анализира списъка на променените файлове и резултатите от автоматичните тестове, за да прецени първоначално дали PR заслужава сливане; високорисковите PR се маркират автоматично и се пренасочват към човек

VI. Бизнес потоци: имейли, тикети, клиентска поддръжка

Общото при тези сценарии е, чесе изискват безброй малки решения, вземани бързо и последователно, а с голям модел това е скъпо и бавно.

• Класификация на намеренията в корпоративни имейли: CTO-то на BryoAI Nikhil Mudholkar сравни Jev с Gemini — Gemini печели леко по абсолютна точност, ноцената на извикване е 10-20 пъти по-висока. По-важното е, че Jev дава калибрирано вероятностно разпределение, с което системите надолу по веригата по-лесно задават праг на увереност
• Разпределяне на тикети и автоматична маршрутизация: входящите съобщения се резюмират до ключова информация и се подават на Jev, който избира най-подходящия екип от списъка с бизнес екипи, замествайки крехките ръчно писани регулярни изрази
• Класификация на двойни тегления и спешни заявки за поддръжка: в сценарии на финанси и е-търговия бързо разпознава високорискови жалби (например двойно удържане); когато клиентът е разстроен или иска възстановяване, за милисекунди се слага спешен етикет и случаят се изпраща приоритетно на човек

VII. По-диви експерименти

• Генериране на изображение пиксел по пиксел: разработчикът @anshuc превърна генерирането на изображения в задача за класификация на ниво пиксел — всеки пиксел получава набор от цветови опции с вероятности, а програмата стъпка по стъпка запълва с цветовете с най-висока вероятност, избрани от Jev, докато накрая се получи изображение с ниска резолюция
• Автоматична ончейн търговия: някои Web3 разработчици свързаха Jev към децентрализирани борси, четейки данни за дълбочината на ордерите в реално време, като изходът е само едно от три действия: купи, продай, дръж. За общността това е едно от най-привличащи погледа приложения, но при реални пазарни условия рисковете са очевидни
• Избор на компоненти за уеб интерфейс: в проекта json-render Jev избира компонентите и подрежда връзките им, а програмата сглобява резултата в изобразим интерфейс — като строене от блокчета

VIII. Един показателен резултат от оценка

В едно двойно-сляпо и предварително регистрирано проучване, проведено от PrimeLine, има детайл, който е много показателен.

В две реални задачи абсолютната точност на Claude Opus 5 и Haiku 4.5е наравно с тази на Jev, а в началото дори е по-добра. Но когато оценката позволява на модела да пропуска пробите, в които е най-малко сигурен,Jev изпреварва и в двете задачи.

Причината е, че изходните му нива на увереност сакалибрирани, докато универсалните генеративни модели често са лошо калибрирани и са твърде уверени в преценките си. С други думи: когато „да знаеш, че не знаеш“ е по-важно от „отговаряй на всяка цена“, се разкрива стойността на Jev.

Как да започнете

Ако вече използвате платформа за агрегиране на модели, интеграционните разходи са почти нулеви:

• OpenRouter: Jev вече е налична в официалния каталог на модели, с име на модела typesafe/jev, а смяната на името на модела в кода е достатъчна за превключване
• Vercel AI Gateway: интеграцията е завършена в рамките на 72 часа след пускането, разпределя се през глобалната edge мрежа на Vercel с ниска латентност
• Официален SDK: TypeSafe предлага онлайн конзола (Playground) и пълна документация с поддръжка на HTTP API, Python SDK и JavaScript SDK
• Официален пакет от умения: TypeSafe публикува с отворен код в GitHub хранилището skills, което учи кодиращите агенти „да изясняват всички двусмислици наведнъж“, вместо да задават по един въпрос всеки път

Цена: $0.042 на милион входни токена, изходът е безплатен. Новите акаунти разполагат и с безплатен кредит за проба.

Да кажем и нещо хладнокръвно

Първо,това не е заместител на големите езикови модели. Jev е специализиран модел за вземане на решения — не очаквайте от него отворено разсъждение и генериране на съдържание. Стойността му е в това да върши перфектно едно нещо: бързи и надеждни решения в рамките на ясно дефинирани възможни резултати.

Второ,при много казуси трябва да се разграничи „чия е заслугата“. Например демонстрацията на Browser Use с търсенето на полет за 7 секунди е резултат от съвместната работа на целия набор от инструменти — не бива да приписваме целия капацитет на Jev. Самото хранилище с подредените от общността казуси отбелязва границите на доказателствата — кои принципи са ясни, кои ефекти предстоят да бъдат проверени и кои твърдения нямат основания. Този подход заслужава да се последва.

Трето,внимавайте с безкритичния хайп. Само седмица след пускането Jev заля екраните — в този шум има реална техническа стойност, но и немалко маркетинг. Наистина важното е да изпълните собствените си задачи с него и да видите колко латентност и пари наистина спестява.

Но едно е сигурно:AI приложенията не минават само по пътя на „генерирането“. Извън тази надпревара инфраструктурният пласт „преценка“, пренебрегван дълго време, започва да се надгражда. Трудно е да се каже дали Jev е окончателният отговор, но въпросът, който поставя, е верният.

Големият модел пише отговорите, Jev взема решенията — всяко нещо на своето място, това е добрата архитектура.

Източници: официалните бележки за пускане на TypeSafe AI, библиотеката с казуси Jev_apps (137 казуса / 11 вида приложения), Wikipedia, техническият анализ на DataCamp

Това е една от посоките с най-висока инженерна стойност в момента.

Екипът на Browser Use само 3 днислед пускането на Jev пусна официалната интеграция jev-ultrafast, за която се твърди, че събра 2700 GitHub звезди за два дни. Тя разделя уеб действията на два избора (действие + цел),без екранни снимки и без мултимодални токени, като всеки обмен поражда само две решения.

Основателят Gregor Zunic сподели необработена демонстрация: браузърна автоматизация, задвижвана от Jev, извършва търсене на еднопосочен полет в сайта на реална авиокомпания,целият процес отнема 7 секунди, а цената на извикванията на модела е около 0.0039 щатски долара.

Подобни има още куп: управление на браузъра със Stagehand, jev-use на Cua, TipTour на Mac, който с CoreML + OCR намира бутоните и оставя Jev да избере къде да цъкне, браузър под гласов контрол... В тази категория засега има 13 казуса — най-много от всички.

IV. Като „маршрутизатор“: помощ при избора на подходящ модел за всяка задача

В епохата на многото модели има един реален разхищителен навик: скъп модел за прости въпроси — чисто парично изгаряне. Ниската латентност и ниската цена правят Jev идеален затриаж на трафика.

• Маршрутизатор за Claude Code: както при триажа на тикети, Jev първо преценява трудността на задачата, а плъгинът според това избира модела на под-агента и интензивността на разсъждение в главната сесия
• Маршрутизация на Codex по трудност на задачата: преди изпълнение оценява логическата сложност на кодиращата задача — простите редакции се дават на евтиния модел, а по-силният модел се активира само при сложен рефакторинг между файлове — според съобщениянамалява общите разходи за модели с над 60%
• Условна маршрутизация / разпределение на заявки в Eve: първо преценява от кой тип модел се нуждае въпросът, а после го предава на подходящия модел
• Разпределение на труда между локални кодиращи агенти: простите задачи, сложните въпроси и дългите задачи се разпределят на различни AI асистенти

LangChain посвети цяла статия на темата — „Изграждане на предпазен колан с Jev“, в която отбелязва, че логиката за класификация и маршрутизация в агентните рамки традиционно е скрита в затворените реализации на всеки; универсален нискобюджетен класификационен модел като Jev позволява този решаващ пласт да бъде преизползван в агентите с отворен код. Основателят на Sentry Armin Ronacher също смята, че използването на генеративни големи модели за маршрутизационни решения е икономически неоправдано.

V. Сигурност и инженеринг: скромната черна работа

Тези приложения не са ефектни, но са най-приложими на практика.

• Vercel смени класификатора за сигурност на Shell команди: инженерът Pranit Sharma замени вътрешния класификатор за сигурност на Shell команди, базиран на OpenAI, с Jev. Според съобщенияскоростта се увеличи 5-18 пъти, а процентът на фалшивите тревоги е по-нисък — по-малките фалшиви тревоги всъщност повишават реалната точност на системата
• Откриване на prompt инжекции: общността пусна с отворен код jev-mcp (разширение на базата на протокола MCP), с което Jev може да прави фактчекване между източници, да открива prompt инжекции, скрити в потребителските подсказки, и да оценява семантичната релевантност на извлеченото съдържание
• Компресия на дълъг контекст: fast-jev-compaction използва Jev за бърза оценка на стойността на всяко извикване на инструмент, изтрива ненужните логове и същевременно пази ключовото състояние — контекстът на кодиращ агент лесно се подува при дълги задачи; проектът получи и одобрението на официалния екип на Jev
• Предварителен филтър за PR: в CI тръбопроводите анализира списъка на променените файлове и резултатите от автоматичните тестове, за да прецени първоначално дали PR заслужава сливане; високорисковите PR се маркират автоматично и се пренасочват към човек

VI. Бизнес потоци: имейли, тикети, клиентска поддръжка

Общото при тези сценарии е, чесе изискват безброй малки решения, вземани бързо и последователно, а с голям модел това е скъпо и бавно.

• Класификация на намеренията в корпоративни имейли: CTO-то на BryoAI Nikhil Mudholkar сравни Jev с Gemini — Gemini печели леко по абсолютна точност, ноцената на извикване е 10-20 пъти по-висока. По-важното е, че Jev дава калибрирано вероятностно разпределение, с което системите надолу по веригата по-лесно задават праг на увереност
• Разпределяне на тикети и автоматична маршрутизация: входящите съобщения се резюмират до ключова информация и се подават на Jev, който избира най-подходящия екип от списъка с бизнес екипи, замествайки крехките ръчно писани регулярни изрази
• Класификация на двойни тегления и спешни заявки за поддръжка: в сценарии на финанси и е-търговия бързо разпознава високорискови жалби (например двойно удържане); когато клиентът е разстроен или иска възстановяване, за милисекунди се слага спешен етикет и случаят се изпраща приоритетно на човек

VII. По-диви експерименти

• Генериране на изображение пиксел по пиксел: разработчикът @anshuc превърна генерирането на изображения в задача за класификация на ниво пиксел — всеки пиксел получава набор от цветови опции с вероятности, а програмата стъпка по стъпка запълва с цветовете с най-висока вероятност, избрани от Jev, докато накрая се получи изображение с ниска резолюция
• Автоматична ончейн търговия: някои Web3 разработчици свързаха Jev към децентрализирани борси, четейки данни за дълбочината на ордерите в реално време, като изходът е само едно от три действия: купи, продай, дръж. За общността това е едно от най-привличащи погледа приложения, но при реални пазарни условия рисковете са очевидни
• Избор на компоненти за уеб интерфейс: в проекта json-render Jev избира компонентите и подрежда връзките им, а програмата сглобява резултата в изобразим интерфейс — като строене от блокчета

VIII. Един показателен резултат от оценка

В едно двойно-сляпо и предварително регистрирано проучване, проведено от PrimeLine, има детайл, който е много показателен.

В две реални задачи абсолютната точност на Claude Opus 5 и Haiku 4.5е наравно с тази на Jev, а в началото дори е по-добра. Но когато оценката позволява на модела да пропуска пробите, в които е най-малко сигурен,Jev изпреварва и в двете задачи.

Причината е, че изходните му нива на увереност сакалибрирани, докато универсалните генеративни модели често са лошо калибрирани и са твърде уверени в преценките си. С други думи: когато „да знаеш, че не знаеш“ е по-важно от „отговаряй на всяка цена“, се разкрива стойността на Jev.

Как да започнете

Ако вече използвате платформа за агрегиране на модели, интеграционните разходи са почти нулеви:

• OpenRouter: Jev вече е налична в официалния каталог на модели, с име на модела typesafe/jev, а смяната на името на модела в кода е достатъчна за превключване
• Vercel AI Gateway: интеграцията е завършена в рамките на 72 часа след пускането, разпределя се през глобалната edge мрежа на Vercel с ниска латентност
• Официален SDK: TypeSafe предлага онлайн конзола (Playground) и пълна документация с поддръжка на HTTP API, Python SDK и JavaScript SDK
• Официален пакет от умения: TypeSafe публикува с отворен код в GitHub хранилището skills, което учи кодиращите агенти „да изясняват всички двусмислици наведнъж“, вместо да задават по един въпрос всеки път

Цена: $0.042 на милион входни токена, изходът е безплатен. Новите акаунти разполагат и с безплатен кредит за проба.

Да кажем и нещо хладнокръвно

Първо,това не е заместител на големите езикови модели. Jev е специализиран модел за вземане на решения — не очаквайте от него отворено разсъждение и генериране на съдържание. Стойността му е в това да върши перфектно едно нещо: бързи и надеждни решения в рамките на ясно дефинирани възможни резултати.

Второ,при много казуси трябва да се разграничи „чия е заслугата“. Например демонстрацията на Browser Use с търсенето на полет за 7 секунди е резултат от съвместната работа на целия набор от инструменти — не бива да приписваме целия капацитет на Jev. Самото хранилище с подредените от общността казуси отбелязва границите на доказателствата — кои принципи са ясни, кои ефекти предстоят да бъдат проверени и кои твърдения нямат основания. Този подход заслужава да се последва.

Трето,внимавайте с безкритичния хайп. Само седмица след пускането Jev заля екраните — в този шум има реална техническа стойност, но и немалко маркетинг. Наистина важното е да изпълните собствените си задачи с него и да видите колко латентност и пари наистина спестява.

Но едно е сигурно:AI приложенията не минават само по пътя на „генерирането“. Извън тази надпревара инфраструктурният пласт „преценка“, пренебрегван дълго време, започва да се надгражда. Трудно е да се каже дали Jev е окончателният отговор, но въпросът, който поставя, е верният.

Големият модел пише отговорите, Jev взема решенията — всяко нещо на своето място, това е добрата архитектура.

Източници: официалните бележки за пускане на TypeSafe AI, библиотеката с казуси Jev_apps (137 казуса / 11 вида приложения), Wikipedia, техническият анализ на DataCamp

Напоследък в AI света се появи един доста различен модел — Jev. Той не се състезава с GPT и Claude за работата по „писане на отговори“, а се цели в едно пренебрегвано място:вземане на преценки.

Давате му описание на състоянието, плюс въпрос или набор от опции, и то връща отговор на въпрос с избор, оценка или вероятност да/не — а изпълнението вече е работа на програмата. Пускането е на 15 септември 2026 г. (ограничен ранен достъп), зад него стои компанията TypeSafe AI, основателят Diogo Almeida е един от съизобретателите на ChatGPT, а seed кръгът е от 40 милиона щатски долара, воден от DCVC.

Концепцията звучи абстрактно, но само за седмица общността роди над сто казуса. Ще разкажа няколко от най-интересните — след това ще ви стане ясно какъв проблем решава всъщност.

Първо нека изясним разликата с обикновените големи модели

Традиционните големи модели по същество са генеративни: питате ги и те пишат токен по токен. Отлични са за статии, разсъждения и код, но при елементарен избор като „избери едно от тези няколко опции“ се превръща в пушка по врабче — бавно и скъпо.

Jev върви по друг път: то е лекмодел за класификация и оценяване. При всяко извикване давате му контекст плюс набор от ясно дефинирани опции и то директно извежда вероятностното разпределение на опциите, връщайки тази с най-висока увереност. Латентността е от десетки до стотици милисекунди, а цената е нищожна част от тази на водещите големи модели.

TypeSafe официално му даде иметомодел „System One“ — заемайки от психологията концепцията за „система едно“ (интуиция, бърза преценка), в контраст с големите езикови модели като „система две“ (бавно, задълбочено разсъждение). По официални данни е 40-200 пъти по-бърз от съвременните големи модели, а входът струва само $0.042 на милион токена,а изходът е безплатен.

I. Игри с него: от Doom до 50 паралелни Subway Surfers

Това е категорията приложения, при която стойността на Jev се разбира най-лесно — игрите изискват много малки решения всяка секунда, а точно това е силната му страна.

• Официална демонстрация: Doom в реално време. Jev взема около 10 решения за действия в секунда, като управлява придвижването и стрелбата на героя.Един час непрекъснато изпълнение струва около 7 щатски долара — цифра, която доста изненада инженерите, и доказа, че високочестотните решения в реално време са осъществими
• Управление на 50 екземпляра на Subway Surfers едновременно. Разработчикът @_MaxBlade създаде автоматизирана среда, в която Jev управлява едновременно 50 игри — всяко действие (смяна на лента, скок, плъзгане) е отделно малко решение. Според доклада всички 50 игри бяха завършени,при обща цена под един цент
• Контролер за Super Mario с отворен код. Системата на разработчика @faadilhshaik чете директно структурираното игрово състояние от паметта, а Jev решава кога да скача и кога да ускорява; проектът е с отворен код
• Speedrun на Slay the Spire 2. Китайският разработчик paulwei го използва за стратегическа игра с карти. В началото с голям модел имаше забележимо забавяне между две изиграни карти; след преминаване към Jevвсяко решение отнема само 0.7 секунди, а следващата команда може да бъде изпратена още преди анимацията на предната да е свършила
• Уики състезание. Друга официална демонстрация: тръгвайки от статия в Уикипедия, навигация до целевата статия само чрез хипервръзките на страниците. На всяка крачка може да има стотици или дори хиляди кандидат-връзки, а Jev трябва да избере семантично най-близката до целта — тестът е за способността да избира при огромен брой опции

II. Физична симулация: ракета, която каца сама

Този казус ми харесва особено много, защото доказва, че Jev не е само за игри.

Разработчикът @uttkarsh_42 свърза Jev към физичния двигател MuJoCo, за да управлява ракета, кацаща вертикално. Jev отговаря за решенията:кога да запали двигателя, колко двигателя да включи и кога да смени посадъчната поза. След 12 опита системата каца успешно. Един от пълните опити използва 245 извиквания, а съобщената цена е около 0.04 щатски долара.

Има и автономно шофиране в 3D симулация на град: разработчикът @jpschroeder интегрира Jev във виртуален град, където автомобилът преценява посоката на движение чрез сензорни данни и пътната обстановка, а след всяко действие новото състояние се подава обратно в системата. Казват, че цялата разработка е отнела по-малко от час.

III. Браузърна автоматизация: реален полетен поиск за 7 секунди

Това е една от посоките с най-висока инженерна стойност в момента.

Екипът на Browser Use само 3 днислед пускането на Jev пусна официалната интеграция jev-ultrafast, за която се твърди, че събра 2700 GitHub звезди за два дни. Тя разделя уеб действията на два избора (действие + цел),без екранни снимки и без мултимодални токени, като всеки обмен поражда само две решения.

Основателят Gregor Zunic сподели необработена демонстрация: браузърна автоматизация, задвижвана от Jev, извършва търсене на еднопосочен полет в сайта на реална авиокомпания,целият процес отнема 7 секунди, а цената на извикванията на модела е около 0.0039 щатски долара.

Подобни има още куп: управление на браузъра със Stagehand, jev-use на Cua, TipTour на Mac, който с CoreML + OCR намира бутоните и оставя Jev да избере къде да цъкне, браузър под гласов контрол... В тази категория засега има 13 казуса — най-много от всички.

IV. Като „маршрутизатор“: помощ при избора на подходящ модел за всяка задача

В епохата на многото модели има един реален разхищителен навик: скъп модел за прости въпроси — чисто парично изгаряне. Ниската латентност и ниската цена правят Jev идеален затриаж на трафика.

• Маршрутизатор за Claude Code: както при триажа на тикети, Jev първо преценява трудността на задачата, а плъгинът според това избира модела на под-агента и интензивността на разсъждение в главната сесия
• Маршрутизация на Codex по трудност на задачата: преди изпълнение оценява логическата сложност на кодиращата задача — простите редакции се дават на евтиния модел, а по-силният модел се активира само при сложен рефакторинг между файлове — според съобщениянамалява общите разходи за модели с над 60%
• Условна маршрутизация / разпределение на заявки в Eve: първо преценява от кой тип модел се нуждае въпросът, а после го предава на подходящия модел
• Разпределение на труда между локални кодиращи агенти: простите задачи, сложните въпроси и дългите задачи се разпределят на различни AI асистенти

LangChain посвети цяла статия на темата — „Изграждане на предпазен колан с Jev“, в която отбелязва, че логиката за класификация и маршрутизация в агентните рамки традиционно е скрита в затворените реализации на всеки; универсален нискобюджетен класификационен модел като Jev позволява този решаващ пласт да бъде преизползван в агентите с отворен код. Основателят на Sentry Armin Ronacher също смята, че използването на генеративни големи модели за маршрутизационни решения е икономически неоправдано.

V. Сигурност и инженеринг: скромната черна работа

Тези приложения не са ефектни, но са най-приложими на практика.

• Vercel смени класификатора за сигурност на Shell команди: инженерът Pranit Sharma замени вътрешния класификатор за сигурност на Shell команди, базиран на OpenAI, с Jev. Според съобщенияскоростта се увеличи 5-18 пъти, а процентът на фалшивите тревоги е по-нисък — по-малките фалшиви тревоги всъщност повишават реалната точност на системата
• Откриване на prompt инжекции: общността пусна с отворен код jev-mcp (разширение на базата на протокола MCP), с което Jev може да прави фактчекване между източници, да открива prompt инжекции, скрити в потребителските подсказки, и да оценява семантичната релевантност на извлеченото съдържание
• Компресия на дълъг контекст: fast-jev-compaction използва Jev за бърза оценка на стойността на всяко извикване на инструмент, изтрива ненужните логове и същевременно пази ключовото състояние — контекстът на кодиращ агент лесно се подува при дълги задачи; проектът получи и одобрението на официалния екип на Jev
• Предварителен филтър за PR: в CI тръбопроводите анализира списъка на променените файлове и резултатите от автоматичните тестове, за да прецени първоначално дали PR заслужава сливане; високорисковите PR се маркират автоматично и се пренасочват към човек

VI. Бизнес потоци: имейли, тикети, клиентска поддръжка

Общото при тези сценарии е, чесе изискват безброй малки решения, вземани бързо и последователно, а с голям модел това е скъпо и бавно.

• Класификация на намеренията в корпоративни имейли: CTO-то на BryoAI Nikhil Mudholkar сравни Jev с Gemini — Gemini печели леко по абсолютна точност, ноцената на извикване е 10-20 пъти по-висока. По-важното е, че Jev дава калибрирано вероятностно разпределение, с което системите надолу по веригата по-лесно задават праг на увереност
• Разпределяне на тикети и автоматична маршрутизация: входящите съобщения се резюмират до ключова информация и се подават на Jev, който избира най-подходящия екип от списъка с бизнес екипи, замествайки крехките ръчно писани регулярни изрази
• Класификация на двойни тегления и спешни заявки за поддръжка: в сценарии на финанси и е-търговия бързо разпознава високорискови жалби (например двойно удържане); когато клиентът е разстроен или иска възстановяване, за милисекунди се слага спешен етикет и случаят се изпраща приоритетно на човек

VII. По-диви експерименти

• Генериране на изображение пиксел по пиксел: разработчикът @anshuc превърна генерирането на изображения в задача за класификация на ниво пиксел — всеки пиксел получава набор от цветови опции с вероятности, а програмата стъпка по стъпка запълва с цветовете с най-висока вероятност, избрани от Jev, докато накрая се получи изображение с ниска резолюция
• Автоматична ончейн търговия: някои Web3 разработчици свързаха Jev към децентрализирани борси, четейки данни за дълбочината на ордерите в реално време, като изходът е само едно от три действия: купи, продай, дръж. За общността това е едно от най-привличащи погледа приложения, но при реални пазарни условия рисковете са очевидни
• Избор на компоненти за уеб интерфейс: в проекта json-render Jev избира компонентите и подрежда връзките им, а програмата сглобява резултата в изобразим интерфейс — като строене от блокчета

VIII. Един показателен резултат от оценка

В едно двойно-сляпо и предварително регистрирано проучване, проведено от PrimeLine, има детайл, който е много показателен.

В две реални задачи абсолютната точност на Claude Opus 5 и Haiku 4.5е наравно с тази на Jev, а в началото дори е по-добра. Но когато оценката позволява на модела да пропуска пробите, в които е най-малко сигурен,Jev изпреварва и в двете задачи.

Причината е, че изходните му нива на увереност сакалибрирани, докато универсалните генеративни модели често са лошо калибрирани и са твърде уверени в преценките си. С други думи: когато „да знаеш, че не знаеш“ е по-важно от „отговаряй на всяка цена“, се разкрива стойността на Jev.

Как да започнете

Ако вече използвате платформа за агрегиране на модели, интеграционните разходи са почти нулеви:

• OpenRouter: Jev вече е налична в официалния каталог на модели, с име на модела typesafe/jev, а смяната на името на модела в кода е достатъчна за превключване
• Vercel AI Gateway: интеграцията е завършена в рамките на 72 часа след пускането, разпределя се през глобалната edge мрежа на Vercel с ниска латентност
• Официален SDK: TypeSafe предлага онлайн конзола (Playground) и пълна документация с поддръжка на HTTP API, Python SDK и JavaScript SDK
• Официален пакет от умения: TypeSafe публикува с отворен код в GitHub хранилището skills, което учи кодиращите агенти „да изясняват всички двусмислици наведнъж“, вместо да задават по един въпрос всеки път

Цена: $0.042 на милион входни токена, изходът е безплатен. Новите акаунти разполагат и с безплатен кредит за проба.

Да кажем и нещо хладнокръвно

Първо,това не е заместител на големите езикови модели. Jev е специализиран модел за вземане на решения — не очаквайте от него отворено разсъждение и генериране на съдържание. Стойността му е в това да върши перфектно едно нещо: бързи и надеждни решения в рамките на ясно дефинирани възможни резултати.

Второ,при много казуси трябва да се разграничи „чия е заслугата“. Например демонстрацията на Browser Use с търсенето на полет за 7 секунди е резултат от съвместната работа на целия набор от инструменти — не бива да приписваме целия капацитет на Jev. Самото хранилище с подредените от общността казуси отбелязва границите на доказателствата — кои принципи са ясни, кои ефекти предстоят да бъдат проверени и кои твърдения нямат основания. Този подход заслужава да се последва.

Трето,внимавайте с безкритичния хайп. Само седмица след пускането Jev заля екраните — в този шум има реална техническа стойност, но и немалко маркетинг. Наистина важното е да изпълните собствените си задачи с него и да видите колко латентност и пари наистина спестява.

Но едно е сигурно:AI приложенията не минават само по пътя на „генерирането“. Извън тази надпревара инфраструктурният пласт „преценка“, пренебрегван дълго време, започва да се надгражда. Трудно е да се каже дали Jev е окончателният отговор, но въпросът, който поставя, е верният.

Големият модел пише отговорите, Jev взема решенията — всяко нещо на своето място, това е добрата архитектура.

Източници: официалните бележки за пускане на TypeSafe AI, библиотеката с казуси Jev_apps (137 казуса / 11 вида приложения), Wikipedia, техническият анализ на DataCamp