Основатель TypeSafe AI Диогу Алмейда представил быструю модель Jev класса System One

Создатель компании TypeSafe AI Диогу Алмейда рассказал, что на протяжении последних четырех лет его главным профессиональным вопросом оставался поиск причин отсутствия глубокой автоматизации на базе нейросетей. По его мнению, современные большие языковые модели уже давно демонстрируют выдающиеся способности в ведении диалогов, однако их полноценная интеграция в реальные программные системы для автоматического выполнения прикладных задач до сих пор остается серьезной проблемой для всей индустрии.

Во время своей работы в компании OpenAI Алмейда непосредственно помогал создавать методы обучения, которые позволили сделать языковые модели эффективными при следовании инструкциям пользователей и ведении беседы. В итоге именно эти разработки легли в основу исследований, приведших к созданию ChatGPT. Первоначально исследователь полагал, что чат-модели способны привести к общему искусственному интеллекту, но со временем и вопреки всеобщему хайпу осознал отсутствие важного связующего элемента в этой концепции.

После двух лет скрытой работы, преодоления множества технических препятствий и совершения нескольких исследовательских прорывов стартап TypeSafe AI официально анонсировал запуск своей первой коммерческой нейросети. Новинка, получившая название Jev, представляет собой дебютного представителя нового класса передовых решений System One Models. С 15 сентября 2026 года данная специализированная модель стала официально доступна для разработчиков программного обеспечения в рамках программы раннего доступа.

Для реализации концепции System One разработчики с нуля создали полностью новый технологический стек, ориентированный исключительно на автоматизацию процессов. В его основе лежат уникальная архитектура нейросети, параллельный семплер для обеспечения предельной производительности и оригинальный метод обучения. Данный метод получил название Reinforcement Learning for Calibrated Decisions. Благодаря этому Jev демонстрирует аналогичный традиционным большим моделям уровень интеллекта на целевых задачах, работая при этом на два порядка быстрее и экономичнее.

Ключевая особенность Jev заключается в полном отказе от генерации текстовых строк в свободном формате. Модель специально оптимизирована исключительно для выдачи строго структурированных результатов, что полностью исключает вероятность возникновения галлюцинаций. С технической точки зрения архитекторы предлагают рассматривать новинку как функцию вызова передового интеллекта. На вход система принимает неструктурированные данные о состоянии программы, а на выходе моментально выдает строго типизированные вероятностные решения.

Классические языковые модели оптимизируются с помощью алгоритмов обучения с подкреплением на основе отзывов людей или проверяемых вознаграждений. Такой подход ориентирован на предпочтения человека, то есть на генерацию текстов и ответов, которые нравятся оценщикам. В отличие от них, архитектура System One и модель Jev используют новый метод калибровки решений. Это позволяет нейросети выдавать эпистемически честные вероятности при выполнении прикладных задач, гарантируя математическую точность и верифицируемость каждого результата.

Стандартные текстовые нейросети оперируют строками, которые обладают высокой гибкостью и могут содержать произвольный текст, код, галлюцинации или отказы от ответа. Взаимодействие с ними всегда строится на последовательной отправке сообщений. Архитектура Jev и концепция System One смещают фокус на структурированное состояние программы. Вместо бесконечного текстового потока система работает со строгими типами данных, что позволяет программным продуктам использовать ответы нейросети напрямую без сложного синтаксического анализа.

При интеграции традиционных языковых моделей в стороннее программное обеспечение разработчикам приходится разбирать и валидировать каждый ответ, причем всегда сохраняется риск того, что нейросеть выйдет за рамки заданного сценария. В случае с Jev ситуация меняется: все возможные варианты вывода и структура ответов определяются разработчиком заранее. Это позволяет программному обеспечению использовать результаты напрямую без дополнительной обработки.

Существующие генеративные модели создают ответы по одному токену за раз, где генерация каждого последующего элемента напрямую зависит от предыдущего. Выходные токены обходятся разработчикам примерно в пять раз дороже, чем обработка входящих запросов. Jev полностью меняет эту экономическую модель, избавляясь от посимвольной генерации. Все ответы новой системы в обязательном порядке сопровождаются математически выверенными калиброванными вероятностями и точными показателями уверенности модели в принятом решении.

Создатели проекта открыто признают, что столь смелые заявления о превосходстве новой архитектуры в скорости и экономичности требуют экстраординарных доказательств. Чтобы подтвердить свои слова, команда TypeSafe AI опубликовала подробные технические данные и результаты тестирования. Разработчики рассчитывают, что эти материалы наглядно продемонстрируют ИТ-сообществу реальный потенциал моделей класса System One.