Человеческий язык удобен для разговора с пользователем, но внутри приложения за эту универсальность приходится платить временем. Когда одна LLM передаёт итог другой модели, ответ всё равно генерируется токен за токеном. Для классификации заявки, оценки риска или выбора следующего инструмента развёрнутый текст вообще не нужен.

Диого Алмейда, бывший исследователь OpenAI и соавтор InstructGPT, вместе с командой TypeSafe показал Jev, первую публичную схема семейства System One.

Разработчик передаёт контекст и вопросы с допустимыми ответами, а Jev параллельно возвращает выбранные варианты, оценки и распределения вероятностей. Обычные LLM уже умеют выдавать структурированные ответы по JSON Schema, но Jev получает результат без последовательной генерации текста.

По опубликованным тестам TypeSafe, на таких задачах Jev близка к GPT-5.6 Luna и Terra, хотя более сильные Sol и Opus 5 показывают лучший результат. В частности, среднее совпадение с эталоном у Jev составляет 67,8%, у Terra 67,9%, а время выполнения сценария: 0,4 и 10,1 секунды соответственно.

TypeSafe берёт $0,042 за миллион входных токенов и ровно $0 за выход. Для сравнения ниже бюджетная GPT-5 nano, младшая модель семейства GPT-5.6, флагман GPT-6 Astra и дешёвая китайская Qwen Flash.

Когда проблема понятна, а допустимые действия и формат результата заданы заранее, скорость и стоимость уже впечатляют.

В демо с игрой в Doom бот на Jev работает примерно с 10 запросами к модели в секунду за $7 в час, получая структурированное состояние игры.

В другом демо схема прокладывает путь между страницами Wikipedia, выбирая переходы среди сотен и тысяч ссылок.

Такой подход может пригодиться агентам, которые через MCP управляют Blender, DaVinci Resolve и другим софтом. Когда инструменты и допустимые действия уже описаны, часть задач сводится к быстрому выбору следующего шага. Если подобные модели встроить в эти сценарии, паузы между командами могут заметно сократиться: простое нажатие кнопки не должно каждый раз требовать долгих рассуждений.