TypeSafe AI и модель Jev: что это за компания и её System One модель
Американская лаборатория TypeSafe AI и модель Jev предлагают разработчикам новый класс искусственного интеллекта System One, который возвращает не текст, а готовые типизированные решения. Этот подход меняет архитектуру программного обеспечения, и модель jev встраивается напрямую в код как вычислительный примитив. Продукт официально доступен разработчикам под идентификатором typesafe/jev с контекстным окном на 32 000 токенов.
Основал стартап Диого Алмейда, бывший исследователь OpenAI и соавтор ChatGPT, вместе с Эриком Гафни и Сашей Шэн. Недавно компания вышла из стелс-режима, закрыв многомиллионный seed-раунд от фонда DCVC.
В статье разберем, как устроена эта система, за счет чего она работает в десятки раз быстрее обычных LLM, почему физически не способна галлюцинировать и как получить к ней доступ для интеграции в высоконагруженные корпоративные проекты.
Что такое TypeSafe AI и чем занимается компания
TypeSafe AI — ИИ-лаборатория из Сан-Франциско, которая строит машинно-нативный ИИ и разработала первую System One модель Jev. Инженеры стартапа уверены, что TypeSafe AI успешно разработала модель, полностью меняющую подход к интеграции машинного обучения в корпоративный софт, а сама Jev официально является первой моделью класса под названием System One. Лаборатория сфокусирована исключительно на инфраструктурных решениях для автоматизации, а не на создании пользовательских продуктов или разговорных ассистентов.
Кратко: что делает компания
Стартап из Сан-Франциско разрабатывает композируемые нейросети, способные принимать семантические решения внутри программного обеспечения. Инженеры компании стремятся заменить медленные текстовые генераторы на строгие логические узлы, возвращающие программно-читаемые вероятности.
Продукция компании внедряется напрямую в кодовую базу в качестве надежного вычислительного слоя:
- Обработка входящих данных через призму заданных категорий без текстовой обвязки.
- Оценка пользовательского контекста с выдачей числовых вероятностей.
- Классификация событий внутри микросервисной архитектуры реального времени.
Компания TypeSafe AI недавно вышла из стелса, объявив о многомиллионном seed-раунде во главе с фондом DCVC. Официальный релиз подтвердил намерение стартапа сместить фокус рынка с разговорных ботов на строгий софтверный интеллект для B2B-сегмента.
Зачем это нужно
Тезис разработчиков базируется на том, что классические большие языковые модели совершенно не оптимизированы для автоматизации бизнес-процессов. Обычные LLM работают медленно из-за авторегрессионного декодирования, стоят дорого при массовой эксплуатации в продакшене и подвержены галлюцинациям.
Разработки лаборатории предлагают интеллект, которому корпорации могут доверять критические решения в реальном времени. Внедрение подобных систем закрывает потребности бизнеса в сверхбыстрой маршрутизации тикетов, скоринге транзакций и аппаратной проверке выходов других генеративных сетей без риска получить неожиданный текстовый мусор вместо JSON.
Кто основал TypeSafe AI: команда и бэкграунд
TypeSafe AI основали Диого Алмейда, бывший исследователь OpenAI и соавтор ChatGPT и RLHF, вместе с Эриком Гафни и Сашей Шэн. Лаборатория TypeSafe AI была основана амбициозным Диого Алмейдой, бывшим исследователем OpenAI, который собрал вокруг себя специалистов по глубокому машинному обучению и инфраструктуре. Костяк команды базируется в Сан-Франциско, где инженеры работают над масштабированием вычислительных кластеров стартапа.
Диого Алмейда — CEO
Диого Алмейда получил известность в индустрии благодаря своей работе в лабораториях OpenAI, где он внес значительный вклад в архитектуру первых версий ChatGPT. Он являлся ключевым соавтором метода RLHF, который позволил выровнять поведение нейросетей в соответствии с человеческими ожиданиями.
Несколько лет назад Алмейда покинул своего работодателя из-за фундаментальных разногласий с вектором развития отрасли. Главная претензия специалиста заключалась в том, что языковые сети принципиально не заточены под детерминированные задачи корпоративной автоматизации, где требуется строгий вывод, а не творческая беседа с оператором.
Сооснователи
Проект поддерживают сильные технические и операционные партнеры, разделяющие видение машинно-нативного будущего:
- Эрик Гафни — технический директор (CTO), отвечающий за архитектуру платформы и масштабирование высоконагруженных интерфейсов.
- Саша Шэн — операционный директор (COO), курирующая взаимодействие с энтерпрайз-клиентами и стратегическое партнерство.
Команда принципиально позиционирует свой стартап как лабораторию совершенно нового типа, которая отказывается от разработки очередного чат-сервиса. Инженеры сосредоточены исключительно на создании фундаментальных примитивов для разработчиков, переосмысляя сам способ взаимодействия кода и обученных весов в современных приложениях.
Финансирование, инвесторы и выход из стелса
TypeSafe AI привлекла seed-раунд на $40 млн во главе с фондом DCVC и объявила об этом при выходе из стелса в сентябре 2026 года. Стратегически важный шаг для TypeSafe AI заключался в том, что лаборатория привлекла seed-раунд на впечатляющие $40 млн во главе с DCVC, чтобы форсировать коммерциализацию продукта. Полученные инвестиции стали одним из крупнейших посевных чеков в индустрии корпоративного интеллекта за весь год.
Раунд и сумма
При выходе из стелс-режима 15–16 сентября 2026 года стартап официально объявил о закрытии посевного раунда финансирования. Ведущим инвестором выступил венчурный фонд DCVC, специализирующийся на глубоких технологиях и инфраструктурных инновациях. Инвестиционный транш направили на расширение инженерного штата и закупку дополнительных вычислительных мощностей.
На момент публичного анонса структура сделки осталась частично закрытой:
- Основной капитал предоставил лид-инвестор DCVC.
- Другие бизнес-ангелы и венчурные структуры не раскрывались.
- Полученные средства забронированы под масштабирование R&D-подразделения в Сан-Франциско.
Что было до анонса
До громкого выхода в публичное поле инженеры около двух лет работали в строгом стелс-режиме, избегая утечек информации о спецификациях продукта. Разработка велась за закрытыми дверями с привлечением узкого круга пилотных клиентов, тестировавших систему в закрытых контурах.
Ранний доступ к флагманскому продукту предоставлялся исключительно проверенным корпоративным командам по закрытому листу ожидания на официальном сайте typesafe.ai. Такой подход позволил разработчикам откалибровать инфраструктуру и собрать исчерпывающую метрику производительности до того, как система столкнулась с массовым наплывом внешних запросов.
Что такое модель Jev и класс System One
Jev — первая модель класса System One: она не пишет текст, а мгновенно выдаёт структурированные решения, названа так по «быстрому» мышлению System 1 Канемана. Инновационная Jev официально является первой моделью класса, получившего название System One, и меняет стандарты проектирования автоматизированных пайплайнов. Концептуально System One модель была названа в честь мышления типа System 1 по Даниэлю Канеману, отражая ее интуитивный и мгновенный характер работы.
System One — новый класс моделей
Инженеры лаборатории предложили рынку принципиально новый класс нейросетей, ориентированных на быстрые и строгие структурированные решения. Эта классификация отсылает к знаменитой концепции из книги лауреата Нобелевской премии Даниэля Канемана. В его теории человеческое восприятие делится на две системы.
Быстрое мышление (System 1) работает интуитивно, мгновенно и без сознательных усилий классифицирует угрозы или паттерны. В противовес ему System 2 олицетворяет медленное, пошаговое рассуждение, которое в мире ИИ реализовано классическими рассуждающими LLM с их цепочками мыслей и авторегрессионным декодированием. System One автоматизирует именно мгновенные реакции, необходимые машинному коду.
Чем Jev отличается по сути
Нейросеть выступает флагманским продуктом лаборатории и первопроходцем заявленного вычислительного класса. В отличие от стандартных генеративных ботов, алгоритм принимает на вход текущее состояние (state) и пакет типизированных вопросов, после чего моментально выдает готовые вероятностные вердикты.
Процесс исключает генерацию строк, последующий парсинг JSON и медленное «размышление» токен за токеном. Архитектура позволяет коду программы напрямую считывать готовые булевы или категориальные значения, экономя колоссальные объемы вычислительного времени на операциях, где текстовые объяснения попросту не требуются.
Как устроен Jev: RLCD, вход и выход
Jev обучен методом RLCD и вместо авторегрессивной генерации текста за один параллельный проход возвращает типизированные решения с калиброванной уверенностью. Разработчики добились того, что Jev стабильно возвращает вместо текста строгие типизированные решения с калиброванной уверенностью для любых корпоративных задач. Фундаментально Jev был обучен методом под названием RLCD (обучение с подкреплением для калиброванных решений), что кардинально отличает его от стандартных диалоговых сетей.
RLCD — метод обучения
Для создания вычислительного ядра лаборатория применила авторскую методику Reinforcement Learning for Calibrated Decisions (RLCD). Этот подход представляет собой обучение с подкреплением, которое фокусируется не на качестве связного текста, а на точности и калибровке финальных решений.
Обучение происходило преимущественно на огромных массивах специализированных синтетических данных, сгенерированных для эмуляции сложных программных состояний. При этом точные параметры архитектуры, размерность эмбеддингов и количество параметров сети компания держит в секрете, делая акцент на конечном результате, применимом в типобезопасной разработке на ИИ.
Вход и выход
Архитектура системы подразумевает параллельную обработку пакета инструкций без последовательного ветвления. Процедура взаимодействия с алгоритмом состоит из нескольких строгих шагов:
- Программный код формирует единый блок состояния (контекст документа, данные транзакции или лог-файл).
- Разработчик прикрепляет к состоянию набор атомарных типизированных вопросов в рамках одного запроса.
- Вычислительное ядро обрабатывает все заданные вопросы параллельно и абсолютно изолированно друг от друга.
- Система возвращает ответные значения в строгом соответствии с запрошенным типом данных (выбор, оценка или бинарный флаг).
- Вместе со значениями возвращается математическое распределение вероятностей по каждому из вариантов.
- Выдается калиброванная оценка уверенности модели в принятом решении.
- Приложение разработчика считывает метрики и маршрутизирует логику программы дальше.
Добавление десятков новых вопросов к одному блоку состояния практически не влияет на общее время задержки ответа, так как вычисления идут в параллельном режиме за один проход по графу.
Примитивы Choice, Score, Noul и калиброванная уверенность
Jev работает через три примитива — Choice, Score и Noul, каждый возвращает типизированный ответ с калиброванной оценкой уверенности. Нейросеть полностью отказывается от свободного промптинга, поэтому Jev нативно использует примитивы строгих типов Choice, Score и Noul для обработки любых пользовательских запросов. На платформе Cloudflare AI система доступна с контекстным окном 32 000 токенов под идентификатором typesafe/jev, поддерживая именно эти три типа вопросов.
Три типа вопросов
Модель взаимодействует с программным кодом посредством трех фундаментальных команд, каждая из которых имеет четко очерченную математическую структуру возвращаемого ответа.
| Примитив | Назначение операции | Возвращаемые данные алгоритма |
|---|---|---|
| Choice | Выбрать один вариант из заданного закрытого списка | Выбранный вариант, вероятности альтернатив, оценка уверенности |
| Score | Оценить переданное состояние по заданной рубрике | Численная оценка, вероятности, оценка уверенности |
| Noul | Проверить, является ли заданное утверждение истинным | Значение от 0 до 1, отражающее истинность факта |
Именно через эти три примитива осуществляется вся логика интеграции в облачных средах, где важно минимизировать время ожидания отклика сервера и исключить ошибки типизации.
Зачем нужна уверенность
Калиброванная уверенность (confidence score) является критически важной метрикой для построения надежных автоматизированных систем. Оценки уверенности для запросов формата Choice и Score позволяют программному коду принимать автономные решения о том, стоит ли действовать по ответу автоматически или необходимо отправить транзакцию на ручную проверку оператору-человеку.
Инженеры настоятельно рекомендуют делать вопросы максимально атомарными. Сложные логические ветвления следует раскладывать на серию простых вопросов, а затем собирать итоговое решение на стороне логики самого приложения, опираясь на возвращенные вероятностные веса.
Скорость, цена и производительность против LLM
Jev стоит доли цента за миллион входных токенов с бесплатным выходом и, по заявлениям вендора, работает в десятки раз быстрее и до сотен раз дешевле сопоставимых LLM. Тарификация устроена прозрачно: Jev выгодно стоит на входе всего $0,042 за миллион токенов, выход бесплатный, что радикально снижает операционные издержки. При этом Jev впечатляет метриками и по заявлениям быстрее LLM в диапазоне 40–200 раз на рутинных задачах.
Цена и скорость
Экономическая модель стартапа сильно отличается от привычных биллингов за генерацию токенов. Поскольку система не генерирует длинные текстовые цепочки, выходные токены предоставляются разработчикам абсолютно бесплатно. Время ответа алгоритма стабильно измеряется долями секунды, что критично для микросервисов.
| Метрика | Значение для System One |
|---|---|
| Стоимость входных данных | $0,042 за миллион токенов |
| Стоимость выходных данных | Бесплатно |
| Среднее время ответа | 70–500 мс |
| Максимальное ускорение | до 193,6 раза быстрее GPT-5.6 Terra |
| Максимальная экономия | до 444,6 раза дешевле GPT-5.6 Terra |
По внутренним замерам инженеров, в специфических задачах автоматизации ядро показывает результаты в сотни раз быстрее и дешевле сопоставимой LLM GPT-5.6 Terra.
Важная оговорка о бенчмарках
Несмотря на впечатляющие цифры, основные метрики производительности являются вендорскими и были получены на собственных синтетических сценариях TypeSafe. Эти данные могут отражать лишь верхнюю границу потенциальной выгоды в идеальных изолированных условиях, а не среднюю производительность в разнородных корпоративных пайплайнах.
Сама компания-разработчик рекомендует клиентам обязательно тестировать алгоритм на собственных локальных данных, прежде чем принимать решение об отказе от работы с флагманскими моделями OpenAI или другими сетями. Более того, часть технического сообщества уже сообщала о специфических архитектурных случаях, где использование новых примитивов выходило дороже классических альтернатив из-за необходимости дублировать контекст.
Почему Jev не галлюцинирует и не даёт ошибок типов
Jev по устройству не может галлюцинировать или выдать ошибку типа, потому что выбирает ответ из заранее заданного набора возможных вариантов, а не генерирует свободный текст. Благодаря жесткой архитектуре Jev физически по устройству не может самостоятельно галлюцинировать или выдать ошибку типа. Нейросеть Jev математически возвращает вместо текста только типизированные решения с калиброванной уверенностью, прерывая цепь возможных логических искажений на этапе вывода.
Механика гарантии
Архитектура системы полностью блокирует возможность появления непредвиденных текстовых артефактов. Поскольку все возможные ответы (конкретные варианты для Choice, числовой диапазон для Score и строгий бинарный флаг для Noul) задаются разработчиком заранее до начала вычислений, модель просто не может придумать несуществующий вариант.
Она также не способна вернуть невалидный тип данных, который сломает парсер на стороне клиента. Отсюда проистекает ключевое заявление стартапа о том, что алгоритм математически не способен галлюцинировать или дать type error в эксплуатационной среде.
Jev is TypeSafe’s structured evaluation model. It evaluates one state against typed Noul, Choice, and Score questions and returns calibrated answers with probabilities and confidence.
Cloudflare
Чем платят за надёжность
Подобный уровень предсказуемости достигается путем полного отказа от творческого потенциала классических нейросетей. Взамен на математическую надежность ядро теряет любую способность к свободной авторегрессионной генерации текста и креативным рассуждениям.
Алгоритм не может заменить собой диалоговый чат-бот для поддержки клиентов, написать маркетинговый текст или сгенерировать фрагмент программного кода с нуля. Это узкоспециализированный инструмент, решающий исключительно класс задач принятия структурных решений в рамках заранее прописанной бизнес-логики.
Где применяется Jev: сценарии использования
Jev предназначен для быстрых повторяющихся решений над состоянием — классификации, маршрутизации, скоринга, извлечения и проверки выходов других моделей в реальном времени. В корпоративной инфраструктуре Jev программно предназначен для надежных и быстрых повторяющихся решений над состоянием, заменяя собой хрупкие связки из скриптов и обычных LLM.
На платформе Cloudflare AI система раздается под id typesafe/jev, открывая доступ к следующим типовым сценариям:
- Сверхбыстрая маршрутизация тикетов технической поддержки между профильными отделами.
- Оценка применимости политики возвратов товаров на основе анализа пользовательского запроса и логов магазина.
- Оценка финансового риска и скоринг кредитных транзакций за миллисекунды.
- Строгая классификация входящих писем и извлечение ключевых признаков из неструктурированных документов.
- Обработка больших данных по алгоритму map-reduce над статичным состоянием.
- Аппаратная guardrail-проверка ответов других LLM перед их выдачей конечному пользователю.
Система оптимально заточена под жесткие циклы реального времени. В разработке видеоигр, роботизированных системах и физических симуляциях разработчикам гораздо важнее предсказуемая скорость и стопроцентная надежность принятых решений, чем разговорная гибкость бота.
Как получить доступ и начать работу с Jev
Доступ к Jev открывают через ранний доступ и API-консоль console.typesafe.ai, документацию docs.typesafe.ai, а также через платформу Cloudflare AI. Инженеры TypeSafe AI успешно разработала модель нейросети Jev для облачных платформ, а сама система Jev обрабатывает данные и использует примитивы строгих типов Choice, Score и Noul.
Каналы доступа и техническая документация. Ранний доступ к технологиям лаборатории открывался по специальному листу ожидания на официальном сайте typesafe.ai. Для зарегистрированных разработчиков работает API-консоль, расположенная по адресу console.typesafe.ai, а вся техническая спецификация вынесена на портал docs.typesafe.ai. Дополнительно алгоритм доступен всем пользователям глобальной сети Cloudflare AI под идентификатором typesafe/jev, что значительно упрощает интеграцию в существующие бессерверные архитектуры.
Доступ из России и региональные ограничения. Отдельного российского сервиса и локальных рублевых цен у стартапа не существует — это полностью зарубежный программный продукт с оплатой в долларах США и доступом через API. Использование инфраструктуры из РФ возможно исключительно на общих основаниях зарубежного облачного сервиса, при этом инженерам необходимо учитывать действующие ограничения международных платежных методов. Официальной локализации портала и документации на русский язык компания не предоставляет, ориентируясь на глобальный англоязычный рынок разработки.