Jev: nový model, který nic nenapíše, jen za vás rozhodovat

• • Jev negeneruje text. Dostane popis situace a otázky a na každou vrátí odpověď typu ano/ne, výběr z možností nebo hodnocení na škále, vždy s pravděpodobností.
  • Za modelem stojí TypeSafe AI, startup Diega Almeidy, spoluautora ChatGPT a RLHF a bývalého výzkumníka OpenAI. Firma vystoupila ze stealth módu 15. 9. 2026 se seed investicí 40 milionů dolarů.
  • Cena: 0,042 USD za milion vstupních tokenů, výstupní tokeny zdarma – 5 až 240× levnější než běžné jazykové modely.
  • Rychlost: 70 až 500 ms end-to-end, většina dotazů kolem 100 ms.
  • Model se volá přes vlastní endpoint /v1/systemone, ne přes běžné rozhraní chatovacích modelů.

Kdo stoji za Jevem?

TypeSafe AI je letošní startup ze San Franciska, který vystoupil ze stealth módu 15. 9. 2026 se seed investicí 40 milionů dolarů a Jevem jako svým prvním veřejným modelem. Podle MindStudio.ai je firma založená Diegem Almeidou, bývalým výzkumníkem OpenAI, který se podílel na vzniku ChatGPT a metody RLHF (reinforcement learning from human feedback), používané k doladění většiny dnešních konverzačních modelů. TypeSafe uvádí, že model používá nový způsob vzorkování (sampler) a trénovací metodu, kterou nazývá reinforcement learning for calibrated decisions.

To dává Jevu jinou váhu, než kdyby šlo o anonymní startup. Almeida zná zevnitř, jak fungují modely, které dnes odpovídají konverzačně a generují text token po tokenu, a podle MindStudio.ai argumentuje, že orientace na to, aby model zněl věrohodně a líbil se lidským hodnotitelům, je strukturální slabina zděděná z trénování pomocí RLHF. Jev je jeho vlastní kritikou tohoto přístupu pro určitou třídu úloh: tam, kde není potřeba plynulý text, ale rychlé a levné rozhodnutí.

Odkud se vzalo jméno a co znamená „System One“

Název System One odkazuje na knihu Daniela Kahnemana Thinking, Fast and Slow (Myšlení rychlé a pomalé). Systém 1 je rychlý, intuitivní úsudek, který mozek dělá bez námahy. Systém 2 je pomalé, promyšlené uvažování. V pojetí TypeSafe má Jev řešit úlohy prvního typu, zatímco na úlohy vyžadující uvažování zůstávají modely jako ChatGPT nebo Claude.

Samotné jméno Jev je podle webu Flaviocopes.com pojmenováno po Williamu Stanley Jevonsovi, ekonomovi, po kterém se jmenuje Jevonsův paradox: když se parní stroje staly efektivnější, spotřeba uhlí neklesla, ale rostla, protože levnější energie otevřela nová použití. TypeSafe sází na to, že inteligence se bude chovat stejně – když cena jednoho rozhodnutí klesne hluboko pod cent, začnou se rozhodnutí zadávat AI i na místech, kam by se dřív žádný jazykový model nevolal.

Jev jako „chytrý if“ – nejjednodušší popis

Web Flaviocopes.com popisuje Jev jednou větou: je to chytrý příkaz if. Běžný kód se větví podle hodnot, které umí spočítat – if (order.total > 100). To funguje, dokud je podmínka něco, co počítač umí ověřit. Nefunguje to, když je podmínka úsudek: Je tahle zpráva podpory naštvaná? Týká se tenhle e-mail fakturace? Které z dvanácti tlačítek mám kliknout pro pokračování v objednávce?

Dosud existovaly tři cesty, jak takové rozhodnutí udělat v softwaru: ručně napsané pravidlo nebo regulární výraz (rychlé, ale křehké, jakmile záleží na významu), natrénovaný klasifikátor pro pevnou sadu štítků (potřebuje trénovací data a samostatný model pro každou úlohu), nebo obecný jazykový model požádaný o strukturovaný výstup (rozumí textu bez trénování, ale pořád jde o generativní model, i když je výstup omezený na JSON schéma). Jev cílí na střed mezi tím: jako LLM přijímá nestrukturovaný text a otázky definované za běhu, jako klasifikátor vrací omezenou pravděpodobnostní distribuci místo otevřené odpovědi.

Jak se liší od chatbotů a agentních nástrojů

Web Flaviocopes.com srovnává Jev s běžnými AI nástroji podle role, kterou v produktu hrají:

Jev nepřijímá otevřený cíl a nepracuje na jeho splnění. Sám od sebe neprochází repozitář,nevolá nástroje, needituje soubor a neudržuje agentní smyčku. Kód mu dá jeden stav a sadu otázek. Jev vrátí typované odpovědi s pravděpodobnostmi a skončí. Právě proto může sedět uvnitř těchto nástrojů, ne je nahrazovat – kódovací agent se ho může zeptat, jestli je příkaz shellu bezpečný ke spuštění, než ho spustí, router úkolů jím může vybírat, který model dostane daný úkol, a SaaS aplikace jím může rozhodnout, jestli zpráva podpory potřebuje databázový dotaz, generativní model, nebo živého člověka.

Jak Jev technicky funguje

Většina dnešních jazykových modelů, od GPT po Claude, je takzvaně autoregresivní. Model predikuje jeden token po druhém a každý nově vygenerovaný token se vrací zpátky na vstup pro predikci dalšího. To se dobře hodí na plynulou konverzaci a otevřené psaní, ale je to sekvenčně pomalé pro úlohy, které potřebují odpověď v řádu milisekund a opakují se tisíckrát.

Jev je popsaný jako nonautoregresivní model. Místo generování řetězce úvahy nebo věty dostane strukturovaný vstup, popis stavu a seznam povolených akcí nebo otázek, a vrátí rozhodnutí přímo, s pravděpodobností a mírou jistoty v jednom kroku. TypeSafe tento přístup popisuje jako bližší chování běžného softwaru: deterministický, rychlý a méně náchylný k otevřené improvizaci, která u konverzačních modelů vede k halucinacím.

Firma zároveň uvádí, že změnila způsob trénování modelu na přístup, který nazývá reinforcement learning for calibrated decisions (posilované učení pro kalibrovaná rozhodnutí). Cílem je model, který ví, jak moc si má být jistý danou odpovědí, místo modelu optimalizovaného především na to, aby zněl věrohodně a líbil se lidským hodnotitelům, což Almeida označuje za strukturální slabinu zděděnou z trénování pomocí RLHF.

Tři typy otázek, na které Jev odpovídá

Podle dokumentace TypeSafe, shrnuté na Flaviocopes.com, existují tři typy otázek:

• noul (ano/ne): model vrátí pravděpodobnost, že odpověď je „ano“, například 0,94. Hodnota 0,5 neznamená „středně“, znamená, že si model není jistý – na měření míry slouží typ score, ne noul.
• choice (výběr z možností): model vybere jednu z pojmenovaných možností a vrátí i pravděpodobnosti ostatních možností a souhrnnou míru jistoty (confidence). Dokumentace doporučuje vždy přidat možnost „jiné“ nebo „žádná z uvedených“, protože model musí něco vybrat, i když žádná nabízená kategorie nesedí.
• score (hodnocení na škále): model ohodnotí zadání na definované škále a vrátí očekávanou hodnotu, tedy vážený průměr. Výsledek 2,48 na škále 0 až 3 znamená „něco mezi dvojkou a trojkou, spíš trojka“. Dokumentace zdůrazňuje: popisujte situace, ne míru samotnou – „nefunkční funkce, existuje řešení“ dává modelu něco, s čím může stav porovnat, „středně závažné“ ne.

Všechny otázky k jednomu stavu se vyhodnocují v jednom volání a nezávisle na sobě – odpověď na jednu otázku není vstupem pro druhou v témže volání. Přidání čtvrté otázky proto prakticky nezpomalí odpověď.

Confidence: kdy jednat automaticky a kdy ne

Podle Flaviocopes.com je míra jistoty (confidence) jedním z nejužitečnějších výstupů Jevu. Dokumentace navrhuje rozdělit rozhodnutí do tří pásem: vysoká jistota – jednat automaticky, model má jasný úsudek; střední jistota – jednat opatrně, nechat uživatele potvrdit nebo označit k revizi; nízká jistota – nejednat, předat člověku nebo použít pomalejší systém. Dokumentace TypeSafe uvádí jako příklad hranici 0,5 pro revizi a 0,9 před potvrzením destruktivní akce, ale zdůrazňuje, že jde o ilustrační hodnoty, ne výchozí nastavení – doporučený postup je začít konzervativně a hranice posunout až podle vlastních dat.

Firma trénovala Jev metodou, kterou nazývá Reinforcement Learning for Calibrated Decisions (RLCD, posilované učení pro kalibrovaná rozhodnutí). Kalibrace znamená, že napříč mnoha predikcemi by odpovědi, kterým model přiřadí 90% pravděpodobnost, měly být správné zhruba v 90 % případů. To ale neříká nic o jednotlivé odpovědi, která může být špatně i tak.

Technické limity

Podle serveru Experientiallabs.ai a Flaviocopes.com sdílí stav a všechny otázky dohromady rozpočet kolem 64 000 tokenů, stav plus jedna nejdelší otázka se musí vejít do zhruba 32 000 tokenů (přibližně 150 000 znaků anglického textu). Na jeden požadavek lze poslat maximálně 32 otázek, typ choice až 64 možností a typ score 2 až 10 úrovní (limity brány). Jev čte pouze text – obrázky, zvuk a video zatím nepodporuje. Rate limity v době psaní: 250 000 tokenů za sekundu a 1200 požadavků za minutu.

Demos: Minecraft, Subway Surfers, samořízení, drony

TypeSafe krátce po spuštění zveřejnila i komunitní demonstrace, které ukazují, k čemu je taková architektura dobrá v reálném čase:

• Minecraft bot: hra průběžně posílá Jevu zjednodušený popis světa (denní doba, blízcí nepřátelé, zdraví hráče, dostupné akce) a Jev vybírá další krok. Když se v noci objeví zombie, bot podle popisu uteče, aniž by to kdokoli naprogramoval jako pravidlo. Dvouminutová session spotřebovala kolem 150 000 tokenů a stála přibližně 1 cent.
• Simulace samořízení: existující simulátor s už postaveným autem, silnicí a ovládáním, kde Jev vybírá mezi akcemi jako zrychlit, brzdit nebo změnit pruh.
• Hra ve stylu Subway Surfers: Jev rozhoduje o skoku, podřepu nebo úhybu podle přicházejících překážek, tedy úloha vyžadující rozhodnutí ve zlomku sekundy.
• Simulovaný dron: model dostává strukturovaná data (pozice, rychlost, vzdálenost od překážek) a vrací navigační rozhodnutí jako zatočit, stoupat nebo se vznášet. Patnáctiminutová simulace stála přibližně 10 centů.

Důležité omezení: žádná z těchto demonstrací neběží na reálném hardwaru. Simulace samořízení je simulátor s předpřipraveným autem a silnicí, ne skutečné vozidlo s kamerami a senzory. Simulace dronu běží uvnitř simulovaného okruhu překážek, ne na fyzickém letadle se skutečným řízením letu a bezpečnostními systémy. Žádný z těchto systémů nebyl testován proti reálnému hardwaru, nepředvídatelnému šumu ze senzorů ani bezpečnostně kritickým selháním.

Vývojáři, kteří demonstrace postavili, je podle zdroje MindStudio sestavili za méně než hodinu, někdy i za 15 minut, s použitím hotového modelu a seznamu povolených akcí, bez potřeby trénovat vlastního agenta na míru.

Praktický příklad z dokumentace Vercelu: směrování incidentu

Vercel na svém webu ukazuje ilustrativní (ne skutečně naměřený) příklad, jak Jev pomáhá se směrováním incidentu bez čekání na člověka, který přečte každé hlášení. Hlášení říká, že platby v e-shopu po konfigurační změně selhávají, prohlížení webu funguje dál. Postup podle Vercelu: nejdřív oddělit důkazy (text hlášení, log, časové razítko pozorování) od otázky. Otázka „Který tým má incident vyšetřit jako první?“ je ohraničené rozhodnutí, protože odpověď má jasné místo v aplikaci – na rozdíl od vágní otázky „vyřeš tenhle incident“, která neříká, jestli má jít o přiřazení, přivolání pohotovosti, nebo zásah do produkce.

Kategorie musí být popsané pozorovatelně: platby vlastní selhání po dosažení platební služby, storefront vlastní selhání, která zabrání odeslání požadavku ještě na stránce. Vercel doporučuje vždy přidat možnost „nedostatek důkazů“, pokud hlášení neobsahuje dost informací k rozhodnutí. Typová odpověď podle Vercelu neznamená, že je rozhodnutí správné, jen že odpovídá zadanému schématu – sémantickou správnost je potřeba ověřit zvlášť, typicky porovnáním navržených přiřazení s už uzavřenými incidenty, než se routing pustí do automatického provozu.

Přístup a nasazení

Jev je v raném přístupu. Přihlášení na čekací listinu probíhá na typesafe.ai, podle prvních zpráv přišel přístup do jednoho až dvou dnů od přihlášení. Kdo nechce čekat na pořadník, může Jev volat i přes Vercel AI Gateway pod označením typesafe-ai/jev za stejnou cenu 0,042 USD za milion vstupních tokenů, přes AI SDK místo vlastního SDK TypeSafe. Oficiální JavaScriptový SDK se jmenuje @typesafe-ai/sdk, vyžaduje Node.js 20 nebo novější.

Kolik reálně ušetří na AI účtu

Web Flaviocopes.com nabízí střízlivý pohled na často opakované tvrzení, že Jev sníží AI účet o polovinu. Úspora se týká jen té části útraty, která šla na rozhodovací úlohy, které Jev umí nahradit: celková úspora = podíl klasifikačních úloh na účtu × úspora na těchto voláních. Příklad: firma platí měsíčně 10 000 USD za AI. Pokud 6000 USD jde na klasifikaci, směrování, skórování a ověřování, a nová cesta stojí 5 % staré ceny, úspora je 5700 USD, tedy 57 % původního účtu. Pokud klasifikace tvoří jen 10 % zátěže, nemůže Jev snížit celkový účet o víc než 10 %, i kdyby tato volání byla zdarma. Do výpočtu patří i příprava dat před voláním Jevu (třeba shrnutí dlouhého textu jiným modelem) – to je pořád generativní krok se svou vlastní cenou.

Na co se Jev podle dostupných zdrojů hodí a na co ne

Hodí se na:

• třídění velkého objemu vstupů do kategorií (e-maily, tikety podpory),
• rozhodnutí typu ano/ne nebo povolit/zakázat/zkontrolovat (bezpečnostní filtry, směrování na člověka),
• předřazený levný filtr relevance před drahým modelem,
• párování a deduplikaci záznamů,
• hodnocení kvality nebo relevance ve velkém objemu.

Nehodí se na:

• cokoli, kde má vzniknout nový text – Jev umí vybrat z nabídnutých možností, ale novou variantu nevymyslí,
• počítání a porovnávání čísel, to podle dokumentace TypeSafe patří do běžného kódu,
• nepřímé nebo složité otázky, model čte instrukce doslovně,
• obrázky, zvuk a video bez převedení na text předem,
• nedůvěryhodný vstup bez ochrany, stejně jako ostatní modely je náchylný na pokusy o obejití instrukcí vloženým textem.

Co si z toho vzít

Jev není náhrada konverzačního modelu ani obecného asistenta. Je to specializovaný nástroj pro jednu konkrétní třídu úloh – rychlá a levná rozhodnutí opakovaná ve velkém objemu – kde dosavadní volba stála mezi pevně napsaným pravidlem v kódu a drahým voláním velkého jazykového modelu. Podle Flaviocopes.com jde o nový mezistupeň: rozhodnutí s číslem jistoty, za cenu, kterou většina projektů ani nezaregistruje na faktuře.

Zároveň je model nový a málo prověřený. Ceny, rychlost a benchmarky v tuto chvíli pocházejí primárně od samotné firmy TypeSafe, ne z ustálených srovnávacích žebříčků nezávislých na výrobci. Demonstrace v reálném čase běží výhradně v simulovaných prostředích, ne na fyzickém hardwaru, jak zdůrazňuje MindStudio.ai. „System One“ je vlastní označení firmy TypeSafe, ne etablovaná kategorie s nezávisle ověřenou definicí. Typová odpověď navíc zaručuje jen tvar výstupu, ne jeho věcnou správnost – jak upozorňuje i dokumentace Vercelu, rozhodnutí je vždy potřeba ověřit proti známým výsledkům, než se pustí do automatického provozu.

Pro firmy, které dnes řeší třídění velkého objemu vstupů, směrování požadavků nebo filtrování relevance a platí za to plnou cenu jazykového modelu, je to téma ke sledování a k otestování na vlastních datech, ne k okamžitému nasazení do produkce bez pilotního ověření.

Zdroje

• MindStudio.ai, „Jev Explained: Typesafe AI's Non-Autoregressive System-1 Model“ (18. 9. 2026)
• Flaviocopes.com, podrobný technický rozbor Jevu a TypeSafe AI (20. 9. 2026)
• Experientiallabs.ai, technický přehled modelu jev-latest (parametry, limity, cena)
• Vercel.com, „What is Jev“ a příklad směrování incidentu (dokumentace AI Gateway)