A ma használt mesterséges intelligenciának egy rögeszméje van: beszélni. A ChatGPT, a Claude és a Gemini természetes nyelvű válaszadásra, írásra, magyarázatra és tartalomgenerálásra készült. A háttérben AI-t használó szoftvereknek azonban sokszor jóval prózaibb feladatuk van: két művelet közül választani, kockázatot becsülni vagy eldönteni, mi legyen a következő lépés. Itt jön képbe a Jev, a TypeSafe AI startup által szeptember 15-én bemutatott modell, amely néhány nap alatt annyira felkeltette a fejlesztők figyelmét, hogy a TechCrunch részletes elemzést szentelt neki.
Miért lehet ez érdekes azoknak is, akik nem építenek AI-ügynököket? Mert ha az elképzelés beválik, a Jev nem külön alkalmazásként jelenik meg, hanem közvetve szinte mindenütt találkozhatunk vele. Eldöntheti például, gyanús-e egy tranzakció, melyik AI-ügynök vegyen át egy feladatot, melyik termék illik legjobban a vásárlóhoz, vagy meg kell-e állítani egy műveletet emberi ellenőrzéshez. A Vercel AI Gatewayplatformon való elérhetőség első 24 órájában a fizető csapatok közel 13%-a kipróbálta; ez több mint kétszerese volt a Vercel által követett más közelmúltbeli indulásokénak. Ez egyetlen ökoszisztémából származó mérés, nem a globális elterjedés bizonyítéka, de jelzi, miért bukkant fel hirtelen az addig ismeretlen név az AI-közösségekben.
Az AI, amely nem ír neked semmit
A TypeSafe a Jevet nem szöveggeneráló, hanem döntéshozó modellként mutatja be. A programozó megadja neki a releváns információkat és előre rögzíti az elfogadható válaszformátumokat, a modell pedig olyan értékeket és valószínűségeket ad vissza, amelyeket a szoftver azonnal felhasználhat.
Három alapvető mechanizmusra épül. A Choice előre meghatározott lehetőségek közötti választást jelent, például „fotózás / gaming / üzemidő”. A Score egy skálán adott pontszám. Az új funkció egy 0 és 1 közötti valószínűség értékelése, például: „mekkora az esélye annak, hogy ez a művelet kockázatos?”.
Egy hagyományos LLM is képes ilyen feladatokra. A különbség, hogy a GPT vagy a Claude továbbra is tokenről tokenre generál, és külön rá kell venni a kívánt struktúra betartására. A Jevet eleve úgy tervezték, hogy a szoftver közvetlenül felhasználhassa az eredményét. A Vercel így magyarázza a különbséget : a klasszikus kód marad a pontos szabályokhoz, a Jev az előre definiált opciók közötti mérlegeléshez, a generatív modellek pedig azokhoz a helyzetekhez, ahol tényleg szövegre vagy nyitott végű következtetésre van szükség.
A TypeSafe szerint a Jev körülbelül 70–500 ms alatt válaszol, és egymilliárd bemeneti tokenért 42 dollárt kér, a kimenetért pedig nem számít fel díjat. Saját workflow-iban a vállalat egyes LLM-alapú alternatívákhoz képest akár 193,6-szor gyorsabb és 444,6-szor olcsóbb működésről számol be. A TypeSafe azt is hangsúlyozza , hogy ezek saját mérések, és valószínűleg a valós környezetben elérhető előny felső határát mutatják. Látványos számok, de még nem független ítélet.
Egyszerű példa: ember vagy AI írta?
Egy fejlesztő az X-en közzétett egy megvalósítást, amelyben a Jev azt próbálja eldönteni, hogy egy közösségi médiás bejegyzést ember írt-e, vagy AI generálta. A bemutatót nem szabad összetéveszteni egy tévedhetetlen AI-tartalomdetektorral – az ilyen eszközök súlyosan hibázhatnak –, de jól szemlélteti, milyen problémát lehet a modellre bízni.
Ahelyett, hogy szöveges elemzést kérnénk a stílusról, két lehetőséget adunk neki, és megbecsültetjük mindkettő valószínűségét. A Jevet használó program ezután dönt a teendőről. 52%-nál nem feltétlenül történik semmi, 95%-nál viszont a bejegyzés további ellenőrzésre jelölhető.
Itt válik igazán érdekessé az ötlet, amikor túllépünk a programozóknak szóló példákon.
Így segíthet személyre szabottan telefont választani
Vegyünk egy közeli példát. Egy technológiai oldal rendelkezhet több száz, fizikailag tesztelt telefon archívumával, amelyekhez üzemidőmérések, benchmarkok, kameratesztek, fényerő- és hőmérsékleti adatok, valamint ergonómiára, szoftverre és használat közben tapasztalt előnyökre vagy hátrányokra vonatkozó megfigyelések tartoznak.
Erre épülhetne egy oldal, ahol az olvasó ezt mondja:
„Legfeljebb 300 ezer forintot szánok rá, sokat fotózom a gyerekemet, jó üzemidőt szeretnék, nem játszom, és nem akarok túl nagy telefont.”
A Jevnek nem kellene az internetről összeszedett információk alapján ajánlást kitalálnia. Megkaphatná kizárólag a tesztelt telefonokat és a tesztekből származó adatokat, majd azt a feladatot, hogy értékelje, az egyes készülékek mennyire illenek a megadott igényekhez.
Az egyik modell 91%-os, a másik 84%-os illeszkedést kaphat, míg egy nagyon erős telefon 58%-ra eshet vissza, ha az üzemideje vagy a mérete nem felel meg a felhasználónak. Ha az olvasó a gaminget teszi első helyre, a súlyok és az eredmények is megváltoznak.
Ez jóval érdekesebb felhasználás lenne, mint egy chatbot általános válasza: „az X telefont ajánlom”. A tesztelés és a szerkesztői értékelés maradna az adatok forrása; a Jev csak összekötné a mért eredményeket azzal, ami az adott kérdezőnek számít.
Éppen az adatok, szabályok és döntések ilyen szétválasztására ajánlja a Vercel a Jev használatát: a modell nem váltja ki az alkalmazás hiteles információit, hanem a rendelkezésére bocsátott adatok alapján értékeli a helyzetet.
A közösség már a demókon túllépve szokatlan kísérletekkel próbálkozik
Talán abból érthető meg legjobban, mit látnak a fejlesztők a Jevben, ha nem a vállalati bemutatót, hanem a megépített példákat nézzük.
Egy fejlesztő egy többügynökös saját alkalmazáshoz kapcsolta a Jevet. Amikor egy receptvideó leiratát adta neki, a Jev 145 ms alatt döntött arról, hogy a webes információkat kinyerő ügynököt kell hívni; a leirat azon változatánál, amely már tartalmazta a hozzávalókat és a lépéseket, 271 ms alatt a receptes ügynököt választotta. Ez két személyes példa, nem benchmark, de jól mutatja a közösség által tesztelt „diszpécser” szerepet.
A Home Assistant közössége is gyorsan talált egy felhasználási területet: a természetes nyelv értelmezését az otthonautomatizálásban. A „jó lenne egy kávé” jelenthetné a kávéfőző kiválasztását és elindítását anélkül, hogy a felhasználónak merev parancsformulát kellene megtanulnia. Nagy különbség van azonban aközött, hogy a modell értelmez egy kérést, és aközött, hogy jogosultságot kapjon világítás lekapcsolására vagy zárak nyitására: a valószínűségeket valószínűségként, nem tényként kell kezelni.
A lelkesedéshez szkepticizmus is társul
A Redditen nem mindenki lát ebben új, forradalmi modellkategóriát. Egy r/ArtificialInteligence-beszélgetésben az egyik hozzászóló szerint a Jev „hasznosabb igen/nem gép, mint amilyennek elsőre tűnik”. Mások egyszerűen nagyon gyors általános osztályozónak nevezik, és azt kérdezik, mekkora előnye marad a kis modellekkel, hagyományos szabályokkal vagy célzott osztályozókkal szemben.
Technikaibb kritika is érkezett. Egy kutató azt állítja, hogy már 2025-ben publikált hasonló megközelítést, és azt rója fel a TypeSafe-nek, hogy új modellkategóriáról beszél, miközben még nem tette közzé a műszaki tanulmányt, a modell súlyait vagy a tanító adathalmazt. Az r/LocalLLaMA-n közzétett bejegyzése több mint kétezer szavazatot kapott, és jelzi, hogy a technikai közösség nem fogadja vita nélkül a TypeSafe architektúrájának újdonságára vonatkozó állítását.
Ez nem cáfolja a Jevet, de egészséges keretbe helyezi a kérdést: a termék nagyon új, és jelentős különbség van egy kiválóan megvalósított termék és egy alapvetően új AI-találmány között.
A szakértők inkább az LLM-ek mellé, nem a helyükre képzelik el
A Jev LangChain-integrációja is ugyanerre épül: a Jev nem LLM-helyettesítő, hanem olyan elem, amely kivehet az ügynök működéséből olyan hívásokat, amelyekhez nincs szükség generálásra. A LangChain modellirányításra teszteli – egyszerű problémához olcsó, nehéz feladathoz erős modell kiválasztására –, illetve az ügynökök kockázatos műveletei előtti szűrőként is.
Itt különösen érdekes Armin Ronacher, a Flask és a Jinja alkotójának, jelenleg az Earendil CTO-jának megjegyzése. A modellirányítást természetes felhasználásnak tartja egy ilyen gyors és olcsó rendszer számára, de arra figyelmeztet, hogy a programozónak kell eldöntenie: mit kezd a bizonytalansággal? Ha a modell 50%-ot ad vissza, az alig több pénzfeldobásnál. 95%-nál egy adott munkafolyamatban már elég biztos lehet a döntés. A küszöböt nem a Jev, hanem a rendszert tervező ember határozza meg. Ezt a gondolatot a TechCrunch elemzése is idézi.
A „nem hallucinál” nem azt jelenti, hogy mindig igaza van
A TypeSafe a Jev esetében a „Zero Hallucinations” megfogalmazást használja . Ezt azonban az architektúra által lehetővé tett technikai értelemben kell olvasni. Ha a programozó előírja, hogy a válasz csak „Samsung”, „Apple” vagy „Google” lehet, a Jev nem talál ki egy „Nokia” kategóriát, és nem kezd három bekezdést generálni a program által várt érték helyett.
Ez rendkívül hasznos a szoftverekben. Nem jelenti viszont azt, hogy mindig a helyes választ adja.
A Jev mondhatja azt, hogy „Samsung”, amikor a helyes opció a „Google” lenne. Egy hibás döntéshez is rendelhet 92%-os valószínűséget. A TypeSafe a bemutatkozó oldalán maga is elismeri, hogy a modell tévedhet, és hogy a valószínűségek alapján kell eldönteni, mikor cselekszik automatikusan az alkalmazás, és mikor kér ellenőrzést.
Ezért a pontos megfogalmazás: a Jev nem találhat ki olyan válaszformát, amelyet a program nem fogad el, de az elfogadott válaszok közül választhat rosszat.
Ez óriási különbség.
Kinek jutott eszébe olyan AI-t készíteni, amely nem beszél?
A Jev mögött álló szakember éppen azon a technológián dolgozott, amely ennyire népszerűvé tette a társalgási AI-t.
Diogo Almeida, a TypeSafe vezérigazgatója és társalapítója korábban az OpenAI-nál és a Google Brainnél dolgozott; a vállalat az RLHF-ben és az InstructGPT-ben, vagyis a ChatGPT-hez vezető kutatásban részt vevő kutatók egyikeként mutatja be. Társalapítói Sasha Sheng, a Meta/FAIR korábbi munkatársa, valamint Erik Gafni vállalkozó és éles AI-rendszerek szakértője.
Almeida egy kérdéssel magyarázza a motivációt:
„A modellek évek óta emberfelettiek a csevegésben. Akkor hol van az összes automatizálás?”
A TypeSafe Jevet bemutató írásában azt írja, arra jutott, hogy az iparág nagyrészt az emberi interakcióra optimalizálta a modelleket, miközben a szoftvereknek más igényeik vannak. Egy programnak nem elegáns magyarázatra, hanem kiszámítható, gyors és további értelmezés nélkül felhasználható válaszra van szüksége.
A TypeSafe szerint két éven át, a nyilvánosság kizárásával fejlesztette saját architektúráját, párhuzamos mintavételezési mechanizmusát és az alábbi tanítási módszert: Reinforcement Learning for Calibrated Decisions (RLCD). Az architektúra teljes részletei egyelőre nem nyilvánosak, ezért a technológia alapvető újdonságára vonatkozó állításokat érdemes elválasztani attól a terméktől, amelyet a fejlesztők ténylegesen kipróbálhatnak.
A „Jev” név is azt jelzi, milyen hatást vár a cég
A Jev név William Stanley Jevons brit közgazdásztól származik. Jevons paradoxona leegyszerűsítve azt mondja ki: ha egy erőforrás használata hatékonyabbá és olcsóbbá válik, a teljes felhasználása csökkenés helyett akár nőhet is.
A TypeSafe ugyanezt az elvet alkalmazza a mesterséges intelligenciára. Ha egy AI-döntés tíz- vagy százszor olcsóbbá válik, nem feltétlenül kevesebb AI-t használunk majd. Olyan helyekre is bekerülhetnek ezek a döntések, ahol ma egy modell meghívása sem érné meg.
Valójában ezért érdemes figyelni a Jev-et.
Nem azért, mert a felhasználók elhagynák a ChatGPT-t, hogy vele beszélgessenek. Nincs is mivel beszélgetni. Hanem mert egy ilyen láthatatlan döntés megjelenhet egy szoftverügynök minden két művelete között: folytassa vagy álljon le, kisebb vagy nagyobb modellt válasszon, biztonságos vagy kockázatos-e, a fénykép fontosabb-e az üzemidőnél, vagy fordítva.
Ha néhány év múlva egy telefonajánló, a beérkező levelek rendezése, az okosotthon vezérlése vagy egy AI-ügynök ellenőrzése ilyen modelleket használ, a felhasználó valószínűleg a nevüket sem fogja ismerni. Pontosan ezt tekintené sikernek a TypeSafe: a mesterséges intelligencia ne csupán egy beszélgetős alkalmazás legyen, hanem a szoftverek hétköznapi összetevője, akár egy adatbázis vagy egy függvény, amelynek működésére senki sem kérdez rá naponta.
Egyelőre egy néhány napja kiadott modellről van szó, a benchmarkok nagy része pedig a gyártótól származik. A közösség lázasan keresi, hol hasznos valóban, és hol marad jobb megoldás néhány sor kód. Az azonban, hogy a Vercel, a LangChain és több száz független kísérlet szinte azonnal megjelent, azt mutatja, hogy a Jev jó kérdést vet fel: valóban szükség van rá, hogy a mesterséges intelligencia minden formája tudjon beszélni?
