Jev 1.13 od TypeSafe: model do decyzji w aplikacji
Jev 1.13 w OpenRouter: decyzje, prawdopodobieństwa, cena i 32k kontekstu. Zobacz, jak Syntalith może sprawdzić ten model na danych Twojej firmy.
Syntalith
Wiadomość od klienta trzeba przypisać do działu reklamacji albo logistyki. Aplikacja oczekuje jednej kategorii, a klasyczny czat może wygenerować akapit z uzasadnieniem. Jev od TypeSafe AI został zaprojektowany wokół zadań, w których oprogramowanie potrzebuje ustrukturyzowanej decyzji.
Jev 1.13 jest dostępny w OpenRouter jako typesafe/jev-1.13. Karta podaje datę wydania 18 września 2026, kontekst 32 000 tokenów oraz cenę 0,042 USD za milion tokenów wejścia, bez opłaty za tokeny wyjściowe. To stan sprawdzony 28 września 2026; przed wyceną wdrożenia weryfikujemy aktualny cennik.
Co wchodzi i co wychodzi
Podajesz opis sytuacji i pytania o dopuszczalne wyniki. Otrzymujesz typowane odpowiedzi z prawdopodobieństwami. Dostawca przedstawia Jev jako model, który rezygnuje z generowania swobodnego tekstu na rzecz takiego interfejsu.
Przykładowe zadanie może dotyczyć wyboru działu, potrzeby pilnej eskalacji oraz oceny kompletności zgłoszenia. Są to różne pytania o tę samą sprawę. Aplikacja wykorzystuje odpowiedzi w regułach procesu, np. kieruje niejednoznaczne zgłoszenie do operatora.
To opis proponowanego zastosowania. Nie jest wynikiem testu Jev w Syntalith ani dowodem, że model poprawnie obsłuży konkretną firmową kolejkę.
Trzy rodzaje pytań i dostęp przez API
choice wybiera z podanych kategorii, noul zwraca prawdopodobieństwo odpowiedzi tak, a score umieszcza przypadek na zdefiniowanej skali. Dla zgłoszenia mogą to być odpowiednio: dział, obecność prośby o zwrot oraz poziom pilności. Model przyjmuje tekst, także w obiekcie JSON; nie analizuje bezpośrednio zdjęć ani nagrań. Nie zwraca też uzasadnienia swojej decyzji.
Według dokumentacji OpenRouter wystarczy klucz OpenRouter, bez osobnego konta TypeSafe. Żądania trafiają do Decisions API pod POST /api/alpha/decisions albo zgodnego z SDK TypeSafe POST /api/v1/systemone. Klucz pozostaje na serwerze aplikacji. Kilka niezależnych pytań o ten sam stan można wysłać razem; odpowiedzi nie widzą się nawzajem.
W pilocie zapisujemy identyfikator wersji zwrócony przez API. Alias wskazujący najnowszy model może zmienić wynik, więc po zmianie wersji ponownie sprawdzamy progi na oznaczonych danych.
Skąd zainteresowanie szybkością
Wiele aplikacji nie potrzebuje długiej wypowiedzi. Musi szybko rozpoznać zamiar, sprawdzić warunek lub wybrać dalszą ścieżkę. Jev wpisuje się w to zapotrzebowanie poprzez odmienny sposób uzyskiwania ustrukturyzowanych wyników.
TypeSafe publikuje własne porównania szybkości i kosztu. Autorzy opisują użyty zestaw zadań, warunki oraz ograniczenia porównania. Te wyniki traktujemy jako pomiary producenta, które uzasadniają próbę. Nie przenosimy ich procentowo na oszczędność konkretnej firmy.
W aplikacji liczy się również droga sieciowa, rozmiar wejścia, walidacja i czas działania pozostałych usług. Krótsze obliczenia modelu nie zawsze skrócą cały proces w takim samym stopniu.
Poprawny format i poprawna decyzja
Warto oddzielić dwa rodzaje błędu. Model może zwrócić niepoprawną strukturę, której aplikacja nie odczyta. Może też zwrócić jedną z legalnych kategorii, ale wybrać niewłaściwą.
Deklaracje TypeSafe o braku błędów typu dotyczą struktury odpowiedzi. Kategoria „logistyka” może być poprawnym typem danych i błędnym wyborem dla reklamacji płatności. Tak samo wysoki poziom pewności wymaga sprawdzenia na firmowych przykładach. To powód, dla którego projekt obejmuje ewaluację, próg przekazania człowiekowi i obsługę brakujących danych.
Czy Jev można postawić lokalnie?
OpenRouter udostępnia hostowaną usługę TypeSafe. W sprawdzonych materiałach nie znaleźliśmy wag Jev 1.13 do pobrania i samodzielnego uruchomienia. W projekcie wymagającym prywatnego przetwarzania sprawdzamy warunki dostawcy, lokalizację oraz dostępność. Nie zakładamy, że użycie nazwy Jev oznacza pracę offline.
Istnieją oddzielne projekty lokalne inspirowane tym pomysłem, m.in. Kev i TinyJev. Mają własne wagi, trening i ograniczenia. Opisujemy je w porównaniu lokalnych alternatyw.
Jak Syntalith może pomóc
Wybieramy z procesu decyzję, którą da się jasno ocenić. Porównujemy reguły, mały model i wybrany model ogólny; Jev dołączamy tam, gdzie dostępność i warunki pasują do wymagań. Mierzymy trafność, odsetek eskalacji i koszt zaakceptowanej decyzji.
Jeśli masz kolejkę zgłoszeń lub dokumentów do klasyfikacji, opisz ją Syntalith. Możemy przygotować test, wybrać sposób hostowania i dostroić lokalny model do kategorii używanych w Twojej firmie.
Oceńmy prywatne AI w warunkach Twojej firmy
Pomagamy firmom i osobom prywatnym dobrać sprzęt, uruchomić model i sprawdzić go na własnych zadaniach. Możesz zacząć od komputera, który już masz, albo od rozmowy przed zakupem.
Prywatne modele LLM i fine-tuning