Jev у 25 рядках Python: пародія, яка ставить під сумнів заяви TypeSafe

22 вересня Duarte O.Carmo з відкритого проєкту NobodyWho опублікував допис «Jev у 25 рядках Python». Він відтворює базову поведінку Jev, моделі рішень, яку TypeSafe AI представила 14 вересня, на маленькій локальній моделі та приблизно 25 рядках коду. Допис відкрито позначено як пародію, і він став однією з точок опори в дискусії про те, скільки в перевазі Jev припадає на архітектуру, а скільки — на тренування.

Що представила TypeSafe

TypeSafe AI, заснована колишнім дослідником OpenAI Diogo Almeida, після двох років у режимі тиші вийшла 14 вересня з Jev — першою зі своїх System One моделей. Jev не генерує текст токен за токеном: він приймає неструктуровані дані та типізовані запитання, а повертає структуровані відповіді з каліброваними ймовірностями й оцінками впевненості. Компанія тренує його методом Reinforcement Learning for Calibrated Decisions (RLCD) і заявляє, що він приблизно на два порядки швидший та дешевший за порівнянні LLM: 70–500 мс на відповідь проти 3–329 секунд у фронтирних моделей, 0,042 долара за мільйон вхідних токенів, а вихідні — безкоштовні. Оскільки можливі відповіді визначені заздалегідь, стверджує TypeSafe, Jev не може припускатися помилок типу чи галюцинувати. Назва System One походить від «швидкого мислення» Деніела Канемана, а сам модель названо на честь економіста Вільяма Стенлі Джевонса.

Що можуть 25 рядків

Допис NobodyWho завантажує Qwen3-0.6B — відкриту модель на 0,6 млрд параметрів — через llama-cpp-python, подає їй лист-фішинг від імені зарплатного відділу з трьома позначеними варіантами відповіді, зчитує логіти токенів «A», «B» і «C» та перетворює їх на ймовірності через log-softmax: Legitimate 3,1%, Spam 8,4%, Phishing 88,5%. Жодного виклику API, жодного reinforcement learning, жодних синтетичних даних — і дані не залишають машину. Автор зазначає, що це пародія, і вказує на відкриті реалізації: OpenJev, openjev-sglang і збірку OpenJev на DiffusionGemma.

Чому це важливо

Допис перетнув 450 балів на Hacker News не тому, що спростовує Jev, а тому, що виокремлює прийом інференсу — зчитування ймовірностей кількох токенів-позначок замість семплювання тексту. Arcturus Labs 16 вересня опублікувала схоже спостереження: донавчений LLM, чиї логймовірності на токенах-позначках читають напряму, відтворює значну частину поведінки Jev — цей підхід аналіз приписує розробнику Harsha Gundala. Водночас складніші питання залишаються відкритими. Jev відповідає на багато запитань за один паралельний прохід, тоді як 25-рядкова версія — лише на одне, а твердження про калібрування спираються на RLCD, який аналіз називає тим елементом, що TypeSafe досі не пояснила. Точність на реальних задачах поки що не підтверджена.