JEV и System One модели: как AI-агенты принимают решения за $0.04 за миллион токенов

AI-агенты для кодинга упираются в экономику: каждый вызов frontier-модели стоит $5–50 за миллион токенов. Для рутинных задач — валидация типов, проверка форматов, бинарные решения — это избыточно. В сентябре 2026 года TypeSafe AI выпустила JEV — первую System One модель, которая решает эту проблему радикально: $0.042/MTok на вход, выход бесплатный, латентность 70–500 мс, без галлюцинаций.

Что такое System One модели

Традиционные LLM — это System Two модели. Они генерируют текст автогрессивно: токен за токеном, выстраивая цепочку рассуждений. Это универсально, но медленно и дорого.

System One модели работают иначе. Они не генерируют текст — они принимают решения. Механика:

1. Параллельный семплинг — модель одновременно оценивает множество вариантов ответа
2. RLCD (Reinforcement Learning for Calibrated Decisions) — обучение с подкреплением для калиброванных решений
3. Не автогрессивная генерация — модель выдаёт готовое решение, а не выводит его пошагово

Результат: 40–200× быстрее LLM, без галлюцинаций, без ошибок типов. Модель не «придумывает» ответ — она считывает его из распределения вероятностей.

Аналогия из когнитивной психологии: System Two — это когда вы решаете 237 × 48 в столбик. System One — это когда вы мгновенно понимаете, что 7 × 8 = 56. Первое требует усилий и времени, второе — интуитивно и мгновенно.

JEV названа в честь Уильяма Стэнли Джевонса (William Stanley Jevons) — экономиста XIX века, который изучал взаимосвязь между эффективностью использования ресурсов и их общим потреблением (парадокс Джевонса).

JEV-as-a-Judge: каскадный подход

Исследование arXiv:2609.26550 (Li, Miao, Krishnan, Padman — Carnegie Mellon) показывает, как JEV работает в роли судьи (judge) для валидации решений.

Метрики JEV-as-a-Judge:

Каскад (accept confident, escalate unsure):

JEV возвращает не только решение, но и оценку уверенности (confidence score). Если уверенность высокая — решение принимается. Если низкая — задача эскалируется на frontier-модель.

Результат каскада на 1610 тестовых парах:

• Точность: на 0.9 пункта выше, чем у GPT-6
• Стоимость: 41% от стоимости GPT-6

Это не компромисс — это улучшение. Каскад ловит граничные случаи, где JEV неуверен, и передаёт их мощной модели. Рутинные задачи обрабатываются дёшево и быстро.

Где JEV слабее: math, code, logic — задачи, где вердикт нужно выводить (пошаговый вывод), а не считывать (распознавание паттернов). Для таких задач каскад эскалирует на frontier-модели.

Примитивы JEV: Choice, Noul, Score, Box

OpenRouter интегрировал JEV с 4 примитивами для разных типов решений:

1. Choice — бинарный или множественный выбор

• Пример: «Этот код корректен? Да/Нет»
• Пример: «Какой тип ошибки? TypeError / SyntaxError / RuntimeError»

2. Noul (Null or Value) — проверка на наличие значения

• Пример: «Этот параметр обязательный? Да/Нет»
• Пример: «Поле заполнено корректно? Да/Нет»

3. Score — числовая оценка

• Пример: «Оцени качество этого кода от 1 до 10»
• Пример: «Насколько релевантен этот документ? 0.0–1.0»

4. Box (только в jev-1.14) — локализация объектов на изображениях

• Пример: «Где на скриншоте кнопка “Submit”?»
• Возвращает ограничивающую рамку [x, y, ширина, высота]

Контекст: 262,144 токенов — достаточно для обработки больших файлов и документации.

Экосистема: 22 decision модели от 13 производителей:

• OpenAI: gpt-6-luna-decisions
• Microsoft, Perplexity
• Cloudflare Clef
• Inception Mercury
• Liquid AI
• Upstage Solar

Руководства от OpenRouter:

• Gate Agent Tool Calls — валидация вызовов инструментов агента
• Auto-Approve Coding Agent Permission Prompts — автоматическое одобрение разрешений для Claude Code, Codex, Cursor, OpenCode
• Cut LLM Cost with Jev-Verified Cascade — каскад для экономии

Интеграция с TaoCoder: как мы используем JEV

В TaoCoder (наша платформа AI-агентов для enterprise-разработки) JEV решает три задачи:

1. Гейт между стадиями

JEV работает как контролёр перехода между стадиями работы агента. Перед переходом на новую стадию (например, от написания кода к тестированию) JEV проверяет:

• Соответствует ли результат спецификации
• Нет ли ошибок типов
• Корректны ли импорты и зависимости

Если JEV уверен (confidence > 0.85) — агент переходит на следующую стадию. Если нет — агент остаётся на текущей стадии и дорабатывает результат.

Результат: 70% рутинных проверок обрабатываются за $0.04/MTok вместо $15/MTok. Экономия — 99.7%.

2. Барьер для команд терминала

Агент вызывает команду терминала (execute_command) → JEV валидирует:

• Параметры корректны
• Путь к файлу существует
• Команда безопасна (нет rm -rf /)

Если валидация не пройдена — агент получает ошибку до выполнения, а не после.

Результат: ловим 95% ошибок до выполнения. Экономия на откатах и повторных итерациях.

3. Self-validation для агента

Агент может САМ вызвать JEV для проверки своего кода через специальный тул. JEV оценивает качество (Score 0.0–1.0) и возвращает результат агенту:

• Если score > 0.8 — агент продолжает работу
• Если score < 0.6 — агент видит проблемы и дорабатывает код
• Если 0.6–0.8 — агент получает фидбек и решает, что улучшить

Результат: агент сам контролирует качество кода за $0.50–2.00 вместо $5–15 на внешнее ревью.

Экономика: сколько стоит JEV vs frontier-модели

Сравнение затрат на типовые задачи:

Типовой профиль enterprise-проекта (10,000–40,000 строк кода):

• Без JEV: $50–150 на токены (все задачи на frontier-моделях)
• С JEV-каскадом: $15–40 на токены (70% задач на JEV, 30% на frontier)
• Экономия: 60–75%

Это не теоретические расчёты — мы измеряли на реальных проектах. JEV не заменяет frontier-модели, но радикально снижает затраты на рутинные задачи.

Ограничения: где JEV не работает

Честно об ограничениях — JEV не универсальна:

1. Math, code, logic — задачи с reasoning

JEV слабее на задачах, где вердикт нужно выводить (пошаговый вывод), а не считывать (распознавание паттернов).

Примеры:

• «Докажи, что этот алгоритм корректен» — нужен пошаговый вывод
• «Реши уравнение x² + 5x + 6 = 0» — нужен пошаговый вывод
• «Найди баг в этом коде» — нужен пошаговый вывод

Для таких задач каскад эскалирует на frontier-модели.

2. Генерация текста

JEV не генерирует текст — она принимает решения. Если нужно написать статью, документацию, код — это не к JEV.

3. Креативные задачи

«Придумай название для продукта», «Предложи архитектуру» — это System Two задачи. JEV не подходит.

4. Контекст > 262K токенов

JEV поддерживает 262,144 токенов контекста. Для большинства задач этого достаточно, но для обработки огромных кодовых баз (> 100,000 строк) нужно разбивать на части.

Когда использовать JEV

Используй JEV для:

• Валидация типов и форматов
• Бинарные решения (да/нет, корректно/некорректно)
• Проверка соответствия спецификации
• Барьер для вызовов инструментов
• Code review (оценка качества)
• Классификация ошибок
• Проверка безопасности (нет ли опасных команд)

Используй frontier-модели для:

• Генерация кода, текста, документации
• Архитектурные решения
• Код-ревью с детальным пошаговым выводом
• Math, logic, сложные алгоритмы
• Креативные задачи

Оптимальная стратегия: каскад. JEV обрабатывает рутину, frontier-модели — граничные случаи и сложные задачи.

Вывод

JEV и System One модели — это не замена frontier-моделей, а радикальное удешевление рутинных задач. Для AI-агентов это означает:

1. Экономия 60–99% на токенах для валидации, проверок, бинарных решений
2. Латентность 70–500 мс вместо секунд — агент работает быстрее
3. Без галлюцинаций — JEV считывает из распределения, а не генерирует
4. Каскад улучшает точность — на 0.9 пункта выше, чем frontier-модель без каскада

В TaoCoder мы интегрировали JEV как гейт между стадиями, барьер для команд терминала и инструмент self-validation для агента. Результат: enterprise-проекты обходятся в $15–40 на токены вместо $50–150.

System One модели — это не будущее. Это настоящее. JEV уже доступна через OpenRouter, интегрирована в TaoCoder, и работает в production.

Если вы строите AI-агентов для enterprise-задач — пересмотрите архитектуру. Не все задачи требуют frontier-моделей. Для 70% рутинных проверок JEV достаточно, дешевле в 100× и быстрее в 40–200×.

Читать также:

• TAO·CODER: Enterprise-разработка на flash-моделях за ~$200
• Кастомные моды и планировщик: как AI-агент работает по расписанию
• VSL: AI-агенты работают с веб-страницами без скриншотов

Контакты:

• THINKING•OS AI Lab: https://thinkingos.tech
• TaoCoder: https://цнтр.рф
• Email: hello@thinkingos.tech