Модели System One
Быстрые типизированные оценки для программ, а не чат-LLM.
Модели System One быстро принимают структурированные решения, которые программы могут использовать напрямую. Модель этого класса оценивает состояние и возвращает типизированные ответы с вероятностями. Jev — флагманская модель TypeSafe и первая общедоступная модель System One. Как и LLM, она понимает ввод на естественном языке. Но в отличие от LLM она не пишет ответы и код и не объясняет ход рассуждений. Возможные ответы задаются через Choice, Score и Noul.
Чем она отличается от LLM
LLM обучают продолжать текст. Модель System One обучают принимать калиброванные решения: вероятности оптимизируются относительно результатов, чтобы отражать неопределённость в группах прогнозов. Калибровка не гарантирует правильность отдельного ответа. Зато в коде можно задать пороги — выполнить действие, отправить на проверку или передать выше, — а не разбирать абзац текста.
Jev не просят составить письмо или функцию. Ей задают вопросы: в какую очередь направить заявку, насколько раздражён клиент или запрашивается ли в сообщении возврат. В таблице на странице понятий TypeSafe приведены эти три примера: Choice возвращает choice: «оплата», Score может вернуть 1.4 по шкале раздражения 0-2, а Noul — 0.95 для проверки возврата с ответом «да» или «нет».
Название System One взято из книги Daniel Kahneman «Думай медленно... решай быстро». Система 1 действует быстро и интуитивно. Система 2 — медленнее и осмысленнее. TypeSafe поручает модели быструю оценку, а вашему приложению — медленную управляющую логику. Если задача требует длинных цепочек косвенных выводов или свободного написания текста, её следует поручить генеративной модели или коду, а не Jev 1.13.
RLCD вместо RLHF
TypeSafe обучает Jev с помощью Reinforcement Learning for Calibrated Decisions (RLCD). RLHF — стек, применяемый для повышения услужливости чат-моделей. RLVR — обычный подход для моделей с развёрнутыми рассуждениями. Для System One в документации TypeSafe указан путь RLCD: вознаграждать калиброванные решения, а не гладко сформулированные токены. В стартовой публикации также упомянуты новая архитектура и параллельный сэмплер, оценивающий множество вопросов по одному состоянию.
Поскольку веса общие, Jev нельзя дообучить или адаптировать через LoRA на данных клиентов. Помещайте служебные записи в состояние. Правила предметной области задавайте в инструкциях и критериях. Разбивайте общую оценку на атомарные вопросы, а числа объединяйте в коде. Документация рекомендует специализировать модель без обучения закрытой копии с помощью составной оценки или последующей классической модели, работающей с вероятностями Jev.
Сейчас Jev принимает только текст. Допустимы строки, объекты JSON и массивы текста. Пиксели и звуковые волны не поддерживаются. Основной язык обучения — английский; CJK и другие письменности принимаются, но с меньшей точностью, поэтому проверяйте их перед направлением неанглоязычной нагрузки. На практике пороги уверенности Choice и Score позволяют оставлять такие языки на проверке у человека.
Быстрые оценки в составе крупного рабочего процесса
Для запроса возврата документированный цикл выглядит так: создайте состояние из сообщения, транзакций и правил; одновременно задайте независимые вопросы — запрошен ли возврат, подтверждают ли данные повторное списание и разрешают ли его правила; затем объедините ответы с детерминированными проверками и направьте заявку на выполнение или проверку. Подготовив Primitives, вы сможете составлять из них решения. Благодаря типизированным результатам код проверяет ответы без парсера для оставшегося текста.
Спекулятивный fan-out делает этот подход дешёвым. Вы отправляете вопросы, которые могут не понадобиться, в том числе предполагающие определённый тип устройства или намерение, а после вызова отбрасываете неуместные результаты. При последовательных обменах пришлось бы ждать завершения каждого шага. Jev оценивает карту параллельно, поэтому дополнительные вопросы почти не влияют на задержку. Благодаря этому в демо умного дома можно одновременно спросить о категории, области, устройстве и действии.
Вызывайте модель System One через typesafe-sdk, @typesafe-ai/sdk или POST https://api.typesafe.ai/v1/systemone. Поле модели выбирает сборку; в примерах документации используется jev-latest, сейчас указывающий на jev-1.13.0. Начните со структур состояния и Primitives, а затем добавьте пороги уверенности перед любыми автоматическими побочными действиями.
Что остаётся за пределами System One
В терминологии Канемана генерация, долгосрочное планирование и агенты с инструментами относятся к работе Системы 2. Jev 1.13 не напишет письмо о возврате, SQL или следующий абзац Wikipedia. Она определит, относится ли заявка к возврату, в какую очередь её направить и насколько уверена в решении. Если нужен сгенерированный текст, используйте её вместе с генеративной моделью.
Проверка числового тождества тоже исключена. Подсчёт, порядок дат и расстояние между шестнадцатеричными значениями следует вычислять в коде. На странице jaggedness собран каталог таких пограничных случаев, в последний раз проверенный 17 September 2026. Процесс на основе System One, игнорирующий этот каталог, будет выглядеть откалиброванным, но всё равно выберет маршрут из-за буквального неверного прочтения.
Пиксели не принимаются, пока TypeSafe не получит поддержку изображений. Doom, Wikiracing и помощник умного дома отправляют только текст. Если ваш продукт работает с камерой, сначала расшифруйте или опишите изображение. Для аудио действует то же правило. Лимиты 64k и 32k относятся к токенам, а не к кадрам.
System One — класс продуктов, в котором сейчас есть одна общедоступная модель. Если TypeSafe выпустит вторую модель на той же конечной точке, выбрать её можно будет полем модели. До тех пор jev-1.13.0 остаётся версионным идентификатором, на который указывают jev-latest и jev-preview. Любую другую чат-модель или модель рассуждений считайте отдельным классом, даже если она входит в тот же общий рабочий процесс.
RLCD — название метода обучения этого класса, используемое TypeSafe. Это не переключатель, передаваемый в запросе. Вы по-прежнему задаёте инструкции и критерии и объединяете ответы в коде. Отличается цель оптимизации весов: калиброванные решения вместо токенов чата. Поэтому результатом становится Choice, Score или Noul, а не абзац текста.
Используйте чат-модели для написания текста, а Jev — для выбора дальнейшего пути. Они могут участвовать в одном рабочем процессе, но не должны использовать один промпт. В этом и состоит смысл модели System One, работающей рядом с LLM.
Канеман дал название концепции, а не режиму выполнения. Вам всё равно нужно самостоятельно выбрать Choice, Score или Noul.
Источники