# David Ondrej: «Модель Jev в 200 раз быстрее и в 400 раз дешевле обычных ИИ»

Источник: https://www.youtube.com/watch?v=f6We53TnkbU
Канал: David Ondrej
Опубликовано: 19.09.2026

---

В индустрии искусственного интеллекта произошло знаменательное событие: компания TypeSafe представила **Jev** — модель принципиально новой архитектуры, которую разработчики называют «моделью первого системного уровня» (System One model). В отличие от привычных чат-ботов, Jev не генерирует текст по одному токену, а работает параллельно, выдавая вероятностные решения за доли секунды.

## 🚀 Новая эра ИИ: Почему Jev меняет правила игры
[[JUMP:00:00]]

Автор канала David Ondrej подчеркивает, что Jev — это не просто очередной конкурент ChatGPT, а представитель совершенно иного класса ПО [00:00]. Видео о релизе модели набрало более 34 миллионов просмотров менее чем за двое суток, что свидетельствует о колоссальном интересе со стороны профессионального сообщества [0:12].

По словам ведущего, Jev обладает тремя ключевыми характеристиками, которые делают его уникальным:

*   **Скорость:** Модель работает в 200 раз быстрее самых быстрых существующих ИИ-решений [1:01].
*   **Экономичность:** Стоимость эксплуатации в 400 раз ниже, чем у таких моделей, как Haiku или GPT Luna [1:01].
*   **Надежность:** Уровень галлюцинаций и ошибок в структурированных данных равен 0% [1:14].

David Ondrej сравнивает текущий момент с ранними этапами развития GPT-3: те, кто сейчас освоит возможности Jev, смогут оседлать новую волну ИИ-стартапов, подобно тому как первые разработчики на базе LLM создали компании стоимостью в десятки миллиардов долларов (в пример приводится Cursor, оцененный в 60 млрд) [1:51].

## 🧠 Технологический прорыв: Параллельные вычисления вместо токенов
[[JUMP:02:03]]

Главное отличие Jev от классических LLM заключается в том, что он не является чат-моделью. По определению TypeSafe, это «System One model» — промежуточное звено между программным оператором `if-else` и полноценной языковой моделью [2:16]. 

Технические особенности архитектуры:

1.  **Отсутствие генерации токенов:** Вместо последовательного предсказания следующего слова Jev выдает вероятности и оценки [2:16].
2.  **Параллелизм:** Все варианты ответа или критерии оцениваются одновременно, а не по очереди. Это решает главную проблему авторегрессионных моделей, где ошибка в первом токене ведет к неверному результату всего вывода [5:46].
3.  **Низкая задержка (Latency):** Время отклика составляет от 70 до 500 миллисекунд (в среднем около 100–150 мс), что позволяет использовать ИИ в real-time интерфейсах [7:01].
4.  **Метод обучения RLCD:** Использование Reinforcement Learning from Calibrated Decisions позволяет модели честно выражать неуверенность. Вместо утверждения «это произойдет», ИИ выдает вероятность (например, 80%) [6:36].

Давид отмечает невероятную ценовую политику: выходные токены (output) фактически бесплатны. Пользователь платит только за входные данные (input) по тарифу около $42 за миллиард токенов [7:26].

## 🛠 Практическое применение: От беспилотников до умных таблиц
[[JUMP:07:39]]

В видео демонстрируются сценарии, где традиционные LLM либо слишком медленны, либо чрезмерно дороги.

*   **Предиктивные таблицы:** Пример от Nader (Cognition AI) показывает таблицу, которая мгновенно (за 100 мс) классифицирует сотни строк данных по уровню срочности прямо в процессе ввода текста [8:03].
*   **Автономное вождение:** Jev способен принимать решения (торможение, поворот, ускорение) на основе данных радаров и камер в реальном времени. David утверждает, что использование GPT-6 или Opus для таких целей привело бы к аварии из-за 10-секундной задержки на принятие решения [9:05].
*   **Computer Use (Управление компьютером):** Демонстрация поиска и бронирования авиабилетов через интерфейс Google Flights заняла всего 7 секунд и стоила $0.004 [10:19].
*   **QA-тестирование:** Создание автономных агентов, которые «кликают» по сайту в поисках багов при каждом CI/CD деплое. Это заменяет работу целого отдела тестировщиков [14:13].

## 🏗 Создание бизнеса на базе Jev: Пошаговое руководство
[[JUMP:12:46]]

Ведущий демонстрирует процесс создания конкурента сервису Typeform — «умной формы», которая в реальном времени ранжирует кандидатов на вакансию.

**Этап 1: Инфраструктура**
David Ondrej настаивает на использовании собственного VPS для хостинга full-stack приложений. Он рекомендует Hostinger как наиболее сбалансированное решение [15:38]. Для управления сервером используется Coolify — Open Source альтернатива закрытым PaaS-решениям, позволяющая развертывать приложения в один клик через Docker-контейнеры [16:52].

**Этап 2: Разработка с помощью ИИ-агентов**
Для написания кода автор использует модель Astra (на базе GPT-6) [17:17]. Процесс выглядит следующим образом:

*   Агент получает задачу создать приложение на Astro (фреймворк) с интеграцией Jev через API OpenRouter [20:01].
*   Разделение экрана: слева — форма для пользователя, справа — админ-панель с real-time скорингом вероятностей (например, «Квалифицирован», «Средне», «Не подходит») [18:20].
*   Агент самостоятельно создает репозиторий на GitHub, настраивает окружение и пушит код [26:17].

**Этап 3: Деплой и тестирование**
Через интерфейс Coolify на VPS Hostinger настраиваются переменные окружения (API ключи) и запускается билд [27:32]. В итоге получается готовое приложение, которое оценивает лиды менее чем за 500 мс (с учетом сетевых задержек), что невозможно реализовать на классических LLM без значительных затрат времени и денег [23:08].

David Ondrej заключает, что Jev открывает окно возможностей, которое закроется через полгода, когда технология станет мейнстримом. Он призывает разработчиков переходить на Linux-системы и VPS, так как именно там будет сосредоточено будущее «дешевого интеллекта» [24:10].