Průzkum · 18. 9. 2026 · první run

Jev: model, který nepíše text, ale rozhoduje

TypeSafe AI vydala 15. 9. 2026 „System One“ model Jev. Není to chatovací LLM — je to typovaná rozhodovací funkce. Rychlá, levná, a pro naše rozřazování e-mailů potenciálně přesně to, co potřebujeme.

Ano, existuje a ano, umí rychlé rozhodování. Jev bere nestrukturovaný vstup a vrací typovaný výstup — volbu, skóre nebo pravděpodobnost — místo tokenů. Ne autoregresivně, takže odpadá halucinace i parsování JSONu.

Háček: je v early access na waitlistu, benchmarky jsou self-reported a API není OpenAI-kompatibilní. Zatím hodnotit jako slibný kandidát, ne jako hotovou náhradu.

70–500 msend-to-end latence

$0,042za MTok vstupu

zdarmavýstupní tokeny

32ktokenů na request

Co to přesně umí

Jev je „frontier-intelligence function call“ — dovnitř jde nestrukturovaný stav, ven jdou typované pravděpodobnostní odpovědi. Model neumí generovat text. Vůbec. Nemůže tedy nic shrnout, vysvětlit ani vyplnit volné pole, a přesně proto nemůže halucinovat: výstupní doména je definovaná dopředu.

Trénovaný je metodou Reinforcement Learning for Calibrated Decisions (RLCD), jejímž cílem je, aby vrácené pravděpodobnosti odpovídaly reálné úspěšnosti. To je podstatnější než se zdá — u LLM klasifikátoru je „confidence“ obvykle nesmysl, tady je to prodávaná vlastnost.

Tři primitivy otázek

Typ	Otázka	Vrací
`noul`	Je tohle tvrzení pravda?	pravděpodobnost 0–1
`choice`	Vyber jednu z možností	volbu + rozdělení pravděpodobností + confidence
`score`	Ohodnoť podle rubriky	skóre + rozdělení + legendu + confidence

Všechny tři typy se dají zamíchat do jednoho volání. Otázky se vyhodnocují paralelně a izolovaně proti témuž stavu — jedna otázka neovlivní druhou.

Use casy, které dávají smysl

Chytré if-y v workflow — rozhodnutí uvnitř kódu, ne konverzace
Routing a klasifikace — e-maily, tickety, alerty do kategorií
Map-reduce nad velkými daty — skórování desítek tisíc položek
Guardraily — detekce jailbreaků, kontrola výstupu agenta po doběhnutí
Real-time smyčky — hry, robotika, simulace

Vstupy a výstupy

Vstup: state — buď prostý text, nebo strukturovaná data (chat log, stav aplikace). Plus mapa questions s vlastními, lidsky čitelnými klíči. Žádné obrázky ani audio v launch verzi.

Výstup: mapa answers klíčovaná stejnými identifikátory, u každé odpovědi rozdělení pravděpodobností a confidence 0–1, plus token usage. Nikdy ne text.

Je to LLM API jako ostatní?

Ne — vlastní tvar

Endpoint je POST https://api.typesafe.ai/v1/systemone s Authorization: Bearer <API_KEY>. Tvar requestu i response ale není konvence OpenAI chat-completions, takže to není záležitost přepnutí base URL — potřebuje vlastního klienta. Oficiálně existuje Python SDK (sync i async) a JavaScript SDK.

POST https://api.typesafe.ai/v1/systemone
Authorization: Bearer $TYPESAFE_API_KEY

{
  "model": "jev-latest",
  "state": "<tělo e-mailu>",
  "questions": {
    "kategorie": {
      "type": "choice",
      "criteria": {
        "fakturace": "dotaz na fakturu, platbu nebo cenu",
        "technicky_problem": "něco nefunguje",
        "zmena_konfigurace": "žádost o přenastavení"
      }
    },
    "je_urgentni": {
      "type": "noul",
      "criteria": "zákazník potřebuje odpověď ještě dnes"
    }
  }
}

Chybové kódy jsou standardní: 401 špatný klíč, 422 vadné tělo, 429/529 rate limit nebo přetížení s doporučeným exponential backoffem.

Pricing

	Vstup / MTok	Výstup / MTok
Jev	$0,042	zdarma
Claude Fable 5.1 (base)	$10	—

To je zhruba 238× levnější vstup. TypeSafe na svých workflow evalech uvádí 193,6× rychlejší a 444,6× levnější než srovnávané modely. Ta čísla jsou ale jejich vlastní (viz níže).

Hodilo by se nám to na rozřazování e-mailů?

Slibné, ale ne hned

Tvarově sedí skoro dokonale. Dnes klasifikaci děláme dvěma cestami: NLP service (nlp.bot.coworkers.ai, per-instance trénované workspace na intenty) a LLM moduly přes proxy addon-llm-modules. Jev je přesně mezi tím: kalibrované pravděpodobnosti jako u trénovaného klasifikátoru, ale bez trénování a bez per-instance workspace.

Co mluví pro

Rozřazování do kategorií je přesně choice. Žádné vynucování JSON schématu, žádné retry na rozbitý výstup.
Confidence je použitelná. Můžeme postavit prahy — nad X automaticky, pod X na operátora — a mít pod tím kalibrovaná čísla místo LLM odhadu.
Víc otázek na jedno volání. Kategorie + urgence + sentiment + „je to spam“ v jednom requestu, paralelně a izolovaně.
Cena a latence. Při objemu mailů, které projdou přes mailbot-connector, je rozdíl v ceně řádový.

Co mluví proti

Nový provider v cestě. Bot-platform nevolá LLM přímo — všechno jde přes addon-llm-modules. Jev by tam musel přibýt jako vlastní adaptér, protože ho nejde zapojit jako další OpenAI-kompatibilní endpoint.
Waitlist. Bez přístupu se nedá nic změřit.
32k tokenů na request. Na jeden mail bohatě stačí, na dlouhou historii ticketu už nemusí.
Neumí nic napsat. Návrhy odpovědí operátorovi (/compute-suggestion) zůstávají na běžném LLM. Jev může být jen rozhodovací vrstva před ním.

Pozor na past, která není v modelu

V mailbot-connectoru normalize_body ořezává tělo mailu na prvním ---- nebo _______. Klasifikace nad discussion.messages tedy vidí jen zkrácený text — u přeposlaného mailu často jen průvodní větu. Jev by tuhle chybu neopravil, jen ji udělal rychleji a levněji. Test musí běžet nad $email_full_body, jinak měříme nesmysl.

Co je zatím jen tvrzení

Benchmarky jsou self-reported. Nezávislý benchmark neexistuje.
Metodika si vyrábí strop. Headline násobky vznikly na evalech skórovaných proti průměru GPT-6 Astra a Fable 5.1. TypeSafe sama přiznává, že to výsledek posouvá směrem ke shodě s těmito dvěma modely, ne ke správnosti.
„Nemůže halucinovat“ je pravda jen o typu. Model nemůže vrátit hodnotu mimo definovanou doménu. Může vrátit špatnou hodnotu z té domény.
Cardinality max 255 možností u choice.

Doporučený další krok

Přihlásit se na waitlist a mezitím připravit offline eval: vzorek reálných mailů z mailbot-connectoru, ruční ground truth, plné tělo mailu. Až přijde přístup, proženeme týmž vzorkem Jev i současnou cestu a porovnáme přesnost, latenci a cenu na stejných datech. Bez toho je rozhodnutí založené jen na marketingu vydavatele.