В конце сентября 2026 года автор блога о AI-инструментах, известный под псевдонимом Лаборатория, решил оптимизировать свой конвейер обработки контента. Его система ежедневно сохраняет интересные материалы из Telegram, после чего модель Claude Sonnet пишет по каждому разбор-инструкцию, а второй проход редактора решает, публиковать или архивировать. Проблема заключалась в том, что сохраняется всё подряд, включая личные сообщения и картинки без текста, и на каждый такой материал Sonnet тратит ресурсы впустую. Чтобы сократить нагрузку на дорогую модель, разработчик решил поставить перед ней дешёвый фильтр на основе новой модели Jev. Важный нюанс: Sonnet у автора работает через подписку Claude Code, поэтому экономия измеряется не столько в деньгах, сколько в недельном лимите обращений. Однажды лимит закончился посреди недели, и всё, что на нём держалось, молча встало. Именно этот инцидент и подтолкнул к поиску дешёвого предфильтра, который отсеивал бы очевидный мусор ещё до того, как он дойдёт до большой модели.

Jev — это продукт стартапа TypeSafe, выпущенный 15 сентября 2026 года. Модель предназначена для ответов на закрытые вопросы: на вход подаётся текст и словарь вопросов, а на выходе получаются вероятности, а не свободный текст. Поддерживаются три типа вопросов: noul возвращает вероятность «да» от 0 до 1, choice выбирает из списка до 255 вариантов с указанием вероятности каждого, а score оценивает по упорядоченной шкале. Все вопросы по одному тексту обрабатываются за один проход. Стоимость входа составляет $0,042 за миллион токенов, выход бесплатен, так как текст не генерируется. По замерам TypeSafe, точность ответов Jev совпадает с эталонными ответами больших моделей примерно в 68% случаев. Для автора ключевым преимуществом стало то, что ответ всегда берётся из заданного списка: его не нужно разбирать регулярками, а вероятность можно сравнить с порогом обычным if. Правда, корректность ответа при этом никто не гарантирует — это лишь оценка уверенности, а не истина в последней инстанции.

Автор подключил Jev через Cloudflare Workers AI под именем typesafe/jev, где доступна опция Zero data retention. Однако есть нюансы: оплата возможна только с предоплаченного баланса AI Gateway, а бесплатный лимит Workers AI на партнёрские модели не распространяется. При отсутствии баланса возвращается ошибка Insufficient balance с кодом 2021. Кроме того, ответ лежит на уровень глубже, чем указано в документации TypeSafe: result.result.answers. Вызов осуществляется через curl-запрос к API Cloudflare. Русский язык Jev понимает нормально, поэтому вопросы и варианты можно писать по-русски. Стоит отметить, что на момент эксперимента TypeSafe новых пользователей не регистрировала, так что Cloudflare оставался единственным доступным путём подключения. Это накладывает ограничения: без предоплаченного баланса AI Gateway модель просто недоступна, а значит, для российских разработчиков, использующих зарубежные AI-сервисы через прокси или API-шлюзы, такой сценарий требует дополнительных шагов по пополнению счёта.

Первый опыт использования Jev на другой задаче показал, что формулировка вопроса важнее самой модели. Изначально вопрос «это полезный факт?» дал AUC 0,46, что хуже случайного угадывания. После переформулировки на конкретную причину («это про реальный мир, а не правка документа или технические детали») AUC вырос до 0,95. На вкусовых решениях, таких как запоминание правок, показатель не превысил 0,72–0,77. Автор сделал вывод: не спрашивать модель о «полезности» вообще, а перечислять реальные причины, по которым материал уходит в архив. Этот урок он перенёс и в Лабораторию. Для неё был выбран один вопрос типа choice с взаимоисключающими вариантами, отражающими реальные причины отказов из журнала редактора. Варианты включают guide (конкретный инструмент или приём), idea (схема или фреймворк), no_text (только ссылка или картинка), owner_work (рабочие материалы владельца), personal (личное, не про AI) и no_method (мнение без инструмента). Оговорка «считается, даже если это реклама» позволяет отнести к полезным материалы, упакованные в приманку «напиши слово в комментах». Вероятность «оставить» вычисляется как сумма вероятностей вариантов guide и idea; если она ниже порога, материал не доходит до Sonnet.

Порог был выбран на уровне 0,2 после проверки на 67 размеченных материалах. На этом пороге Jev не выкинул ни одного хорошего материала и отсеял 10 из 28 лишних. Автор сознательно оставил низкий порог, так как пропущенный мусор стоит лишь одного лишнего разбора, а выкинутый хороший материал может быть потерян навсегда. Затем в течение недели с 26 сентября по 3 октября Jev работал в теневом режиме: отвечал, но ничего не отсеивал. Из 19 свежих материалов он отсеял бы девять, из которых восемь Sonnet и так выкинул, а девятый не успели разобрать. Все пять хороших материалов получили от Jev высокие вероятности. Такая теневая проверка позволила убедиться, что фильтр не режет лишнего, прежде чем включать его в боевой режим. Это важный методический приём: прежде чем доверять дешёвой модели реальные решения, стоит прогнать её параллельно с основной и сравнить результаты.

Этот эксперимент показывает, как дешёвые модели могут снижать нагрузку на дорогие аналоги, экономя лимиты подписки. В российском контексте подобные решения могут быть востребованы разработчиками, использующими зарубежные AI-сервисы через прокси или API-шлюзы: когда доступ к зарубежным подпискам ограничен, а лимиты дорогих моделей приходится расходовать бережно, предфильтр на основе недорогой модели становится особенно ценным. Однако остаются открытые вопросы: насколько Jev устойчив к разным типам контента, как поведёт себя при масштабировании и не потребует ли тонкой настройки под конкретные задачи. Неясно и то, как модель справится с языками помимо русского и английского, а также насколько стабильны её вероятности при изменении формулировок вопросов. Пока автор продолжает использовать Jev в Лаборатории, но отмечает, что для вкусовых решений модель подходит лишь как осторожный предфильтр. Осторожный прогноз: если TypeSafe откроет регистрацию и расширит доступные интеграции, подобные фильтры могут стать стандартной частью конвейеров обработки контента, но пока это скорее эксперимент, чем готовое массовое решение.