Диого Алмейда, один из разработчиков чат-бота ChatGPT и соавтор методики обучения с подкреплением на основе отзывов людей (RLHF), представил новый проект. Основав стартап TypeSafe AI, он анонсировал выпуск трансформерной модели под названием Jev. По словам автора, одной из главных проблем современных LLM является стремление оптимизировать системы для работы с человеческим языком, который не всегда эффективен для задач машинной автоматизации.
Особенности модели Jev и отказ от работы с текстом
Модель Jev принципиально отличается от традиционных больших языковых моделей. Она не генерирует текстовые ответы, а выдает вероятности, которые разработчики называют «откалиброванными решениями». Такой подход позволяет исключить проблему галлюцинаций, так как варианты выходных данных определяются пользователями заранее. Кроме того, это делает модель значительно быстрее и дешевле в эксплуатации: выходные токены предоставляются бесплатно, а стоимость входных токенов рассчитывается миллиардами, а не миллионами.
Высокий спрос на Jev привел к тому, что на этапе запуска компания столкнулась с временными перебоями в работе API. В настоящее время разработчики видят в модели эффективный способ внедрения интеллектуальных функций в программный код. Название проекта — отсылка к Уильяму Стэнли Джевонсу, экономисту XIX века, описавшему парадокс, согласно которому снижение стоимости ресурса приводит к его повсеместному распространению. Алмейда надеется, что доступность «умного» программного обеспечения приведет к его повсеместному внедрению в распределенные системы.
Практическое применение и сравнение с LLM
Тестирование Jev показало высокую эффективность в конкретных рабочих процессах. Например, компания Vercel заменила модель OpenAI Luna 5.6 на Jev при выполнении задач классификации для проверки безопасности команд. Результат был достигнут в 5–18 раз быстрее при более высокой точности. В другом тесте, проведенном техническим директором Bryo AI Нихилом Мудхолкаром, Jev показала сопоставимую с Gemini точность при классификации деловой переписки, оказавшись при этом в 10–20 раз дешевле.
Особую ценность для разработчиков представляют показатели уверенности, которые выдает модель. По словам Армина Ронахера, технического директора Earendil, это позволяет делегировать управление рисками пользователю: при высоком уровне вероятности решение можно сразу пускать в работу, а при низком — отсеивать. Также Jev может использоваться для маршрутизации запросов между моделями и контроля поведения LLM, выступая в роли агента, который предотвращает попытки взлома или некорректной генерации.
Технический подход и будущее продукта
Алмейда не раскрывает детали архитектуры Jev, однако известно, что модель обучается исключительно на синтетических данных с применением авторской методики, которую он называет «обучением с подкреплением на основе откалиброванных решений». В компании TypeSafe AI отмечают, что создание собственного набора данных стало ключевым этапом развития технологии, более значимым, чем методика RLHF.
В планах стартапа — создание новых версий модели, работающих с другими типами данных. Эксперты отрасли полагают, что успех Jev может спровоцировать появление множества конкурентных решений, так как практическая польза от подобных узкоспециализированных инструментов стала очевидна. Диого Алмейда подчеркивает, что его цель — создание полезного интеллектуального инструмента, а не участие в гонке «фронтирных» лабораторий, ориентированных на масштабные инвестиции или создание универсального искусственного интеллекта.
Почему «языковой» подход стал тупиком
Для Диого Алмейды разочарование в потенциале LLM началось еще во время работы в OpenAI. Несмотря на все возможности чат-ботов, он пришел к неутешительному выводу: «У нас есть молния в бутылке, но она не приносит пользы». Основная претензия разработчика заключается в том, что индустрия на протяжении четырех лет была сфокусирована исключительно на человеческом языке. Однако для целей автоматизации этот инструмент оказывается избыточным и неэффективным, так как компьютеры «говорят» на принципиально иных языках.
Алмейда описывает Jev как «System One model» (модель первой системы), которая делает ставку на интуитивные решения, а не на сложные логические рассуждения. Фокус смещен на выполнение конкретной, узкой задачи. Вся инфраструктура компании по сути поделена пополам: одна часть представляет собой лабораторию, которая занимается исключительно вопросами генерации и статистического анализа синтетических данных. Алмейда называет это направление «главной радостью своей жизни», подчеркивая, что выбор в пользу создания собственных данных для обучения стал его самым удачным профессиональным решением — даже более важным, чем участие в разработке RLHF или сам запуск проекта.
Мнение экспертов и рыночные перспективы
Армин Ронахер, технический директор Earendil и создатель инструмента для работы с открытыми моделями Pi, считает появление таких решений неизбежным этапом. По его мнению, отрасль долгое время игнорировала подобные возможности только из-за того, что LLM были слишком дешевыми и субсидируемыми, что не стимулировало инженеров проявлять креативность. Ронахер также отмечает, что использование Jev для мониторинга других агентов — крайне логичный шаг. Мониторинг «агентов с помощью агентов» традиционными методами быстро становится разорительным, тогда как Jev делает эту проверку экономически оправданной.
Что касается самого Алмейды, то он принципиально дистанцируется от имиджа «фронтирной лаборатории». На вопрос о позиционировании TypeSafe AI он отвечает прямо: «Главный продукт таких лабораторий — это страх или хайп. Я хотел бы, чтобы нашим главным продуктом был интеллект». Стартап не ставит своей целью погоню за бесконечным богатством, создание «цифрового божества» в дата-центре или реализацию глобальных амбиций, свойственных сегодняшним гигантам индустрии.
Разработчики, внедрившие Jev, отмечают, что именно возможность получения «настоящей вероятности» в числовом выражении является ключевым преимуществом перед всеми существующими LLM. В отличие от генеративных моделей, которые всегда стремятся выдать текст, Jev дает разработчику четкий математический сигнал. Это превращает модель в идеальный инструмент для автоматизации рабочих процессов, где требуются не догадки, а надежные программные триггеры.
В ближайшем будущем TypeSafe AI намерена расширять возможности своей платформы, внедряя поддержку новых модальностей. Наблюдатели подозревают, что текущая архитектура Jev построена на базе существующих моделей с открытыми весами, однако Алмейда предпочитает сохранять молчание относительно внутренних технических подробностей, фокусируясь на результатах, которые уже показывают высокую конкурентоспособность в реальных производственных средах.
