A kriptovilágot is elérte az az új AI modell, ami nem programoz és nem ír hosszú szövegeket, hanem inkább azt próbálja eldönteni, hogy egy állítás igaz-e vagy sem.
A TypeSafe AI által bemutatott JEV mögött Diogo Almeida áll, aki korábban részt vett az OpenAI által használt RLHF-kutatásban (megerősítéses tanulás emberi visszajelzés alapján), később pedig a GPT-4 fejlesztésénél is segédkezett. A JEV mögötti elképzelés szerint az AI-ügynökök terjedésével nem minden feladatnál van szükség egy nagy nyelvi modell teljes képességére, egy önálló szoftvernek ugyanis rengeteg olyan apró döntést kell meghoznia, amelyhez nem kell hosszú választ generálni.
Engedély nélküli tőzsdén tartod a kriptód?
Július 1. óta EGT-ben csak MiCA-engedéllyel lehet kiszolgálni az európai ügyfeleket. Az OKX megszerzett minden engedélyt – és aki most költözik át, akár 8% bónuszt kap az új befizetésére!
[Váltok szabályozott tőzsdére →]
A hagyományos nyelvi modellek rengeteg szöveget generálnak, még akkor is, ha a válaszban a felhasználó végül csak annyit lát, hogy A vagy B.
A JEV más felépítést követ. A TypeSafe jelenleg három alapvető kérdéstípust kínál: a Choice több megadott lehetőség közül választ, a Score egy előre meghatározott skálán pontoz, a Noul pedig egy igen-nem jellegű kérdéshez rendel valószínűséget.
A Jev elsősorban a gépek közötti használatra készült. Ahelyett, hogy a modell egy ember által olvasható mondatban közölné, szerinte milyen lépés következzen, strukturált adatot ad vissza, amelyet egy program közvetlenül feldolgozhat.
After co-inventing ChatGPT, I kept asking myself: why have superhuman chat models not led to AGI?
I’ve spent the last 2 years in stealth building a new way to train models (RLCD), and a new type of frontier AI model that we are releasing today: Jev
• 20-200x faster
• 40-400x… pic.twitter.com/JSybNG2BKJ— Diogo Almeida (@CompleteSkeptic) September 15, 2026
Az AI-agenteknek milliónyi apró döntésre lehet szükségük
Egy önállóan működő AI-agent munkája számos kis döntésből állhat. El kell döntenie, melyik eszközt hívja meg, melyik webes elemmel lépjen kapcsolatba, hasznos-e még egy adott információ, sikeresen befejeződött-e egy feladat, vagy szükség van-e újabb ellenőrzésre.
Ezek egyenként egyszerű kérdések lehetnek, nagy mennyiségben viszont komoly számítási költséget okozhatnak. A JEV-et alkotója a modellt egy gyors döntési rétegként képzeli el. A gyakori és jól körülhatárolható döntéseket az erre specializált JEV kezelné, míg az összetettebb problémák továbbra is nagyobb modellekhez kerülnének.
A cég erre a “System One Model” elnevezést használja, ami a gyors és automatikus System 1 és a lassabb, de megfontoltabb System 2 gondolkodási modellre utal.
Ebben az értelemben egy jövőbeli AI-rendszer több különböző modellből is állhatna. Egy gyors modell kezelné a rutinszerű döntéseket, és csak akkor fordulna a nagyobb számítási igényű modellhez, amikor valóban szükség van összetettebb következtetésre.
A TypeSafe az úgynevezett RLCD (megerősítéses tanulás kalibrált döntésekhez) névre keresztelt tréningmódszert használja, aminek lényege, hogy a modell által közölt bizonyosság összhangban legyen a tényleges találati aránnyal. Ha például egy modell sok esetben 80 százalékos valószínűséget rendel egy döntéshez, akkor ideális esetben ezek nagyjából 80 százalékának kellene helyesnek lennie.
Egy automatizált rendszer erre küszöbértékeket építhet, és nagyon magas bizonyosságnál önállóan is végrehajthat egy műveletet, bizonytalanabb esetben viszont továbbadhatja a feladatot egy másik modellnek vagy emberi ellenőrzésre.
Ez eltér attól a helyzettől, amikor egy nyelvi modell megfogalmaz egy magabiztosnak hangzó, de korántsem biztos, hogy igaz választ. Fejlesztője szerint a JEV éppen ebben különbözik az emberi preferenciák alapján utótréningezett modellektől: egy emberi felhasználónak tetsző kommunikáció és a megbízható automatizálást lehetővé tevő döntéshozatal nem feltétlenül ugyanazt az optimalizálást igényli.
Olcsóbb lehet egy döntés
A JEV egyik legvonzóbb tulajdonsága az ára. A TypeSafe jelenlegi díjszabása szerint egymillió input token 0,042 dollárba kerül, vagyis egymilliárd token 42 dollár. Az outputért a cég jelenleg nem számít fel külön díjat. A közölt end-to-end válaszidő 70 és 500 milliszekundum között mozog.
A vállalat saját benchmarkjaiban akár 193,6-szoros sebességnövekedésről és 444,6-szor alacsonyabb költségről számolt be más modellekhez képest. A TypeSafe ugyanakkor maga is jelzi, hogy ezek a számok az általa összeállított, kifejezetten System One jellegű munkafolyamatokból származnak, és a valós alkalmazásokban elérhető javulás felső tartományát jelenthetik.
Hallucinációmentes, de nem tévedhetetlen
A TypeSafe marketingjében megjelenik a “zero hallucinations” állítás is, de ez kissé félrevezető.
A kifejezés elsősorban azt jelenti, hogy a JEV csak az előre meghatározott struktúrában adhat választ. Ha például öt lehetőség közül kell választania, nem generálhat egy hatodik, nem létező kategóriát. Ettől a választás még lehet téves, de az automatizáció szempontjából lényeges különbség, hogy a JEV mindig a várt és szabályos formátumban ad választ.
Az olcsóbb AI több AI-hívást hozhat
A JEV neve William Stanley Jevons brit közgazdászhoz és a róla elnevezett Jevons-paradoxonhoz kapcsolódik. Ennek lényege, hogy egy erőforrás hatékonyabb felhasználása bizonyos körülmények között nem csökkenti, hanem növeli annak teljes fogyasztását.
A TypeSafe ugyanezt várja az AI-tól. Ha egy intelligens döntés drága, a fejlesztők csak néhány helyen használják. Ha a költsége elhanyagolhatóvá válik, egy alkalmazás akár minden e-mailnél, naplóbejegyzésnél, API-hívásnál vagy munkafolyamat-lépésnél kérhet egy AI-döntést.
Egyelőre korai lenne abból kiindulni, hogy a JEV-féle modellek külön kategóriává válnak, de megjelenésük rámutat egy tágabb változásra az AI-piacon. Az agentek terjedésével egyre nagyobb szerepe lehet annak, hogy egy adott feladathoz mekkora modell szükséges. Ha a szoftverek valóban hatalmas mennyiségű apró döntést kezdenek önállóan meghozni, a sebesség, a költség és a bizonytalanság kezelése ugyanúgy meghatározhatja egy AI-rendszer használhatóságát, mint maga a modell intelligenciája.
A kriptós fejlesztők és kereskedők is gyorsan rámozdultak a JEV-re
A JEV-re a kriptós fejlesztői közösség is gyorsan felfigyelt. Ennek egyik oka, hogy a modell rövid válaszideje és strukturált kimenete jól illeszkedhet az automatizált kereskedési rendszerekhez, ahol sok, gyorsan meghozandó döntést kell feldolgozni.
Az elmúlt napokban több kísérleti projekt is megjelent, amelyek kereskedési botokhoz, piaci hangulatelemzéshez és biztonsági ellenőrzésekhez használják a modellt.
Volt, aki például 10 000 dollárt bízott a robotra, hogy bitcoinnal kereskedjen vele, egy másik nagyobb figyelmet kapó példában pedig a Monad Foundation vezető AI-mérnöke készített egy botot, ami minden új blokknál megvizsgálja a MON/USDC order bookját, majd a JEV-től kér döntést arról, hogy az aktuális állapot alapján vételi vagy eladási irány indokolt-e.
I built a trading bot with Jev!
Jev decides if it should "buy" or "sell", given the price feed of an asset pair, and executes real trades.
It uses Monad to place the orders on Kuru's on-chain order book in every 300ms block.
Demo link → https://t.co/vwl2SUu4jm pic.twitter.com/Sda1G5tXKI
— Jarrod Watts (@jarrodwatts) September 16, 2026
Hasonló kísérletek jelentek meg a Hyperliquiden, a Binance-en és a hagományos tőzsdéken is, melyekben néhány másodpercenként kérnek döntést a JEV-től, hogy az aktuális finanszírozási rátákat, RSI-t, forgalmat vagy közösségimédia-hangulatot bullish/bearish besorolássá alakítsa.
A JEV körül eközben a spekulatív mémtokenek is megjelentek. Több projekt próbálja a JEV által irányított treasury, a token-visszavásárlások időzítése vagy az automatikus kereskedés narratíváját a JEV nevéhez kapcsolni, de persze ezek egyike sem hivatalos TypeSafe által kibocsátott token.
A kriptós spekulációk mellett a JEV körüli érdeklődés mögé már jelentős kockázati tőke is állt. A modellt fejlesztő TypeSafe AI szeptember közepén egy 40 millió dolláros tőkebevonási kört zárt, ami megfelelő hátteret adhat a startupnak, hogy kiderüljön, a gyors és olcsó, döntésekre specializált JEV modellekből valóban kialakulhat-e az AI-infrastruktúra egy újabb rétege.