Jev: Το Μοντέλο που Δεν Μιλάει — Πώς το «System One» του Δημιουργού του RLHF Ξαναγράφει την Αρχιτεκτονική των AI Agents

Για δύο χρόνια, η βιομηχανία έμαθε να σκέφτεται με έναν και μόνο τρόπο: όλα τα προβλήματα είναι πρόβλημα κειμένου. Θέλεις να μάθεις αν ένα ticket είναι επείγον; Βάλε το LLM να γράψει μια απάντηση, μετά parse-αρε την, validate-αρέ την, και προσευχήσου να μην παραισθάνθηκε. Ο Diogo Almeida — ένας από τους συν-εφευρέτες του RLHF και του InstructGPT, δηλαδή της τεχνικής που οδήγησε στο ChatGPT — έφυγε από την OpenAI γι' αυτό ακριβώς το παράδοξο.

Στις 15 Σεπτεμβρίου 2026, μετά από δύο χρόνια stealth και $40 εκατ. seed υπό την DCVC, η TypeSafe AI βγήκε από τη σκιά με το Jev: ένα μοντέλο που δεν παράγει ούτε μια λέξη. Δέχεται κατάσταση και μια λίστα από τυποποιημένες ερωτήσεις και επιστρέφει αποφάσεις με πιθανότητες. Σε αυτόν τον οδηγό αναλύουμε τι είναι το System One, πώς δουλεύει το RLCD, τι δείχνουν πραγματικά τα benchmarks, τι κρύβουν οι σκεπτικιστές και πώς να το εντάξεις στην αρχιτεκτονική των agents σου.

Διαδραστικός Προσομοιωτής: Typed Decision Engine

Διάλεξε σενάριο για να δεις πώς απαντά ένα System One μοντέλο: χωρίς strings, με κατανομή πιθανοτήτων και ένα confidence που τροφοδοτεί το gate απόφασης. Τα δεδομένα είναι ενδεικτικά, βασισμένα στα δημόσια παραδείγματα της TypeSafe.

Το Πρόβλημα με τα Strings

Ο Almeida περιγράφει το ζήτημα ως πρόβλημα διεπαφής (interface problem), όχι νοημοσύνης. Τα chat models εκπέμπουν strings, και τα strings είναι «μέγιστα ευέλικτα»: μπορούν να γίνουν απάντηση, κώδικας, refusal ή παραίσθηση. Το software όμως δεν θέλει strings — θέλει typed values. Έτσι, κάθε κλήση σε LLM κρύβει από πίσω έναν parser, έναν validator, κάποια retries και συχνά έναν άνθρωπο.

Η TypeSafe στοιχηματίζει ότι η συντριπτική πλειοψηφία των αποφάσεων μέσα σε λογισμικό είναι System 1 κρίσεις — γρήγορες, διαισθητικές, με πεπερασμένο σύνολο απαντήσεων («σε ποιο bucket ανήκει;», «είναι επείγον;», «πόσο θυμωμένος είναι ο πελάτης;») — όπως τις περιέγραψε ο Daniel Kahneman στο Thinking, Fast and Slow. Και ότι επί δύο χρόνια νοικιάζαμε ακριβά System 2 (αργή, deliberate σκέψη) για να παράγουμε αυτές τις κρίσεις μέσω κειμένου.

Η δηλωμένη φιλοσοφία της εταιρείας είναι αντι-θεαματική. Όταν ρωτήθηκε αν η TypeSafe είναι «frontier lab», ο Almeida απάντησε ότι το κύριο προϊόν των frontier labs είναι «ο φόβος ή το hype», ενώ το δικό τους θέλει να είναι η νοημοσύνη — όχι «ένα στοίχημα για άπειρο πλούτο, μια θρησκεία, ή τον Θεό σε ένα data center».

Τα 3 Πρωτόγονα + η Calibration

Όλο το API του Jev χτίζεται πάνω σε τρεις τύπους ερωτήσεων. Τους δηλώνεις σε ένα schema πριν την κλήση, μαζί με την κατάσταση (state), και το μοντέλο τους απαντά όλους σε ένα parallel pass — όχι τον έναν μετά τον άλλον, και χωρίς ο ένας να γίνεται context του επόμενου.

RLCD: Πώς Εκπαιδεύεις ένα Μοντέλο να Ξέρει Πότε Δεν Ξέρει

Το κρίσιμο τεχνικό σημείο δεν είναι ότι το Jev δεν βγάζει κείμενο — αυτό είναι το εμφανές. Είναι πώς εκπαιδεύτηκε. Τα σημερινά μοντέλα χρησιμοποιούν, κατά περίπτωση:

• RLHF — βελτιστοποιεί για απαντήσεις που προτιμούν οι άνθρωποι-κριτές.
• RLVR — βελτιστοποιεί για outputs που ένα πρόγραμμα μπορεί να επαληθεύσει (π.χ. μαθηματικά, κώδικας).
• RLCD — αυτό που εισάγει η TypeSafe: βελτιστοποιεί για επιστημονικά έντιμες πιθανότητες πάνω σε decision tasks.

Η διαφορά φαίνεται με μια αναλογία: αν μια πρόγνωση καιρού λέει «80% πιθανότητα βροχής» και σε 100 συγκρίσιμες μέρες βρέχει στις ~80, η πρόγνωση είναι calibrated. Στο Jev, ομάδες αποφάσεων στις οποίες δίνει πιθανότητα 0.8 πρέπει να είναι σωστές περίπου στο 80% των περιπτώσεων. Αυτό είναι ιδιότητα σε επίπεδο ομάδας — δεν εγγυάται τίποτα για τη μεμονωμένη απάντηση.

Ένα δεύτερο στοίχημα του Almeida: τα δεδομένα είναι 100% synthetic. «Ποντάραμε νωρίς ότι θα φτιάχνουμε όλα μας τα δεδομένα», δήλωσε, «και ήταν το καλύτερο στοίχημα της ζωής μου — καλύτερο κι από το RLHF». Το μισό της εταιρείας, λέει, είναι ένα lab που «κατέχει αυτό το υποπεδίο των στατιστικά καλά κατανοητών συνθετικών δεδομένων».

Benchmarks & Οικονομικά: 68% στα $0.0004

Η TypeSafe δημοσίευσε τέσσερα δικά της decision workflows (ένα από αυτά: «κοίταξε ένα agent trace και πες αν χρειάζεται άνθρωπος»). Τα νούμερα είναι εντυπωσιακά — με μια σοβαρή προειδοποίηση: είναι vendor-created αξιολογήσεις, με απαντήσεις άλλων μοντέλων ως reference, όχι ανεξάρτητα επαληθευμένες λύσεις. Το GPT-6 Astra απουσιάζει.

Διάβασέ το έτσι: το Jev είναι ~5 μονάδες πίσω από το Opus 5 σε accuracy, αλλά ~440× φθηνότερο και ~95× ταχύτερο. Σε ένα εκατομμύριο support tickets, ένα cascade με Jev υπολογίζεται γύρω στα $6.480 αντί για ~$30.400, με ~800.000 να απαντώνται κάτω από μισό δευτερόλεπτο.

Ακόμα πιο ενδιαφέρον είναι το πείραμα spam: το Jev έπιασε 98.3% χωρίς task-specific fine-tuning ή labeled examples. Ένα TF-IDF logistic regression από το 2003, εκπαιδευμένο σε ~14.800 labeled emails, έπιασε 98.4% — πρακτικά ισοπαλία. Και η κατανομή πιθανοτήτων συμπεριφέρθηκε: από τα emails που σκόραρε <0.1, μόλις 0.1% ήταν spam· από αυτά με ≥0.9, το 99.9% ήταν spam· στη ζώνη 0.5–0.6, μόνο 38%. Αυτή ακριβώς η καμπύλη είναι που σε αφήνει να θέσεις λογικό threshold.

Οι εταιρικοί τόνοι είναι επίσης αποκαλυπτικοί: η κεφαλίδα της TypeSafe διαφημίζει «193.6× faster, 444.6× cheaper» — νούμερα από τα δικά της workflows, που η ίδια παραδέχεται ότι είναι στο πάνω άκρο. Το Vercel, που αντικατέστησε το OpenAI Luna με Jev για classification, ανέφερε 5–18× ταχύτερα. Και η ζήτηση ήταν τέτοια που η εταιρεία έχασε προσωρινά την ικανότητα να σερβίρει από το API της.

Ο Κώδικας: Jev API και το Cascade Pattern

Διαθέσιμο μέσω HTTP API (POST https://api.typesafe.ai/v1/systemone, route jev-latest), με Python & JS/TS SDKs, αλλά και μέσω Vercel AI Gateway (typesafe-ai/jev) και του experimental_evaluate API του AI SDK 7. Όριο: 64K tokens/request, με state + τη μεγαλύτερη ερώτηση έως 32K. Το παρακάτω είναι ενδεικτικό παράδειγμα που αποτυπώνει τη λογική των typed questions.

Το πραγματικό κέρδος δεν είναι η κλήση — είναι το ότι η ροή ελέγχου μένει σε κώδικα. Κανένα threshold δεν κρύβεται μέσα σε ένα prompt:

Τι Δεν Κάνει — και οι Σκεπτικιστές

Το «δεν παραισθάνεται» χρειάζεται στενότερη ανάγνωση απ' ό,τι του δίνουν τα launch threads. Το Jev δεν μπορεί να εφεύρει μια επιλογή εκτός schema — αλλά αυτό δεν το εμποδίζει να διαλέξει τη λάθος έγκυρη επιλογή. Όπως το έθεσε ένας σχολιαστής, μπορεί να εκπέμψει «μια απόλυτα λάθος valid τιμή». Το type safety είναι πραγματικό και πολύτιμο· δεν λέει τίποτα για το αν η απόφαση είναι ορθή, συμβατή με policy ή επηρεασμένη από misleading input.

Είναι επίσης, εξ ορισμού, άχρηστο για generation: δεν γράφει reply, σύνοψη, κώδικα, ούτε εξηγεί το reasoning του. Δεν είναι agent loop — απαντά ένα flat batch ανεξάρτητων ερωτήσεων ανά κλήση, δεν κάνει tool use ούτε multi-step reasoning. Και δεν κάνει ελεύθερη extraction (π.χ. «βγάλε όλες τις ημερομηνίες»).

Οι πιο σοβαρές ενστάσεις είναι διαδικαστικές. Πρώτον, το RLCD δεν έχει δημοσιευμένο, αναπαραγώγιμο objective: δεν υπάρχουν reliability diagrams, expected calibration error ή Brier scores, ούτε ανεξάρτητη μελέτη calibration. Δεύτερον, το confidence είναι στατιστική του σχήματος της κατανομής, όχι απόδειξη ορθότητας — μια κορυφωμένη κατανομή μπορεί να είναι λάθος. Τρίτον, το ερώτημα του «τι καινούριο υπάρχει»: πολλοί επεσήμαναν πως encoder μοντέλα (GLiNER, fine-tuned ModernBERT), cross-encoders και απλό logit readout (όπως το Qwen3-Reranker) ήδη δίνουν «unstructured state in, probabilistic decisions out» — γρήγορα και χωρίς παραισθήσεις. Μια ανεξάρτητη αναπαραγωγή (OpenJev) έπιασε 0.845 έναντι 0.883 του επίσημου Jev σε subset 102 γραμμών.

Λεπτό σχεδιαστικό trap: όταν οι μόνες επιλογές ενός Choice είναι approve/reject, οι πιθανότητές τους πρέπει να αθροίζουν στο 1 ακόμα κι όταν τα στοιχεία δεν στηρίζουν καμία. Δώσε στο μοντέλο κάπου να βάλει το «δεν ξέρω» — μια ρητή επιλογή insufficient_information — αλλιώς το normalization κρύβει την αβεβαιότητα.

Production Checklist: 7 Λάθη που Πρέπει να Αποφύγεις