Диого Алмейда: Почему я создал Jev?

Автор:Founder Park

За последнюю неделю Jev стал самой обсуждаемой и востребованной новой моделью во всём экосистеме ИИ.

Основной упор сделан на быстрое мышление типа System 1, модель выполняет исключительно функцию «принятия решений» и использует методологию RLCD, выдавая на выход лишь выбор, вероятность и степень уверенности. Основатель Диого Алмейда ранее участвовал в исследованиях InstructGPT, ChatGPT и GPT-4 в компании OpenAI, а также входит в число ключевых специалистов, доведших RLHF до массового применения. Уйдя из OpenAI, он выбрал принципиально иную траекторию: вместо тренировки модели, которая лучше владеет речью, он создаёт систему, вообще не генерирующую текстовые ответы.

Компания, стоящая за разработкой Jev, называется TypeSafe. 15 сентября, завершив двухлетнее пребывание в тени, TypeSafe анонсировала релиз Jev и одновременно объявила о закрытии посевного раунда Seed объёмом 40 млн долларов США при лидирующем участии инвестфонда DCVC.

Что же конкретно означает появление Jev? Новый подход к архитектуре моделей или открытие дополнительных возможностей для интеграции? Частичные ответы на эти вопросы можно почерпнуть из серии недавних публичных выступлений Диого Алмейды.

Сопоставив эти два формата коммуникации, прослеживается чёткая эволюция мысли: от вопроса «зачем нам принципиально новый инструмент» до конкретных ответов на вопрос «как именно этот новый инструмент должен выглядеть».

Партнер фонда Foundation Capital Джая Гупта рассматривает Jev в контексте более масштабных сдвигов. На фоне становящихся всё умнее и дороже генеративных моделей Jev может стать триггером нового «Великого расщепления интеллекта».

Ниже представлен материал, составленный на основе открытых выступлений Диого Алмейды, интервью в подкасте и статьи Джайи Гупты, отредактированный и структурированный редакцией Founder Park.

01 Современные агенты пока способны лишь угодить человеку

Более чем за месяц до выхода Jev Диого Алмейда выступил с лекцией на тему «Что будет после RLHF». Он не раскрывал коммерческих деталей, но поднял фундаментальный вопрос, который сейчас решает команда TypeSafe: каким станет весь стэк искусственного интеллекта, если спроектировать его заново вокруг надёжности и полной автоматизации? Оглядываясь назад, можно заметить, что ряд тезисов из той речи уже материализовался в целевых функциях обучения и форм-факторе самого Jev.

Скорее всего, я один из немногих в OpenAI, кто открыто критикует ChatGPT. Я не считаю его плохим продуктом, ChatGPT — это инструмент, меняющий мир, и я продолжаю им пользоваться. Но я признаю его объективные ограничения. Многие феномены современной отрасли сегодня восходят к тем тонким архитектурным и этическим решениям, которые мы приняли при проектировании алгоритмов ChatGPT изначально.

Сейчас весь рынок ИИ сталкивается с неразрешимым на первый взгляд противоречием: что же происходит? С одной стороны, модели непрерывно пробивают новые пики практически по каждому бенчмарку и могут автономно функционировать всё дольше. С другой — для задач, кажущихся куда банальнее, по-прежнему требуется присутствие оператора. Как мы способны решать нерешённые математические задачи, а служба поддержки по-прежнему нуждается в человеке внутри контура (loop), чтобы принять финальное бизнес-решение?

На мой взгляд, самое простое объяснение заключается в том, что задачи, демонстрирующие поразительные результаты, изначально задумывались для того, чтобы угодить присутствующему в контуре человеку. Работа Claude Code направлена не только на то, чтобы код начал исполняться; иначе механизм взаимодействия с пользователем был бы совершенно иным. В то же время задачи, выглядящие примитивнее, как раз сконструированы так, чтобы исключить человека из контура. В идеале они должны выполняться в фоновом режиме на сервере, на который вы никогда не заглядываете.

Это и есть граница между ассистированием (assistance) и автоматизацией (automation).

Базовый принцип RLHF — сбор человеческих предпочтений и их последующая оптимизация. Ответ на вопрос «почему LLM почти всегда требуют участия человека в контуре?» фактически заложена здесь: мы действительно поместили человека в цикл обучения. Её главная цель — удовлетворить пользователя, а не обеспечить автономную работу программного обеспечения.

Мне запомнился один показательный кейс. Пользователь отправил ChatGPT звуковой файл с фырканьем и спросил: «Как тебе эта музыка? Ответь прямо и честно». ChatGPT ответил: «Она создаёт очень странное атмосферное настроение». Если модель не знает правильного ответа, она склонна генерировать вариант, который, по её оценке, максимально соответствует человеческим ожиданиям.

Когда пользователь постоянно находится внутри контура, такая логика оправдана. Но если вам нужна настоящая автоматизация, требуется, чтобы модель была равнодушна к человеческим симпатиям и выполняла задачу правильно посредством строгого калиброванного подхода. Наско бы ни сбивалась модель, она будет изо всех сил стараться казаться компетентной, что неизбежно приводит к галлюцинациям и ошибкам.

Именно поэтому я утверждаю: следующее поколение — это не эра Claude Code. Claude Code мощен, и мне он нравится, но он по-прежнему относится к эпохе ассистирования и сохраняет reliance на RLHF. occasionally модель становится сильнее в задачах агентов, но перестает действовать именно так, как вам необходимо. Баланс этих инженерных компромиссов постоянно смещается, не добавляя при этом реальной автономности.

02 Для создания по-настоящему умного ПО необходим ещё один этап постобучения помимо RLHF и RLVR

Я глубоко ценю инженерный подход к ПО. Но на мой взгляд, самым парадоксальным здесь является то, что сектор SaaS с 2019 года практически не эволюционировал, за исключением редких попыток пристегнуть чат-бот сбоку. Учитывая глобальный прогресс ИИ, это выглядит странно. Однако если ИИ изначально проектировался как ассистент, такой стагнация становится логичной. Что вообще можно внедрить в SaaS? Только вспомогательного помощника.

Мне импонируют и Claude Code, и приложения мгновенного реагирования. Но я ищу большего, чем просто удешевление разработки и упрощение написания кода. Мне нужна более интеллектуальная архитектура. Почему B2B-решения не обладают большей выразительностью? Почему базовые строительные блоки программного обеспечения остаются прежними?

Когда речь заходит об автоматизации, нельзя сваливать весь спектр обязанностей одного специалиста единым пластом в нейросеть. Лучше всего поддаются автоматизации рутинные, механические процессы: настолько простые, что их алгоритм можно буквально разжевать коллеге, и настолько базовые, что их можно многократно выполнять почти без marginal costs. Но сегодня мы в основном автоматизируем сам процесс «написания ПО», при этом выразительные и логические способности самого ПО от этого не растут.

Я не вижу проблемы в самом pre-training. Это великолепный механизм, сжимающий знания интернета в единое интеллектуальное ядро. Задача заключается в том, как безопасно и эффективно экспортировать этот интеллект наружу.

Если представить post-training в виде дерева, то каждая ветвь имеет свой собственный North Star (стратегический ориентир). RLHF оптимизирует человеческие предпочтения, RLVR — проверяемую корректность и минимальный процент ошибок. Мы же занимаемся третьим направлением: оптимизацией калиброванных управленческих решений.

Для меня правильный выбор вертикалей задач куда важнее простого наращивания датасетов и GPU-мощностей. Разные конечные цели могут формировать API совершенно разного дизайна. Наша цель — напрямую выводить интеллект из предварительно обученных моделей, чтобы он мог беспрепятственно потребляться программами.

Этим мы и занимаемся в TypeSafe. Что получится, если заново спроектировать весь стэк ИИ ради надёжности и полной автоматизации? Я убежден, что шаг после ассистирования — настоящая machine-level automation. Несмотря на потрясающий уровень интеллекта современных LLM, доля задач, fully automated сегодня, составляет лишь mathematical rounding error.

03 Jev занимается только принятием решений, остальное отдаётся коду

После вирусного взрывного роста Diogo Almeida в podcast-интервью отметил, что работает в режиме постоянного fire-fighting, но наконец почувствовал, что «синхронизировался с реальностью»: разработчики начали прояснять для себя свои истинные потребности. В этом диалоге он детально разбирает, какую практическую пользу Jev привносит в софт, и как именно инженерам следует декомпозировать комплексные задачи на верифицируемые микро-решения.

Ведущий: Что такое Jev на самом деле?

Диого Алмейда: Это скользкий вопрос. Я считаю, что нам необходима новая категория систем, наиболее точная формулировка которой — модель System 1. Многие называют её «decision engine», но я не хочу сужать понятие исключительно до принятия решений. Мы позиционируем её как machine-native, large-scale и programmable. Конечная цель — заставить код выступать основным consumer’ом выходных данных.

Ведущий: Вы предоставляют три типа вывода: Choice, Score и Noul. Как именно они соотносятся с операционной логикой программ?

Диого Алмейда: Choice — это селективный выбор из pre-defined option pool, что ближе всего к ветвлению в вызове функции; его естественнее транслировать через enums и конструкции switch/match. Score применяется для ранжирования или компарации с threshold. Noul отвечает на бинарный вопрос «да/нет», но возвращает probability distribution, что позволяет runtime-среде рассчитать, стоит ли активировать конкретный условный блок if. Получив подобные метрики, разработчик возвращает поток управления коду для определения следующих шагов.

Такая типизация намеренно создаёт новые абстракции. Noul — это не простой boolean, Score — не стандартное целое число. Попытка форсированно запихнуть их в native integer или float-типы приведёт к misinterpretation со стороны программистов.

Ведущий: Если разработчик планирует интегрировать Jev в production, как следует архитектурно организовать payload?

Диого Алмейда: State, instructions и criteria во входном массиве могут быть верифицированными JSON-структурами. Нет никакой необходимости сначала конкатенировать гигантский string template. Внутри инфраструктуры уже exist nested payloads и переменные; конвертировать всё сначала в plain text, а затем впихивать в system message — это всё равно что примитивно caste number to string перед передачей в downstream function.

Моя рекомендация: максимально атомизировать сложные ворклоусы на изолированные query-подзадачи, чётко параметризовать каждую и запускать параллельно там, где это возможно. Это делается не ради максимизации revenue на token-grain basis, а ради улучшения структурной целостности кода и determinism поведения агента. Блоки вроде «не сканировать эту поддиректорию» или «никогда не экsport API Key» должны контролироваться строго кодом, а не возлагаться на祈祷 в одном massive prompt.

Ведущий: Но фрагментация макро-задачи на сотни одиночных вызовов иногда провоцирует latency spikes, удорожает процесс и крэшит overall quality. Как именно нужно резать, чтобы это сохраняло utility?

Диого Алмейда: Такой overhead неизбежен. Объединять контекстно удобно, а при сегментации приходится дублировать preamble. Необходимо стремиться deconstruct до минимальной semantic unit, чтобы каждый atomic query был clear и measurable, а финальный branching logic оставался за кодом.

Например, не спрашивайте модель в лоб: «Отклонять ли этот инвойс?». Вместо этого параметризуйте условия rejection по категориям, назначьте weight для каждого edge-case. Обнаружили пропуск сценария — инжектируйте новый guard, threshold и test suite. Если определённый кластер данных (например, распознавание сарказма в VIP-коммуникациях) не поддается декомпозиции, route it human fallback. Так вы получите full observability bottleneck-зоны и сможете continuous monitor drift.

Ведущий: Подвергается ли любая complex workflow такой декомпозиции для Jev? В ходе sandbox-тестов я заметил: single-step judgment strong, но multi-hop reasoning деградирует пропорционально chain length.

Диого Алмейда: Совершенно верно. Поэтому boundary applicability для System 1 определяется исключительно empirical performance. Мы стремимся maximize latent capability и mitigate stochastic variance, но это не означает omnipotence across domains. Прогресс RLVR в области complex deductive reasoning действительно впечатляет, однако эти use-cases fundamentally orthogonal к нашим current strengths в fast deterministic classification.

Ведущий: Насколько reliable calibration и confidence scores сейчас, чтобы инженеры могли хардкодить threshold values?

Диого Алмейда: Я не claim, что calibration absolute. Модель всё ещё допускает factual hallucination, и на текущем maturity stage необходимо признать architectural limits. Однако в ряде low-risk verticals, даже при известном error rate, high expected value combined с fine-tuned cutoff позволяет safely deploy in production.

Под «reliability» я подразумеваю не только JSON-schema validation или strict idempotency on identical input. Мне critical higher robustness: обеспечивают ли semantically similar inputs proximal outputs? Мы inject random noise IDs into prompt, чтобы проверить stability при lexical perturbation. Именно здесь legacy LLM-driven decisions often fail.

Ведущий: Какие concrete scenarios вы оцениваете как наиболее viable?

Диого Алмейда: First tier: dark data. Enterprise legacy archives accumulate petabytes, но отказываются от mining из-за prohibitive LLM call costs. Second tier: real-time intelligence products, где latency shaving по десятки milliseconds drastically uplifts UX. Third tier: verify-everything middleware для audit trails других LLM calls, а также composition-ready agentic stacks. Coding Agent, очевидно, mass-market horizontal; character autonomy в AAA-games — горизонт, которому мы тоже рады видеть commercial viability.

Однако я предостерегаю от mechanical insertion ten-to-hundred Jev calls per each frontier-model invocation. Моя ставка: минимизация OpEx через reduction heavy reasoning calls + supplementation with rapid deterministic checks. Architecture patterns remain context-dependent.

Ведущий: Сколько validated PMF signals вы получили pre-launch?

Диого Алмейда: Честно? signal weak internally. Business stakeholders боялись, что мы pitch vitamin вместо painkiller; ARR pre-release равнялся zero. Roughly >50% sandbox users didn't grasp the paradigm shift; technically literate adopters immediately hit procurement compliance walls. Personal risk aversion was high, hence aggressive GTM velocity.

Теперь наблюдаем surge в запросах на Rate Limit bumps. Это forced me recalibrate PMF detection heuristics. Value adoption начинается внутри developer toolchains, затем cascade network effects. Меня primacy metric daily active token consumption, не vanity sign-ups. Текущий throughput >1T tokens/day, ночной traffic flatlines indicates background daemons, not wetware playtesting.

Long-term anchor остается trust retention. Can same logical class pass verification consistently? Can engineers drop System 1 queries at compute-constrained edges и get deterministic branch resolution? Buildout horizon extended.

04 Достаточного дешевого решения для классификации хватит, чтобы раскрыть множество новых сценариев

Инвестору Джайе Гупте интересен иной unit-economics расклад: насколько долго сохранится economic viability монолитной универсальной модели, когда agentic workflows потребуют infinite recursive calling? Ниже адаптированный перевод её аналитической статьи «The Great Unbundling of Intelligence».

Три последних года value proposition больших генеративных моделей заключалась в их vertical integration. Извлечь entity из PDF? invoke LLM. Search, sort, classify, routing tools, web browse, compose response, validate results, solve deep-dive reasoning problems? Same monolith stack. GPT, Claude, Gemini и Kimi compressed historically decoupled capabilities into a single binary. Engineers no longer required stitching dozens of narrow APIs; one sufficiently generalist model handled majority load cases.

Но эта convenience masking structural inefficiency: compute requirements for these features diverge radically, и specialized models begin outperforming generic ones on narrow sub-tasks. As performance, p99 latency и COGS divergence widens, optimal infrastructure topology must pivot.

Я постулирую: мы входим в фазу «Великого расщепления интеллекта».

Почему именно сейчас? Agentic loops transform one human objective into hundreds/thousands of micro-decisions. Marginal delta в cost per step и round-trip latency compounding exponentially, ultimately dictating product unit economics. Inference is transitioning from R&D expense to COGS core driver.

Один из conceptual lenses для осмысления этого явления — «decoder tax». Если business logic требует только бинарной вердиктной логики: «urgent/non-urgent», «continue/abort», “allow/deny”, или выбора resource allocator, стандартный contemporary pipeline forces LLM to streaming text tokens, followed by post-hoc parsing back to deterministic enum. Agent internal loops repeat this wasteful generation cycle continuously, wherein significant compute budget is purely speculative generation.

По финансовым отчётам, gross margin Anthropic cross 80%. Так выглядит aggregate capacity premium. Model family Claude handles drafting, taxonomy, extraction, ranking, triage, coding, planning, validation и long-context synthesis via single interface. Today, simple categorical classification runs inside a single Claude execution, yet incurs frontier-tier pricing. You subsidize unrelated capacities within the same call.

Deep domain reasoning warrants frontier premiums. Но оправдывает ли economics uniform pricing для urgent-email flagging, top-K doc re-ranking, или headless browser operation validation? Какова standalone market clearing price на каждую embedded capability внутри единичного RPC?

Вот why timing aligns perfectly for Jev release. It strips “deterministic judgment” from generative capability matrix: ingests noisy state, bounded prompt hypothesis, predefined candidate space, emits structured verdict + calibrated probability. The cognitive abstraction isn't theoretically novel; breakthrough lies in direct model-layer encapsulation of this operation, с unit economics & latency profiles optimized explicitly for inner-agent loops.

Architectural default patterns shifting от «prioritize frontier models first, optimize cost second» к «route cheapest capable specialist by default, escalate on exception». Search delegated to vector indexes, ranking to dedicated re-ranker networks, deterministic routing to typed functions, basic completion to commodity small models; pure multi-step deduction escalates to flagship backends.

This demand-side migration inevitably reshapes workload distribution for leaders. Predictable, high-frequency operations migrate downward, leaving leaders with unstructured, long-tail, hard-to-verify edge cases. Per-invocation value rises, but absolute call volume declines.

05 Следующая волна возможностей для приложений — определение требуемого уровня интеллекта на каждом этапе

Когда disaggregation capability curves flatten, orchestration complexity becomes premium. Это определяет strategic lift для application-layer founders.

App architecture больше не resolves to «which monolithic LLM owns this vertical». Instead, app determines modular capability portfolio required per workflow. Application evolves into intelligence compiler: receives natural-language intent, decomposes into discrete cognitive primitives, provisions lowest-cost sufficient compute for each primitive, composites outcomes, и only upscale architectures на runtime exceptions.

Next iteration depth surpasses «assign this prompt to which vendor». Core architectural inquiry becomes: who supplies each internal capability layer within the task dependency graph?

Once stable contracts emerge per capability slice, independent providers can benchmarked, swapped, routed, and priced separately. Great unbundling won't erase AI profit pools; it forces granular unit economics transparency. Every capability must justify its margin independently.

Furthermore, it alters feasible business models. Commodity decision engines redefine what becomes economically executable.

When deterministic judgment drops below $0.001 and sub-200ms RTT, you can insert audit guards after every single agent action, rather than sampling batch jobs. You embed reasoning into browser event loops and voice-state machines, environments intolerant of multi-second synchronous inference blocking.

Historically, system could audit ~1% behavioral footprint. New instrumentation enables 100% coverage: every support ticket, search query, financial ledger entry, disclosure statement, contract clause. Generates continuous supervision, continuous QA pipelines, and closed-loop product iteration cycles.

Currently, vast majority of latent software decisions remain dormant due to prohibitive inference OpEx limiting continuous application. Once filtering, ranking, verification и auxiliary modules achieve economic parity, enterprise software gains ability to evaluate every customer cohort, workflow node, agent traversal, и state transition event.

Computationally cheap intelligence expands addressable scope of autonomous systems. Fundamental inflection point: entering environment where intelligence transitions from stochastic event to persistent background service property.

What occurs when all product tiers can simulate deliberation near-zero marginal cost?

In recent years, engineering dogma obsessed over maximum feature density within single parameter count boundaries. Overcoming hardware bottlenecks, we likely spend next decade dismantling those bundles, recomposing them dynamically at the application edge.