Archiv

Jev: System One models for Prod, not God — with Diogo Almeida, CEO, TypeSafe AI

Latent Space podcast (141 minut) s Diogem Almeidou, CEO TypeSafe AI, představuje Jev - nový typ AI modelů optimalizovaných na "inteligenci za dolar", určený primárně pro strojovou spotřebu (kód, agenty), ne pro chat. Model používá přístup RLCD (Reinforcement Learning for Calibrated Decisions) místo tradičního RLHF, aby řešil problémy s mode collapse a kalibrací. Diskutují praktické aplikace včetně počítačového použití, coding agentů, her a analytiky, s kritikou standardního škálování jako primární optimalizační strategie.

Proč to je důležité: Jev signalizuje posun od chat-zaměřených modelů k softwarovému AI s potenciálem pro efektivnější integraci do existujícího kódu. Pro české vývojáře to otevírá nový přístup k AI automatizaci bez závislosti na velkých jazykových modelech optimalizovaných primárně na lidský feedback.

• TypeSafe AI
• Diogo Almeida na X (Twitter)
• Diogo Almeida na LinkedIn

[AINews] Jev: a "System One Model" that only decides/classifies/routes/scores — >100x faster, >200x cheaper than small frontier LLMs

Startup TypeSafe (spoluzakladatel ChatGPT Diogo Almeida) vydal model Jev trénovaný metodou RLCD, který negeneruje text, ale pouze rozhoduje, klasifikuje, směruje a skóruje – je 20-200x rychlejší a 40-400x levnější než malé frontier LLM, s volnými výstupními tokeny. Komunita jej vidí spíš jako levný kalibrovaný nástroj pro strukturované úlohy (klasifikátor, judge, router) než náhradu obecných jazykových modelů, blízký DSPy typovaným predikcím. Vedle toho Periodic Labs představil model Neon pro materiálovědu (1300 H200 GPU, zlepšení z 2,7 % na 55,3 % na interním benchmarku FrontierXRD, překonává GPT-6 Astra) a Google spustil Gemini 3.8 Live s podporou 97 jazyků a cenou od 0,84 USD/hod. Zmíněny jsou i studie o reward hackingu (CheatBench) a přenosu persony mezi modely.

Proč to je důležité: Levné a extrémně rychlé rozhodovací modely typu Jev mohou firmám výrazně snížit náklady na klasifikaci, routing a scoring v produkčních AI systémech bez nutnosti nasazovat drahé generativní LLM.