Tvrtka TypeSafe AI izašao je u javnost 15. rujna 2026. s 40 milijuna dolara, a ulaganje je predvodio DCVC. Suosnivač i direktor Diogo Almeida u OpenAI-ju je bio jedan od autora InstructGPT-a, istraživanja iz kojeg je nastao ChatGPT (malo razbacivanja imenima…). Sada upozorava na cijenu tog pristupa: učenje iz ljudskih ocjena (RLHF) modele je optimiziralo za ljudski ukus, a posljedica su pretjerana samouvjerenost i odgovori koje softver mora parsirati i provjeravati.

Prvi i za sada jedini model TypeSafea zove se Jev i ima drukčiji zadatak: donijeti odluku, a ne napisati odgovor. Model ne generira token po token, nego na sva pitanja odgovara u jednom paralelnom prolazu. Arhitektura nije objavljena, a metoda treninga zove se RLCD (Reinforcement Learning for Calibrated Decisions). Ime je posveta Williamu Stanleyju Jevonsu, ekonomistu koji je u 19. stoljeću primijetio da su učinkovitiji parni strojevi koji troše manje ugljena po jedinici snage (pa su jeftiniji u eksploataciji) doveli do povećavanja potrošnje ugljena umjesto da je smanje. TypeSafe se kladi da će jeftiniji tokeni jednako tako povećati potrošnju tokena.

Bez marketinškog omota Jev je univerzalni klasifikator. Klasifikacija nije ništa novo, ali BERT i slični modeli moraju se ponovno trenirati kad god se promijene kategorije. Jev nove kategorije prima u samom zahtjevu.

Tri tipa pitanja, jedan poziv

API ima jednu krajnju točku (endpoint), POST https://api.typesafe.ai/v1/systemone. Šalje mu se stanje (state: običan tekst, JSON ili niz tekstova) i skup pitanja triju tipova:

Pitanja se izvršavaju paralelno, pa dodatna gotovo ne produljuju odgovor. Plaća se samo ulaz, 0,042 dolara po milijunu tokena, dok je izlaz besplatan. Tipičan zahtjev za jedan korisnički upit ima oko 300 tokena, pa 100.000 upita stoji oko 1,26 dolara. SDK postoji za Python (pip install typesafe-sdk) i JavaScript (@typesafe-ai/sdk).

Pet obrazaca u kojima Jev ima smisla

Usmjeravanjem zahtjeva počinje većina ranih eksperimenata: Jev stoji ispred svega i odlučuje tko obrađuje zahtjev, obični kod, veliki model ili čovjek.

Primjer upita (prema TypeSafe AI):

r = client.system_one(
    state=poruka,
    questions={
        "namjera": Choice(instructions="Glavna namjera ove poruke",
            criteria={"status_narudzbe": "Pita za postojeću narudžbu",
                      "prituzba": "Nezadovoljan je i traži rješenje"}),
        "slozenost": Score(instructions="Koliko je složeno riješiti ovaj upit",
            criteria=["Jednostavna provjera", "Traži procjenu", "Rubni slučaj, eskalirati"]),
    },
)
if r.answers["namjera"].confidence < 0.5:
    return proslijedi_djelatniku(poruka)    # model nije siguran, odlučuje čovjek
if r.answers["namjera"].choice == "status_narudzbe":
    return provjeri_narudzbu(poruka)        # obični kod, bez LLM-a

Ključna je kalibracija: ako vjerojatnosti stvarno odgovaraju točnosti, prag se može postaviti tako da se automatski obrađuju samo sigurni slučajevi.

Bodovanje može biti složeno - umjesto da model pitamo "koliki je prioritet", postavimo tri odvojena pitanja tipa Score (težina greške, frustracija korisnika, kvaliteta prijave) i kombiniramo ih u kodu s težinama, recimo 0,6, 0,3 i 0,1. Kad poredak ne odgovara procjeni tima, mijenja se koeficijent, a ne prompt.

LangChain je već izdao eksperimentalni middleware za Jev. AutoModeMiddleware provjerava svaki poziv alata, recimo bash, i blokira rizične naredbe prije izvršavanja, slično kao što Claude Code i Codex klasificiraju opasne akcije. ModelRouterMiddleware na temelju korisnikove poruke bira model za cijeli zadatak, primjerice najjeftiniji koji ga može riješiti.

Web-trgovina s 50 milijuna korisničkih recenzija proizvoda mogla bi za svaku provjeriti je li pozitivna ili negativna i krši li pravila objavljivanja. Uz oko 300 tokena po recenziji (korisici ljuti, ali ne dovoljno da bi se raspisali kao ekipa na Bugovom forumu…) to bi stajalo oko 630 dolara.

U TypeSafeovu primjeru s pravnim tekstovima (CLERC) Jev je preslagivao kandidate dobivene pretragom BM25 i podigao točnost prvog rezultata s 5 na 18 posto, a prvih deset s 38 na 62 posto.

Moguća organizacija posla je da veliki jezični model napiše sažetak, a Jev za svaku tvrdnju provjerava podržava li je izvor. Zbog brzine može odlučivati i unutar petlje igre ili robota. U demu s Doomom Jev dobiva deset upita u sekundi za oko 7 dolara na sat, iako bi klasični bot, priznaje TypeSafe, igrao bolje. Model pritom ne vidi sliku, nego strukturirani opis stanja igre.

Dakle – ako namjeravate varati u Doomu i dalje vam ostaje wallhack, ne Jev…

Brojke su dobre, ali ih je izmjerio proizvođač

TypeSafe je objavio usporedbu na četiri radna tijeka: odgovor na sigurnosni incident, nadzor tragova agenata, obradu računa i korisničku podršku. Svi modeli radili su isti tijek rastavljen na pitanja.

Za programere je važnija druga brojka iz istog testa. U prosjeku sva četiri tijeka svaki model bio je točniji, jeftiniji i brži kad je zadatak rastavljen na uska pitanja nego kad je sve stiglo kao jedan prompt, iako u pojedinim tijekovima ima iznimaka. Kod Claude Haikua 4.5 razlika je 53,6 prema 18,1 posto. Dobar dio dobitka dakle dolazi od rastavljanja posla, a ne od samog Jeva.

Ograde su važne. Test je izradio TypeSafeov tim, a "točan odgovor" je prosjek odgovora GPT-6 Astre i Fablea 5.1. Jev se dakle ne mjeri prema stvarno točnim odgovorima, nego prema tome koliko se slaže s velikim modelima, pa ih po definiciji ne može nadmašiti. "Nula halucinacija" znači samo da je odgovor uvijek u zadanom formatu, jer model drugo ni ne može vratiti. Odgovor i dalje može biti pogrešan. Tvrtka piše i da ne može dokazati da cijena nije subvencionirana. Na YouTubeu Sam Witteveen upozorava da uvjeti korištenja zabranjuju uspoređivanje Jeva s drugim modelima. U objavljenim uvjetima to nismo našli, ali ugovor zabranjuje destilaciju i razvoj konkurentskog proizvoda. Nezavisnih mjerenja zasad je malo.

Gdje "šteka" - aritmetika, datumi i previše konteksta

Na čast TypeSafeu, dokumentacija ima stranicu o devet tipičnih slabosti verzije jev-1.13. Model griješi u računanju, usporedbi datuma i praćenju neizravnih upućivanja, upute čita previše doslovno, zbunjuju ga proturječne upute i zlonamjeran sadržaj, a točnost mu pada kad je stanje pretrpano nevažnim detaljima (context rot). Većina preporuka svodi se na isto: aritmetiku i usporedbe datuma prepustiti kodu, a modelu slati samo ono što pitanje treba. Poučan je i primjer nekonzistentnosti. Na pitanje je li riječ o povratu novca model je dao vjerojatnost 0,72, a na njegovu negaciju 0,47. Svaku odluku zato treba pitati samo na jedan način, a logičke odnose provjeravati u kodu.

Tehnička ograničenja: kontekst ima 64.000 tokena po zahtjevu, od čega 32.000 za stanje i najdulje pitanje. Ulaz je samo tekst, bez slika i zvuka. Limiti su 250.000 tokena u sekundi i 1.200 zahtjeva u minuti. Poslužitelji su na zapadnoj obali SAD-a, pa iz Hrvatske deklariranih 70 - 500 ms odziva shvatite kao lijepu priču rođaka iz Amerike. Pristup ide preko liste čekanja ili Vercelova AI Gatewaya. Prema dokumentaciji engleski je glavni jezik treninga, a ostale jezike model obrađuje, ali ne jednako dobro, pa hrvatske tekstove treba testirati na vlastitim podacima.

Otvoreni klonovi stigli su za 24 sata

Srećom, ideja se pokazala lakom za kopiranje. Svega nekoliko dana nakon objave pojavilo se tridesetak otvorenih projekata. Na neovisnoj ljestvici JevBench Jev ima 75,4 boda, a odmah iza njega je SemIf sa 74,7. On uzima zamrznuti Qwen 3.5 4B bez ikakvog dodatnog treninga, stavi pitanje i opcije u prompt i umjesto generiranja čita vjerojatnosti tokena za svaku opciju.

Bespoke Nimble dodaje LoRA adapter na Qwen 3.5 9B, treniran na 2.676 primjera složenih u parove koji se razlikuju u samo jednoj činjenici. Na vlastitom testu postiže 90,1 posto (Jev 93,2), a na teškom dijelu JevBencha 65,5 posto. Decider radi na Qwenu 3.5 2B, odgovara za oko 33 ms i koristi isti format kao TypeSafeov API, pa se može zamijeniti bez promjene koda. Laya ima englesku inačicu na ModernBERT-u od 421 milijun parametara i višejezičnu na mmBERT-u od 322 milijuna, koja cilja stotinjak jezika, a u autorovu testu upotrebljiva je na 45 od 51. Obje rade na besplatnom grafičkom procesoru T4 u Colabu, a autor ih preporučuje kao bazu za daljnje prilagođavanje.

Zaključak je dvostruk. Ideja nije nova: već 2019. klasifikacija se radila kao provjera logičkog slijeda (entailment) s BERT-om, ali tadašnji modeli nisu imali dovoljno znanja o svijetu da bi generalizirali. U generalizaciji Jev i dalje vodi. Na teškim zadacima, poput zaključivanja u više koraka i računanja s datumima, otvoreni modeli ne rade dobro, a TypeSafe iste slabosti priznaje i za Jev.

Koristiti u vlastitom projektu?

Iskreno, nismo vidjeli niti primjereda netko već koristi Jev u vlastitim projektima, za stvarno, a ne samo kao demonstracije.

Jev ne zamjenjuje velike modele, nego ih rasterećuje. Najveća vrijednost ovog lansiranja možda je disciplina koju nameće: posao se rastavlja na uska pitanja s unaprijed zadanim odgovorima, računanje ostaje u kodu, a veliki model dobiva samo ono u što brzi sloj nije siguran. Taj obrazac radi s Jevom, s otvorenim klonom na vlastitom grafičkom procesoru, pa čak i s postojećim LLM-om.