20 алтернативи на Jev: Моделите за вземане на решения, които предизвикват TypeSafe през 2026 г.
TypeSafe пусна Jev на 15 септември 2026 г. Това е модел за вземане на решения, а не чатбот. Вие определяте разрешените отговори, а Jev връща етикет, оценка или вероятност „да/не“. За около 4 седмици бяха пуснати поне 20 алтернативи на Jev. Те идват от Cloudflare, OpenAI, Perplexity, Liquid AI, Strands Labs на AWS и независими разработчици. Това ръководство сравнява всяка от тях по размер, лиценз, хардуер, цени, съвместимост с Jev API и публикувани бенчмаркове.
Накратко
- Диапазон на размерите: от 287M (GLiNER2.5-multi-Decide) до 35B-A3B (Mapika Decider). Размерът на Jev не е обявен.
- Работи на: енкодери като Von и Laya работят на CPU. Адаптери до 4B се побират в GPU с 24 GB или Mac с 32 GB.
- Производителност: повечето отворени модели изостават от Jev при сложни разсъждения. Няколко от тях го достигат или надминават при тясно специализирана класификация.
- Най-добър: Cloudflare Clef постига 94.20 BANKING77 F1 спрямо 79.74 за Jev според собственото измерване на Cloudflare.
- Най-слаб: Von 1.2 постига точност 0.422 при измерването на Respan спрямо 0.932 за Jev.
Какво е Jev и защо да търсим алтернативи?
Jev е първият модел „System One“ на TypeSafe. Изпращате състояние, например тикет или ред от лог. Изпращате и типизирани въпроси: Choice, Score или Noul (да/не). Jev оценява всеки въпрос с един паралелен проход и не генерира текст.
Документацията на TypeSafe посочва цена от $0.042 за 1M входни токена, като изходът е безплатен. Контекстът е 64k токена на заявка. Входът е само текст. Теглата са затворени, а достъпът се предоставя чрез списък с чакащи. Оценките на работните процеси на TypeSafe поставят Jev на 67.8% съгласие и 0.4 секунди на случай.
Това оставя 4 пропуски, които разработчиците често посочват: няма изображения, няма самостоятелно хостване, няма публикуван размер и няма дообучаване. 20-те модела по-долу запълват някои или всички от тях.
Как трябва да четете тези бенчмаркове?
Повечето от посочените по-долу стойности са самоотчетени. Наборите се различават: JevBench, Decision Index, typed-decisions и поведенческият бенчмарк на Respan. Резултатите от различните набори не са съпоставими. Единствената таблица от трета страна с множество модели е на Respan, която продава конкуриращ се модел.
Хоствани API за вземане на решения
1. Cloudflare Clef и Clef-flash
Cloudflare обяви Clef на 1 октомври 2026 г. Clef е 27B върху Qwen3.8-27B с енкодер за изображения. Clef-flash е 9B върху Qwen3.5-9B. И двата са с лиценз Apache-2.0 в Hugging Face и се предоставят чрез Workers AI. Приемат текст, JSON и до 4 изображения на заявка.
Цената на Workers AI е $0.24 (Clef) и $0.038 (Clef-flash) за 1M входни токена. Cloudflare нарича API напълно съвместим с Jev. При собственото му измерване Clef постига 94.20 BANKING77 F1 спрямо 79.74 за Jev. Jev все пак печели на GPQA Diamond — 78.3 спрямо 48.0.
2. Liquid AI d1
Семейството d1 на Liquid AI включва хостваните d1 и d1-ultra, както и 2 отворени модела. d1-3B (3.1B) работи върху LFM2.5-VL-3B. d1-omni-600M (587M) добавя аудиоклипове с продължителност до 30 секунди. Отворените тегла използват лиценза LFM Open.
Ръководството на Liquid извиква d1 чрез собствения SDK на TypeSafe с различен базов URL адрес. Liquid отчита резултат 48.57 за d1-3B в Decision Index 0.2.1. Компанията отчита и латентност от 8 ms на RTX 4090. Броят на параметрите и платените тарифи за хостваните модели не са обявени.
3. OpenAI Decisions API
OpenAI пусна Decisions API в публична бета на 6 октомври 2026 г. Той работи само с gpt-6-luna. Приема текст и изображения в base64 формат. Типовете въпроси са predicate, choice и score.
Цената е $0.10 за 1M входни токена, като изходът не се таксува. Схемата е собствена на OpenAI, така че не е съвместима с Jev. OpenAI твърди, че отговорите са около 10 пъти по-бързи от тези на Responses API. Няма публикувани бенчмаркове.
4. Perplexity pplx-decider
pplx-decider-v1-27b на Perplexity е дообучен Qwen3.8-27B с лиценз Apache-2.0. Той чете текст, JSON и до 8 изображения на въпрос. API позволява 128 въпроса и 255 опции на заявка.
Текущата цена е $0.02 за 1M входни токена за v1.2 (27B). 4B flash-v1.2 струва $0.01. В панела на Perplexity от 11 задачи моделът постига 85.71% спрямо 84.51% за Jev. Jev все пак печели на BBH — 94.27 спрямо 82.80.
5. meraGPT Decider 1
meraGPT обяви Decider 1 на 22 септември 2026 г. Това е хостван модел със затворени тегла, който работи само с текст. Позволява до 10 етикета Choice и контекст от 4 096 токена. Страницата на модела посочва цена от $0.04 за 1M входни токена.
Той предоставя /v1/systemone и работи със SDK на TypeSafe. При измерването на meraGPT с typed-decisions моделът постига 0.768 спрямо 0.727 за Jev. Независим преглед отбелязва, че неговият ECE от 0.180 изостава от 0.144 за Jev.
6. Respan Span-01
Span-01 е модел за оценяване на поведение, а не универсален модел за вземане на решения. Той връща вероятности present, absent или not_observable. Цената му е $0.02 за 1M входни токена. Span-01 Lite е безплатен.
Respan твърди, че постига общ F1 резултат 0.843 в своя Behavior Benchmark. Таблицата в собствения ѝ блог показва по-нисък резултат — 0.806, като GPT-6 Sol е начело с 0.885. Размерът, базовият модел и лицензът не са обявени.
7. Standard Thinking Standard One
Standard One се предлага като модели с 3B и 8B параметъра, и двата отворени и хоствани. 8B е LoRA върху Ministral-3-8B с лиценз Apache-2.0. Чете текст и изображения, с контекст от 32 768 токена. Предлага /v1/systemone.
Цената за хостван текст е $0.018 (3B) и $0.035 (8B) за 1M токена. В публичния труден набор на JevBench 8B постига 54.95% спрямо 72.07% за Jev. Води при реалистичен трансфер — 90.83% спрямо 86.67%. И двете измервания са извършени от издателя.
Алтернативи на Jev с отворени тегла, които можете да хоствате самостоятелно
8. Together AI Tev1-4B-experimental
Together обучи Tev1 като LoRA SFT на Qwen3.5-4B. Обучението е струвало около $17 и 25 минути върху 37 840 примера. Моделът избира от 2 до 24 опции. В картата на модела се казва, че лицензът на теглата все още се финализира.
Той отговаря чрез chat completions, а не чрез собствен Jev endpoint. Respan измерва точност 0.901 и ECE 0.031 — най-добрия ECE в таблицата си. Together предупреждава, че неговите logprobs не са калибрирана увереност.
9. Fastino GLiNER2.5-Decide
GLiNER2.5-Decide на Fastino е 340M DeBERTa-v3-large енкодер с лиценз Apache 2.0. Той обработва решения, извличане на обхвати и релации с един проход. Съществуват и мултиезикови варианти с 1B и 287M параметъра.
В набора на Fastino от 17 домейна картата на модела посочва 60.2% точно съвпадение. p50 латентността е 167.3 ms на Xeon с 48 vCPU. Моделът не е съвместим с Jev API.
10. Strands Labs Strands Decider 2B
Strands Labs на AWS представи Strands Decider на 1 октомври 2026 г. Той е приблизително 1.9B: Qwen3.5-2B-Base плюс pointer head. Хранилището публикува 246 678 обучаващи реда и пълната рецепта. Обучението на един RTX 3090 отнема около 11 часа.
Моделът предоставя локален /v1/systemone endpoint с лиценз Apache-2.0. Контролният пункт v1 постига 180 от 231 (77.9%) в публичния JevBench. Медианната латентност е 115 ms на RTX 3090.
11. Kev (Jared Palmer)
Kev се предлага във варианти с 0.8B, 4B, 9B и 27B параметъра върху Qwen3.5 и Qwen3.8. Kev-4B е LoRA плюс pointer head с лиценз Apache-2.0. Поддържа 255 опции. SDK на TypeSafe работи с него без промени.
Kev-4B се побира в GPU с 24 GB или Mac с Apple Silicon и 32 GB. Respan измерва точност 0.833 и коефициент на разминаване 0.060. Самоотчетеният MMLU-Pro е 0.565 спрямо 0.840 за Jev. Редът на опциите може да промени отговорите му.
12. Семейството Mapika Decider
Decider на Mapika се предлага във варианти от 0.8B до 35B-A3B върху Qwen3.5 и Gemma 4. Моделът decider-2b-vision добавя изображения. Всички са с лиценз Apache-2.0, контекст от 32k и /v1/systemone.
В трудното ниво на публичния JevBench decider-12b v1 изравнява Jev с 0.730. 4B GGUF Q4_K_M е 2.7 GB и работи на CPU. ECE на 4B е 0.184 при трудните задачи, така че очаквайте прекомерна увереност.
13. Bespoke Labs Bespoke-Nimble-9B
Bespoke-Nimble-9B е LoRA с размер 165 MiB върху Qwen3.5-9B, с лиценз Apache-2.0 в Hugging Face. Текущата карта посочва 255 избора и 8 192 токена. Моделът чете само текст на английски.
В задържания набор на Bespoke от 324 примера Nimble постига 90.12% спрямо 93.21% за Jev. Латентността е около 106 ms на H100. Моделът е обучен само върху 2 676 примера и вероятностите му не са калибрирани.
14. Convai Innovations Laya
Laya е семейство, базирано на ModernBERT, с английски и мултиезикови контролни пунктове съответно с 421M и 322M параметъра. Той е с лиценз Apache-2.0 и работи само с текст. Сървърът laya-serve предоставя endpoint /v1/systemone със структурата на Jev.
Контролният пункт за typed-decisions постига 0.766 спрямо 0.727 за Jev. На Banking77 той постига 0.425 спрямо 0.870. Respan измерва точност 0.542 и коефициент на успех при инжектиране 0.396. p50 латентността е 32.8 ms на T4.
15. Von (wfzyx)
Von е 395M ModernBERT-large енкодер с глава за маркери на опциите. Той оценява всички опции с един двупосочен проход. С лиценз Apache-2.0 е и има контекст от 8 192 токена.
Хранилището отчита p50 от 0.096 s на 4 vCPU и 0.023 s на A10G. Respan измерва за Von 1.2 точност 0.422 — най-ниската в таблицата ѝ. Калибрирането му е настроено за JevBench и може да подвежда извън домейна.
16. Open-Jev-9B (Zefan Cai)
Open-Jev предлага адаптери с 2B, 9B и 27B параметъра върху базови модели Qwen3.5. Open-Jev-9B добавя скаларна глава и се побира в един GPU с 16 GB. Той съответства на формата на заявките към /v1/systemone, но не претендира за пълна съвместимост.
В поднабор от 231 задачи на JevBench проектът отчита 77.49% за 9B и 85.28% за 27B v1.1. Всеки кандидат е ограничен до 4 096 токена. Задачите с числа и времеви линии са слаби.
17. OpenJev върху DiffusionGemma (razorback16)
Този OpenJev извлича решения от DiffusionGemma 26B-A4B (4B активни параметри) на NVIDIA. Приема текст и до 8 изображения. Използва същия wire API, така че SDK-ите на Jev работят без промени.
Проектът отчита 87.4% в публичния JevBench и p50 от 30 ms при 49 токена. Безплатен хостван endpoint предоставя 100M токена на акаунт. За самостоятелно хостване е необходим NVIDIA GPU с поне 24 GB.
18. InnerJev-4B и InnerJev-27B
InnerJev е разработен от екип от университетите Fudan, Tongji и King’s College London. Той дистилира разсъжденията на LLM в решение с един проход. Статията представя и JEVal: 11 257 екземпляра от 36 набора от данни.
В JEVal InnerJev-27B постига 79.24% спрямо 78.38% за Jev. Неговият ECE е 0.0149 спрямо 0.0532 за Jev. InnerJev-4B постига 71.92%. Кодът е в GitHub; лицензът не е посочен.
19. SemIf
SemIf извлича типизирани решения от съществуващи отворени LLM, като Qwen3.5-4B е моделът по подразбиране. Демо версия за WebGPU изпълнява квантизирани модели в браузъра. Кодът е с лиценз MIT.
В набор от 102 реда на TypeSafe SemIf постига балансирана точност 0.845 спрямо публикуваните 0.883 за Jev. На RTX 3090 директните логити отнемат 1.023 s спрямо 5.332 s за генериране на JSON. Той няма endpoint, съвместим с Jev.
20. Rizzo Flow
Rizzo Flow на Rizzo AI Academy е LoRA върху Spark-X2.5-4B с лиценз Apache-2.0. Той предоставя собствен /v1/decisions и съвместим с Jev /v1/systemone. Choice е ограничен до 26 опции.
В 400 случая с typed-decisions той постига 0.648 спрямо 0.574 за базовия модел. Стойността в картата на набора от данни на Jev е 0.727. По подразбиране моделът не е калибриран.
Какво показва единственото измерване от трета страна с множество модели?
Respan използва своя съдия Span-01, за да оцени 11 модела. По-ниската стойност е по-добра във всяка колона с изключение на точността.
| Модел | Точност | Коефициент на сдвоено разминаване | ASR при инжектиране | ECE |
|---|---|---|---|---|
| Jev 1.13.0 | 0.932 | 0.021 | 0.063 | 0.045 |
| Tev1 4B | 0.901 | 0.052 | 0.042 | 0.031 |
| Kev 4B | 0.833 | 0.060 | 0.078 | 0.070 |
| Decider 2B v10 | 0.747 | 0.128 | 0.208 | 0.074 |
| Laya | 0.542 | 0.298 | 0.396 | 0.092 |
| Von 1.2 | 0.422 | 0.242 | 0.297 | 0.071 |
Източник: Respan, 16 октомври 2026 г. Tev1 надмина Jev по устойчивост на инжектиране и калибриране. Jev води по точност и последователност.
Сравнителна таблица на алтернативите на Jev
| # | Модел | Организация | Размер | Лиценз | Входове | Jev API | Цена (за 1M входни) | Ключов резултат (източник) |
|---|---|---|---|---|---|---|---|---|
| Реф. | Jev 1.13 | TypeSafe | Не е обявен | Затворен | Текст | Собствен | $0.042 | 0.932 точност (Respan) |
| 1 | Clef / Clef-flash | Cloudflare | 27B / 9B | Apache-2.0 | Текст, изображения | Да | $0.24 / $0.038 | 94.20 BANKING77 F1 (доставчик) |
| 2 | семейство d1 | Liquid AI | 587M до 3.1B отворени; хостваните не са обявени | LFM Open | Текст, изображения, аудио | Чрез SDK на TypeSafe | Не е обявена | 48.57 Decision Index (доставчик) |
| 3 | Decisions API | OpenAI | Не е обявен | Затворен | Текст, изображения | Не | $0.10 | Не е публикуван |
| 4 | pplx-decider | Perplexity | 27B / 4B flash | Apache-2.0 | Текст, изображения | Не | $0.02 / $0.01 | 85.71% спрямо 84.51% за Jev (доставчик) |
| 5 | Decider 1 | meraGPT | Не е обявен | Затворен | Текст | Да | $0.04 | 0.768 typed-decisions (доставчик) |
| 6 | Span-01 | Respan | Не е обявен | Не е посочен | Текст | Не е посочено | $0.02 (Lite безплатен) | 0.843 F1 (доставчик) |
| 7 | Standard One | Standard Thinking | 3B / 8B | Apache-2.0 | Текст, изображения | /v1/systemone | $0.018 / $0.035 | 54.95% JevBench hard (доставчик) |
| 8 | Tev1-4B-experimental | Together AI | 4B | В процес на финализиране | Текст | Не | $0.042 (OpenRouter) | 0.901 точност (Respan) |
| 9 | GLiNER2.5-Decide | Fastino | 340M | Apache 2.0 | Текст | Не | Не е обявена | 60.2% точно съвпадение (доставчик) |
| 10 | Strands Decider | Strands Labs (AWS) | ~1.9B | Apache-2.0 | Текст | /v1/systemone | Безплатен, локален | 77.9% JevBench public (проект) |
| 11 | Kev-4B | Jared Palmer | 0.8B до 27B | Apache-2.0 | Текст | Да | Безплатен, локален | 0.833 точност (Respan) |
| 12 | семейство Decider | Mapika | 0.8B до 35B-A3B | Apache-2.0 | Текст, изображения (2B) | Да | Безплатен, локален | 0.730 JevBench hard, 12B (проект) |
| 13 | Bespoke-Nimble-9B | Bespoke Labs | 9B | Apache-2.0 | Текст | Не е посочено | Безплатен, локален | 90.12% спрямо 93.21% за Jev (доставчик) |
| 14 | Laya | Convai Innovations | 322M / 421M | Apache-2.0 | Текст | Да | Безплатен, локален | 0.542 точност (Respan) |
| 15 | Von | wfzyx | 395M | Apache-2.0 | Текст | Не е посочено | Безплатен, локален | 0.422 точност (Respan) |
| 16 | Open-Jev-9B | Zefan Cai | 2B до 27B | Apache-2.0 | Текст | Само формата на заявката | Безплатен, локален | 77.49% поднабор на JevBench (проект) |
| 17 | OpenJev (DiffusionGemma) | razorback16 | 26B-A4B | Apache-2.0 (код) | Текст, изображения | Да | Безплатен план, 100M токена | 87.4% публичен JevBench (проект) |
| 18 | InnerJev | Академичен екип | 4B / 27B | Не е посочен | Текст | Не е посочено | Безплатен, локален | 79.24% спрямо 78.38% за Jev в JEVal (автори) |
| 19 | SemIf | TheoLeeCJ | 0.6B до 4B (базови LLM) | MIT (код) | Текст | Не | Безплатен, локален | 0.845 спрямо 0.883 за Jev (автор) |
| 20 | Rizzo Flow | Rizzo AI Academy | 4B / 1.7B | Apache-2.0 | Текст | Да | Безплатен, локален | 0.648 typed-decisions (автор) |
Коя алтернатива на Jev трябва да изберете?
- Нуждаете се от изображения: Clef, pplx-decider, Standard One или OpenJev с DiffusionGemma.
- Нуждаете се от директна замяна на Jev: Clef, Kev, Decider, meraGPT или Laya предоставят /v1/systemone.
- Нуждаете се от CPU или edge: Von, Laya, GLiNER2.5-Decide или d1-omni-600M на Liquid.
- Искате да обучите собствен модел: Strands Decider и Tev1 на Together публикуват пълни рецепти.
- Нуждаете се от най-евтиното хоствано извикване: flash-v1.2 на Perplexity за $0.01 на 1M входни токена.
Каквото и да изберете, първо го тествайте върху собствените си етикетирани данни. Моделите за вземане на решения могат да върнат валиден отговор, който въпреки това е грешен.
Ключови изводи
- 20 алтернативи на Jev бяха пуснати в рамките на приблизително 4 седмици от старта на Jev.
- Clef, pplx-decider и Standard One добавят вход за изображения, какъвто липсва на Jev.
- flash-v1.2 на Perplexity подбива цената на Jev с $0.01 за 1M входни токена.
- В измерването на Respan Jev все още води по точност с 0.932.
- Почти всички резултати са измерени от самите доставчици, затова тествайте върху собствените си данни.
Преведено автоматично от английски. Оригиналната статия е на връзката по-долу.