Модель, способная лишь выбирать ответ из короткого списка, только что обогнала по скорости внедрения все модели, умеющие писать сонеты. В четверг Vercel опубликовала данные, согласно которым Jev от TypeSafe AI уже через две недели после запуска использовали 35% команд на её платных тарифах. Это самый быстрый старт модели за всю историю наблюдений Vercel, а охват почти вдвое выше, чем у занявшей второе место Sonnet 5.5.
Как обычно, оговорка появляется сразу: речь о быстром старте по меркам Vercel, а не об универсальном вердикте. К ограничениям этих данных мы вскоре вернёмся.
Что на самом деле представляет собой Jev
Jev — легковесная модель для принятия решений. Вместо генерации текста в свободной форме она выбирает один из нескольких заранее заданных вариантов ответа. Это звучит как ограничение — и это действительно ограничение, причём намеренное.
Ограниченный набор возможных ответов позволяет модели работать дешевле и быстрее, чем универсальным альтернативам вроде Sonnet. Очевидная задача — массовая классификация: когда перед вами гора объектов и короткий список меток, а за красноречие платить не хочется.
15 сентября TypeSafe AI открыла ограниченный доступ к Jev. За прошедшие с тех пор недели этот подход наделал немало шума — достаточно, чтобы OpenAI, Amazon и другие выпустили конкурирующие решения. Подражание — самая искренняя форма продуктового роадмапа.
Впечатления против цифр
В мире ИИ хайп ничего не стоит, и его в избытке. До сих пор в публикациях о Jev было много восторгов и мало конкретных цифр. Данные Vercel — первая серьёзная попытка проверить, превратился ли энтузиазм в реальное использование.
Главные выводы:
- Скорость внедрения: В течение двух недель после запуска Jev начали использовать 35% команд на платных тарифах Vercel.
- Отрыв от конкурентов: Её охват почти вдвое больше, чем у второй по популярности модели, Sonnet 5.5.
- Рекорд: По данным Vercel, ни одна модель не внедрялась так быстро в первые две недели.
В этой истории Vercel не просто наблюдатель. Компания одной из первых начала использовать Jev, заменив ею GPT-6 Luna для классификации вредоносных команд. То, что компания сообщает о популярности модели, которой пользуется сама, — не скандал, а просто деталь, которую стоит иметь в виду.
Что видно в этих данных, а что — нет
Данные поступают из ИИ-шлюза Vercel — единого API-сервиса, сопоставимого с OpenRouter. Команды отправляют запросы к разным моделям через одну дверь, а шлюз считает, кто через неё проходит.
Такой взгляд неизбежно даёт неполную картину. В особенности он, скорее всего, недооценивает использование моделей крупных лабораторий, таких как OpenAI и Anthropic: они продают доступ через собственные API, поэтому значительная часть их трафика никогда не проходит через дверь Vercel. Так что «самое быстрое внедрение за всю историю» на самом деле означает самое быстрое внедрение среди пользователей этого шлюза — по крайней мере, по некоторым метрикам, как оговаривается и в самом исходном отчёте.
И всё же эта картина показательна. Модель, созданная для скучной, но массовой задачи, быстро нашла аудиторию среди разработчиков, готовых платить за инструменты. Похоже, она закрыла реальную потребность.
Доля открытых моделей продолжает расти
В отчёте есть и более общий вывод о рынке. На модели с открытым исходным кодом теперь приходится более 70% токенов, обрабатываемых через шлюз Vercel, и почти 25% совокупных расходов.
Эти две цифры рассказывают знакомую историю. Открытые модели выполняют огромную часть работы, но получают гораздо меньшую долю денег. Токены дёшевы, когда дешева модель.
Не игра с нулевой суммой
Прочитав это, можно заключить, что открытые модели вытесняют ведущие ИИ-лаборатории. Но данные говорят не совсем об этом.
Расходы на модели ведущих лабораторий выросли в десять раз, хотя теперь на них приходится меньшая доля общих трат. Пирог стал намного больше, так что даже меньшая доля может означать гораздо более щедрую порцию. Авторы отчёта видят в этом подтверждение идеи, что передовые модели и открытые альтернативы могут не конкурировать, а дополнять друг друга, решая разные типы задач.
Источник не уточняет, за какой период произошёл десятикратный рост, поэтому эту цифру стоит воспринимать лишь как указание на общую тенденцию.
Какие выводы можно сделать
Три вывода выглядят достаточно надёжными. Узкоспециализированная дешёвая модель может быстро добиться успеха, если подходит для распространённой задачи. Конкуренты это заметили — судя по предложениям OpenAI и Amazon. А данные шлюза, пусть и неполные, хотя бы переводят разговор от впечатлений к реальному использованию.
Пока неизвестно, удержит ли Jev свои позиции, когда эффект новизны сойдёт на нет, и будет ли показатель в 35% столь же впечатляющим, если измерять охват за пределами шлюза одной компании. Первоначальное внедрение — это спринт. А классификация — работа, которую никто не замечает, пока что-нибудь не сломается, — обычно оказывается марафоном.
А пока самая нашумевшая модель осени — что вполне символично — даёт самые короткие ответы.