Jev neumí napsat jedinou větu. Přesto dnes létá s dronem, hraje Doom a třídí dvacet tisíc mailů.

Před týdnem vyšel model, který neumí napsat jedinou větu.

Nedostane prompt a nevrátí text. Dostane stav – mail, tiket, obrazovku, stav hry – a k tomu sadu otázek. Odpoví: tuhle možnost, tohle skóre, nebo že je to pravda z 97 procent. A ke každé odpovědi přidá, jak si je jistý.

Za týden se s tím stalo tolik věcí, že se to nedá stihnout přečíst. Vybrala jsem to nejzajímavější.

Co to vlastně je

Tři typy otázek. Nic víc.

Vyber jednu z možností. Ohodnoť to na škále. Je to pravda?

Můžete je namíchat do jednoho volání. Každá se vyhodnocuje paralelně proti stejnému stavu, takže přidat další otázky skoro nic nestojí a skoro nic nezdrží. Platí se jen vstup. Výstup je zdarma.

Tomu se říká paralelní vzorkování a je to jádro toho, proč je to tak rychlé. Klasický model píše odpověď slovo po slovu a každé slovo je celý průchod modelem. Zeptáte se na ano/ne a on vám stejně napíše odstavec. Jev ohodnotí všechny možnosti v jednom průchodu. Typická odpověď přijde za 70 až 500 milisekund.

A pak je tu jedna věc, kterou oceníte až ve chvíli, kdy to má běžet bez dozoru: neumí udělat typovou chybu. Nemůže vrátit hodnotu mimo to, co jste mu dovolili.

V prohlížeči

Browser Use postavili agenta, kde Jev vybírá, co na stránce udělat. Malý model píše text jen tehdy, když se má něco vyplnit.

Nic není připravené dopředu. Po každém kroku se vygeneruje tabulka ovládacích prvků a Jev dostane otázku: která operace a který prvek? Všechny ostatní varianty se ptají taky, ale vykoná se jen ta jedna. Jeden požadavek na krok.

Cesta z Curychu do Londýna na Google Flights? 7,1 sekundy. Včetně načítání a včetně toho, že se vygeneroval text do políček.

Ještě jeden detail, který mě dostal. V základní smyčce nejsou žádné screenshoty. Jev spotřebovává strukturovaný stav, ne obrázky. Obrazovka se vykresluje jen pro inspekci.

V telefonu a na počítači

To samé na skutečném Androidu. Jev rozhoduje o každém klepnutí. Sám si najde v nainstalovaných aplikacích Nastavení a přepne tmavý režim.

Nebo otevře Uber a zadá cestu ze sanfranciského letiště ke Golden Gate. Devět akcí, jednou kolem 21 sekund.

Text přitom neopisuje od modelu. Jev vybere přesný úsek z vašeho zadání a kód ho vloží do pole. Žádné vymýšlení osobních údajů. Žádný druhý model na psaní.

Na macOS existuje obdoba: přečti obrazovku, Jev klasifikuje další akci, klikni. Vyšlo to na zhruba 0,0002 dolaru za krok.

Ve hrách

Tady je vidět, že to není hračka. Že to zvládne smyčku, která musí běžet pořád.

Doom jede na deset dotazů za sekundu, což vyjde asi na sedm dolarů za hodinu. A hraje se ze strukturovaného stavu, ne z pixelů.

Pak je tu Wikiracing – ukázka, kterou si výrobce dal do vydání. Začněte na jedné wikipedistické stránce a dostrkejte se na jinou jen přes odkazy. Každý krok znamená vybrat z několika set až tisíců odkazů.

Přesně tam klasický model selhává. Vymyslí si odkaz, který neexistuje, a chyba se nabaluje. Jev vybírá z toho, co na stránce opravdu je.

A zbytek zoo? Tetris, Pac-Man, Mario, StarCraft, Civilizace II, gomoku Jev proti Jevu, had, dinosaurus z Chromu. Většina vznikla v prvních osmačtyřiceti hodinách.

U strojů, které se hýbají

Nejlepší ukázka delegace, jakou jsem viděla.

Dron. Jev dostane taktická rozhodnutí – vlevo, vpravo, zpomalit, zrychlit – a letí přes asteroidové pole. Rozhodnutí padají po 300 milisekundách a je vidět, jak se dějí.

Pointa je ale jinde. Jakmile jistota klesne, předá se řízení dražšímu modelu, který má čas přemýšlet. Rychlé rozhodování na levném modelu. Pomalé na drahém. A kód rozhoduje, kdy se to přepne.

Stejný vzor najdete u robotické paže, která plní anglicky zadané cíle na simulovaném Frankovi, i u kvadrokoptéry, kde ovládání a bezpečnost zůstávají v kódu.

Tam, kde jde o peníze

Tohle je část, kvůli které to lidi nasazují do práce.

Dvacet tisíc sedm set YouTube komentářů – sentiment, emoce, záměr, spam – za dvě a půl minuty a dvacet centů. Dvacet tisíc mailů, slacků a přepisů do osmi kategorií za sedm minut a dolar pětačtyřicet.

Tři sta osmdesát čtyři ranních zpráv přečtených za necelých dvacet pět sekund. Výstup: na tohle dnes naskoč, pro patnáct značek.

A pak ta věc, která mě zajímá nejvíc, protože se týká i mě. Agent, který si nejdřív levně ověří, jestli vůbec má volat drahý model. Na sto dvaceti tiketech se smyčka zkrátila z dvaadvaceti minut na dvěačtyřicet sekund.

V kódu

Tohle se rozjelo nejvíc. Vývojáři to mají nejblíž.

Code review s vlastním dashboardem. Detekce tajností v diffu, aby se verdikt nepletl mezi běhy. Třídění commitů na opravy chyb, bezpečnostní kategorie a typy změn. Triage logů, kde Jev ohodnotí diagnostickou hodnotu dřív, než se do archivu podívá drahý model.

A sémantické hledání v kódu: ano/ne otázka na každou funkci, seřazené podle pravděpodobnosti.

Pak jsou tu věci, které chrání samotného agenta. Middleware, který na každou odpověď modelu pustí sedm kontrol za zhruba 100 milisekund. A hlídání sémantické stagnace ve smyčce, které vrací pokračuj, varuj, přeplánuj, zastav.

Doma a v podivnostech

Home Assistant. Typované otázky nad stavem entit se změní na senzory a automatizace. Včetně vlastních entit pro cenu a denní rozpočet.

Rozšíření do prohlížeče, které nechá Jev rozhodnout, které prvky stránky jsou zbytné. Místní pravidla je pak při další návštěvě schovají. Jiné zase rozhoduje, co je reklama.

A pak už jen podivnosti, které mě baví nejvíc. Vesnice, kde si NPC postavy o každém tahu dělají názor – co si o vás myslí, co udělají – místo aby vedly rozhovor. Řízení letového provozu na hračkovém souostroví, kde Jev rozhoduje, kdo přistane první. Detektor urážek, který pípne ffmpegem za 466 milisekund a zbytek nahrávky nepřepíše. Překladač korporátního jazyka, který ohodnotí pasivní agresi a naléhavost a vypíše diagnostiku jako kompilátor.

Vzor, který se pořád opakuje

Když se na to zpětně podívám, všechny ty projekty dělají jednu ze tří věcí.

Rozhodnutí postaví dopředu. Nejdřív levné rozhodnutí, teprve pak drahá práce. Odhady zní, že takhle zmizí 40 až 70 procent volání modelu v běžné pipeline.

Velkou otázku rozloží na malé. „Ohodnoť tenhle pitch“ nefunguje. „Jak velký je trh? Je to technicky proveditelné? Čím se to liší?“ funguje. A výsledky se sečtou v kódu s váhami, které si určíte. Když se priority změní, měníte koeficient, ne prompt.

A kód drží kontrolu. Jev řekne, co si myslí a jak moc si je jistý. Kód se rozhodne, co s tím. Pod prahem jistoty se jde k člověku. Model taky sám přizná, když neví.

Zkráceně: Jev rozhoduje, LLM píše. Není to náhrada za Claude nebo GPT. Je to ta část mezi nimi, která dosud chyběla, protože byla buď drahá, nebo pomalá. Většinou obojí.

Proč mě to fascinuje

Protože se tím nemění cena za token. Mění se ekonomika.

Když rozhodnutí stojí zlomek centu, přestanete šetřit voláními a začnete je rozsypávat po celé cestě. Model dostal jméno podle Jevonsova paradoxu – když něco zlevní o řád, spotřeba vyskočí o řády. Přesně to se za ten týden stalo.

A ta druhá věc. Je to poprvé, co máme model, který umí říct „nevím“ a myslí to vážně. Kalibrovaná pravděpodobnost znamená, že když řekne 0,7, má pravdu v sedmi případech z deseti.

Z toho se dá postavit systém, který se sám rozhodne, kdy si zavolat člověka.

U chatovacích modelů to nešlo. Ty jsou sebevědomé pořád stejně.

Jak s tím začít

Výrobce to nevydal jako dokumentaci. Vydal to jako skill pro vašeho agenta:

npx skills add typesafe-ai/skills --skill typesafe-ai

Otevřete projekt a řekněte agentovi, ať se podívá, kde by šla drahá volání nahradit. To je celé.

LangChain už má hotový middleware, který tím vybírá model pro daný úkol a blokuje riskantní volání nástrojů, než se spustí. V Pydantic AI je to ještě elegantnější – output_type, který jste už napsali, je ta otázka.

Za čtyři dny: přes dvacet klientských knihoven od Pythonu po Swift, tři implementace pro MCP, šest prohlížečových agentů a stovky projektů.

To už není jen o modelu. Je to o tom, že se konečně dá stavět něco, co dosud nemělo cenu zkoušet.