Una nuova startup di intelligenza artificiale fondata da un ex ricercatore di OpenAI ha lanciato quella che definisce una classe di modelli completamente nuova, una classe che non può scriverti un saggio e dice che è esattamente questo il punto.
TypeSafe AI ha annunciato martedì il rilascio del suo primo "System One Model", denominato Jev, disponibile immediatamente in accesso anticipato. L'azienda è stata fondata da Diogo Almeida, il quale afferma che la ricerca alla base del seguire le istruzioni di ChatGPT è nata dal lavoro a cui ha contribuito presso OpenAI. Dopo due anni nascosti, sostiene che la fissazione del settore sulla chat ha oscurato i punti in cui l'automazione in realtà fallisce. Per maggiori informazioni su questa storia, consulta la nostra tendenze IA.
"Le modelle sono state sovrumane in chat per anni, quindi dov'è tutta l'automazione?" Ha scritto Almeida nel post di lancio. "Questa è stata la mia domanda guida negli ultimi quattro anni."
Cos'è in realtà un modello "Sistema Uno".
Il nome prende in prestito dalla distinzione psicologica tra pensiero veloce e istintivo e ragionamento lento e deliberato. Laddove i modelli linguistici di grandi dimensioni generano testo token per token - flessibile, generale e incline a occasionali sciocchezze sicure - Jev di TypeSafe è costruito per fare qualcosa di più ristretto: prendere lo stato non strutturato come input e restituire decisioni strutturate digitate con probabilità calibrate allegate.
L'azienda descrive Jev come "una chiamata di funzione di intelligenza di frontiera: stato non strutturato dentro, decisioni probabilistiche digitate fuori". Poiché i possibili output sono definiti in anticipo e il modello non genera mai stringhe in formato libero, TypeSafe afferma che non può produrre errori di tipo - una proprietà che secondo l'azienda è matematicamente garantita piuttosto che statisticamente probabile - e non può avere allucinazioni come possono fare i modelli che generano testo.
L’architettura si discosta dalla pratica tradizionale in tre modi, secondo il post di lancio: un nuovo modello di architettura, un campionatore parallelo che produce tutti gli output in una singola query anziché in sequenza, e un metodo di formazione che l’azienda chiama Reinforcement Learning for Calibrated Decisions (RLCD), che ottimizza per probabilità epistemicamente oneste invece che per preferenze umane o output verificabili a livello di codice.
Le affermazioni: 100 volte più veloce, una frazione del costo
I numeri pubblicati da TypeSafe sono aggressivi. L'azienda afferma che Jev fornisce informazioni paragonabili agli LLM di frontiera esistenti su quelli che definisce compiti "a forma di Sistema Uno" (classificazione, instradamento, punteggio, estrazione e decisioni di ramificazione) rispondendo in un tempo compreso tra 70 e 500 millisecondi, contro tempi di risposta end-to-end compresi tra 3 e 329 secondi per i modelli di frontiera. Funziona da 40 a 200 volte più velocemente, afferma l'azienda.
Il prezzo è altrettanto non convenzionale: 0,042 dollari per milione di token di input, con token di output gratuiti, poiché gli output vengono calcolati in parallelo anziché generati token per token. La società ha riconosciuto nel suo post di non poter ancora dimostrare che i prezzi siano sostenibili su larga scala.
"Affermazioni straordinarie richiedono prove straordinarie", si legge nel post, prima di offrire le prove di cui dispone.
Le ricevute e cosa dicono gli scettici
TypeSafe ha pubblicato una demo affiancata che confronta Jev con GPT-5.6 Terra, che descrive come il modello di frontiera più paragonabile con un'intelligenza simile, e afferma che l'unico disaccordo nella corsa registrata riguardava un giudizio veramente ambiguo. Ha inoltre introdotto una nuova metodologia di "valutazione del flusso di lavoro" che misura i modelli rispetto al consenso dei più grandi modelli esterni - Astra di OpenAI e Fable di Anthropic - all'interno di un grafico di calcolo fisso, e afferma che Jev "possiede la frontiera di Pareto per quasi 2 ordini di grandezza".
In particolare, la società ha pubblicato un post di accompagnamento intitolato "antibenchmaxxing" in cui spiega perché evita i benchmark tradizionali, sostenendo che un modello progettato per decisioni strutturate all'interno dei flussi di lavoro del software resiste a un confronto globale significativo.
La reazione su Hacker News, dove il lancio ha raccolto centinaia di punti in poche ore, variava dall'entusiasmo genuino allo scetticismo evidente. Diversi commentatori hanno notato che le prove pubbliche consistono in gran parte in video dimostrativi, incluso uno che mostra il modello che alimenta un loop di gioco di Doom, piuttosto che in valutazioni riproducibili di terze parti. Altri sostengono che l’approccio sia meglio inteso come un classificatore estremamente veloce, di qualità di frontiera, utile per una parte dei carichi di lavoro piuttosto che come sostituto dei LLM.
Anche gli osservatori più comprensivi hanno inquadrato chiaramente l’onere della prova. "Sì, parlano da scettici ma non offrono molte prove, a parte un paio di video dimostrativi", ha scritto un commentatore. "Una demo dal vivo sarebbe molto più convincente."
Perché potrebbe essere importante in ogni caso
Il tiro si ferma su un vero punto dolente. Gran parte delle chiamate LLM di produzione nel software commerciale non sono affatto generative: sono giudizi binari, assegnazioni di categorie e decisioni di routing racchiuse in prosa. Se un modello può effettuare tali chiamate con una confidenza calibrata a 70 millisecondi e con un costo di output effettivamente pari a zero, l’economia del software basato sull’intelligenza artificiale cambia considerevolmente: le interfacce utente in tempo reale diventano pratiche e i passaggi della pipeline che erano troppo costosi da automatizzare con gli LLM diventano abbastanza economici da poter essere eseguiti ovunque.
I casi d'uso suggeriti da TypeSafe includono la classificazione e l'instradamento dei dati, la verifica e la protezione degli output LLM, il rilevamento dei jailbreak e l'analisi della riduzione delle mappe su set di dati di grandi dimensioni: carichi di lavoro in cui il codice circostante può limitare la libertà del modello e rilevare errori.
L’azienda è sincera riguardo alle domande aperte: le valutazioni pubblicate sono state eseguite da laptop sulla costa occidentale degli Stati Uniti e la sostenibilità dei prezzi a lungo termine rimane non dimostrata. Se le affermazioni dell'intelligence di Jev sopravvivranno al contatto con test indipendenti determinerà se i "Modelli del Sistema Uno" diventeranno una categoria o una curiosità.
L’accesso anticipato è ora aperto tramite il sito Web dell’azienda.
---
Rimani Aggiornato sull'IALe ultime notizie, analisi e scoperte sull'intelligenza artificiale — tutto in un posto.
Leggi altre notizie sull'IA →
