У торгового бота есть момент, в котором языковые модели бесполезны. Пришла новость, до закрытия бара сто миллисекунд, и надо ответить на один вопрос: это повод менять позицию или шум. Большая модель ответит абзацем, потратит секунды и в следующий раз сформулирует иначе. Решение в цикле так не принимают. 15 сентября 2026 года TypeSafe выпустила Jev — модель, которая отвечает не текстом, а значением заданного типа и числом рядом с ним. Разберём, где она встаёт в контур бота и чего от неё ждать не надо.
Что такое модель System One
Название отсылает к двум системам мышления: быстрой и автоматической против медленной и рассуждающей. Языковые модели работают как вторая — порождают текст токен за токеном и умеют объяснять ход мысли. Jev устроена как первая: получает состояние и набор вопросов, отвечает одним проходом, без авторегрессии.
Разница не в размере, а в форме ответа. Вы заранее описываете, какие значения допустимы, и модель выбирает из них. Не «напиши вердикт», а «вот три варианта, какой». Поэтому у ответа не бывает неверной структуры: выйти за пределы схемы модель физически не может, и разбирать её вывод не нужно.
Вопросы оцениваются параллельно по одному и тому же состоянию, а не по очереди. Для контура бота это означает, что десять проверок стоят примерно столько же по времени, сколько одна.
Три типа вопросов
Noul — вероятность «да»
Вы задаёте вопрос и, при желании, критерии для «да» и «нет». В ответ приходит одно число от нуля до единицы. Не слово «да», а именно вероятность: 0,93 значит «почти наверняка да», 0,55 значит «вопрос спорный».
Choice — выбор из списка
Вы перечисляете варианты с пояснением к каждому, до 255 штук. В ответ приходит выбранный вариант, распределение вероятностей по всем вариантам и отдельное число — насколько это распределение сконцентрировано на одном ответе. Распределение полезнее самого выбора: видно, был ли ответ очевиден или модель колебалась между двумя.
Score — оценка по шкале
Вы описываете уровни шкалы словами — от двух до десяти уровней. В ответ приходит взвешенное число, распределение по уровням и та же мера концентрации. Шкала, описанная фразами, а не цифрами, — важная деталь: вы объясняете, чем уровень отличается от соседнего, и не надеетесь, что модель угадает вашу разметку.
Почему это удобно именно в торговом боте
Торговый бот — это цикл, в котором на каждом шаге надо принять несколько связанных решений и записать, почему они приняты. Три свойства Jev ложатся сюда точно.
- Ответ имеет заданную форму, поэтому его можно сразу положить в условие и в журнал. Не нужно писать разбор текста и обрабатывать случай, когда модель ответила не по формату.
- Рядом с ответом есть число уверенности, и по нему строятся два порога: ниже нижнего — не действуем, выше верхнего — действуем, между ними — отправляем человеку.
- Задержка измеряется десятками и сотнями миллисекунд, а не секундами, поэтому проверка помещается внутрь такта, а не выносится в отдельный процесс.
Есть и четвёртое, менее очевидное: одинаковый вопрос на одинаковом состоянии даёт одинаковую форму ответа. Для системы, которую надо разбирать после убыточной серии, это важнее скорости.
Где Jev встаёт в контур
Фильтр перед входом в сделку
Сигнал даёт модель прогноза, а Jev отвечает на вопрос «стоит ли действовать по этому сигналу в текущей обстановке». Состояние — сжатое описание рынка и портфеля, вопрос — noul с критериями. Порог вероятности становится отдельной настройкой, которую можно подбирать, не трогая прогнозную модель.
Новости и объявления — в числовые признаки
Это самое сильное применение. Текст объявления биржи, сообщение эмитента, заголовок ленты — всё это плохо превращается в признак руками и дорого превращается большой моделью. Jev отвечает шкалой: насколько это касается наших инструментов, насколько серьёзно, срочно ли. На выходе — числа, которые ложатся в тот же вектор признаков, где лежат цены и объёмы.
Проверка заявки перед отправкой
Перед тем как ордер уйдёт на биржу, его описание можно прогнать через набор вопросов: не противоречит ли заявка текущей позиции, выглядит ли размер обычным для этого инструмента. Тот же приём разработчики применяют к командам оболочки перед запуском, и логика здесь одна: дешёвая проверка перед необратимым действием.
Оговорка важная: сами лимиты риска считает код, а не модель. Jev отвечает на вопросы вида «похоже ли это на обычную заявку для такого инструмента» — то есть там, где правило формализовать трудно, а человек различает на глаз. Жёсткие границы — максимальный размер, допустимая просадка, запрет на инструмент — остаются в коде, где их можно проверить тестом.
Выбор режима и стратегии
Вопрос типа choice с вариантами «тренд», «боковик», «повышенная волатильность» и пояснениями к каждому даёт разметку режима вместе с распределением. Распределение здесь ценнее метки: когда вероятности размазаны между двумя режимами, это само по себе сигнал снизить размер позиции.
Разметка режима — место, где легко обмануться. Если бот и бэктест размечают режим по-разному, вся конфигурация подбирается на чужой разметке. Прежде чем ставить Jev в контур, убедитесь, что и симуляция задаёт ей те же вопросы на тех же состояниях.
Калиброванная вероятность и что она не означает
TypeSafe заявляет, что вероятности откалиброваны под реальные исходы: среди ответов с оценкой 0,9 верными должны оказаться примерно девять из десяти. Обучение под эту задачу вендор называет отдельным методом и считает главным отличием от обычных моделей.
Важно понять, к чему относится это число. Оно описывает уверенность в ответе на ваш вопрос, а не вероятность рыночного события. Если вы спросили «выражает ли сообщение срочность», 0,9 означает «почти наверняка выражает». Это не значит, что цена пойдёт вверх с вероятностью 90%.
Проверять калибровку надо на своих данных и своими руками: разложить ответы по корзинам вероятности и сравнить заявленную уверенность с фактической долей верных. Работа на день, а без неё порог уверенности вы выставите наугад.
Чего Jev не умеет
Список ограничений у этой модели важнее списка возможностей, потому что почти все они попадают ровно в те места, где торговый бот обычно и ошибается.
- Не считает. Арифметику, подсчёт количеств и сравнение чисел надо делать кодом. Размер позиции, стоп и проверку лимитов модели не отдают.
- Плохо работает с датами: сравнить сроки, посчитать интервал до экспирации — не её задача.
- Хуже отвечает на косвенные вопросы. Двойное отрицание и «свойство свойства» формулируйте прямо.
- Теряет точность, когда в состоянии много постороннего. Отдавать весь стакан и всю историю бессмысленно — нужен сжатый набор того, что относится к вопросу.
- Не пишет текст и не объясняет решение. Обоснование для журнала собирайте из распределения вероятностей, а не просите у модели.
Правило, которое авторы формулируют сами: просите модель выбрать карту из колоды, а не назвать карту. Если хочется «извлеки уровень поддержки», переформулируйте: «вот пять кандидатов, какой из них».
Как выглядит вызов
Устройство запроса простое, и это часть привлекательности. В обращении к сервису три содержательные части:
- Состояние — то, о чём спрашиваем. Произвольная структура: сжатые признаки рынка, описание позиции, текст новости.
- Вопросы — набор с именами, у каждого свой тип, формулировка и критерии. Отвечают на все сразу, по одному и тому же состоянию.
- Модель — версия Jev. Ответ приходит объектом, где на каждое имя вопроса лежит значение своего типа плюс вероятности.
Есть официальные наборы для JavaScript и Python, обращение по HTTP и подключение через Vercel AI SDK. Для существующего бота на Python это означает один клиент и одну функцию в коде — переписывать контур не нужно.
Цена и скорость: что заявлено
Вендор называет 0,042 доллара за миллион входных токенов, а выходные токены бесплатны. По задержке заявлено от 70 до 500 миллисекунд, обычно около сотни. Публичные примеры использования упоминают торговый цикл с шагом 300 миллисекунд.
С выигрышем по скорости надо быть осторожным. Цифры расходятся даже в материалах о запуске: в анонсе TypeSafe — «в 40–200 раз быстрее» передовых моделей, в пересказах встречается и «в 20–200 раз», а по цене — «в 40–400 раз дешевле». Сценарии для замеров, как признаёт сама компания, составила её же команда, так что результат может быть завышен. Мы эти замеры не повторяли, поэтому приводим их как заявление вендора, а не как проверенный факт. Перед тем как строить на этом архитектуру, замерьте на своих вопросах и своём состоянии.
Модель молодая: на момент публикации прямой доступ к API выдают по листу ожидания (через шлюз Vercel AI Gateway — без него), а условия и цены ещё могут меняться. Закладывать её в критичный путь без запасного варианта рано — держите рядом ветку, которая принимает решение по прежним правилам.
Порядок внедрения в существующий бот
- Выберите одно решение, которое сейчас принимается порогом или правилом. Не самое важное, а самое понятное.
- Сформулируйте его вопросом с явными критериями и прогоните на истории, не подключая к исполнению.
- Сравните ответы с тем, что делало прежнее правило, и разберите расхождения руками.
- Проверьте калибровку по корзинам вероятности и выберите порог уверенности.
- Включите в контур в режиме наблюдения: решение записывается в журнал, но не исполняется.
- Переводите на исполнение, оставив прежнее правило как запасной вариант.
Шаг с наблюдением пропускают чаще всего, а он даёт главное — расхождения между моделью и правилом на живом потоке. Именно там обнаруживается, что состояние собрано не полностью или вопрос сформулирован криво.
Что измерять после подключения
- Калибровку по корзинам: совпадает ли заявленная уверенность с фактической долей верных ответов.
- Долю ответов, попавших в серую зону около порога. Растёт — значит, критерии в вопросе размыты.
- Задержку на своих состояниях, по процентилям, а не в среднем. Хвост распределения важнее середины.
- Расхождение с прежним правилом. Если оно исчезло, модель не добавила ничего; если велико, разбирайте случаи, а не радуйтесь.
- Стоимость за сутки. Вопросы дешёвые, но их число в цикле растёт незаметно.
Чего ждать не стоит
Модель решений не создаёт преимущества на рынке. Она не предсказывает цену и не улучшает прогноз — она делает слой решений быстрым, единообразным и разбираемым. Если прибыльной логики нет, аккуратная типизированная обёртка её не создаст.
Польза в другом. Решения перестают быть набором порогов, разбросанных по коду: они становятся списком типизированных вопросов с критериями, который можно прочитать, обсудить и проверить на истории. Для системы, работающей с деньгами, это не косметика — это единственный способ понять, почему она сделала то, что сделала.
Отсюда и трезвый способ выбрать, стоит ли браться. Если решения в вашем боте уже описаны понятными правилами и вы довольны тем, как они работают, типизированная модель добавит немного. Если же логика разрослась до десятков порогов, подобранных на истории и никем не объяснимых, — вот там замена части порогов вопросами с критериями и проверяемой уверенностью оправдана ещё до разговоров о доходности.
Коротко
- Jev отвечает значением заданного типа и вероятностью рядом, а не текстом; выйти за схему не может.
- Три формы ответа: вероятность «да», выбор из списка до 255 вариантов, оценка по описанной словами шкале.
- В боте её место — фильтр сигнала, разбор новостей в признаки, проверка заявки и разметка режима.
- Не считает, плохо работает с датами и теряет точность на перегруженном состоянии — арифметику оставьте коду.
- Вероятность относится к ответу на вопрос, а не к рыночному исходу. Калибровку проверяйте на своих данных.
- Заявленную скорость мы не проверяли: источники расходятся — замеряйте сами до того, как строить на ней контур.