Jev стала самой быстро внедряемой ИИ-моделью в данных Vercel

Модель Jev от Typesafe AI за первые две недели после ограниченного запуска 15 сентября использовали 35% платных команд Vercel. По статистике AI Gateway, её охват почти вдвое превысил показатель Sonnet 5.5, занявшей второе место. Vercel называет это самым быстрым внедрением модели за первые две недели наблюдений.

Почему Jev быстро получила применение

Jev позиционируется не как универсальная генеративная модель, а как лёгкий инструмент выбора между несколькими заранее заданными вариантами ответа. Такое ограничение позволяет выполнять задачи дешевле и быстрее, чем модели наподобие Sonnet.

Этот подход рассчитан прежде всего на быструю классификацию больших объёмов данных. Vercel стала одним из ранних пользователей Jev: компания заменила ею GPT-6 Luna в задаче классификации вредоносных команд.

Статистика охватывает запросы через AI Gateway Vercel — единый API-сервис, сопоставимый по назначению с OpenRouter. Поэтому выборка не отражает весь рынок: она может недооценивать крупные лаборатории, включая OpenAI и Anthropic, которые предоставляют собственные API. Но внутри этой инфраструктуры интерес к Jev перешёл в фактическое использование.

Открытые модели занимают больше трафика

Отчёт также фиксирует рост роли открытых моделей. На них пришлось более 70% токенов, обработанных AI Gateway, и почти 25% совокупных расходов пользователей шлюза.

Одновременно траты на frontier-модели выросли в десять раз, хотя их доля в общих расходах сократилась. Эти показатели не подтверждают вытеснение одного класса моделей другим: в инфраструктуре Vercel растут и специализированные открытые решения, и расходы на ведущие закрытые модели.

Контекст такого распределения даёт развитие production-инфраструктуры с открытыми протоколами, где развитие production-инфраструктуры связывается с открытыми протоколами, а не только с выбором одного поставщика моделей.

Что учитывать компаниям

Для бизнеса результаты Vercel показывают практическую ценность раздельного подбора моделей по типу работы. Ограниченный набор ответов может быть полезен там, где требуется массовая классификация, а универсальные модели остаются отдельным инструментом для иных сценариев. Перед переносом задачи стоит оценить качество классификации, стоимость обработки и доступность нужной модели через используемый API.