LLM вроде Claude или GPT-6 пишет текст. Модель решений вроде Jev выбирает из вариантов, которые задали вы, и возвращает вероятность для каждого. Если нужно распределять обращения, классифицировать их или одобрять следующий шаг ИИ-агента, модель решений обычно работает быстрее и её проще контролировать. Ответы, пересказы и многошаговые задачи остаются за LLM. Цена здесь редко решает: при 100 000 обращений в месяц любой вариант в нашем расчёте обходится меньше чем в 15 долларов за работу модели.
С тех пор как TypeSafe в середине сентября представила Jev, за четыре недели появились ещё четыре предложения: Cloudflare Clef, Amazon Strands Decider, OpenAI Decisions API и Microsoft-Decision-1. Сравнение основано на данных производителей по состоянию на 12 октября 2026 года. LindenTech не проводила собственных бенчмарков; цифры из тестов производителей отмечены отдельно.
Jev и LLM: главное в одной таблице
| Вопрос | Модель решений (Jev, Clef, Decision-1) | LLM (Claude, GPT-6) |
|---|---|---|
| Результат | Один из заданных вариантов с вероятностями | Свободный текст или JSON по вашей схеме |
| Как работает | Один проход по входным данным, допустимые ответы оцениваются | Ответ генерируется токен за токеном |
| Уверенность | Часть ответа, в зависимости от типа вопроса | По умолчанию нет, её приходится выводить отдельно |
| Оплата | Только входные токены | Входные и выходные токены |
| Подходит для | Маршрутизации, классификации, проверки правил, одобрения следующего шага агента | Ответов, пересказов, извлечения полей, вызова инструментов с аргументами |
| Не предназначена для | Генерации текста, открытых вопросов, планирования в несколько шагов | Множества мелких решений, где важны задержка и стабильность ответа |
Чем модель решений отличается от LLM
Модель решений получает состояние, например письмо клиента, и типизированные вопросы. У Jev три типа вопросов: Choice выбирает вариант из списка, Score оценивает по шкале, Noul оценивает вероятность того, что утверждение верно. В документации Jev сказано, что все вопросы одного запроса оцениваются параллельно и независимо друг от друга по одному и тому же состоянию.
Запрос в формате Jev выглядит так. Clef от Cloudflare понимает тот же формат:
{
"state": "Уже час у всех клиентов не проходит оформление заказа.",
"questions": {
"urgent": { "type": "noul", "instructions": "Срочное ли это обращение?" },
"team": {
"type": "choice",
"instructions": "Какая команда должна обработать обращение?",
"criteria": {
"billing": "Платежи, счета, возвраты",
"technical": "Сбои, ошибки, настройки",
"sales": "Тарифы и переход на другой план"
}
}
}
}
Технически модель не генерирует текст. Для Clef Cloudflare описывает один проход по входным данным, после которого допустимые ответы оцениваются параллельно. В Strands Decider Amazon заменила часть языковой модели, которая предсказывает слова, небольшим оценочным блоком. Поэтому результат всегда будет одним из ваших вариантов, хотя и не обязательно правильным.
Неверная категория в правильном формате остаётся ошибкой. Почему это важно и как читать значения уверенности, мы разбирали в статье про Jev.
Когда LLM остаётся лучшим выбором
Как только результат должен прочитать человек, нужен текст: ответ клиенту, краткое содержание, объяснение. Модель решений этого не умеет. То же касается извлечения произвольных полей из документа и вызова инструментов с аргументами. OpenAI в документации Decisions API прямо советует для таких задач Structured Outputs или function calling.
LLM нужна и тогда, когда ответа нет в заранее известном списке: разобраться в причине ошибки, скорректировать план, сопоставить несколько источников.
Часто они работают вместе: модель решений распределяет обращение и одобряет шаги, а LLM пишет там, где нужен текст. В нашей архитектуре ИИ-агента это слой маршрутизации перед самим агентом.
Пять моделей решений в октябре 2026 года
| Модель | Цена за 1 млн входных токенов | Веса и особенности |
|---|---|---|
| Jev 1.13 (TypeSafe) | 0,042 $ | Закрыты. Первая модель такого типа, ранний доступ, также через OpenRouter |
| Clef, Clef-flash, Clef-omni (Cloudflare Workers AI) | 0,24 $ / 0,038 $ / 0,15 $ | Открыты, Apache 2.0. API, совместимый с Jev, изображения; Clef-omni также аудио и видео |
| Microsoft-Decision-1 (Microsoft Foundry, OpenRouter) | 0,042 $ | Не опубликованы. Публичное превью с 9 октября, основана на Qwen3.5-9B |
| Decisions API с gpt-6-luna (OpenAI) | 0,10 $ | Закрыты. Публичная бета, изображения, хранение данных в ЕС для подходящих клиентов |
| Strands Decider 2B (AWS Strands Labs) | Без оплаты за токены | Открыты, Apache 2.0. Работает локально, в том числе на CPU и Mac с Apple Silicon |
По данным поставщиков, оплачиваются только входные токены. Источники: журнал изменений Cloudflare от 9 октября, анонс Microsoft, документация OpenAI и репозиторий Strands Decider.
После снижения цены облачная версия Clef-flash принимает не больше 24 000 входных токенов на запрос. Для более длинных входных данных Cloudflare предлагает Clef с окном 64 000 токенов.
Каждый поставщик публикует бенчмарки, в которых лидирует его модель. Cloudflare ставит Clef выше Jev, Microsoft ставит Decision-1 выше всех. Такие тесты мало говорят о том, насколько хорошо модель распределит именно ваши обращения.
Сколько стоят 100 000 обращений в месяц
Для расчёта возьмём службу поддержки, которая распределяет 100 000 обращений в месяц. Обращение занимает около 250 токенов, вопросы с описаниями вариантов около 350, итого 600 входных токенов. LLM дополнительно нужны инструкции по формату ответа, так что выходит около 750 входных токенов, а возвращает она около 40 токенов компактного JSON. Кэширование промптов и скидки за пакетную обработку не учитываются.
| Модель | Токенов в месяц | Стоимость в месяц |
|---|---|---|
| Clef-flash | 60 млн входных | 2,28 $ |
| Jev 1.13 | 60 млн входных | 2,52 $ |
| Microsoft-Decision-1 | 60 млн входных | 2,52 $ |
| OpenAI Decisions (gpt-6-luna) | 60 млн входных | 6,00 $ |
| Claude Haiku 5.5 как LLM | 75 млн входных, 4 млн выходных | 9,50 $ |
| GPT-6 Luna как LLM | 75 млн входных, 4 млн выходных | 9,50 $ |
| Clef | 60 млн входных | 14,40 $ |
Цены LLM взяты из прайс-листов Anthropic и OpenAI: в обоих случаях 0,10 $ за миллион входных и 0,50 $ за миллион выходных токенов для коротких промптов. Каждый поставщик считает токены своим токенизатором, поэтому один и тот же текст даёт немного разное количество.
Выходит, модель решений не обязательно дешевле: в этом расчёте большая Clef стоит дороже Claude Haiku 5.5. Разница между самым дешёвым и самым дорогим вариантом меньше 13 долларов в месяц.
Гораздо больше весят неверные решения. Если 3 обращения из 100 попадают не в ту команду, а каждое исправление занимает две минуты, при 100 000 обращений набирается 100 рабочих часов в месяц. Поэтому выгоднее повышать точность на своих данных, чем искать самую низкую цену за токен.
Почему в агентах важны миллисекунды
Агент редко принимает только одно решение. Microsoft в анонсе Decision-1 приводит расчёт: лишние 100 миллисекунд на каждом из 20 последовательных решений дают две секунды ожидания. При 500 миллисекундах на шаг это уже десять секунд, при 40 миллисекундах меньше одной.
Данные производителей сильно расходятся. Cloudflare указывает медиану 38,8 мс для Clef-flash и около 150 мс для Clef на примерно 800 входных токенах после оптимизации 9 октября. OpenAI говорит, что ответы примерно в десять раз быстрее, чем через Responses API, но условия измерения не приводит. OpenRouter 12 октября показывал медиану 0,20 секунды для Jev и 0,35 секунды для Decision-1 с учётом сети. Поэтому задержку стоит измерять из своего региона и своей инфраструктуры.
Где вычисляется решение
Для компаний в ЕС место обработки данных часто важнее самой модели. Поставщики подходят к этому по-разному:
- Strands Decider и Clef опубликованы под лицензией Apache 2.0, их можно запустить в своей инфраструктуре, и данные останутся у вас. По документации Strands Decider 2B работает и без видеокарты, а Clef требует заметно больше вычислительных ресурсов.
- OpenAI предлагает для Decisions API режим Zero Data Retention и хранение данных в ЕС и Швейцарии для подходящих клиентов. Cloudflare обязуется не читать и не хранить запросы к Clef и не обучать на них модели.
- Для Jev и Decision-1 место обработки, срок хранения и договор об обработке данных нужно согласовать с поставщиком до начала работы.
Какие вопросы задавать поставщику, мы собрали в статье про ИИ-хостинг в ЕС.
Модель решений, LLM или обе?
- Есть ли правильный ответ в фиксированном списке? Тогда подходит модель решений.
- Будет ли результат читать человек? Тогда нужна LLM или текстовый шаблон.
- Идут ли решения цепочкой одно за другим? Тогда важна задержка, и здесь у модели решений преимущество.
- Нужен ли порог «не уверен, передать человеку»? Модели решений дают для этого вероятность. Порог подбирайте на собственных тестовых данных.
- Можно ли данным покидать компанию? Если нет, подходят только модели с открытыми весами, запущенные у вас.
Если решение можно записать жёстким правилом, например истёк ли срок, модель не нужна вовсе. Подробнее в статье об автоматизации без ИИ.
Как честно сравнить Jev, Clef и LLM
Соберите от 200 до 300 обезличенных обращений и для каждого запишите правильное решение. Отложите часть выборки и не смотрите на неё, пока формулируете вопросы. Задайте всем кандидатам одинаковые вопросы с одинаковыми вариантами. Поскольку Clef понимает API Jev, переход между ними, по словам Cloudflare, сводится к замене идентификатора модели.
Сравните четыре показателя:
- точность по каждой категории, а не только общую;
- долю решений, ошибочных при высокой уверенности;
- задержку на 95-м перцентиле из вашего региона;
- стоимость одного правильно распределённого обращения с учётом затрат на исправления.
В качестве базы возьмите простое правило или ваше текущее решение. Внедрять модель имеет смысл, только если на ваших данных она эту базу обходит.
Частые вопросы
Является ли Jev языковой моделью?
Нет. Jev построена на технологии языковых моделей, но текст не генерирует. Она оценивает заданные ответы и возвращает вероятности.
Можно ли заменить Jev на Clef?
Cloudflare заявляет, что Clef совместима с API Jev. Технически замена простая. Будут ли решения не хуже, покажет только тест на ваших данных.
Какая модель решений работает локально?
Strands Decider 2B от Amazon и Clef от Cloudflare доступны для скачивания с открытыми весами. Strands Decider достаточно мал для обычного сервера или Mac.
Заменит ли модель решений ИИ-чат-бота?
Нет. Она может решить, куда направить обращение и можно ли отправлять ответ. Сам ответ по-прежнему пишет человек, шаблон или LLM.
Модель решений всегда дешевле LLM?
Не обязательно. В нашем расчёте Clef стоит дороже Claude Haiku 5.5. Для большинства компаний расходы на модель малы по сравнению с затратами на исправление неверных решений.
Если хотите проверить, подойдёт ли модель решений вашей поддержке или ИИ-агенту, обсудите это с нами: ИИ-автоматизация с LindenTech. Возьмите одно повторяющееся решение: какие данные приходят, какие ответы допустимы и во что обходится ошибка.