# Гібрид Jev + Opus: на складних кейсах дешевше в 1,8 раза

> Hightouch заявляє про економію понад 4x, але на складних профілях гібрид коштує $2,94 проти $5,39 в Opus. Різниця в точності імовірно в межах похибки.

- Опубліковано: 7 листопада 2026 р. (2026-11-07T01:01:15.822251+00:00)
- Розділ: Практика
- На основі публікації: [HackerNews](https://hightouch.com/blog/llm-judges-identity-resolution)
- Видання: AiiN (https://aiin.news)
- URL: https://aiin.news/article?slug=%D0%B3%D1%96%D0%B1%D1%80%D0%B8%D0%B4-jev-opus-%D0%BD%D0%B0-%D1%81%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B8%D1%85-%D0%BA%D0%B5%D0%B9%D1%81%D0%B0%D1%85-%D0%B4%D0%B5%D1%88%D0%B5%D0%B2%D1%88%D0%B5-%D0%B2-1-8-%D1%80%D0%B0%D0%B7%D0%B0

---

Гібрид Jev + Opus від Hightouch на складному наборі коштує $2,94 за 1000 оцінок проти $5,39 в самого Opus, тобто в 1,8 раза дешевше (5,39 / 2,94). Точність: 95,3% проти 95,1%.

У власному блозі компанія [за даними Hightouch](https://hightouch.com/blog/llm-judges-identity-resolution) заявляє про економію «понад 4x». Конкретні ціни наводить розбір [за даними HyperAI](https://hyper.ai/en/stories/73de156b3c59e8ca5ea2c2b803cd1088). Джерела не вказують, для якого набору порахована цифра «понад 4x», тож її не можна відтворити. Для складних кейсів спирайтеся на 1,8x: це єдина економія, яку видно з опублікованих цін.

## Що перевіряли і навіщо потрібен суддя?

Hightouch перевіряла, чи може модель виявити over-merging: ситуацію, коли система зіставлення записів склеїла в один профіль кількох реальних людей. У проді еталонних відповідей немає, тож єдиний спосіб оцінити якість: ручна вибірка. Людина переглядає близько 50 профілів на годину, а щоб звузити похибку частки over-merge до ±1%, потрібно понад 1000 профілів. Це приблизно 20 годин роботи (1000 / 50).

Тестовий набір складався з 1000 профілів, згенерованих інструментом pseudopeople: половина зі «брудними» записами однієї людини, половина з навмисними склейками. Дані повністю синтетичні, про вигадане американське містечко.

## Скільки гібрид реально економить?

На складному наборі гібрид Jev + Opus коштує $2,94 за 1000 оцінок, а один Opus $5,39: економія в 1,8 раза. Складні кейси включають схожі імена, близнюків і профілі типу senior-junior. Точність там 95,3% проти 95,1% в Opus.

Різницю в 0,2 пункту не варто вважати перевагою гібрида. За оцінкою самої Hightouch, щоб звузити похибку до ±1%, потрібно понад 1000 зразків, а розмір складного набору джерела не вказують. Імовірно, ці результати статистично не відрізняються.

На легкому наборі гібрид дає 98,8% за $0,88 за 1000, а Opus окремо досягає 99,0%. Вартість Opus на легкому наборі джерела не наводять, тому перевірити «понад 4x» на ньому неможливо.

Без Opus моделі рішень коштують $0,05–0,10 за 1000 ідентичностей і відповідають приблизно за 0,15 с: Jev близько $0,05, Luna близько $0,10. Проте на складних кейсах Luna падає до 88,8% проти 95,1% в Opus.

Hightouch також підібрала пороги впевненості: 60% для Jev і 70% для Luna. Джерела не уточнюють, чи ці ж пороги визначають, які профілі йдуть до Opus.

## Чому Jev у гібриді кращий за Luna?

Jev у гібриді виграє завдяки калібруванню: більшість його помилок супроводжується низькою впевненістю, тож їх можна відправити на повторну перевірку. З коробки Luna точніша (97,3% проти 95,6% у Jev), але більшість її помилок має високу впевненість, і гібрид їх не ловить.

Результат видно в цифрах. Гібрид Luna на складному наборі коштує $1,15, але дає лише 91,6%. Гібрид Jev коштує $2,94 і дає 95,3%. Тобто 3,7 відсоткового пункту точності (95,3 − 91,6) коштують $1,79 за 1000 (2,94 − 1,15).

## Що робити зараз?

- Щоб перевірити калібрування моделі для першої лінії, розбийте її помилки на розмічених профілях за рівнем впевненості. У Jev більшість помилок мала низьку впевненість, у Luna високу, і саме це визначило результат гібрида.
- Закладайте в бюджет економію 1,8x для складних профілів, а не 4x: лише для неї є видимий розрахунок.

---

Теги: AI, LLM, Hightouch, Claude, оптимізація, маршрутизація

Джерело: AiiN — https://aiin.news/article?slug=%D0%B3%D1%96%D0%B1%D1%80%D0%B8%D0%B4-jev-opus-%D0%BD%D0%B0-%D1%81%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B8%D1%85-%D0%BA%D0%B5%D0%B9%D1%81%D0%B0%D1%85-%D0%B4%D0%B5%D1%88%D0%B5%D0%B2%D1%88%D0%B5-%D0%B2-1-8-%D1%80%D0%B0%D0%B7%D0%B0. Цитуючи, посилайтесь на канонічний URL.