Was ist Jev?
Jev ist das erste öffentliche Modell von TypeSafe AI, einem Labor aus San Francisco, das am 15. September 2026 mit einer von DCVC angeführten Seed-Runde über 40 Millionen $ an die Öffentlichkeit trat. TypeSafe nennt es ein "System One"-Modell, nach Daniel Kahnemans schnellem, intuitivem Denkmodus. Es schreibt weder Fließtext noch Code noch Erklärungen. Du schickst einen state (einen String, ein JSON-Objekt oder ein Array aus Text) und eine Reihe benannter Fragen, und es beantwortet alle Fragen in einem Aufruf.
Jede Frage hat einen von drei Typen: eine Auswahl aus von dir festgelegten Optionen, eine Bewertung auf einer von dir festgelegten Skala oder ein "noul", die Wahrscheinlichkeit, dass eine Aussage stimmt. Manche Typen liefern einen Konfidenzwert, dein Code kann also oberhalb eines Schwellenwerts selbst handeln und den Rest an einen Menschen oder ein größeres Modell geben. TypeSafe sagt, es habe Jev mit einer Methode trainiert, die es Reinforcement Learning for Calibrated Decisions (RLCD) nennt.
Jev gibt es nur per API, nur für Text und mit geschlossenen Gewichten. Zwei Versionen sind live: jev-1.13.0 (der Alias jev-latest, Standard im SDK) und jev-1.14.0 (jev-preview, seit 14. Oktober 2026). Anfragen dürfen 64K Tokens umfassen, 32K pro Frage, oder 262K mit einem Long-Context-Header, bei dem TypeSafe vor geringerer Geschwindigkeit und Genauigkeit warnt.
Lohnt sich Jev?
Jev verkauft inzwischen eher Bequemlichkeit als Qualität. Im Community-Index Jev Decision Index, der jetzt auf privaten Tests wertet, steht Jev 1.14 mit 60,24 auf Platz 41 von 229 Einträgen, das stabile 1.13 mit 59,22 auf Platz 48. Fastinos GLiDE 1.2 führt mit 71,52, und Perplexitys Decider v1.2 mit offenen Gewichten steht mit 67,98 auf Platz vier und verlangt 0,02 $ pro Million Input-Tokens gegenüber 0,042 $ bei Jev.
Die Produktidee trägt weiterhin. Jev funktioniert wie ein günstiger Funktionsaufruf für Urteile, die Code bereits mit einem LLM fällt: welches Team für ein Ticket zuständig ist, ob eine Nachricht dringend ist, ob ein Tool-Aufruf ausgeführt werden soll. Die Antwort kann nur eine der von dir festgelegten Optionen sein, es muss also nichts geparst werden. Im unabhängigen Lauf von nibzard kamen alle 40.226 Entscheidungen gültig zurück, für dokumentierte 1,71 $, mit 79,2 % Genauigkeit bei Banking77, 88,6 % bei CLINC150 und einer medianen Latenz von 267 bis 316 ms unter Last.
Die Konfidenz ist die Funktion, die Automatisierung ermöglichen soll, und sie muss mit deinen eigenen Daten getestet werden. TypeSafes Doku sagt, die Kalibrierung gelte über Gruppen von Vorhersagen, nicht für einzelne Antworten. Nibzard hat Schwellenwerte für höchstens 5 % Fehler angepasst: Bei Banking77 automatisierte ein Grenzwert von 0,96 51,2 % der Testnachrichten bei 3,68 % Fehler, und bei CLINC150 verfehlte der gewählte Schwellenwert das Ziel mit 6,65 %. Bei einer Intent-Warteschlange mit 77 Kategorien solltest du mit etwa der Hälfte automatisierter Fälle rechnen, nicht mit den meisten.
Die Betriebsdetails sind überwiegend vernünftig. TypeSafe sagt, Jev werde nicht mit Kundenanfragen oder -antworten trainiert, Zero Data Retention gibt es allerdings nur bei Enterprise. Aliase wandern mit neuen Versionen, abgestimmte Schwellenwerte sollten also auf jev-1.13.0 oder jev-1.14.0 festgelegt werden. Englisch liefert die beste Genauigkeit, Input ist nur Text, und TypeSafe begrenzt eine Auswahl auf 255 Optionen; in nibzards Pilot wurden 12 von 256 Anfragen abgelehnt, weil sie darüber lagen.
Was Jev dem offenen Feld voraushat, ist, dass jemand anderes es betreibt. Dieser Vorteil schrumpft: Der Hauptzweig von vLLM bedient seit dem 14. Oktober denselben Endpunkt /v1/systemone, wenn auch noch nicht in einem Release, und Modelle wie d3 laden ohne Konvertierung hinein. Der Wechsel weg von Jev ist inzwischen fast nur noch eine Änderung der Basis-URL.
Wo es sich lohnt
Ein Support-Engineering-Leiter bei einer Bank mit einer Intent-Taxonomie aus 77 Kategorien
Eingehende Chatnachrichten ohne LLM-Rechnung in die richtige Warteschlange leiten
Eine choice-Frage pro Nachricht; bei 0,042 $ pro Million Input-Tokens kostet eine Million Nachrichten mit je 300 Tokens etwa 13 $. Nibzards Tests legen nahe, dass ein Konfidenz-Grenzwert von 0,96 etwa die Hälfte bei unter 4 % Fehler automatisiert, der Rest geht an Mitarbeitende.
Eine Plattformingenieurin, die ein Agenten-Framework baut
Tool-Aufrufe vor der Ausführung mit einer schnellen Ja/Nein-Prüfung absichern
Eine noul-Frage liefert in etwa 200 bis 320 ms eine Wahrscheinlichkeit für "dieser Aufruf ist sicher". Leg jev-1.13.0 fest, damit sich Schwellenwerte nicht verschieben, wenn der Alias wandert, und schick Aufrufe mit niedriger Konfidenz an ein größeres Modell.
Ein Produktmanager bei einem SaaS-Unternehmen ohne ML-Team
Einem Feedback-Postfach Dringlichkeitsbewertung und Spamfilter hinzufügen
score- und noul-Fragen werden in einem Aufruf pro Nachricht beantwortet, ohne GPUs zu betreiben. Wächst das Volumen oder kommen Bilder ins Postfach, kosten offene Modelle wie Perplexitys Decider die Hälfte und lesen Bilder.
Bevor du dich festlegst
- Einrichtung
- Erstelle einen API-Schlüssel und schick per POST einen state und benannte Fragen an /v1/systemone, oder nutze die SDKs, die standardmäßig jev-latest verwenden.
- Integrationen
- HTTP-API und SDKs von TypeSafe; Vercel AI Gateway, das typesafe-ai/jev-1.13.0 und jev-1.14.0 zu denselben 0,042 $ pro Million Input-Tokens mit kostenlosem Output führt; dasselbe Anfrageformat für /v1/systemone bedient vLLM für offene Entscheidungsmodelle.
- Daten und Datenschutz
- TypeSafe sagt, Jev werde nicht mit Kundenanfragen oder -antworten trainiert und alle Konten nutzten dieselben Gewichte; Zero Data Retention wird Enterprise-Kunden angeboten. Die Modellseite nennt keine Aufbewahrungsfristen; der DPA steht auf der Legal-Seite.
- Kosten im großen Maßstab
- Nur Input wird berechnet, zu 0,042 $ pro Million Tokens: 100 Mio. Entscheidungen mit je 500 Tokens kosten 2.100 $. Nibzards Benchmark mit 40.226 Entscheidungen kostete 1,71 $.
- Grenzen
- 64K Tokens pro Anfrage und 32K pro Frage, oder 262K mit dem Header TypeSafe-Danger-Zone-Long-Context; Ratenlimits werden pro Organisation festgelegt und als 429 zurückgegeben; choice-Fragen nehmen höchstens 255 Optionen.
Was gut ist
- Die Ausgabe ist immer eine deiner festgelegten Optionen, nichts zu parsen
- 0,042 $ pro 1 Mio. Input-Tokens, Output kostenlos
- Kein Training mit Kundenanfragen oder -antworten
- Versionierte Modell-IDs halten abgestimmte Schwellenwerte stabil
Was nicht
- Platz 41 von 229 im Community-Index Decision Index, hinter offenen Modellen
- Nur Text, am besten auf Englisch
- Geschlossene Gewichte; kein Self-Hosting, kein Fine-Tuning
- Zero Data Retention nur bei Enterprise
Am besten für
Teams, die eine gehostete, günstige API für Text-Routing, Triage und Ja/Nein-Schranken wollen, ohne eigene GPUs zu betreiben.
Alternativen zu Jev
Jev: häufige Fragen
- Lohnt sich Jev?
- Jev hat typisierte Entscheidungen zum Produkt gemacht, und offene Modelle haben es inzwischen bei Wertung und Preis überholt. Wir bewerten es mit 3.8 von 5.
- Was kostet Jev?
- 0,042 $ pro 1 Mio. Input-Tokens (42 $ pro Milliarde); Output-Tokens sind kostenlos. Gleicher Preis bei langem Kontext. Enterprise-Limits über den Vertrieb.
- Welche Nachteile hat Jev?
- Platz 41 von 229 im Community-Index Decision Index, hinter offenen Modellen; Nur Text, am besten auf Englisch; Geschlossene Gewichte; kein Self-Hosting, kein Fine-Tuning; Zero Data Retention nur bei Enterprise.
- Für wen eignet sich Jev?
- Teams, die eine gehostete, günstige API für Text-Routing, Triage und Ja/Nein-Schranken wollen, ohne eigene GPUs zu betreiben.
- Was kostet Jev für ein Team oder im Produktivbetrieb?
- Nur Input wird berechnet, zu 0,042 $ pro Million Tokens: 100 Mio. Entscheidungen mit je 500 Tokens kosten 2.100 $. Nibzards Benchmark mit 40.226 Entscheidungen kostete 1,71 $.
- Ist Jev sicher für Firmendaten?
- TypeSafe sagt, Jev werde nicht mit Kundenanfragen oder -antworten trainiert und alle Konten nutzten dieselben Gewichte; Zero Data Retention wird Enterprise-Kunden angeboten. Die Modellseite nennt keine Aufbewahrungsfristen; der DPA steht auf der Legal-Seite.
- Was sind die besten Alternativen zu Jev?
- Die nächsten Alternativen, die wir getestet haben, sind Perplexity Decider (pplx-decider), d3 (vLLM Semantic Router), Clef, Laya, GLiNER2.5-Decide und ScaleDown Constrained Decoding Models (Classify, Extract, Summarize).
Antworten geprüft am 26. Okt. 2026.