Qu’est-ce que Jev ?
Jev est le premier modèle public de TypeSafe AI, un laboratoire de San Francisco sorti de l'ombre le 15 septembre 2026 avec un tour d'amorçage de 40 millions de dollars mené par DCVC. TypeSafe le qualifie de modèle « System One », d'après le mode de pensée rapide et intuitif de Daniel Kahneman. Il n'écrit ni prose, ni code, ni explications. Vous envoyez un état (une chaîne, un objet JSON ou un tableau de texte) et un ensemble de questions nommées, et il répond à chaque question en un seul appel.
Chaque question est de l'un de trois types : un choix parmi des options que vous définissez, un score sur une échelle que vous définissez, ou un « noul », la probabilité qu'une affirmation soit vraie. Certains types renvoient une valeur de confiance, si bien que votre code peut agir seul au-dessus d'un seuil et confier le reste à une personne ou à un modèle plus grand. TypeSafe indique avoir entraîné Jev avec une méthode qu'il appelle Reinforcement Learning for Calibrated Decisions (RLCD).
Jev est uniquement sur API, uniquement textuel et fermé. Deux versions sont actives : jev-1.13.0 (l'alias jev-latest, le défaut du SDK) et jev-1.14.0 (jev-preview, depuis le 14 octobre 2026). Les requêtes peuvent contenir 64K tokens, 32K par question, ou 262K avec un en-tête de long contexte que TypeSafe prévient être plus lent et moins précis.
Jev vaut-il le coup ?
Jev vend désormais la commodité plus que la qualité. Sur le Jev Decision Index communautaire, qui note désormais sur des tests privés, Jev 1.14 se classe 41e sur 229 entrées à 60,24 et la 1.13 stable est 48e à 59,22. GLiDE 1.2 de Fastino mène à 71,52, et le Decider v1.2 à poids ouverts de Perplexity est quatrième à 67,98 tout en facturant 0,02 $ par million de tokens en entrée contre 0,042 $ pour Jev.
L'idée produit tient toujours. Jev fonctionne comme un appel de fonction bon marché pour les jugements que le code fait déjà avec un LLM : quelle équipe possède un ticket, si un message est urgent, si un appel d'outil doit se poursuivre. La réponse ne peut être que l'une des options que vous avez définies, si bien que rien n'a besoin d'être parsé. Dans l'exécution indépendante de nibzard, les 40 226 décisions sont toutes revenues valides pour 1,71 $ enregistré, avec 79,2 % de précision sur Banking77, 88,6 % sur CLINC150 et une latence médiane de 267 à 316 ms en charge.
La confiance est la fonction censée vous permettre d'automatiser, et elle demande des tests sur vos propres données. La documentation de TypeSafe indique que la calibration tient sur des groupes de prédictions, pas pour une réponse unique. Nibzard a ajusté des seuils pour au plus 5 % d'erreur : sur Banking77, un seuil de 0,96 a automatisé 51,2 % des messages de test à 3,68 % d'erreur, et sur CLINC150 le seuil choisi a manqué la cible à 6,65 %. Sur une file d'intentions à 77 voies, attendez-vous à automatiser environ la moitié, pas la plupart.
Les détails opérationnels sont pour l'essentiel sensés. TypeSafe indique que Jev n'est pas entraîné sur les requêtes ou réponses des clients, même si la non-conservation des données est réservée à l'entreprise. Les alias changent quand les versions sortent, si bien que les seuils ajustés doivent être épinglés à jev-1.13.0 ou jev-1.14.0. L'anglais obtient la meilleure précision, l'entrée est uniquement textuelle, et TypeSafe plafonne un choix à 255 options ; le pilote de nibzard a eu 12 de ses 256 requêtes rejetées pour dépassement.
Ce que Jev garde sur le champ ouvert, c'est que quelqu'un d'autre le fait tourner. Cet avantage se réduit : la branche principale de vLLM sert le même endpoint /v1/systemone depuis le 14 octobre, mais pas encore dans une version publiée, et des modèles comme d3 s'y chargent sans conversion. Quitter Jev est désormais proche d'un changement d'URL de base.
Là où il fait la différence
Un responsable d'ingénierie support dans une banque avec une taxonomie d'intentions à 77 catégories
Router les messages de chat entrants vers la bonne file sans facture de LLM
Une question de choix par message ; à 0,042 $ par million de tokens en entrée, un million de messages de 300 tokens coûtent environ 13 $. Les tests de nibzard suggèrent qu'un seuil de confiance de 0,96 automatise environ la moitié à moins de 4 % d'erreur, le reste allant aux agents.
Un ingénieur plateforme qui construit un framework d'agents
Filtrer les appels d'outils par un contrôle oui/non rapide avant leur exécution
Une question noul renvoie une probabilité pour « cet appel est sûr à exécuter » en environ 200 à 320 ms. Épinglez jev-1.13.0 pour que les seuils ne bougent pas quand l'alias change, et envoyez les appels à faible confiance à un modèle plus grand.
Un chef de produit dans une entreprise SaaS sans équipe ML
Ajouter un score d'urgence et un filtrage du spam à une boîte de retours
Des questions de score et noul répondues en un seul appel par message, sans GPU à faire tourner. Si le volume grandit ou que des images entrent dans la boîte, des modèles ouverts comme le Decider de Perplexity coûtent deux fois moins et lisent les images.
Avant de vous engager
- Mise en route
- Créez une clé d'API, puis POST un état et des questions nommées vers /v1/systemone ou utilisez les SDK, qui par défaut utilisent jev-latest.
- Intégrations
- API HTTP et SDK de TypeSafe ; Vercel AI Gateway, qui liste typesafe-ai/jev-1.13.0 et jev-1.14.0 au même 0,042 $ par million de tokens en entrée avec sortie gratuite ; la même forme de requête /v1/systemone est servie par vLLM pour les modèles de décision ouverts.
- Données et confidentialité
- TypeSafe indique que Jev n'est pas entraîné sur les requêtes ou réponses des clients et que chaque compte utilise les mêmes poids ; la non-conservation des données est offerte aux clients Enterprise. La page des modèles ne donne aucune durée de conservation ; le DPA se trouve sur la page Legal.
- Coût à grande échelle
- Seule l'entrée est facturée, à 0,042 $ par million de tokens : 100M de décisions de 500 tokens chacune coûtent 2 100 $. Le benchmark de 40 226 décisions de nibzard a coûté 1,71 $.
- Limites
- 64K tokens par requête et 32K par question, ou 262K avec l'en-tête TypeSafe-Danger-Zone-Long-Context ; limites de débit fixées par organisation et renvoyées en 429 ; les questions de choix prennent au plus 255 options.
Les points forts
- La sortie est toujours l'une de vos options définies, donc rien à parser
- 0,042 $ par 1M de tokens en entrée, sortie gratuite
- Pas d'entraînement sur les requêtes ou réponses des clients
- Des identifiants de modèle versionnés gardent les seuils ajustés stables
Les points faibles
- 41e sur 229 sur le Decision Index communautaire, derrière les modèles ouverts
- Texte uniquement, et meilleur en anglais
- Poids fermés ; pas d'auto-hébergement ni d'affinage
- Non-conservation des données uniquement en Enterprise
Idéal pour
Les équipes qui veulent une API hébergée à bas coût pour le routage de texte, le tri et les portes oui/non sans faire tourner leurs propres GPU.
Alternatives à Jev
Jev : questions fréquentes
- Jev vaut-il le coup ?
- Jev a transformé les décisions typées en produit, et des modèles ouverts l'ont depuis dépassé en score comme en prix. Nous lui donnons 3.8 sur 5.
- Combien coûte Jev ?
- 0,042 $ par 1M de tokens en entrée (42 $ le milliard) ; les tokens de sortie sont gratuits. Même prix en long contexte. Limites entreprise via l'équipe commerciale.
- Quels sont les inconvénients de Jev ?
- 41e sur 229 sur le Decision Index communautaire, derrière les modèles ouverts; texte uniquement, et meilleur en anglais; poids fermés ; pas d'auto-hébergement ni d'affinage; non-conservation des données uniquement en Enterprise.
- À qui s’adresse Jev ?
- Les équipes qui veulent une API hébergée à bas coût pour le routage de texte, le tri et les portes oui/non sans faire tourner leurs propres GPU.
- Combien coûte Jev pour une équipe ou en production ?
- Seule l'entrée est facturée, à 0,042 $ par million de tokens : 100M de décisions de 500 tokens chacune coûtent 2 100 $. Le benchmark de 40 226 décisions de nibzard a coûté 1,71 $.
- Jev est-il sûr pour les données de l’entreprise ?
- TypeSafe indique que Jev n'est pas entraîné sur les requêtes ou réponses des clients et que chaque compte utilise les mêmes poids ; la non-conservation des données est offerte aux clients Enterprise. La page des modèles ne donne aucune durée de conservation ; le DPA se trouve sur la page Legal.
- Quelles sont les meilleures alternatives à Jev ?
- Les alternatives les plus proches que nous avons testées sont Perplexity Decider (pplx-decider), d3 (vLLM Semantic Router), Clef, Laya, GLiNER2.5-Decide et ScaleDown Constrained Decoding Models (Classify, Extract, Summarize).
Réponses vérifiées le 26 oct. 2026.