Jev

2026-09-15 · Éditeur : TypeSafe AI · Domaine : Intelligence Artificielle

TypeSafe AI, start-up de San Francisco, lance Jev en accès anticipé limité : un modèle « System One » qui renvoie des décisions typées avec probabilités plutôt que du texte.

TypeSafe AI, start-up de San Francisco, lance Jev en accès anticipé limité : un modèle « System One » qui renvoie des décisions typées avec probabilités plutôt que du texte. ### Différence avec un LLM - Sortie : un LLM génère du texte token par token. Jev, selon l'éditeur, échantillonne en parallèle des réponses typées (choix, score, oui/non) définies à l'avance, chacune accompagnée de probabilités et d'un score de confiance. - Usage : Jev ne produit ni texte, ni code, ni explication. La documentation le présente comme une fonction de décision à brancher dans du code, pas comme un remplaçant du modèle d'un agent de code. - Entrée : texte uniquement (chaîne, JSON), pas d'image, d'audio ni de vidéo pour l'instant. Jev est un modèle spécialisé, à côté des LLM et non à leur place. ### Caractéristiques - Annonce : 15 septembre 2026, accès anticipé limité (liste d'attente, connexion à la console). L'éditeur indique aussi avoir brièvement perdu la capacité de servir l'API à cause de la demande (TechCrunch). - Modèle `jev-1.13.0` (alias `jev-latest`), endpoint `POST /v1/systemone`. Contexte de 64 k tokens par requête (32 k pour l'état et la plus longue question), 250 000 tokens par seconde et 1 200 requêtes par minute (limites ajustées dynamiquement). - Trois types de questions : Choice (jusqu'à 255 options), Score (échelle ordonnée) et Noul (probabilité oui/non). SDK Python et JavaScript. - Entraînement : méthode maison RLCD (Reinforcement Learning for Calibrated Decisions, apprentissage par renforcement pour décisions calibrées), sur données synthétiques selon TechCrunch. - Fondateurs : Diogo Almeida (PDG), Erik Gafni, Sasha Sheng. Seed de 40 M USD mené par DCVC. - Cas d'usage cités : routage et classification, garde-fous et vérification de sorties de LLM, appels d'outils d'agents, applications temps réel, démonstration jouant à Doom. ### Tarifs | Élément | Prix (USD) | |---|---| | Tokens d'entrée | 0,042 par million (42 par milliard) | | Tokens de sortie | Gratuits | Cache et batch : non communiqués. Le prix est facturé à l'entrée uniquement. L'éditeur reconnaît ne pas pouvoir prouver que ce tarif n'est pas subventionné. ### Benchmarks Aucun benchmark académique standard n'est publié. L'éditeur met en avant ses propres « workflow evals » (scores publiés par l'éditeur), avec pour référence la moyenne de GPT-6 Astra et de Fable 5.1. | Mesure (annonce de l'éditeur) | Valeur | |---|---| | Temps de réponse de bout en bout | 70 à 500 ms | | Vitesse face aux LLM de pointe | 40x à 200x (maximum 193,6x) | | Coût face aux LLM | maximum 444,6x moins cher | TypeSafe précise que ces chiffres sont à l'extrémité haute des gains réels, que les évaluations ont été conçues par son équipe et que la référence favorise les modèles d'OpenAI et d'Anthropic. ### Annonces de l'éditeur et réserves Annonces de l'éditeur, non vérifiées de façon indépendante : « 40x à 200x plus rapide » que les LLM de pointe, et Jev « ne peut pas halluciner » ni commettre d'erreur de type. Pour l'éditeur, l'absence d'erreur de type découle du format de sortie fermé. Des analyses indépendantes relèvent que cela ne garantit pas que la valeur choisie soit la bonne. La documentation admet elle-même que Jev lit les consignes de façon littérale, compte mal, manque de précision numérique et ne génère pas de texte. La calibration s'apprécie sur des groupes de prédictions, pas sur une réponse isolée. ### À retenir Jev vise les décisions rapides et bon marché à l'intérieur d'un logiciel (routage, notation, garde-fous), en complément d'un LLM. Les gains annoncés reposent sur des évaluations de l'éditeur : à tester sur ses propres cas avant toute décision.

Tags : IA, Jev, TypeSafe AI, System One, Décisions typées