Was ist Jev? Das Entscheidungsmodell von TypeSafe erklärt
Ein Modell, das auswählt, statt zu schreiben. Was ein Entscheidungsmodell der Klasse System One aufnimmt und zurückgibt, was es kostet, wie unabhängige Tests es bewerten und wo es versagt.
LLM Pricing2.571 Wörter10 Min. Lesezeit
Inhalt
Jev ist ein Modell von TypeSafe AI, das keinen Text erzeugt. Du schickst ihm einen Text oder ein JSON-Objekt, den Zustand (State), dazu typisierte Fragen. Zu jeder Frage liefert es eine Auswahl, einen Score oder eine Ja/Nein-Wahrscheinlichkeit samt den Wahrscheinlichkeiten hinter der Antwort. TypeSafe hat es am 15. Sept. 2026 im Early Access veröffentlicht und nennt es das erste „System-One-Modell“. Andere Anbieter und die Presse nennen diese Klasse Entscheidungsmodelle (Decision Models).
Die Angaben stammen aus der Dokumentation und dem Launch-Beitrag von TypeSafe, aus zwei unabhängigen Benchmark-Berichten von Artificial Analysis und Arize sowie aus Presseberichten. Die Links stehen unter „Quellen“.
Das Wichtigste in Kürze
- Jev ist ein Entscheidungsmodell, kein Chat- und kein Coding-Modell. Es liest Text, Bilder sind ein optionales Experiment, und gibt typisierte Antworten mit Wahrscheinlichkeiten zurück. Prosa, Code oder Erklärungen erzeugt es nicht.
- Eine Anfrage enthält einen Zustand und beliebig viele Fragen. Choice wählt eine Option, Score bewertet auf geordneten Stufen, Noul gibt die Wahrscheinlichkeit für ein Ja an, und Box (nur Jev 1.14) lokalisiert etwas in einem Bild.
- Es kostet 0,042 $ pro 1 Mio. Eingabe-Tokens, die Ausgabe ist kostenlos. Kostenpflichtige Anbieter im Katalog dieser Website führen denselben Preis.
- Jev 1.13 erschien am 15. Sept. 2026, Jev 1.14 am 14. Okt. 2026. Die Gewichte sind geschlossen, das Modell läuft nur über gehostete APIs.
- Artificial Analysis bewertete Jev 1.13 im Decision Index mit 58 Punkten, zum Start Platz 1 unter den Entscheidungsmodellen und 3 Punkte unter Claude Haiku 5.5 (Low), bei 42 $ statt 184 $ pro Million Aufgaben. Neuere Entscheidungsmodelle haben seitdem höhere Werte erreicht.
Was Jev ist
TypeSafe AI ist ein Unternehmen aus San Francisco, 2024 gegründet von Diogo Almeida, der bei OpenAI an Reinforcement Learning from Human Feedback (RLHF) gearbeitet hat, zusammen mit Erik Gafni und Sasha Sheng. TechCrunch berichtete am 9. Oktober, dass das Unternehmen wenige Wochen nach dem Start 870 Mio. $ bei einer Bewertung von 7,5 Mrd. $ eingesammelt hat.
TypeSafe argumentiert, Chat-Modelle seien auf Antworten getrimmt, die Menschen gern lesen, und das passe schlecht, wenn Software die Ausgabe weiterverarbeitet. Jev wird mit einem Verfahren trainiert, das das Unternehmen Reinforcement Learning for Calibrated Decisions (RLCD) nennt. Ziel ist, dass über viele Vorhersagen hinweg Antworten mit einer Wahrscheinlichkeit von 0,8 in etwa 80 % der Fälle stimmen. Architektur, Gewichte und ein Paper hat TypeSafe nicht veröffentlicht. TechCrunch beschreibt das Modell als Transformer-basiert, und Almeida sagte dort, die Trainingsdaten seien vollständig synthetisch.
Die Namen tragen zwei Anspielungen. „System One“ stammt vom schnellen, intuitiven Denken in Daniel Kahnemans „Schnelles Denken, langsames Denken“. „Jev“ geht auf den Ökonomen William Stanley Jevons zurück, dessen Paradoxon besagt, dass eine effizientere Nutzung einer Ressource den Gesamtverbrauch tendenziell erhöht.
So funktioniert eine Anfrage
Alles geht an einen Endpunkt, POST https://api.typesafe.ai/v1/systemone, und das Feld model wählt die Version. Der Body enthält einen state (ein String, ein JSON-Objekt oder ein Array aus Textwerten) und eine questions-Map. Jede Frage hat eine ID, einen type, instructions und bei Choice und Score criteria, die die Optionen oder Stufen festlegen. Die ID ist für deinen Code gedacht. Laut TypeSafe-Dokumentation wird sie nicht an das Modell gesendet, die Anweisungen müssen also die ganze Frage enthalten.
| Frage | Wofür | Antwortfelder |
|---|---|---|
| Choice | Eine Option aus einer Liste wählen, laut Launch-Beitrag von TypeSafe bis zu 255 Optionen | choice, probabilities, confidence |
| Score | Auf geordneten Stufen bewerten, die du beschreibst | score (kann zwischen Stufen liegen), legend, probabilities, confidence |
| Noul | Entscheiden, ob eine Aussage stimmt | noul, eine Wahrscheinlichkeit von 0 bis 1 |
| Box (Jev 1.14) | Ein Objekt in einem Bild lokalisieren | box mit vier Kanten als Anteile der Bildgröße, confidence |
Alle Fragen einer Anfrage werden parallel und unabhängig voneinander gegen denselben Zustand ausgewertet, die Antworten beeinflussen sich also nicht. Hängt eine spätere Frage von einer früheren Antwort ab, brauchst du eine zweite Anfrage. TypeSafe rät zu einem engen Urteil pro Frage und dazu, die Antworten im eigenen Code zu kombinieren. Frag zum Beispiel getrennt nach Marktgröße, technischer Machbarkeit und Differenzierung, statt „bewerte diesen Pitch“ zu schreiben, und gewichte die Scores selbst.
confidence fasst zusammen, wie stark sich die Wahrscheinlichkeiten konzentrieren, von 0 bei Gleichverteilung bis 1, wenn die gesamte Wahrscheinlichkeit auf einer Option liegt. Bei einer Choice mit n Optionen ist es (höchste Wahrscheinlichkeit - 1/n) / (1 - 1/n). Noul hat kein confidence-Feld, weil ein Wert nahe 0,5 schon bedeutet, dass das Modell unsicher ist. TypeSafe schlägt drei Bereiche vor: bei hoher Konfidenz automatisch handeln, im mittleren Bereich um Bestätigung bitten und bei niedriger Konfidenz an einen Menschen übergeben, wobei die Schwellen mit den Kosten einer Fehlentscheidung steigen.
Kalibrierung beschreibt Gruppen von Vorhersagen. Laut TypeSafe-Dokumentation garantiert sie nicht, dass eine einzelne Antwort stimmt. Die Aussage „kann nicht halluzinieren“ im Launch-Beitrag bedeutet, dass die Antwort eine der von dir vorgegebenen Optionen ist, nicht, dass sie richtig ist.
Wofür es eingesetzt wird
Die Cookbooks von TypeSafe behandeln Ticket- und Intent-Routing, Function Calling, Guardrails für Ein- und Ausgaben von LLMs, Zitatprüfung, Bewertung abgerufener Textstellen, Re-Ranking und hierarchische Dokumentklassifikation. Frühe Anwender, die in der Presse zitiert werden, beschreiben Austausch innerhalb bestehender Pipelines. TechCrunch berichtete über einen Vercel-Ingenieur, der in einem Klassifikator für die Sicherheit von Befehlen ein OpenAI-Modell durch Jev ersetzte und 5- bis 18-mal schnellere Ergebnisse bei höherer Genauigkeit erhielt. Zitiert wurde auch der CTO von Bryo AI, der bei der Klassifikation von E-Mails Gemini etwas genauer als Jev fand, aber 10- bis 20-mal teurer.
Jev ersetzt nicht das Sprachmodell hinter einem Chat-Assistenten oder Coding-Agenten. Die TypeSafe-Dokumentation sagt das ausdrücklich und nennt unter anderem Claude Code, Cursor, Copilot, Muse Spark und Grok Bot als Werkzeuge, die es nicht antreiben kann. Das dokumentierte Muster: Ein Agent schreibt Code, der Jev für die Entscheidungen innerhalb eines Produkts aufruft.
Versionen, Bilder und Sprachen
| Jev 1.13 | Jev 1.14 | |
|---|---|---|
| Modell-ID | jev-1.13.0 | jev-1.14.0 |
| Veröffentlicht | 15. Sept. 2026 | 14. Okt. 2026 |
| Fragetypen | Choice, Score, Noul | Choice, Score, Noul, Box |
| Bildeingabe | Opt-in-Header | Opt-in-Header |
| Standardkontext | 64K pro Anfrage, 32K pro Frage | 64K pro Anfrage, 32K pro Frage |
| Langkontext-Modus | 262K | 262K |
| Eingabepreis pro 1 Mio. Tokens | 0,042 $ | 0,042 $ |
Zwei Aliase zeigen auf Versionen. Beim Abruf dieser Seite am 23. Oktober führte die Models-Seite von TypeSafe jev-latest als jev-1.13.0 und jev-preview als jev-1.14.0. Presseberichte über den Release-Beitrag zu 1.14 sagen, jev-latest solle etwa eine Woche nach dem 14. Oktober auf 1.14.0 umgestellt werden. Wenn ein Alias wandert, ändern sich die Antworten, ohne dass sich dein Code ändert. TypeSafe rät deshalb, eine versionierte ID zu senden, wenn du Schwellen auf eine bestimmte Version abgestimmt hast. Das Feld model in der Antwort hält fest, welche Version geantwortet hat. Laut MarkTechPosts Zusammenfassung des Release-Beitrags kündigt TypeSafe die Abschaltung von 1.13 60 Tage und die von 1.14 30 Tage vorher an. Diese Website führt den Alias und die 1.13-Zugänge auf einer Seite, Jev, und 1.14 auf einer eigenen Seite.
Beide Versionen nehmen Bilder an, wenn der Header TypeSafe-Danger-Zone-Images: true gesetzt ist. TypeSafe nennt Bilder und Box „dreamer-ready“, also nur für Prototypen: Anfrageformat, Antworten und Grenzen können sich zwischen Releases ändern, und die Genauigkeit liegt unter der bei Text. Bilder müssen PNG oder JPEG sein, bis zu 16 MiB pro Datei und 280 bis 1.568 Pixel pro Seite, und sie werden als Eingabe-Tokens abgerechnet. Eine Box-Frage liefert jedes Mal vier Kanten, auch wenn das Ziel fehlt. TypeSafe empfiehlt daher, sie mit einer Noul-Frage zu kombinieren, die klärt, ob das Ziel sichtbar ist. Audio und Video werden nicht angenommen.
Englisch ist die Haupttrainingssprache. Laut TypeSafe funktionieren andere Sprachen, auch CJK-Schriften, aber nicht gleich gut. Für 1.14 erwartete das Unternehmen die größte Verbesserung bei mehrsprachiger Eingabe, ohne Werte zu veröffentlichen.
Jev-Preis
US-Dollar pro 1 Mio. Tokens, abgerufen am 23. Oktober 2026 von der Models-Seite von TypeSafe und aus dem Katalog dieser Website.
| Posten | Jev 1.13 und Jev 1.14 |
|---|---|
| Eingabe | 0,042 $ (42 $ pro Milliarde Tokens) |
| Ausgabe | Kostenlos |
| Bilder | Als Eingabe-Tokens zum selben Preis abgerechnet |
| Langkontext-Modus | Gleicher Preis pro Token, laut TypeSafe langsamer und weniger genau |
Die eigene API von TypeSafe steckt nicht in den models.dev-Daten, die diese Website liest, deshalb zeigen die Modellseiten keinen offiziellen Preis. Jeder Anbieter im Katalog führt 0,042 $ für die Eingabe und eine kostenlose Ausgabe, abgesehen von einem als kostenlos bezeichneten Zugang mit 0 $. Die Kontextangaben für Jev reichen im Katalog je nach Anbieter von 32K bis 262K und liegen damit nah an den drei von TypeSafe veröffentlichten Grenzen: 32K pro Frage, 64K pro Anfrage und 262K mit dem Langkontext-Header.
Abgerechnet wird nur die Eingabe, die Kosten folgen also der Größe des Zustands, den du mit jeder Anfrage sendest:
| Eingabe-Tokens pro Anfrage | Kosten pro Anfrage | Kosten pro 1 Mio. Anfragen |
|---|---|---|
| 500 | 0,000021 $ | 21 $ |
| 5.000 | 0,00021 $ | 210 $ |
| 32.000 | 0,001344 $ | 1.344 $ |
Der Zustand wird pro Anfrage einmal berechnet, egal wie viele Fragen mitgehen. Das Cookbook zu parallelen Fragen von TypeSafe nennt 13 Fragen in einem Aufruf mehr als 11-mal günstiger als 13 einzelne Aufrufe, bei gleichen Antworten. Der Launch-Beitrag sagt außerdem, TypeSafe könne nicht beweisen, dass der Preis nicht subventioniert ist, und erwarte eher sinkende als steigende Preise.
Jev ist einer von 31 Einträgen der Art decision im Katalog, Varianten und kostenlose Versionen eingerechnet. Einige davon, mit dem niedrigsten gelisteten kostenpflichtigen Eingabepreis und dem größten gelisteten Kontext am 23. Oktober:
| Modell | Eingabe pro 1 Mio. | Ausgabe | Kontext |
|---|---|---|---|
| Jev 1.14 | 0,042 $ | Kostenlos | 262,1K |
| Microsoft Decision-1 | 0,042 $ | Kostenlos | 32,8K |
| Liquid d1-ultra | 0,042 $ | Kostenlos | 32,8K |
| Perplexity Decider V1.2 | 0,02 $ | Kostenlos | 262,1K |
| Inception Mercury Decide | 0,02 $ | Kostenlos | 65,5K |
| OpenAI GPT-6 Luna Decisions | 0,10 $ | Kostenlos | 1,05M |
| Cloudflare Clef | 0,2245 $ | Kostenlos | 65,5K |
Die Decisions API von OpenAI wurde laut TechCrunch am 29. September angekündigt und am 22. Oktober für alle Kunden geöffnet. Arize stellte fest, dass sieben der acht getesteten Entscheidungsmodelle das Anfrageformat von Jev akzeptieren. Die API von OpenAI nimmt stattdessen einen Textblock und eine Liste von Fragen.
Wie Jev abschneidet
Der Launch-Beitrag von TypeSafe behauptet, Jev sei in den eigenen Workflow-Auswertungen 193,6-mal schneller und 444,6-mal günstiger als Frontier-LLMs, bei Gesamtzeiten von 70 bis 500 ms. Derselbe Beitrag sagt, diese Vorteile lägen am oberen Ende dessen, was in der Praxis zu erwarten ist, die Workflows stammten vom Team für Modellfähigkeiten, und die Referenzantworten seien der Durchschnitt zweier großer LLMs. Für 1.14 veröffentlichte TypeSafe Diagramme ohne Wertetabelle, verglich nur mit Open-Weights-Modellen und gab an, der Vergleich begünstige wahrscheinlich die eigenen Modelle.
Artificial Analysis veröffentlichte den Decision Index v1.0 am 13. Oktober. Er mittelt vier gleich gewichtete Tests: AA-Omniscience-Decision (Wissen und Halluzination), HLE-MultiChoice (Schlussfolgern), When2Call (Tool-Aufrufe) und WildGuardTest (Sicherheitsklassifikation). Ergebnisse für Jev 1.13:
| Messgröße | Jev 1.13 |
|---|---|
| Decision Index | 58, vor GLiDE und Microsoft-Decision-1 mit 54 |
| HLE-MultiChoice | 21, die übrigen Entscheidungsmodelle erreichten 15 oder weniger |
| AA-Omniscience-Decision | Genauigkeit 35, Quote ohne Halluzination 35 |
| When2Call | 81, Platz vier, die ersten beiden bei 84 |
| WildGuardTest | 94, ein Punkt hinter GLiDE |
| Zeit pro Aufgabe | 0,13 s |
| Kosten pro 1 Mio. Aufgaben | 42 $ |
Im Vergleich mit Sprachmodellen erreichte Claude Haiku 5.5 (Low) 61 Punkte bei 1,4 s und 184 $ pro Million Aufgaben, GPT-6 Luna (Low) 55 Punkte bei 1,5 s und 131 $. Bei Wissen lagen die LLMs vorn: 52 und 66 Genauigkeit bei AA-Omniscience-Decision gegenüber 28 bis 41 bei Entscheidungsmodellen. Artificial Analysis stellte außerdem fest, dass Entscheidungsmodelle überkonfident sind. Über fast alle Wahrscheinlichkeitsstufen lag die Genauigkeit unter der angegebenen Wahrscheinlichkeit, vor allem bei Wissens- und Schlussfolgerungsfragen, während die Kalibrierung bei Tool-Aufrufen und Klassifikation näher an der Realität lag.
Arize, eine Evaluierungsplattform, die Jev als integrierten Bewerter anbietet, testete Jev 1.13 etwa drei Wochen nach dem Start gegen sieben weitere Entscheidungsmodelle. Jev erreichte 85,5 % Balanced Accuracy bei der Halluzinationserkennung auf RAGTruth, 91,1 % bei 13 Phoenix-Evaluator-Suites und 49 von 52 Routing-Fällen für Agenten. Der Kalibrierungsfehler von 0,023 war der niedrigste der acht, wobei sich sein Intervall mit dem von Liquid d1 überlappte. Die Genauigkeit der Spitzengruppe lag innerhalb der gegenseitigen Konfidenzintervalle. In einem Formulierungstest blieb Jevs ROC AUC bei 0,93, als die Halluzinationsfrage umgekehrt formuliert wurde, während mehrere andere Modelle unter 0,5 fielen. Arize rät, bei jedem Modell beide Formulierungen einer Frage auszuprobieren, bevor man den Werten traut.
Die Rangfolgen ändern sich schnell. Am 22. Oktober sah TechCrunch das neueste Jev im Decision Index von Artificial Analysis auf Platz drei und im AIM System One Index auf Platz sieben, hinter neueren Modellen wie Liquid d1-ultra, und berichtete, die Modelle von TypeSafe seien auf einem Modell-Gateway die am häufigsten abgefragten Entscheidungsmodelle.
Grenzen und Datenverarbeitung
TypeSafe nennt für 1.13 diese Schwachstellen auf einer Seite, die zuletzt am 2. Oktober geprüft wurde:
- Jev liest Fragen wörtlich. Schreibe die genaue Bedingung und die Grenzfälle in die Kriterien.
- Es zählt nicht zuverlässig und ist bei Arithmetik und Datumsvergleichen schwach. Extrahiere die Bestandteile mit Jev und rechne im Code.
- Doppelte Verneinungen und mehrstufiges Schlussfolgern kosten Genauigkeit.
- Die Genauigkeit sinkt, wenn sich der Zustand mit irrelevanten Details füllt. Filtere also vor dem Senden.
- Text im Zustand kann die Antwort lenken. Laut TypeSafe behandelt Jev den Zustand nicht von sich aus als feindlich.
- Die Reihenfolge der Choice-Optionen kann die Antwort in Richtung der ersten Option ziehen. Vertausche zur Kontrolle die Reihenfolge.
- Es ist nicht darauf trainiert, Text zu erzeugen.
Ratenlimits gelten pro Organisation, und eine Anfrage über dem Limit liefert 429. TypeSafe sagt, Jev werde nicht mit Kundenanfragen oder -antworten trainiert, und Unternehmenskunden könnten eine Null-Datenspeicherung (Zero Data Retention) vereinbaren. Dieselben Gewichte bedienen jedes Konto: Jev wird nicht mit Kundendaten feinjustiert, Fachwissen gehört also in den Zustand und in die Kriterien.
Häufige Fragen
Was ist Jev?
Ein Entscheidungsmodell von TypeSafe AI. Du sendest Text oder JSON plus typisierte Fragen, und es liefert statt erzeugtem Text Auswahlen, Scores oder Ja/Nein-Wahrscheinlichkeiten mit Konfidenz. Es startete am 15. Sept. 2026 im Early Access.
Ist Jev ein LLM?
Nein. TypeSafe beschreibt es als Transformer-basiertes Modell, das natürliche Sprache wie ein LLM liest, aber nur typisierte Antworten und Wahrscheinlichkeiten ausgibt. Es schreibt weder Prosa noch Code, führt kein Gespräch und ruft keine Tools auf.
Wie viel kostet Jev?
0,042 $ pro 1 Mio. Eingabe-Tokens bzw. 42 $ pro Milliarde, die Ausgabe-Tokens sind kostenlos. Bilder werden als Eingabe-Tokens zum selben Preis abgerechnet. Die Preise wurden am 23. Oktober 2026 abgerufen, die aktuellen stehen auf den Modellseiten.
Was unterscheidet Jev 1.13 von Jev 1.14?
Jev 1.14 bringt den Fragetyp Box zum Lokalisieren von Objekten in Bildern, und TypeSafe erwartet eine bessere mehrsprachige Genauigkeit. Beide nehmen Bilder und den 262K-Langkontext-Modus per Opt-in-Header an und kosten gleich viel.
Was ist ein Entscheidungsmodell?
Ein Modell, das aus von dir definierten Optionen auswählt und zu jeder eine Wahrscheinlichkeit angibt, statt Text zu erzeugen. TypeSafe nennt sie System-One-Modelle. Andere Hersteller bieten inzwischen eigene an, und der Katalog dieser Website führt 31 Einträge der Art decision.
Kann ich Jev selbst betreiben?
Nein. Gewichte und Architektur sind unveröffentlicht, Jev läuft nur über gehostete APIs. Andere Entscheidungsmodelle, etwa Clef von Cloudflare, erscheinen mit offenen Gewichten.
Halluziniert Jev?
Die Antwort ist auf die Optionen beschränkt, die du vorgibst, es kann also keinen fehlerhaft formatierten Wert und keine nicht angebotene Option zurückgeben. Es kann trotzdem die falsche Option wählen, und Artificial Analysis stellte fest, dass Entscheidungsmodelle bei Wissens- und Schlussfolgerungsfragen überkonfident sind.
Quellen
Abgerufen am 23. Oktober 2026. Preise in US-Dollar pro 1 Mio. Tokens.
- TypeSafe docs: Models
- TypeSafe: Introducing System One Models and Jev
- TypeSafe docs: System One
- TypeSafe docs: Primitives
- TypeSafe docs: Confidence
- TypeSafe docs: Images
- TypeSafe docs: Jev 1.13 jaggedness
- TypeSafe docs: Jev with coding agents
- TypeSafe docs: Legal
- Artificial Analysis: Decision Index v1.0
- Arize: Decision model benchmark
- TechCrunch: A new kind of AI model from a ChatGPT inventor is thrilling developers
- TechCrunch: The maker of non-text AI model Jev valued at $7.5B
- TechCrunch: OpenAI makes its Jev competitor widely available
- MarkTechPost: TypeSafe AI releases Jev 1.14
- MarkTechPost: TypeSafe AI releases Jev
- OpenRouter: What is Jev
- Wikipedia: Jev (AI model)