Une carte de titre indiquant « Jev : un modèle qui refuse d'écrire », avec le sous-titre « le modèle de décision de TypeSafe AI renvoie des réponses typées au lieu de texte », trois cartes étiquetées pour les primitives Choice, Score et Noul, et un bloc de statistiques affichant 777 jugements en moins de 0,7 seconde à 0,042 $ par million de jetons d'entrée.
Guides & Insights

Jev refuse d'écrire un seul mot : ce que fait le modèle décisionnel de TypeSafe AI, et ce que les audits ont découvert depuis

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Jev 1.13 (typesafe/jev-1.13) est le premier modèle de TypeSafe AI qu'un lecteur est susceptible de rencontrer via un tableau de coûts plutôt qu'une fenêtre de discussion, car il n'y a pas de fenêtre de discussion. Lancé le 15 septembre 2026 par Diogo Almeida — coauteur de l'article InstructGPT, le travail qui a fait que ChatGPT se comporte comme un assistant —, Jev ne génère pas de texte du tout. Il prend un élément d'état (un e-mail, une ligne de journal, un ticket de support, un blob JSON de coordonnées de jeu) accompagné d'une liste de questions typées, et renvoie des réponses typées : un choix parmi un ensemble que vous avez fourni, un score sur une grille d'évaluation, ou une probabilité oui/non, chacune portant sa propre valeur de confiance. Pas de prose, pas de code, pas d'explication. L'argument de TypeSafe est que cette étroitesse est le produit, parce qu'elle achète une vitesse et un prix qu'un modèle génératif ne peut pas égaler — 20 à 200 fois plus rapide et 40 à 400 fois moins cher que des « LLM comparables » dans les propres documents de lancement de l'entreprise, à 0,042 $ par million de tokens d'entrée, la sortie étant facturée à zéro. Il est disponible en général depuis le 21 septembre 2026, date à laquelle TypeSafe a supprimé la liste d'attente et a commencé à offrir 5 $ de crédit aux nouveaux comptes — la conversion propre du fournisseur, d'une valeur d'environ 120 millions de tokens d'entrée au prix catalogue. Le modèle est antérieur à l'actualité de cet article. OrcaRouter a ajouté typesafe/jev-1.13 à son catalogue le 24 septembre 2026 et le route désormais sur la même clé que les modèles génératifs à côté desquels il est conçu pour se placer, et c'est là le changement qu'il vaut la peine de connaître aujourd'hui. Le deuxième élément dont cette page doit désormais tenir compte n'appartient pas à TypeSafe : RSI-Jev, un projet ouvert tiers qui construit des modèles de décision System One à la Jev, dont la version actuelle est RSI-Jev v6.0-VL 4B, datée du 6 octobre 2026. Il copie délibérément le format d'échange de Jev, et sa propre mention de licence indique clairement qu'il n'est pas affilié à TypeSafe AI — ce n'est pas le Jev de TypeSafe, pas les poids de TypeSafe, et pas le même modèle sous un nom plus court. La dernière section de cet article est à sa place, car c'est la réponse la plus précise dont on dispose à la question de savoir quelle part de la position de Jev constitue un fossé défensif.

Le chiffre le plus utile publié au cours des 48 premières heures n'est pas l'un de ceux-là. Il vient d'Every, dont la responsable des évaluations a fait tourner Jev sur 27 articles publiés d'Every ainsi que 10 équivalents rédigés dans un style IA, en posant 21 questions à l'ensemble des 37 documents en une seule fois : 777 jugements en moins de 0,7 seconde, pour environ un quart de cent. Un second test, mené par le PDG d'Every, a confronté 12 passages synthétiques — six propres, six comportant des défauts délibérément introduits — à quatre contrôles de rédaction. Jev a répondu en une médiane de 0,35 seconde par passage, contre 8,83 secondes pour Claude Fable 5.1 en effort élevé : environ 25 fois plus rapide pour à peu près 1/580e du coût. Il a détecté six des sept défauts introduits. Claude Fable 5.1 les a tous détectés. Le verdict d'Every était « bon mais pas parfait », et c'est là la lecture honnête en une ligne de Jev issue du premier test indépendant à être publié — les affirmations sur la vitesse et le coût résistent au contact d'un tiers, celle sur l'exactitude se situe un cran en dessous de la frontière, et l'échantillon est assez petit pour que personne n'aurait dû en tirer une conclusion de production — un écart que des évaluations ultérieures ont partiellement comblé, dans les deux sens.

Une note sur le type de preuves que cet article utilise, car les paliers ont évolué rapidement pour un modèle aussi récent. Jev est réel et appelable : il existe un point de terminaison documenté, un SDK Python, un alias de modèle et un prix publié. Le lancement est annoncé par le fournisseur, pas divulgué par une fuite, et personne ne spécule sur son existence. Mais toutes les affirmations de performance que TypeSafe met en avant proviennent de TypeSafe elle-même, l'architecture n'est pas publiée, les poids ne sont pas disponibles, et le tableau de bord de benchmarks derrière l'accroche des 20-200x est un ensemble d'évaluations internes de workflows plutôt qu'un classement public. Les tests indépendants ne sont plus la pièce manquante qu'ils étaient le jour du lancement — il y a désormais au moins trois évaluations externes distinctes, dont une exécution pré-enregistrée et une étude conçue spécifiquement pour tester Jev sur des entrées qu'il n'aurait pas pu voir — et elles s'accordent avec le fournisseur sur la vitesse tout en racontant un récit plus complexe sur la précision et la calibration. Cet article garde visiblement séparés les chiffres du fournisseur, les chiffres indépendants et les questions ouvertes, plutôt que de les moyenner en un consensus qui n'existe pas.

Ce que TypeSafe a réellement livré

Jev est le premier de ce que TypeSafe appelle les modèles System One — un nom emprunté à la moitié rapide et intuitive de la cognition de Daniel Kahneman, par opposition au mode délibératif plus lent que les chatbots imitent. Le contraste que TypeSafe établit est avec le schéma standard consistant à forcer un générateur de texte à émettre une sortie structurée, puis à analyser ce texte pour en faire quelque chose en quoi le code peut avoir confiance. Jev saute complètement le texte. La documentation de TypeSafe elle-même énonce le cas sans détour : « Les grands modèles de langage (LLM) sont conçus pour produire du texte destiné à être lu par des humains. Lorsque vous avez besoin qu'un modèle porte un jugement que votre code consommera, cela crée une inadéquation. »

La surface de sortie est composée de trois primitives, et il n’y a rien d’autre. Chaque question que vous posez doit être l’une d’entre elles :

• Choix — sélectionnez une option dans une liste que vous fournissez, en renvoyant l'option sélectionnée ainsi qu'une probabilité pour chaque candidat et un niveau de confiance. Les options sont limitées à 255 par champ ; au-delà, TypeSafe documente un schéma en deux étapes consistant à évaluer les candidats indépendamment, puis à choisir.

• Score — placez l’état sur une grille d’évaluation ordonnée, en renvoyant le niveau, une probabilité par niveau et un indice de confiance. Le risque d’attrition sur une échelle de 0 à 1 est l’exemple dans la documentation.

• Noul — un mot-valise formé de « no » et « null » — une affirmation unique de type oui/non, qui renvoie la probabilité calibrée qu’elle soit vraie.

A capture of TypeSafe's own documentation introduction page, showing the sentence 'Jev is TypeSafe's flagship model and the first System One model', a table of the three primitives Choice, Score and Noul with what each returns, and the line that adding questions to a call barely changes the response time.

La propriété intéressante n’est pas telle ou telle primitive, mais la façon dont elles se composent. Toutes les trois peuvent être combinées dans un seul appel d’API, et chaque question est évaluée en parallèle à partir d’une seule lecture partagée du même état. La documentation de TypeSafe indique que l’ajout de questions « ne change quasiment pas le temps de réponse », et les tests indépendants le confirment en pratique — 21 questions réparties sur 37 documents ont abouti dans la même fenêtre de 0,7 seconde. C’est ce qui fait s’effondrer le prix par évaluation : vous ne payez pas pour une génération plus longue, vous payez pour une seule passe.

L'enveloppe pratique, telle que documentée et rapportée par les premiers utilisateurs : un budget de requête d'environ 64 000 jetons, dont environ 32 000 couvrent l'état plus la plus longue question unique — la documentation de TypeSafe note que la précision évolue à mesure que l'état grandit ; aucune entrée image ou audio au lancement ; et une forme de requête et de réponse qui n'est pas la convention chat-completions, de sorte qu'un client existant ne peut pas simplement pointer son URL de base vers elle. L'accès a cessé d'être un obstacle le 21 septembre 2026, lorsque TypeSafe a supprimé la liste d'attente et ouvert Jev à toute personne disposant d'un compte ; les nouveaux comptes commencent avec 5 $ de crédit que le fournisseur estime valoir environ 120 millions de jetons d'entrée au prix catalogue. La page d'accueil de TypeSafe décrit encore Jev comme étant en accès anticipé, une étiquette que sa documentation ne reprend pas : la documentation publie des limites ajustées dynamiquement de 100 K jetons par seconde et 40 requêtes par seconde plutôt qu'un portail d'accès. Le bac à sable du navigateur est toujours là aux côtés de l'API, et jev-latest reste l'alias du modèle.

RLCD signifie calibré, non préféré

TypeSafe entraîne Jev avec une méthode qu'elle appelle RLCD — Reinforcement Learning for Calibrated Decisions, d'après la documentation de l'entreprise elle-même. L'acronyme est suffisamment récent pour que les premières couvertures l'aient développé de manière incohérente, il vaut donc la peine de préciser ce qu'il désigne réellement, car toute l'affirmation de recherche tient à cette distinction.

RLHF optimise pour une sortie préférée par les humains. RLVR optimise pour l'exactitude vérifiable, le genre qui passe les cas de test. RLCD optimise pour la calibration : un modèle qui dit être confiant à 70 % devrait avoir raison environ 70 % du temps. C'est une cible différente du fait d'avoir raison, et c'est la raison pour laquelle chaque réponse de Jev est livrée avec une distribution de probabilités jointe plutôt qu'avec une simple réponse. Le mode de défaillance prévu est un modèle qui sait quand il ne sait pas, afin que votre code puisse décider quoi faire à ce sujet.

Ce que cela vous apporte en pratique, c’est une surface de contrôle. Le schéma documenté repose sur trois bandes de confiance — agir automatiquement en haut, signaler ou confirmer au milieu, router vers un humain en bas — les seuils résidant dans votre code plutôt que dans le modèle. Savoir si ces bandes sont honnêtes est une question empirique concernant vos données, et c’est une question à laquelle TypeSafe vous dit explicitement de répondre vous-même, en précisant que les seuils de confiance dépendent du cas d’usage et doivent être testés sur vos propres exemples étiquetés. Cette instruction est la phrase la plus importante de la documentation, et ce que la documentation ne contient pas, c’est le moindre compte rendu externe indiquant si la méthode derrière ces bandes fait ce que son nom annonce. Depuis cette semaine, il en existe un partiel, et il s’agit d’une reconstruction plutôt que d’une divulgation : le post-mortem RL de RSI-Jev construit une reconstruction contrôlée à sept bras des conjectures publiées sur RLCD — une tranche de 13,8 k questions, 1 500 étapes par bras — et publie ce qui est arrivé à chaque bras, y compris ceux qui ont échoué. Chaque récompense RL qu’il contient a dégradé la calibration brute ; une tête de confiance post hoc peu coûteuse les a tous rattrapés, sauf le bras du score propre ; et aucun objectif n’a amélioré l’ordonnancement de la confiance. Il se conclut en listant trois ingrédients que RLCD doit contenir, formulés comme une hypothèse sur la manière dont la méthode pourrait fonctionner plutôt que comme une affirmation sur les rouages internes de TypeSafe, que personne à l’extérieur de l’entreprise n’a vus. Lisez-le comme la première preuve tierce à mettre en regard des affirmations de calibration classées ci-dessous, et non comme un regard à l’intérieur de celles-ci ; le contexte propre à la méthode se trouve dans notre article explicatif RLCD Explained.

Les chiffres, triés selon qui les a produits

C’est ici que la plupart des articles sur Jev deviennent vagues, il vaut donc la peine d’être explicite sur la provenance. Voici ce qui vient du fournisseur, ce qui vient de testeurs indépendants, et ce qui est tout simplement inconnu.

• Rapporté par le fournisseur, non reproduit — les principales allégations de vitesse et de coût. Une latence de bout en bout de 70-500 ms contre 3-329 secondes pour les appels aux LLM de pointe ; 20 à 200 fois plus rapide et 40 à 400 fois moins cher ; un résultat de workflow unique dans le meilleur des cas annoncé comme 193,6 fois plus rapide et 444,6 fois moins cher. TypeSafe reconnaît qu'il s'agit de chiffres correspondant au meilleur des cas, et non de chiffres universels.

• Signalé par le fournisseur, et vérifiable sur la grille tarifaire — 0,042 $ par million de tokens d'entrée, soit 42 $ par milliard, la sortie étant gratuite. La raison pour laquelle la sortie est gratuite est mécanique plutôt que promotionnelle : il n'y a pas de décodage autorégressif à mesurer, donc aucun token de sortie à facturer. Pour donner un ordre de grandeur, les mêmes documents de lancement situent la tarification d'entrée typique des modèles de pointe entre 0,20 $ et 10 $ par million, la sortie représentant souvent environ cinq fois le prix de l'entrée.

Rapporté par le fournisseur, à partir d’un benchmark interne — le tableau de bord de workflow propre à TypeSafe, 711 cas répartis sur quatre tâches, avec des réponses de référence issues de la moyenne des jugements de GPT-6 Astra et de Claude Fable 5.1 plutôt que de la vérité terrain. Sur ce tableau de bord, Jev obtient 67,8 % en agrégé, contre 74,1 % pour le meilleur comparateur. En détail : incidents de sécurité 61,7 % contre 66,2 % pour Opus 5 ; observabilité des traces d’agents 71,6 % contre 76,6 % ; traitement des factures 61,8 % contre 79,1 % ; service client 76,0 % contre 78,3 %. Jev remporte les colonnes coût et latence de ce graphique et perd celle de l’exactitude. Le tableau de bord lui-même signale un éventuel biais du harnais, et TypeSafe a déclaré avoir délibérément évité les classements publics au profit d’évaluations ponctuelles liées aux mises à jour produit.

• Mesuré indépendamment, petit échantillon — le premier test externe, l’exécution Every décrite ci-dessus : 777 jugements en moins de 0,7 seconde pour environ un quart de cent ; 1 709 jugements sur 11 expériences pour moins d’un cent au total ; environ 25 fois plus rapide et 1/580e du coût de Claude Fable 5.1 sur une tâche de classification de 12 passages, tout en manquant un des sept défauts plantés que le comparateur a détectés. La conclusion d’Every était qu’il voudrait une vérification d’exactitude beaucoup plus approfondie avant de le mettre en production — une vérification qui est depuis en partie arrivée, ci-dessous.

• Mesuré indépendamment, préenregistré et de plus grande ampleur — une équipe externe a publié une évaluation préenregistrée le 20 septembre 2026, fixant 21 expériences et 50 prédictions avant qu'une seule requête ne soit envoyée, sur 5 721 appels. Sur un ensemble de référence de 400 éléments, Jev a obtenu 95,9 % en zero-shot, contre 77,2 % pour des règles de mots-clés écrites à la main et 66,0 % pour une base de référence TF-IDF supervisée. La même étude documente le mode de défaillance qui compte plus que le résultat principal : lorsque les descriptions des critères dans la question étaient erronées, la précision s'est effondrée à 16,7 %, en dessous du plancher aléatoire de 25 % pour cette tâche. Les auteurs divulguent leur propre biais en sens inverse — 18 de leurs 21 prédictions falsifiées se sont trompées de la même manière, parce qu'ils continuaient à prédire un échec et continuaient à se tromper.

• Mesuré indépendamment, hors distribution — une étude de calibration distincte, publiée le 19 septembre 2026, a construit 900 tickets d'assistance générés par règles dont les étiquettes dépendent en partie d'une politique interne de niveau de compte qui n'apparaît nulle part dans le texte, de sorte qu'aucun modèle n'aurait pu la mémoriser, et les a exécutés aux côtés de 3 721 éléments de benchmarks publics. Sur la branche synthétique, l'erreur de calibration attendue de Jev était de 0,107, contre un plancher de bruit de 0,024 que les auteurs ont calculé pour un modèle parfaitement calibré — environ 4,4 fois le plancher. Sur les benchmarks publics, la même étude a mesuré de 0,024 à 0,032. L'écart entre ces deux plages constitue le constat.

• Inconnu — l'architecture. Pas d'article au lancement, pas de nombre de paramètres, pas de divulgation du compute d'entraînement, pas de poids. TypeSafe a déclaré que les détails étaient gardés « pour soi pour l'instant » avec un article possiblement plus tard. La vague de réplication de mi-septembre n'a pas changé cela : ces projets reconstruisent le comportement avec leurs propres architectures, et aucun d'entre eux ne divulgue comment fonctionne le modèle de TypeSafe. Les checkpoints ouverts qu'un projet tiers publie maintenant sont ceux de ce projet, et non une publication de TypeSafe, et ils ne changent rien aux phrases ci-dessus — le compte rendu complet de ce que le fournisseur a et n'a pas publié se trouve dans Jev est-il open source ?.

A single-column scoreboard titled 'Jev - the scoreboard' listing six dimensions: latency 70-500 ms claimed, price $0.042 per million input with output free, accuracy 67.8% on the vendor dashboard, independent test 6 of 7 defects caught, context about 32K tokens with no image input, and weights not released.

Le schéma qui se dégage de ces paliers est cohérent, et ce n'est pas le schéma que suggère le gros titre 200x. Tous les chiffres, indépendants comme de fournisseurs, s'accordent à dire que Jev est radicalement moins cher et radicalement plus rapide. Aucun chiffre, où que ce soit, y compris ceux de TypeSafe lui-même, ne montre qu'il est plus précis que les modèles de frontière auxquels il est comparé en termes de prix — sur le propre tableau de bord du fournisseur, il se situe autour du niveau d'un bon modèle de gamme intermédiaire. Ce que le travail externe plus récent apporte, c'est une forme donnée au récit de la précision plutôt qu'un nouveau gros titre. Sur les types de tâches qu'il a déjà vus, il peut sembler très performant : 95,9 % en zéro-shot sur l'ensemble de référence de 400 éléments propre à l'équipe pré-enregistrée, loin devant les baselines par mots-clés et TF-IDF par rapport auxquelles il a été mesuré. Sur des entrées conçues pour ne ressembler à rien de ce qu'il a vu, sa confiance perd pied. La comparaison qui tient bon n'est toujours pas « aussi intelligent qu'un modèle de frontière pour un centième du prix » — c'est « proche du jugement d'un modèle de gamme intermédiaire pour une fraction de centime par appel, assez rapide pour s'exécuter à chaque tour. »

Ce que « zéro hallucination » signifie et ne signifie pas

Les supports de lancement de TypeSafe comprennent un graphique montrant un taux d’erreur d’appel d’outil de 0 % pour Jev, contre un taux non nul pour les modèles de comparaison, et l’expression « résistant aux hallucinations » accompagne le modèle. Les deux sont vrais, et tous deux sont plus restrictifs que ce qu’ils laissent entendre.

La garantie est structurelle. Chaque réponse possible est énumérée avant l'exécution du modèle — vous avez fourni la liste de choix, la grille d'évaluation ou l'affirmation vrai/faux — il n'y a donc aucun espace pour émettre une valeur en dehors du type déclaré. Un appel d'outil malformé n'est pas une chose que Jev peut produire. C'est une véritable propriété d'ingénierie, et pour quiconque a passé une semaine à écrire de la logique de réessai autour d'échecs d'analyse JSON, cela vaut de l'argent réel.

Il ne s'agit pas d'une affirmation sur le fait d'avoir raison. Une réponse valide selon le schéma peut tout de même être fausse : Jev peut avec assurance router une réclamation de facturation vers la file technique, et la sortie sera parfaitement bien formée tout en étant inutile. Almeida l'a dit lui-même, reconnaissant qu'il est possible d'avoir tort avec assurance. La façon utile de tenir les deux faits ensemble est que Jev élimine la classe d'erreurs qui provient du formatage de la sortie, et ne fait rien du tout pour la classe qui provient du jugement. Ce qui signifie que la question de l'exactitude est entièrement une question de calibration, et la calibration est exactement ce que vous devez mesurer vous-même.

Les premières évaluations externes ajoutent un avertissement spécifique sur la manière dont cette garantie structurelle se comporte en production. Comme Jev renvoie toujours l'une des réponses que vous avez fournies, il n'a pas moyen de dire « aucune de ces réponses » à moins que vous ne lui en donniez une. Une exécution pré-enregistrée en septembre lui a demandé de classer du matériel sans catégorie valide et a constaté que 0 des 30 messages hors périmètre avaient été signalés, chacun renvoyé avec une confiance de 0,99. Une recette de gâteau, ou une page de lettres aléatoires, revient comme une catégorie avec une forte confiance, parce qu'une catégorie est ce que la requête demandait. Le correctif est une habitude de conception plutôt qu'un réglage du modèle : inclure une option d'échappement explicite dans chaque liste Choice et une branche fausse dans chaque affirmation Noul, et considérer l'absence de l'une comme un bug dans le texte de votre propre question.

Comment tester l’affirmation de calibration sur vos propres données

La calibration est l'une des rares propriétés de modèle que l'on peut vérifier correctement avec quelques centaines d'exemples et sans infrastructure ML, et c'est le seul test qui compte avant que Jev ne touche à un chemin de production. La procédure est courte.

Prenez quelques centaines de cas pour lesquels vous avez déjà des étiquettes. Posez à Jev la question qui compte — la décision de routage, le score de risque, le contrôle de défaut — et classez les réponses selon la confiance rapportée. Vérifiez ensuite si le compartiment de confiance 0,9 a raison environ 90 % du temps, celui de 0,7 environ 70 %, et ainsi de suite. Un modèle bien calibré trace une ligne diagonale. Un modèle qui est simplement confiant regroupe tout au-dessus de 0,9 et a raison 70 % du temps, et c’est cette forme qui casse discrètement un pipeline automatisé.

Le même test vous indique quels seuils utiliser. Si le segment 0,9 est vraiment précis à 90 % sur vos données, vous pouvez l’automatiser. Si votre bande intermédiaire est floue, vous la dirigez vers un humain ou vous la confiez à un modèle génératif, et vous laissez le chemin coûteux gérer l’ambiguïté. Cette séparation — un modèle bon marché sur la majorité confiante, un modèle coûteux sur le reste incertain — est précisément l’architecture que Jev défend, et c’est la raison pour laquelle il est préférable de comprendre le modèle comme un composant plutôt que comme un remplacement.

L’étude hors distribution est la première réponse extérieure à cette question, et elle constitue un avertissement plutôt qu’un feu vert. Menée sur 900 tickets d’assistance synthétiques dont la politique déterminante est absente du texte, la confiance de Jev a cessé de correspondre à sa précision : erreur de calibration attendue de 0,107 contre un plancher de bruit de 0,024, soit environ 4,4 fois ce qu’un modèle parfaitement calibré obtiendrait sur le même ensemble. Sur les trois benchmarks publics, elle était de 0,024 à 0,032 — le modèle est donc bien calibré sur le type de données pour lesquelles il a été conçu et mesuré, et sensiblement moins dès que la tâche n’est pas familière. La primitive de score était la plus faible des trois, avec une précision de 44,7 % et une probabilité déclarée moyenne de 0,74. Les auteurs de l’étude demandent eux-mêmes aux lecteurs de retenir la direction de ce résultat et non son ampleur exacte, car une famille de tâches synthétiques à n=900 ne constitue pas une loi générale. La direction est ce qui importe pour quiconque définit des seuils : exécutez le test de compartimentation ci-dessus sur vos propres étiquettes avant d’automatiser une décision, car la calibration que vous pouvez voir sur les benchmarks publics n’est pas celle que vous obtiendrez sur votre trafic.

Ce que cela coûte, calculé en détail

La tarification est assez simple à appréhender, ce qui est rare. L'entrée coûte 0,042 $ par million de jetons — le tarif publié par TypeSafe, et celui que porte le catalogue OrcaRouter — et la sortie est gratuite. Avec le budget documenté d'environ 64 000 jetons d'entrée, un seul appel de taille maximale coûte moins de trois dixièmes de cent.

Deux chiffres rapportés donnent une idée de l’échelle. Un utilisateur précoce a effectué environ 5 000 requêtes pour à peu près 2 $. La démonstration Doom — Jev pilotant un bot à l’aide d’une description textuelle de l’état du jeu plutôt que des pixels bruts — tournait à environ 10 appels par seconde pour environ 7 $ de l’heure. Et les 777 jugements d’Every sur 37 documents sont revenus à environ un quart de cent, ce qui est le chiffre qui rend lisible le cas d’usage intéressant : à ce prix, vérifier chaque tour d’une boucle d’agent cesse d’être une décision de coût pour devenir un choix par défaut.

Voilà le véritable argument en faveur de Jev. Une passe de vérification à chaque tour — cet appel d’outil contredisait-il le précédent, cette sortie est-elle cohérente avec l’intention déclarée de l’utilisateur, cela devrait-il déclencher une alerte — a toujours été techniquement possible avec un modèle de pointe et économiquement absurde à l’échelle. À 0,042 $ par million de tokens, sans frais de sortie, la même passe devient abordable à chaque tour. La valeur ici n’est pas que Jev pense mieux qu’un modèle de pointe, car ce n’est pas le cas. La valeur est qu’il pense assez bon marché et assez vite pour être consulté en permanence.

Autant le dire clairement, car c'est la question évidente qui vient ensuite : OrcaRouter a ajouté typesafe/jev-1.13 à son catalogue le 24 septembre 2026, et le modèle est en ligne sur la fiche du modèle Jev 1.13 aujourd'hui — une API pour plus de 200 modèles au prix catalogue du fournisseur, répercuté avec 0 % de marge, si bien qu'une baisse de prix du fournisseur arrive de notre côté le jour même de sa sortie. Deux détails sur la façon dont il est pris en charge, car ce sont ceux sur lesquels on nous interroge. Les requêtes passent par POST /v1/systemone, en non-streaming, sur un contexte de 65 536 jetons ; ce n'est pas la forme des chat-completions, c'est pourquoi Jev se trouve sur son propre type de point de terminaison plutôt que d'être intégré à la route de chat. Et la fiche publie notre propre fenêtre de service de sept jours, mesurée sur le trafic via notre playground depuis le 24 septembre, plutôt que reprise du fournisseur : p50 151 ms, p95 247 ms, 349 jetons de sortie par seconde, et un taux d'erreur de 0,49 % sur 76,2 M de jetons. C'est ce qui fait du schéma à deux modèles que Jev préconise un contrat unique au lieu de deux. Jev prend la décision typée, un modèle génératif gère la partie qui nécessite de la prose, du code ou une explication, les deux moitiés sont facturées sur la même clé au prix catalogue du fournisseur, et le basculement automatique empêche qu'un composant de décision qui s'avère mal calibré ne devienne un incident de production.

A capture of the OrcaRouter models catalogue showing the header '197 models - 15 providers - one API key, one bill', an OpenAI-compatible chat-completions request example, and model cards for DeepSeek V4.1 Flash, OpenAI GPT-6 Astra and Google Gemini 3.8 Flash with their per-million-token input and output prices.

Là où Jev ne convient pas

Les limitations sont énoncées de manière inhabituellement claire par le fournisseur, ce qui rend cette section facile à rédiger honnêtement. Jev ne peut pas générer de texte libre. Il ne peut pas écrire de code. Il ne peut pas tenir une conversation. Il n'a pas d'interface de chat, pas d'entrée d'image, et un budget de requête d'environ 64 000 tokens — dont environ 32 000 couvrent l'état ainsi que la plus longue question unique — soit un ordre de grandeur en dessous des modèles à long contexte auxquels il est comparé sur le prix. Les champs de choix sont limités à 255 options. Et la propriété de « non-hallucination », comme ci-dessus, concerne le format de sortie plutôt que la vérité.

Le réseau a un champ d'application assez étroit. Bon : classification et routage à grand volume, passes de garde-fou et de vérification, décisions critiques en latence, notation de grands ensembles de documents en parallèle, partout où la bonne réponse est véritablement un choix, un nombre sur une échelle ou un booléen. Mauvais : génération ouverte de toute sorte, raisonnement à long contexte, dialogue multi-tours, ou toute tâche dont la bonne réponse est une phrase. Si votre problème ne se réduit pas à une question typée, Jev n'est pas un moyen moins coûteux de le résoudre — ce n'est pas du tout un moyen de le résoudre.

Il y a aussi une critique juste de ce cadrage qu'il vaut la peine de conserver. Qualifier Jev de modèle de pointe emprunte une crédibilité que le modèle n'a pas gagnée : il ne sait ni coder, ni converser, ni écrire une phrase, et les graphiques comparatifs s'appuient sur des modèles de pointe comme référence, tandis que la colonne d'exactitude raconte une tout autre histoire. L'affirmation la plus défendable, et celle que les preuves étayent réellement, est que TypeSafe a repoussé très loin la frontière de la vitesse et du coût pour les décisions structurées. C'est une chose considérable que d'avoir fait cela. C'est tout autre chose que de construire un modèle qui rivalise avec GPT-6 Astra ou Claude Fable 5.1.

Qu’est-ce qui changerait cette image ?

Quatre éléments permettraient de trancher, et la semaine écoulée depuis l’ouverture du modèle en a fait évoluer trois.

• Un article d’architecture publié ou des poids ouverts. Toujours la plus grande lacune. Tout ce qui concerne la manière dont Jev atteint sa vitesse reste une boîte noire, et l’affirmation selon laquelle l’évaluation parallèle est le mécanisme — l’analogie qu’Almeida établit consiste à remplacer le calcul séquentiel de la même manière que les transformers ont remplacé les réseaux récurrents — est une assertion plutôt qu’un résultat démontré. La vague open source ci-dessous réimplémente le comportement ; rien de tout cela ne divulgue comment fonctionne le modèle de TypeSafe. Tant que la conception n’est pas publiée, la vitesse est un fait et l’explication est du marketing.

• Une deuxième évaluation indépendante avec un échantillon plus grand. Celle-ci a partiellement abouti. L’essai préenregistré du 20 septembre couvre 5 721 appels et un ensemble de référence de 400 éléments, soit un échantillon bien plus vaste que les 12 passages d’Every et beaucoup mieux conçu, et c’est la preuve la plus solide qui existe pour Jev. Il est aussi auto-rédigé, réalisé sur une seule journée, en un seul lieu et exécuté sur une seule version de modèle, et l’équipe publie ses propres limites en même temps que ses résultats. Ce qu’il établit, c’est que Jev est réellement bon dans ce pour quoi il est conçu ; ce qu’il n’établit pas, c’est comment il se comporte sur la tâche de quelqu’un d’autre.

• Un audit de calibration sur des entrées réalistes et désordonnées. Celui-ci a fait mouche, et c’est le résultat le moins confortable de cet article. L’étude hors distribution ci-dessus est le premier audit réalisé sur des données conçues pour être peu familières au modèle, et elle a constaté un découplage entre la confiance et l’exactitude à environ 4,4 fois le plancher de bruit d’un modèle parfaitement calibré — alors que le même modèle semblait bien calibré sur trois benchmarks publics. Une famille de tâches synthétiques de 900 éléments ne constitue pas un verdict, et les auteurs le disent. Cela suffit à faire passer la question de « Jev est-il calibré ? » à « calibré sur quoi ? », ce qui est de toute façon la question la plus utile.

• Une réplication qui bat Jev selon les propres critères de Jev. Pas encore, et la vague ne s’est pas arrêtée en septembre. Dans les 48 heures environ suivant le lancement, au moins six projets ouverts indépendants avaient livré des modèles de décision calqués sur Jev — l’un construit sur un encodeur à 421 millions de paramètres, l’autre un LoRA sur un modèle 9B, un troisième assez petit pour tenir dans quelques dizaines de kilo-octets — et au 23 septembre, l’un d’eux figurait en tête d’une liste de tendances d’hébergement de modèles. Chaque comparaison publiée par ces projets est autodéclarée par l’équipe qui a construit l’alternative, et chacune utilise son propre jeu d’évaluation. Les résultats pointent dans des directions différentes : le clone qui gagne sur la catégorisation d’actualités perd lourdement sur une tâche d’intention à 77 classes, et la seule comparaison directe indépendante menée sur des entrées identiques octet pour octet place Jev en tête dans six suites sur neuf. La précision de Jev sur un même benchmark a désormais été publiée avec quatre valeurs différentes par quatre évaluations différentes. Celui qui perdure de cette vague est RSI-Jev, et c’est l’instance concrète et datée de cet argument : un projet ouvert tiers qui construit des modèles de décision System One de style Jev, code MIT, poids Apache-2.0 sur Hugging Face, avec une ligne de licence qui indique « Not affiliated with TypeSafe AI. » Sa version de cette semaine est RSI-Jev v6.0-VL 4B, publiée le 2026-10-06 et septième d’une boucle d’auto-amélioration qui a mené 471 expériences et n’en a gardé que très peu : une tour Qwen3.5-4B-Base avec une tête de réponse entraînée, une passe avant par décision, rien de généré. Il dépense de la profondeur au lieu de jetons — des têtes de réponse aux couches 16, 20 et 32, donc une requête s’arrête à la première qui se déclare confiante, avec une médiane de 23, 27 et 40 ms sur un H200 en bf16 — et il parle exactement le format de communication de TypeSafe : même requête, mêmes trois types de questions, même statistique de confiance, donc tout ce qui est écrit pour Jev fonctionne avec lui sans modification. Sur le Decision Index public du projet lui-même, il rapporte 38,38 à 46,24 dans une version, avec 0,698 sur son ensemble de validation et 0,440 sur MMLU-Pro — ses propres chiffres sur son propre tableau, et il n’existe aucune comparaison directe indépendante entre lui et Jev 1.13. Ce n’est pas une publication de poids de Jev, cela ne rend pas le modèle de TypeSafe ouvert, et TypeSafe ne l’a ni créé ni approuvé ; les versions antérieures de cette lignée étaient des modèles 2B sur Qwen3.5-2B-Base, et le résultat RL qui a fait la réputation du projet provient de la v3.0, datée du 2026-09-28 et remontant à trois versions — la première version dans laquelle une étape RL a battu le modèle supervisé dont elle a poursuivi l’entraînement, une récompense de reranking listwise sur 16 candidats qui a fait passer le R@1 de reranking de 0,192 à 0,308 par rapport à son propre parent, soit +60 %, pour un coût de suite de 0,0028. Notre catalogue ne comporte aucun identifiant pour RSI-Jev : ce que nous servons est typesafe/jev-1.13 sur le point de terminaison systemone, et ce projet est exécuté depuis son propre dépôt. L’article complet destiné à un lecteur qui découvre le sujet se trouve dans Qu’est-ce que RSI-Jev ?

Ce que cette vague démontre, ce n’est pas que Jev a été battu — c’est qu’un modèle ouvert peut être construit pour faire à peu près ce travail en un week-end, ce qui est une affirmation différente et plus durable sur l’endroit où se trouve le fossé. La posture qui en découle est plus étroite qu’il y a une semaine, et plus précise. Jev est un modèle réel, livré, exceptionnellement bon marché, désormais ouvert à toute personne disposant d’un compte, avec un véritable avantage structurel en matière de fiabilité des sorties, un profil de précision autour du milieu de gamme selon les chiffres du fournisseur, et une affirmation de calibration qui a été testée deux fois de manière indépendante depuis son lancement : une fois sur un grand benchmark favorable, auto-conçu, et une fois sur des entrées inconnues où les scores de confiance ne se sont pas maintenus. Considérez le deuxième résultat comme le plus informatif. Si votre flux de travail comporte une étape qui se résume à une question typée posée suffisamment souvent pour qu’un modèle de pointe serait un gaspillage, c’est l’un des moyens les moins chers de la poser — et la valeur de confiance qu’il renvoie reste la partie à tester sur vos propres données avant de lui faire confiance, pas la vitesse. Il est également testable sans second compte : typesafe/jev-1.13 est disponible sur OrcaRouter aux côtés des modèles génératifs dont un flux de travail de type Jev a besoin.