
Jev Menolak Menulis Satu Kata pun: Apa yang Dilakukan Model Keputusan TypeSafe AI, dan Apa yang Telah Ditemukan oleh Audit Sejak Itu
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 141 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 175 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 89 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 97 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 120 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 93 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 196 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 115 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Jev 1.13 (typesafe/jev-1.13) adalah model pertama dari TypeSafe AI yang kemungkinan besar ditemui pembaca melalui tabel biaya, bukan kotak obrolan, karena memang tidak ada kotak obrolan. Diluncurkan pada 15 September 2026 oleh Diogo Almeida — salah satu penulis bersama makalah InstructGPT, karya yang membuat ChatGPT berperilaku seperti asisten — Jev sama sekali tidak menghasilkan teks. Model ini menerima sepotong state (sebuah email, satu baris log, tiket dukungan, blob JSON koordinat game) ditambah daftar pertanyaan bertipe, lalu mengembalikan jawaban bertipe: pilihan dari himpunan yang Anda sediakan, skor pada rubrik, atau probabilitas ya/tidak, masing-masing membawa nilai keyakinannya sendiri. Tanpa prosa, tanpa kode, tanpa penjelasan. Argumen jual TypeSafe adalah bahwa kesempitan cakupan inilah produknya, karena itu menghasilkan kecepatan dan harga yang tidak dapat ditandingi model generatif — 20 hingga 200 kali lebih cepat dan 40 hingga 400 kali lebih murah daripada "LLM sebanding" dalam materi peluncuran perusahaan sendiri, dengan $0.042 per juta token input dan output ditagih nol. Model ini tersedia secara umum sejak 21 September 2026, ketika TypeSafe menghapus daftar tunggu dan mulai memberikan kredit $5 kepada akun baru — konversi milik vendor sendiri, senilai sekitar 120 juta token input pada harga daftar. Model ini sudah ada sebelum berita dalam tulisan ini. OrcaRouter menambahkan typesafe/jev-1.13 ke katalognya pada 24 September 2026 dan kini merutekannya pada kunci yang sama dengan model generatif yang dirancang untuk berada di sisinya, dan itulah perubahan yang perlu diketahui hari ini. Hal kedua yang kini harus diperhitungkan halaman ini bukanlah milik TypeSafe: RSI-Jev, proyek terbuka pihak ketiga yang membangun model keputusan System One bergaya Jev, yang rilis saat ini adalah 4B RSI-Jev v6.0-VL, bertanggal 6 Oktober 2026. Proyek ini dengan sengaja meniru format wire Jev, dan baris lisensinya sendiri menyatakan secara gamblang bahwa proyek ini tidak berafiliasi dengan TypeSafe AI — ini bukan Jev milik TypeSafe, bukan bobot milik TypeSafe, dan bukan model yang sama dengan nama yang lebih pendek. Bagian terakhir tulisan ini berada di tempatnya yang semestinya, karena itulah jawaban paling tajam yang tersedia untuk pertanyaan tentang seberapa besar posisi Jev merupakan parit pertahanan.
Angka paling berguna yang diterbitkan dalam 48 jam pertama bukanlah salah satu dari itu. Angka itu berasal dari Every, yang kepala evaluasinya menjalankan Jev pada 27 artikel Every yang diterbitkan plus 10 artikel tandingan bergaya AI, mengajukan 21 pertanyaan ke semua 37 dokumen sekaligus: 777 penilaian dalam waktu kurang dari 0,7 detik, dengan biaya sekitar seperempat sen. Tes kedua, yang dijalankan oleh CEO Every, menguji 12 bagian sintetis — enam bersih, enam dengan cacat yang sengaja ditanam — terhadap empat pemeriksaan tulisan. Jev kembali dengan median 0,35 detik per bagian dibandingkan 8,83 detik untuk Claude Fable 5.1 pada upaya tinggi: sekitar 25 kali lebih cepat dengan biaya sekitar 1/580. Ia menangkap enam dari tujuh cacat yang ditanam. Claude Fable 5.1 menangkap ketujuhnya. Putusan Every adalah "bagus tapi tidak sempurna", dan itulah bacaan satu baris yang jujur tentang Jev dari tes independen pertama yang diterbitkan — klaim kecepatan dan biaya bertahan setelah kontak dengan pihak ketiga, klaim akurasi berada sedikit di bawah garis depan, dan sampelnya cukup kecil sehingga tidak ada yang seharusnya menarik kesimpulan produksi darinya — celah yang sebagian telah ditutup oleh evaluasi selanjutnya, di kedua arah.
Catatan tentang jenis bukti yang digunakan artikel ini, karena tingkatan bukti telah bergeser cepat untuk model yang begitu baru. Jev nyata dan dapat dipanggil: ada endpoint yang terdokumentasi, SDK Python, alias model, dan harga yang dipublikasikan. Peluncurannya diumumkan vendor, bukan bocor, dan tidak ada yang menebak-nebak apakah ia ada. Namun setiap klaim performa yang diunggulkan TypeSafe adalah milik TypeSafe sendiri, arsitekturnya tidak dipublikasikan, bobotnya belum dirilis, dan dasbor tolok ukur di balik angka utama 20-200x adalah sekumpulan evaluasi alur kerja internal, bukan papan peringkat publik. Pengujian independen bukan lagi bagian yang hilang seperti pada hari peluncuran — sekarang setidaknya ada tiga evaluasi luar yang terpisah, termasuk satu uji yang diregistrasi sebelumnya dan satu studi yang dibangun khusus untuk menguji Jev pada masukan yang tidak mungkin pernah dilihatnya — dan mereka setuju dengan vendor soal kecepatan sekaligus menceritakan kisah yang lebih rumit tentang akurasi dan kalibrasi. Artikel ini menjaga angka vendor, angka independen, dan pertanyaan terbuka tetap terpisah secara jelas alih-alih merata-ratakannya menjadi konsensus yang tidak ada.
Apa yang sebenarnya dirilis TypeSafe
Jev adalah yang pertama dari apa yang disebut TypeSafe sebagai model System One — nama itu dipinjam dari separuh kognisi Daniel Kahneman yang cepat dan intuitif, sebagai lawan dari mode deliberatif yang lebih lambat yang ditiru chatbot. Kontras yang ditarik TypeSafe adalah dengan pola standar yang memaksa generator teks untuk mengeluarkan keluaran terstruktur lalu mengurai teks itu kembali menjadi sesuatu yang dapat dipercaya oleh kode. Jev melewati teks sepenuhnya. Dokumentasi TypeSafe sendiri menyatakan hal ini secara gamblang: "Model bahasa besar (LLM) dirancang untuk menghasilkan teks yang dibaca manusia. Ketika Anda memerlukan model untuk membuat penilaian yang akan dikonsumsi oleh kode Anda, hal itu menciptakan ketidakcocokan."
Permukaan keluaran terdiri dari tiga primitif, dan tidak ada yang lain. Setiap pertanyaan yang Anda ajukan harus merupakan salah satu dari itu:
• Pilihan — pilih satu opsi dari daftar yang Anda sediakan, mengembalikan opsi yang dipilih ditambah probabilitas untuk setiap kandidat dan tingkat keyakinan. Opsi dibatasi hingga 255 per bidang; di luar itu TypeSafe mendokumentasikan pola dua tahap untuk menilai kandidat secara independen lalu memilih.
• Skor — tempatkan state pada rubrik terurut, mengembalikan level, probabilitas per level, dan nilai keyakinan. Risiko churn pada skala 0-1 adalah contoh di dokumentasi.
• Noul — gabungan kata dari "no" dan "null" — klaim ya/tidak tunggal, yang mengembalikan probabilitas terkalibrasi bahwa klaim itu benar.

Properti yang menarik bukanlah salah satu primitif mana pun, melainkan bagaimana semuanya dikomposisikan. Ketiganya dapat dicampur dalam satu panggilan API, dan setiap pertanyaan dievaluasi secara paralel terhadap satu pembacaan bersama atas keadaan yang sama. Dokumentasi TypeSafe menyatakan bahwa menambahkan pertanyaan "nyaris tidak mengubah waktu respons," dan uji independen mendukungnya dalam praktik — 21 pertanyaan di 37 dokumen selesai dalam 0,7 detik yang sama. Itulah yang membuat harga per penilaian anjlok: Anda tidak membayar untuk generasi yang lebih panjang, Anda membayar untuk satu kali proses.
Cakupan praktisnya, sebagaimana didokumentasikan dan dilaporkan oleh pengguna awal: anggaran permintaan sekitar 64.000 token, yang sekitar 32.000 di antaranya mencakup state ditambah satu pertanyaan terpanjang — dokumentasi TypeSafe mencatat bahwa akurasi berubah seiring bertambahnya state; tidak ada masukan gambar atau audio saat peluncuran; serta bentuk permintaan dan respons yang bukan konvensi chat-completions, sehingga klien yang sudah ada tidak bisa begitu saja mengarahkan URL dasarnya ke sana. Akses tidak lagi menjadi hambatan pada 21 September 2026, ketika TypeSafe menghapus daftar tunggu dan membuka Jev untuk siapa saja yang memiliki akun; akun baru dimulai dengan kredit $5 yang menurut vendor bernilai sekitar 120 juta token masukan pada harga daftar. Halaman utama TypeSafe sendiri masih mendeskripsikan Jev sebagai dalam akses awal, label yang tidak diulang oleh dokumentasinya: dokumentasi tersebut mempublikasikan batas yang menyesuaikan secara dinamis sebesar 100K token per detik dan 40 permintaan per detik, bukan gerbang akses. Playground peramban masih ada di samping API, dan jev-latest tetap menjadi alias model.
RLCD berarti terkalibrasi, bukan yang diutamakan.
TypeSafe melatih Jev dengan metode yang disebutnya RLCD — Reinforcement Learning for Calibrated Decisions, menurut dokumentasi perusahaan itu sendiri. Akronim ini masih cukup baru sehingga liputan awal memperluasnya secara tidak konsisten, jadi penting untuk memastikan apa yang sebenarnya dirujuknya, karena perbedaan itulah inti klaim penelitiannya.
RLHF mengoptimalkan keluaran yang disukai manusia. RLVR mengoptimalkan kebenaran yang dapat diverifikasi, yaitu jenis yang lulus kasus uji. RLCD mengoptimalkan kalibrasi: model yang mengatakan dirinya 70% yakin seharusnya benar sekitar 70% dari waktu. Itu adalah target yang berbeda dari sekadar benar, dan itulah sebabnya setiap jawaban Jev dikirim dengan distribusi probabilitas terlampir, bukan sekadar jawaban. Mode kegagalan yang dimaksudkan adalah model yang tahu kapan ia tidak tahu, sehingga kode Anda dapat memutuskan apa yang harus dilakukan tentangnya.
Yang Anda peroleh darinya dalam praktik adalah permukaan kendali. Pola yang didokumentasikan adalah tiga pita keyakinan — bertindak otomatis di bagian atas, tandai atau konfirmasi di bagian tengah, alihkan ke manusia di bagian bawah — dengan ambang batasnya berada di kode Anda, bukan di dalam model. Apakah pita-pita itu jujur adalah pertanyaan empiris tentang data Anda, dan itu adalah salah satu yang secara eksplisit TypeSafe minta Anda jawab sendiri, dengan mencatat bahwa ambang keyakinan bersifat spesifik untuk kasus penggunaan dan harus diuji terhadap contoh berlabel Anda sendiri. Instruksi itu adalah kalimat terpenting dalam dokumentasi, dan yang tidak termuat dalam dokumentasi adalah penjelasan dari luar tentang apakah metode di balik pita-pita itu melakukan seperti yang dikatakan namanya. Sejak minggu ini ada penjelasan parsial, dan itu adalah rekonstruksi, bukan pengungkapan: post-mortem RL milik RSI-Jev membangun rekonstruksi tujuh lengan yang terkontrol atas dugaan-dugaan yang dipublikasikan tentang RLCD — irisan 13,8k pertanyaan, 1.500 langkah per lengan — dan mempublikasikan apa yang terjadi pada setiap lengan, termasuk lengan yang gagal. Setiap reward RL di dalamnya membuat kalibrasi mentah menjadi lebih buruk; sebuah head keyakinan post-hoc yang murah memulihkan semuanya kecuali lengan proper-score; dan tidak ada objektif yang memperbaiki pengurutan keyakinan. Tulisan itu ditutup dengan mendaftar tiga bahan yang harus dimiliki RLCD, yang dirumuskan sebagai hipotesis tentang bagaimana metode itu bisa bekerja, bukan sebagai klaim tentang internal TypeSafe, yang belum pernah dilihat siapa pun di luar perusahaan. Bacalah ini sebagai bukti pihak ketiga pertama yang mendampingi klaim-klaim kalibrasi yang diurutkan di bawah, bukan sebagai upaya melihat ke dalamnya; latar belakang metode itu sendiri ada di penjelas kami, RLCD Explained.
Angka-angka tersebut, diurutkan berdasarkan siapa yang menghasilkannya
Di sinilah sebagian besar liputan tentang Jev menjadi tidak tegas, jadi ada baiknya bersikap eksplisit soal asal-usulnya. Berikut ini yang berasal dari vendor, yang berasal dari penguji independen, dan yang sama sekali tidak diketahui.
• Dilaporkan vendor, belum direproduksi — klaim utama soal kecepatan dan biaya. Latensi end-to-end 70-500 md dibandingkan 3-329 detik untuk panggilan LLM frontier; 20-200x lebih cepat dan 40-400x lebih murah; satu hasil alur kerja kasus terbaik yang diiklankan sebesar 193,6x lebih cepat dan 444,6x lebih murah. TypeSafe mengakui bahwa ini adalah angka kasus terbaik, bukan angka yang berlaku umum.
• Dilaporkan oleh vendor, dan dapat diperiksa di lembar harga — $0,042 per juta token input, yang setara dengan $42 per miliar, dengan output gratis. Alasan output gratis bersifat mekanis, bukan promosional: tidak ada decoding autoregresif yang perlu diukur, sehingga tidak ada token output yang perlu ditagih. Sebagai gambaran skala, materi peluncuran yang sama mencantumkan harga input frontier tipikal pada $0,20 hingga $10 per juta, dengan output sering kali sekitar lima kali harga input.
• Dilaporkan vendor, dari tolok ukur internal — dasbor alur kerja milik TypeSafe sendiri, 711 kasus di empat tugas, dengan jawaban referensi yang diturunkan dari penilaian rata-rata GPT-6 Astra dan Claude Fable 5.1, bukan dari kebenaran dasar. Pada dasbor itu, Jev secara agregat berada di 67,8% berbanding 74,1% untuk pembanding terbaik. Jika dirinci: insiden keamanan 61,7% berbanding 66,2% untuk Opus 5; observabilitas jejak agen 71,6% berbanding 76,6%; pemrosesan faktur 61,8% berbanding 79,1%; layanan pelanggan 76,0% berbanding 78,3%. Jev unggul di kolom biaya dan latensi pada bagan itu dan kalah di kolom akurasi. Dasbor itu sendiri mencatat kemungkinan bias harness, dan TypeSafe mengatakan pihaknya sengaja melewati papan peringkat publik demi evaluasi sekali jalan yang terkait dengan pembaruan produk.
• Diukur secara independen, sampel kecil — uji dari luar yang pertama, uji coba Every yang dijelaskan di atas: 777 penilaian dalam waktu kurang dari 0,7 detik dengan biaya sekitar seperempat sen; 1.709 penilaian dalam 11 eksperimen dengan total kurang dari satu sen; sekitar 25x lebih cepat dan 1/580 biaya Claude Fable 5.1 pada tugas klasifikasi 12 bagian, tetapi melewatkan satu dari tujuh cacat yang disisipkan yang ditangkap oleh pembanding. Kesimpulan Every sendiri adalah bahwa mereka ingin pemeriksaan akurasi yang jauh lebih menyeluruh sebelum menerapkannya ke produksi — pemeriksaan yang sejak itu sebagian telah tersedia, di bawah.
• Diukur secara independen, diregistrasi terlebih dahulu, dan lebih besar — sebuah tim luar menerbitkan evaluasi praregistrasi pada 20 September 2026, menetapkan 21 eksperimen dan 50 prediksi sebelum satu pun permintaan dikirim, di seluruh 5.721 panggilan. Pada kumpulan referensi berisi 400 item, Jev mencetak 95,9% zero-shot, dibandingkan 77,2% untuk aturan kata kunci buatan tangan dan 66,0% untuk baseline TF-IDF terawasi. Studi yang sama mendokumentasikan mode kegagalan yang lebih penting daripada angka utamanya: ketika deskripsi kriteria dalam pertanyaan salah, akurasi jatuh ke 16,7%, di bawah batas bawah acak 25% untuk tugas itu. Para penulis mengungkap bias mereka sendiri ke arah sebaliknya — 18 dari 21 prediksi mereka yang terfalsifikasi meleset dengan cara yang sama, karena mereka terus memprediksi kegagalan dan terus salah.
• Diukur secara independen, di luar distribusi — sebuah studi kalibrasi terpisah, diterbitkan 19 September 2026, membuat 900 tiket dukungan yang dihasilkan oleh aturan yang labelnya sebagian bergantung pada kebijakan tingkat akun internal yang tidak muncul di mana pun dalam teks, sehingga tidak ada model yang mungkin menghafalnya, dan menjalankannya bersama 3.721 item tolok ukur publik. Pada bagian sintetis, galat kalibrasi yang diharapkan dari Jev adalah 0,107, terhadap batas bawah derau 0,024 yang dihitung para penulis untuk model yang terkalibrasi sempurna — sekitar 4,4 kali batas bawah tersebut. Pada tolok ukur publik, studi yang sama mengukur 0,024 hingga 0,032. Selisih antara kedua rentang itu adalah temuannya.
• Tidak diketahui — arsitekturnya. Tidak ada makalah saat peluncuran, tidak ada jumlah parameter, tidak ada pengungkapan komputasi pelatihan, tidak ada bobot. TypeSafe mengatakan rinciannya "disimpan rapat untuk saat ini" dengan kemungkinan makalah menyusul nanti. Gelombang replikasi pertengahan September tidak mengubah ini: proyek-proyek itu membangun ulang perilakunya dengan arsitektur mereka sendiri, dan tak satu pun dari mereka mengungkap cara kerja model TypeSafe. Checkpoint terbuka yang kini dipublikasikan oleh proyek pihak ketiga adalah milik proyek itu sendiri, bukan rilis dari TypeSafe, dan itu tidak mengubah apa pun pada kalimat-kalimat di atas — catatan lengkap tentang apa yang telah dan belum dikeluarkan vendor ada di Is Jev Open Source?.

Polanya di seluruh tier tersebut konsisten, dan itu bukan pola yang disiratkan oleh headline 200x. Setiap angka independen maupun vendor sepakat bahwa Jev jauh lebih murah dan jauh lebih cepat. Tidak ada angka mana pun, termasuk milik TypeSafe sendiri, yang menunjukkan bahwa ia lebih akurat daripada model-model frontier yang menjadi pembanding harganya — di dasbor vendor sendiri, performanya berada di sekitar level model mid-tier yang bagus. Yang ditambahkan oleh karya pihak luar yang lebih baru adalah bentuk pada narasi akurasi, bukan headline baru. Pada jenis tugas yang pernah dilihatnya sebelumnya, ia bisa tampak sangat kuat: 95,9% zero-shot pada set referensi 400 item milik tim yang telah diregistrasi sebelumnya, jauh di depan baseline kata kunci dan TF-IDF yang menjadi pembanding pengukurannya. Pada input yang dibuat agar berbeda dari apa pun yang pernah dilihatnya, kepercayaan dirinya kehilangan pijakan. Perbandingan yang tetap bertahan masih bukan "secerdas model frontier dengan harga seperseratusnya" — melainkan "mendekati penilaian model mid-tier dengan biaya sepersekian sen per panggilan, cukup cepat untuk dijalankan pada setiap giliran."
Apa yang "zero hallucination" berarti dan tidak berarti
Materi peluncuran TypeSafe menyertakan bagan yang menunjukkan tingkat kesalahan pemanggilan alat 0% untuk Jev dibandingkan tingkat bukan nol untuk model pembanding, dan frasa "tahan halusinasi" melekat pada model tersebut. Keduanya benar dan keduanya lebih sempit daripada yang tersirat saat dibaca.
Jaminan itu bersifat struktural. Setiap kemungkinan jawaban dienumerasi sebelum model dijalankan — Anda menyediakan daftar pilihan, rubrik, atau klaim benar/salah — sehingga tidak ada ruang untuk mengeluarkan nilai di luar tipe yang dideklarasikan. Panggilan alat yang cacat bukanlah hal yang bisa dihasilkan Jev. Itu adalah properti rekayasa yang nyata, dan bagi siapa pun yang telah menghabiskan sepekan menulis logika coba ulang seputar kegagalan penguraian JSON, itu bernilai uang nyata.
Itu bukan klaim tentang benar atau tidak. Jawaban yang valid secara skema tetap bisa salah: Jev dapat dengan yakin mengarahkan keluhan penagihan ke antrean teknis, dan keluarannya akan sepenuhnya terbentuk dengan baik namun tidak berguna. Almeida sendiri telah mengatakan hal itu, mengakui bahwa mungkin saja untuk salah dengan penuh keyakinan. Cara yang berguna untuk menyikapi kedua fakta tersebut adalah bahwa Jev menghilangkan kelas kesalahan yang berasal dari pemformatan keluaran, dan sama sekali tidak melakukan apa pun terhadap kelas kesalahan yang berasal dari penilaian. Artinya, pertanyaan akurasi sepenuhnya adalah pertanyaan kalibrasi, dan kalibrasi justru merupakan hal yang harus Anda ukur sendiri.
Evaluasi eksternal pertama menambahkan peringatan khusus tentang bagaimana jaminan struktural itu berperilaku di produksi. Karena Jev selalu mengembalikan salah satu jawaban yang Anda berikan, ia tidak memiliki cara untuk mengatakan "tidak satu pun dari pilihan di atas" kecuali Anda menyediakannya. Sebuah uji coba praregistrasi pada September memintanya mengklasifikasikan materi yang tidak memiliki kategori valid dan menemukan bahwa 0 dari 30 pesan di luar cakupan ditandai, masing-masing dikembalikan dengan keyakinan 0,99. Resep kue, atau halaman berisi huruf acak, kembali sebagai kategori dengan keyakinan tinggi, karena kategori itulah yang diminta oleh permintaan tersebut. Perbaikannya adalah kebiasaan desain, bukan pengaturan model: sertakan opsi keluar eksplisit di setiap daftar Choice dan cabang false di setiap klaim Noul, dan anggap tidak adanya salah satunya sebagai bug dalam teks pertanyaan Anda sendiri.
Bagaimana cara menguji klaim kalibrasi pada data Anda sendiri
Kalibrasi adalah salah satu dari sedikit properti model yang dapat Anda periksa dengan benar menggunakan beberapa ratus contoh dan tanpa infrastruktur ML, dan itu adalah satu-satunya uji yang penting sebelum Jev menyentuh jalur produksi. Prosedurnya singkat.
Ambil beberapa ratus kasus yang sudah Anda miliki labelnya. Ajukan kepada Jev pertanyaan yang penting — keputusan perutean, skor risiko, pemeriksaan cacat — dan kelompokkan jawabannya berdasarkan tingkat keyakinan yang dilaporkannya. Lalu periksa apakah kelompok berkeyakinan 0,9 benar sekitar 90% dari waktu, kelompok 0,7 sekitar 70%, dan seterusnya. Model yang terkalibrasi dengan baik membentuk garis diagonal. Model yang hanya percaya diri akan mengelompokkan semuanya di atas 0,9 dan benar 70% dari waktu, dan itulah bentuk yang diam-diam merusak pipeline otomatis.
Tes yang sama memberi tahu Anda ambang batas mana yang harus digunakan. Jika bucket 0,9 benar-benar 90% akurat pada data Anda, Anda dapat mengotomatiskannya. Jika pita menengah Anda tidak jelas, Anda mengarahkannya ke manusia atau menyerahkannya ke model generatif dan membiarkan jalur mahal menangani ambiguitasnya. Pemisahan itu — model murah pada mayoritas yang yakin, model mahal pada sisa yang tidak pasti — adalah arsitektur yang sebenarnya diperjuangkan Jev, dan itulah alasan model paling baik dipahami sebagai komponen ketimbang pengganti.
Studi out-of-distribution adalah jawaban luar pertama untuk pertanyaan itu, dan itu merupakan peringatan, bukan izin lolos. Dijalankan terhadap 900 tiket dukungan sintetis yang kebijakan penentunya tidak ada dalam teks, keyakinan Jev tidak lagi selaras dengan akurasinya: expected calibration error 0,107 terhadap lantai derau 0,024, sekitar 4,4 kali lipat dari yang akan dicapai model yang terkalibrasi sempurna pada set yang sama. Pada tiga tolok ukur publik, nilainya 0,024 hingga 0,032 — jadi model tersebut terkalibrasi dengan baik pada jenis data yang menjadi dasar pembuatan dan pengukurannya, dan jauh lebih tidak terkalibrasi begitu tugasnya asing. Primitif skor adalah yang terlemah dari ketiganya, dengan akurasi 44,7% dan probabilitas rata-rata yang dinyatakan 0,74. Para penulis studi itu sendiri meminta pembaca untuk mengambil arah hasil tersebut dan bukan besaran persisnya, karena satu keluarga tugas sintetis pada n=900 bukanlah hukum umum. Arah inilah bagian yang penting bagi siapa pun yang menyusun ambang batas: jalankan uji bucketing di atas pada label Anda sendiri sebelum Anda mengotomatiskan keputusan, karena kalibrasi yang dapat Anda lihat pada tolok ukur publik bukanlah kalibrasi yang akan Anda dapatkan pada trafik Anda.
Berapa biayanya, diuraikan tuntas
Harga yang ditetapkan cukup sederhana untuk dinalar, dan itu jarang terjadi. Masukan dikenai $0.042 per juta token — tarif yang dipublikasikan TypeSafe, dan tarif yang tercantum dalam katalog OrcaRouter — sedangkan keluaran gratis. Pada anggaran terdokumentasi sekitar 64,000 token masukan, satu panggilan berukuran maksimum biayanya kurang dari tiga persepuluh sen.
Dua angka yang dilaporkan memberi gambaran tentang skalanya. Seorang pengguna awal menjalankan sekitar 5.000 permintaan dengan biaya kira-kira $2. Demonstrasi Doom — Jev mengarahkan bot menggunakan deskripsi teks tentang status permainan alih-alih piksel mentah — berjalan pada sekitar 10 panggilan per detik dengan biaya sekitar $7 per jam. Dan 777 penilaian Every di 37 dokumen hanya sekitar seperempat sen, dan angka itulah yang membuat kasus penggunaan yang menarik menjadi jelas: pada harga tersebut, memeriksa setiap giliran dalam loop agen tidak lagi menjadi keputusan biaya dan menjadi default.
Itulah argumen sesungguhnya untuk Jev. Proses verifikasi per giliran — apakah pemanggilan alat ini bertentangan dengan yang sebelumnya, apakah keluaran ini konsisten dengan maksud yang dinyatakan pengguna, haruskah ini memunculkan tanda peringatan — selalu memungkinkan secara teknis dengan model frontier dan secara ekonomi tidak masuk akal dalam skala besar. Dengan $0,042 per juta token tanpa biaya keluaran, proses yang sama menjadi terjangkau pada setiap giliran. Nilainya di sini bukanlah bahwa Jev berpikir lebih baik daripada model frontier, karena memang tidak. Nilainya adalah bahwa ia berpikir cukup murah dan cepat untuk terus-menerus dikonsultasikan.
Perlu dinyatakan secara terang-terangan, karena ini pertanyaan berikutnya yang jelas: OrcaRouter menambahkan typesafe/jev-1.13 ke katalognya pada 24 September 2026, dan model ini sudah aktif di kartu model Jev 1.13 hari ini — satu API untuk 200+ model dengan harga daftar penyedia yang diteruskan dengan markup 0%, sehingga pemotongan harga vendor sampai ke sisi kami pada hari yang sama saat dirilis. Dua detail tentang cara model ini disajikan, karena itulah yang orang tanyakan. Permintaan masuk ke POST /v1/systemone, non-streaming, dengan konteks 65.536 token; itu bukan bentuk chat-completions, itulah sebabnya Jev berada pada tipe endpoint sendiri alih-alih dilipat ke rute chat. Dan kartu tersebut menerbitkan jendela penyajian tujuh hari kami sendiri, diukur pada lalu lintas melalui playground kami sejak 24 September, bukan diulang dari vendor: p50 151 ms, p95 247 ms, 349 token keluaran per detik, dan tingkat kesalahan 0,49% di seluruh 76,2M token. Itulah yang membuat pola dua model yang Jev usulkan menjadi satu kontrak, bukan dua. Jev membuat keputusan bertipe, model generatif menangani bagian yang membutuhkan prosa, kode, atau penjelasan, kedua bagian ditagih pada kunci yang sama dengan harga daftar penyedia, dan failover otomatis mencegah komponen keputusan yang ternyata salah kalibrasi menjadi insiden produksi.

Di mana Jev tidak cocok
Keterbatasan ini dinyatakan dengan sangat jelas oleh vendor, yang membuat bagian ini mudah ditulis secara jujur. Jev tidak dapat menghasilkan teks bebas. Jev tidak dapat menulis kode. Jev tidak dapat melakukan percakapan. Jev tidak memiliki antarmuka obrolan, tidak ada masukan gambar, dan anggaran permintaan sekitar 64.000 token — sekitar 32.000 di antaranya mencakup keadaan ditambah pertanyaan tunggal terpanjang — satu orde besaran di bawah model konteks panjang yang dibandingkan dengannya dari sisi harga. Kolom pilihan dibatasi hingga 255 opsi. Dan sifat "tanpa halusinasi", seperti di atas, berkaitan dengan format keluaran, bukan kebenaran.
Jaringan ini memiliki kecocokan yang cukup sempit. Baik: klasifikasi dan perutean bervolume tinggi, tahapan guardrail dan verifikasi, keputusan yang kritis terhadap latensi, penilaian kumpulan dokumen besar secara paralel, di mana pun jawaban yang benar benar-benar berupa pilihan, angka pada skala, atau boolean. Buruk: generasi terbuka dalam bentuk apa pun, penalaran konteks panjang, dialog multi-putaran, atau tugas apa pun yang jawaban benarnya berupa kalimat. Jika masalah Anda tidak dapat direduksi menjadi pertanyaan bertipe, Jev bukan cara yang lebih murah untuk menyelesaikannya — ini bukan cara untuk menyelesaikannya sama sekali.
Ada juga kritik yang wajar terhadap framing ini yang layak diteruskan. Menyebut Jev sebagai model terdepan meminjam kredibilitas yang belum diperoleh model itu: ia tidak dapat membuat kode, mengobrol, atau menulis satu kalimat, dan bagan perbandingan bersandar pada model-model terdepan sebagai baseline, sementara kolom akurasi menceritakan hal yang berbeda. Klaim yang lebih dapat dipertahankan, dan yang sebenarnya didukung bukti, adalah bahwa TypeSafe telah mendorong frontier kecepatan dan biaya untuk keputusan terstruktur jauh ke depan. Itu adalah pencapaian yang substansial. Itu berbeda dari membangun model yang menyaingi GPT-6 Astra atau Claude Fable 5.1.
Apa yang akan mengubah gambaran ini?
Empat hal akan menyelesaikan ini, dan sepekan sejak model itu dibuka telah menggerakkan tiga di antaranya.
• Makalah arsitektur yang dipublikasikan atau bobot terbuka. Masih menjadi celah terbesar. Segala hal tentang bagaimana Jev mencapai kecepatannya tetap menjadi kotak hitam, dan klaim bahwa evaluasi paralel adalah mekanismenya — analogi yang ditarik Almeida adalah menggantikan komputasi sekuensial sebagaimana transformer menggantikan jaringan rekuren — hanyalah pernyataan, bukan hasil yang didemonstrasikan. Gelombang sumber terbuka di bawah ini mengimplementasikan ulang perilaku tersebut; tidak satu pun mengungkapkan bagaimana model TypeSafe bekerja. Sampai desainnya dipublikasikan, kecepatan itu adalah fakta dan penjelasannya adalah pemasaran.
• Evaluasi independen kedua dengan sampel yang lebih besar. Yang ini sebagian berhasil. Uji coba 20 September yang telah didaftarkan sebelumnya mencakup 5.721 panggilan dan himpunan referensi berisi 400 item, yang merupakan sampel jauh lebih besar daripada 12 passage milik Every dan desainnya jauh lebih baik, dan ini adalah bukti tunggal terkuat yang ada untuk Jev. Uji itu juga disusun sendiri, berlangsung satu hari, di satu lokasi, dan dijalankan terhadap satu versi model, serta timnya menerbitkan batasan mereka sendiri bersama hasilnya. Yang dapat disimpulkan adalah bahwa Jev benar-benar bagus pada hal yang dirancang untuknya; yang tidak dapat disimpulkan adalah bagaimana kinerjanya pada tugas orang lain.
• Audit kalibrasi pada input realistis yang berantakan. Yang ini benar-benar mengena, dan ini adalah hasil yang paling tidak nyaman di artikel ini. Studi out-of-distribution di atas adalah audit pertama yang dijalankan pada materi yang dibuat agar asing bagi model, dan studi itu menemukan keyakinan yang terpisah dari akurasi pada sekitar 4,4 kali lantai derau dari model yang terkalibrasi sempurna — sementara model yang sama tampak terkalibrasi dengan baik pada tiga tolok ukur publik. Satu keluarga tugas sintetis dengan 900 item bukanlah putusan akhir, dan para penulis mengatakan demikian. Itu cukup untuk menggeser pertanyaan dari "apakah Jev terkalibrasi?" menjadi "terkalibrasi pada apa?", yang lagipula merupakan pertanyaan yang lebih berguna.
• Replikasi yang mengalahkan Jev menurut standar Jev sendiri. Belum, dan gelombang itu tidak berhenti pada September. Dalam sekitar 48 jam setelah peluncuran, setidaknya enam proyek terbuka independen telah merilis model keputusan bergaya Jev — satu dibangun di atas encoder 421 juta parameter, satu LoRA pada model 9B, satu cukup kecil untuk muat dalam beberapa lusin kilobyte — dan pada 23 September salah satunya berada di puncak daftar trending platform hosting model. Setiap perbandingan yang diterbitkan proyek-proyek itu dilaporkan sendiri oleh tim yang membangun alternatifnya, dan masing-masing menggunakan set evaluasinya sendiri. Hasilnya menunjuk ke arah yang berbeda: klon yang menang pada kategorisasi berita kalah telak pada tugas intent 77 kelas, dan satu-satunya uji head-to-head independen pada input yang identik byte menempatkan Jev unggul di enam dari sembilan suite. Akurasi Jev sendiri pada satu benchmark kini telah dipublikasikan pada empat nilai berbeda oleh empat evaluasi berbeda. Yang bertahan dari gelombang itu adalah RSI-Jev, dan itu adalah contoh konkret dan bertanggal dari argumen tersebut: proyek terbuka pihak ketiga yang membangun model keputusan System One bergaya Jev, kode MIT, bobot Apache-2.0 di Hugging Face, dengan baris lisensi yang berbunyi "Not affiliated with TypeSafe AI." Rilisnya minggu ini adalah 4B RSI-Jev v6.0-VL, diterbitkan 2026-10-06 dan merupakan yang ketujuh dalam loop peningkatan diri yang telah menjalankan 471 eksperimen dan hanya mempertahankan sangat sedikit di antaranya: sebuah tower Qwen3.5-4B-Base dengan answer head terlatih, satu forward pass per keputusan, tanpa generasi. Ia menggunakan kedalaman alih-alih token — answer head di lapisan 16, 20, dan 32, sehingga permintaan berhenti pada mana pun yang lebih dulu yakin, median 23, 27, dan 40 ms pada satu H200 dalam bf16 — dan ia berbicara format wire TypeSafe secara persis: permintaan yang sama, tiga tipe pertanyaan yang sama, statistik keyakinan yang sama, sehingga apa pun yang ditulis untuk Jev berfungsi dengannya tanpa perubahan. Pada Decision Index publik milik proyek itu sendiri, ia melaporkan 38,38 hingga 46,24 dalam satu rilis, dengan 0,698 pada set held-out-nya dan 0,440 pada MMLU-Pro — angka-angkanya sendiri di papan miliknya sendiri, dan tidak ada uji head-to-head independen antara dirinya dan Jev 1.13. Ini bukan rilis bobot Jev, ini tidak membuat model TypeSafe menjadi terbuka, dan TypeSafe tidak membuat maupun mendukungnya; rilis-rilis sebelumnya pada jalur itu adalah model 2B pada Qwen3.5-2B-Base, dan hasil RL yang membuat nama proyek itu dikenal berasal dari v3.0, bertanggal 2026-09-28 dan tiga rilis ke belakang — rilis pertama ketika tahap RL mengalahkan model terawasi yang dilanjutkannya, reward reranking listwise atas 16 kandidat yang mengangkat reranking R@1 dari 0,192 ke 0,308 dibanding induknya sendiri, naik 60%, dengan biaya suite 0,0028. Katalog kami tidak memuat id untuk RSI-Jev: yang kami layani adalah typesafe/jev-1.13 pada endpoint systemone, dan proyek ini dijalankan dari repositorinya sendiri. Ulasan lengkap untuk pembaca yang baru pertama kali ada di What Is RSI-Jev?.
Apa yang ditunjukkan gelombang itu bukanlah bahwa Jev telah dikalahkan — melainkan bahwa model terbuka dapat dibangun untuk melakukan kurang lebih pekerjaan ini dalam akhir pekan, yang merupakan klaim berbeda dan lebih tahan lama tentang di mana moat berada. Sikap yang mengikutinya lebih sempit daripada seminggu yang lalu, dan lebih spesifik. Jev adalah model nyata, sudah dirilis, dan luar biasa murah yang kini terbuka bagi siapa pun yang memiliki akun, dengan keunggulan struktural yang nyata dalam keandalan output, profil akurasi sekitar tingkat menengah menurut angka vendor sendiri, dan klaim kalibrasi yang telah diuji dua kali secara independen sejak peluncuran: sekali pada benchmark besar, menguntungkan, yang disusun sendiri, dan sekali pada input yang tidak dikenal yang skor keyakinannya tidak bertahan. Perlakukan hasil kedua sebagai hasil yang lebih informatif. Jika alur kerja Anda memiliki langkah yang dapat direduksi menjadi pertanyaan bertipe yang cukup sering diajukan sehingga model frontier akan menjadi boros, ini adalah salah satu cara termurah untuk menanyakannya — dan nilai keyakinan yang dikembalikannya tetap merupakan bagian yang perlu diuji pada data Anda sendiri sebelum Anda memercayainya, bukan kecepatannya. Ini juga dapat diuji tanpa akun kedua: typesafe/jev-1.13 sudah aktif di OrcaRouter di samping model generatif yang dibutuhkan alur kerja berbentuk Jev.
