
Jev si rifiuta di scrivere una sola parola: cosa fa il modello decisionale di TypeSafe AI e cosa hanno scoperto gli audit da allora
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 141 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 175 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 89 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 97 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 120 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 93 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 196 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 115 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
Jev 1.13 (typesafe/jev-1.13) è il primo modello di TypeSafe AI che un lettore probabilmente incontrerà più attraverso una tabella di costi che tramite una casella di chat, perché non esiste alcuna casella di chat. Lanciato il 15 settembre 2026 da Diogo Almeida — coautore dell’articolo InstructGPT, il lavoro che ha fatto comportare ChatGPT come un assistente — Jev non genera affatto testo. Prende un pezzo di stato (un’email, una riga di log, un ticket di supporto, un blob JSON di coordinate di gioco) più un elenco di domande tipizzate, e restituisce risposte tipizzate: una scelta da un insieme fornito da te, un punteggio su una rubrica, o una probabilità sì/no, ciascuna con il proprio valore di confidenza. Niente prosa, niente codice, niente spiegazioni. La proposta di TypeSafe è che questa ristrettezza sia il prodotto, perché garantisce velocità e prezzo che un modello generativo non può eguagliare — da 20 a 200 volte più veloce e da 40 a 400 volte più economico rispetto a «LLM comparabili» nei materiali di lancio dell’azienda stessa, a $0,042 per milione di token di input con output fatturato a zero. È in disponibilità generale dal 21 settembre 2026, quando TypeSafe ha rimosso la lista d’attesa e ha iniziato a concedere ai nuovi account 5 $ di credito — la conversione dello stesso fornitore, pari a circa 120 milioni di token di input al prezzo di listino. Il modello precede la notizia di questo articolo. OrcaRouter ha aggiunto typesafe/jev-1.13 al suo catalogo il 24 settembre 2026 e ora lo instrada sulla stessa chiave dei modelli generativi accanto ai quali è pensato per stare, ed è questo il cambiamento che vale la pena conoscere oggi. La seconda cosa di cui questa pagina deve ora tenere conto non è di TypeSafe: RSI-Jev, un progetto open di terze parti che costruisce modelli decisionali System One in stile Jev, la cui versione attuale è la 4B RSI-Jev v6.0-VL, datata 6 ottobre 2026. Copia deliberatamente il formato wire di Jev, e la sua stessa riga di licenza afferma chiaramente che non è affiliato a TypeSafe AI — non è il Jev di TypeSafe, non sono i pesi di TypeSafe e non è lo stesso modello sotto un nome più breve. L’ultima sezione di questo articolo è al posto giusto, perché è la risposta più incisiva disponibile alla domanda su quanto della posizione di Jev sia un fossato competitivo.
Il numero più utile pubblicato nelle prime 48 ore non è uno di quelli. Proviene da Every, il cui responsabile delle valutazioni ha testato Jev su 27 articoli pubblicati da Every più 10 controparti in stile IA, ponendo 21 domande a tutti i 37 documenti contemporaneamente: 777 giudizi in meno di 0,7 secondi, per circa un quarto di centesimo. Un secondo test, eseguito dal CEO di Every, ha messo 12 brani sintetici — sei puliti, sei con difetti deliberatamente inseriti — a confronto con quattro verifiche di scrittura. Jev ha risposto con una mediana di 0,35 secondi per brano contro 8,83 secondi per Claude Fable 5.1 ad alto sforzo: circa 25 volte più veloce a circa 1/580 del costo. Ha individuato sei dei sette difetti inseriti. Claude Fable 5.1 li ha individuati tutti e sette. Il verdetto di Every è stato «buono ma non perfetto», e questa è l'onesta lettura in una riga di Jev dal primo test indipendente a essere pubblicato — le affermazioni su velocità e costo sopravvivono al contatto con una terza parte, l'affermazione sull'accuratezza si colloca un gradino sotto la frontiera, e il campione è abbastanza piccolo che nessuno avrebbe dovuto trarne una conclusione di produzione — un divario che valutazioni successive hanno in parte colmato, in entrambe le direzioni.
Una nota su che tipo di prove utilizza questo pezzo, perché i livelli sono cambiati rapidamente per un modello così nuovo. Jev è reale e chiamabile: esiste un endpoint documentato, un Python SDK, un alias del modello e un prezzo pubblicato. Il lancio è annunciato dal fornitore, non trapelato, e nessuno si chiede se esista. Ma ogni affermazione sulle prestazioni che TypeSafe presenta è di TypeSafe stessa, l'architettura non è pubblicata, i pesi non sono disponibili, e la dashboard di benchmark dietro il titolo 20-200x è un insieme di valutazioni interne di flussi di lavoro piuttosto che una classifica pubblica. I test indipendenti non sono più il pezzo mancante che erano il giorno del lancio — ora ci sono almeno tre valutazioni esterne separate, tra cui un'esecuzione pre-registrata e uno studio costruito specificamente per testare Jev su input che non avrebbe potuto vedere — e concordano con il fornitore sulla velocità mentre raccontano una storia più complicata su accuratezza e calibrazione. Questo articolo mantiene i numeri del fornitore, i numeri indipendenti e le domande aperte visibilmente separati invece di mediarli in un consenso che non esiste.
Che cosa ha effettivamente rilasciato TypeSafe
Jev è il primo di quelli che TypeSafe chiama modelli System One — nome preso in prestito dalla metà veloce e intuitiva della cognizione di Daniel Kahneman, contrapposta alla modalità deliberativa più lenta che i chatbot imitano. Il contrasto che TypeSafe evidenzia è con il modello standard di costringere un generatore di testo a emettere output strutturato e poi analizzare quel testo per ricondurlo a qualcosa di cui il codice possa fidarsi. Jev salta del tutto il testo. La documentazione di TypeSafe afferma la questione senza mezzi termini: "I modelli linguistici di grandi dimensioni (LLM) sono progettati per produrre testo che gli esseri umani possano leggere. Quando hai bisogno che un modello formuli un giudizio che il tuo codice utilizzerà, si crea un disallineamento."
La superficie di output è composta da tre primitive, e non c'è nient'altro. Ogni domanda che poni deve essere una di esse:
Scelta — seleziona un'opzione da un elenco che fornisci, restituendo l'opzione selezionata insieme a una probabilità per ciascun candidato e un livello di confidenza. Le opzioni sono limitate a 255 per campo; oltre tale limite TypeSafe documenta un modello a due fasi: valutare i candidati in modo indipendente e poi scegliere.
• Punteggio — colloca lo stato su una rubrica ordinata, restituendo il livello, una probabilità per livello e una confidenza. Il rischio di churn su una scala da 0 a 1 è l'esempio nella documentazione.
• Noul — una parola macedonia di "no" e "null" — una singola affermazione sì/no, che restituisce la probabilità calibrata che sia vera.

La proprietà interessante non è un singolo primitivo, ma il modo in cui si compongono. Tutti e tre possono essere combinati in un'unica chiamata API, e ogni domanda viene valutata in parallelo rispetto a un'unica lettura condivisa dello stesso stato. La documentazione di TypeSafe afferma che aggiungere domande "cambia appena il tempo di risposta", e i test indipendenti lo confermano nella pratica — 21 domande su 37 documenti sono rientrate negli stessi 0,7 secondi. È questo che fa crollare il prezzo per giudizio: non stai pagando per una generazione più lunga, stai pagando per una singola passata.
Il limite pratico, come documentato e come riportato dai primi utenti: un budget di richiesta di circa 64.000 token, di cui circa 32.000 coprono lo stato più la singola domanda più lunga — la documentazione di TypeSafe osserva che l'accuratezza cambia man mano che lo stato cresce; nessun input di immagini o audio al lancio; e una forma di richiesta e risposta che non è la convenzione chat-completions, quindi un client esistente non può semplicemente puntare il suo base URL su di essa. L'accesso ha smesso di essere l'ostacolo il 21 settembre 2026, quando TypeSafe ha rimosso la lista d'attesa e ha aperto Jev a chiunque abbia un account; i nuovi account partono con 5 $ di credito che il fornitore dice valere circa 120 milioni di token di input al prezzo di listino. La homepage di TypeSafe stessa descrive ancora Jev come in accesso anticipato, un'etichetta che la sua documentazione non ripete: la documentazione pubblica limiti regolati dinamicamente di 100K token al secondo e 40 richieste al secondo anziché un cancello di accesso. Il playground del browser è ancora lì accanto all'API, e jev-latest rimane l'alias del modello.
RLCD significa calibrato, non preferito
TypeSafe addestra Jev con un metodo che chiama RLCD — Reinforcement Learning for Calibrated Decisions, secondo la documentazione della stessa azienda. L'acronimo è così nuovo che le prime trattazioni ne hanno dato espansioni incoerenti, quindi vale la pena stabilire con precisione che cosa designa davvero, perché la distinzione è l'intera tesi della ricerca.
RLHF ottimizza per un output preferito dagli esseri umani. RLVR ottimizza per la correttezza verificabile, quella del tipo che supera i test case. RLCD ottimizza per la calibrazione: un modello che dice di essere sicuro al 70% dovrebbe avere ragione circa il 70% delle volte. Questo è un obiettivo diverso dall'avere ragione, ed è il motivo per cui ogni risposta di Jev arriva con una distribuzione di probabilità allegata anziché con una semplice risposta. La modalità di errore prevista è un modello che sa quando non sa, così il tuo codice può decidere cosa farne.
Ciò che questo ti offre in pratica è una superficie di controllo. Il pattern documentato è composto da tre fasce di confidenza — agisci automaticamente in alto, segnala o conferma al centro, indirizza a un umano in basso — con le soglie che risiedono nel tuo codice anziché nel modello. Se le fasce siano oneste è una questione empirica che riguarda i tuoi dati, ed è una domanda a cui TypeSafe ti dice esplicitamente di rispondere da solo, osservando che le soglie di confidenza sono specifiche del caso d'uso e dovrebbero essere testate sui tuoi esempi etichettati. Quell'istruzione è la frase più importante della documentazione, e ciò che la documentazione non contiene è alcun resoconto esterno su se il metodo dietro quelle fasce faccia ciò che il suo nome dice. Da questa settimana ne esiste uno parziale, ed è una ricostruzione più che una divulgazione: il post-mortem RL di RSI-Jev costruisce una ricostruzione controllata a sette bracci delle ipotesi pubblicate su RLCD — una fetta di 13,8k domande, 1.500 passi per braccio — e pubblica ciò che è accaduto a ogni braccio, compresi quelli che hanno fallito. Ogni ricompensa RL in esso ha peggiorato la calibrazione grezza; una testa di confidenza post-hoc economica le ha recuperate tutte tranne il braccio proper-score; e nessun obiettivo ha migliorato l'ordinamento della confidenza. Si chiude elencando tre ingredienti che RLCD deve contenere, formulati come un'ipotesi su come il metodo potrebbe funzionare anziché come un'affermazione sugli interni di TypeSafe, che nessuno fuori dall'azienda ha visto. Leggilo come la prima prova di terze parti da porre accanto alle affermazioni di calibrazione ordinate di seguito, non come uno sguardo al loro interno; il contesto del metodo stesso è nel nostro approfondimento RLCD Explained.
I numeri, ordinati per chi li ha prodotti
È qui che gran parte della copertura di Jev perde rigore, quindi vale la pena essere espliciti sulla provenienza. Ecco cosa viene dal fornitore, cosa proviene da tester indipendenti e cosa è semplicemente sconosciuto.
• Dichiarate dal fornitore, non riprodotte — le asserzioni principali su velocità e costi. Latenza end-to-end di 70-500 ms contro 3-329 secondi per le chiamate ai LLM di frontiera; da 20 a 200 volte più veloce e da 40 a 400 volte più economico; un singolo risultato di workflow nel caso migliore pubblicizzato come 193,6 volte più veloce e 444,6 volte più economico. TypeSafe riconosce che si tratta di cifre relative al caso migliore, non universali.
• Dichiarato dal fornitore e verificabile sul listino prezzi — 0,042 $ per milione di token di input, ovvero 42 $ per miliardo, con output gratuito. Il motivo per cui l’output è gratuito è meccanico anziché promozionale: non c’è decodifica autoregressiva da misurare, quindi non ci sono token di output da fatturare. Per dare un’idea, gli stessi materiali di lancio indicano il prezzo tipico dell’input frontier tra 0,20 $ e 10 $ per milione, con l’output spesso circa cinque volte il prezzo dell’input.
• Riferito dal fornitore, da un benchmark interno — la dashboard dei flussi di lavoro di TypeSafe stessa, 711 casi su quattro attività, con risposte di riferimento derivate dal giudizio medio di GPT-6 Astra e Claude Fable 5.1 piuttosto che dalla verità di riferimento. Su quella dashboard Jev totalizza, in aggregato, il 67,8% contro il 74,1% del miglior comparatore. Nel dettaglio: incidenti di sicurezza 61,7% contro il 66,2% di Opus 5; osservabilità delle tracce degli agenti 71,6% contro 76,6%; elaborazione delle fatture 61,8% contro 79,1%; servizio clienti 76,0% contro 78,3%. Jev vince le colonne relative a costo e latenza su quel grafico e perde la colonna relativa all'accuratezza. La dashboard stessa segnala un possibile bias dell'harness, e TypeSafe ha dichiarato di aver saltato deliberatamente le classifiche pubbliche in favore di valutazioni una tantum legate agli aggiornamenti di prodotto.
• Misurato in modo indipendente, campione ridotto — il primo test esterno, l'esecuzione di Every descritta sopra: 777 giudizi in meno di 0,7 secondi per circa un quarto di centesimo; 1.709 giudizi in 11 esperimenti per meno di un centesimo in totale; circa 25 volte più veloce e con un costo pari a 1/580 di quello di Claude Fable 5.1 su un compito di classificazione a 12 brani, pur mancando uno dei sette difetti inseriti che il comparatore ha rilevato. La conclusione di Every stessa era che avrebbe voluto un controllo di accuratezza molto più approfondito prima di metterlo in produzione — un controllo che nel frattempo è in parte arrivato, di seguito.
• Misurato in modo indipendente, pre-registrato e più ampio — un team esterno ha pubblicato una valutazione pre-registrata il 20 settembre 2026, fissando 21 esperimenti e 50 previsioni prima che partisse una singola richiesta, su 5.721 chiamate. Su un set di riferimento di 400 elementi, Jev ha ottenuto il 95,9% in zero-shot, contro il 77,2% delle regole keyword scritte a mano e il 66,0% di una baseline supervisionata TF-IDF. Lo stesso studio documenta la modalità di fallimento che conta più del titolo: quando le descrizioni dei criteri nella domanda erano errate, l'accuratezza è crollata al 16,7%, al di sotto del 25% del livello casuale per quel compito. Gli autori dichiarano il proprio bias nella direzione opposta — 18 delle loro 21 previsioni confutate hanno sbagliato allo stesso modo, perché continuavano a prevedere fallimenti e continuavano a sbagliare.
• Misurato in modo indipendente, fuori distribuzione — uno studio di calibrazione separato, pubblicato il 19 settembre 2026, ha creato 900 ticket di assistenza generati da regole, le cui etichette dipendono in parte da una policy interna sul livello dell'account che non compare da nessuna parte nel testo, così che nessun modello avrebbe potuto memorizzarla, e li ha eseguiti insieme a 3.721 elementi di benchmark pubblici. Sul ramo sintetico, l'errore di calibrazione atteso di Jev era 0,107, rispetto a un rumore di fondo di 0,024 che gli autori hanno calcolato per un modello perfettamente calibrato — circa 4,4 volte il rumore di fondo. Sui benchmark pubblici, lo stesso studio ha misurato da 0,024 a 0,032. Il divario tra questi due intervalli è il risultato.
• Sconosciuta — l'architettura. Nessun paper al lancio, nessun numero di parametri, nessuna divulgazione del compute di addestramento, nessun peso. TypeSafe ha detto che i dettagli vengono tenuti "riservati per ora", con un paper forse più avanti. L'ondata di replicazione di metà settembre non ha cambiato questo: quei progetti ricostruiscono il comportamento con le proprie architetture, e nessuno di essi rivela come funziona il modello di TypeSafe. I checkpoint aperti che un progetto di terze parti ora pubblica sono di quel progetto stesso, non un rilascio di TypeSafe, e non cambiano nulla rispetto alle frasi precedenti — il resoconto completo di ciò che il fornitore ha pubblicato e di ciò che non ha pubblicato è in Is Jev Open Source?.

Lo schema tra quei livelli è coerente, e non è lo schema che il titolo sul 200x suggerisce. Ogni dato, indipendente o fornito dai vendor, concorda sul fatto che Jev sia drasticamente più economico e drasticamente più veloce. Nessun dato, da nessuna parte, compresi quelli della stessa TypeSafe, mostra che sia più accurato dei modelli di frontiera con cui è confrontato quanto a prezzo — sulla dashboard del fornitore stesso si colloca all’incirca al livello di un buon modello di fascia media. Ciò che i nuovi lavori esterni aggiungono è una forma al racconto sull’accuratezza, più che un nuovo titolo. Sui tipi di attività che ha già visto può apparire molto forte: 95,9% zero-shot sul set di riferimento di 400 elementi dello stesso team preregistrato, molto al di sopra delle baseline keyword e TF-IDF con cui è stato misurato. Su input costruiti per essere diversi da tutto ciò che ha visto, la sua sicurezza perde stabilità. Il confronto che regge non è ancora «così intelligente come un modello di frontiera per un centesimo del prezzo» — è «vicino al giudizio di un modello di fascia media a una frazione di centesimo per chiamata, abbastanza veloce da poter essere eseguito a ogni singolo turno».
Cosa significa e cosa non significa "zero allucinazioni"
I materiali di lancio di TypeSafe includono un grafico che mostra un tasso di errore nelle chiamate agli strumenti dello 0% per Jev, a fronte di un tasso non nullo per i modelli di confronto, e la dicitura «resistente alle allucinazioni» accompagna il modello. Entrambe le cose sono vere ed entrambe sono più circoscritte di quanto non lascino intendere a una prima lettura.
La garanzia è strutturale. Ogni possibile risposta viene enumerata prima che il modello venga eseguito — hai fornito l'elenco delle scelte, la rubrica o l'affermazione vero/falso — quindi non c'è spazio in cui emettere un valore al di fuori del tipo dichiarato. Una chiamata di tool malformata non è qualcosa che Jev può produrre. Questa è una proprietà ingegneristica autentica, e per chiunque abbia passato una settimana a scrivere logica di retry attorno a errori di parsing JSON, vale soldi veri.
Non è un'affermazione sulla correttezza. Una risposta valida secondo lo schema può comunque essere sbagliata: Jev può instradare con sicurezza un reclamo di fatturazione alla coda tecnica, e l'output sarà perfettamente ben formato pur essendo inutile. Almeida stesso l'ha detto, riconoscendo che è possibile sbagliarsi con sicurezza. Il modo utile di tenere insieme entrambi i fatti è che Jev elimina la classe di errori che deriva dalla formattazione dell'output, e non fa assolutamente nulla per la classe che deriva dal giudizio. Il che significa che la questione dell'accuratezza è interamente una questione di calibrazione, e la calibrazione è esattamente la cosa che devi misurare da solo.
Le prime valutazioni esterne aggiungono un avvertimento specifico su come quella garanzia strutturale si comporta in produzione. Poiché Jev restituisce sempre una delle risposte che hai fornito, non ha modo di dire "nessuna delle precedenti" a meno che tu non gliene dia una. Un'esecuzione pre-registrata di settembre gli ha chiesto di classificare materiale privo di una categoria valida e ha rilevato che 0 dei 30 messaggi fuori ambito sono stati segnalati, ciascuno restituito con una confidenza di 0,99. Una ricetta di torta, o una pagina di lettere casuali, torna indietro come una categoria con alta confidenza, perché una categoria è ciò che la richiesta chiedeva. La soluzione è un'abitudine di progettazione più che un'impostazione del modello: includi un'opzione di fuga esplicita in ogni elenco Choice e un ramo falso in ogni affermazione Noul, e considera l'assenza di uno di essi un bug nel testo della tua stessa domanda.
Come testare l'affermazione sulla calibrazione sui tuoi dati
La calibrazione è una delle poche proprietà di un modello che si possono verificare adeguatamente con qualche centinaio di esempi e senza infrastruttura ML, ed è l'unico test che conta prima che Jev tocchi un percorso di produzione. La procedura è breve.
Prendi qualche centinaio di casi per cui hai già le etichette. Poni a Jev la domanda che conta — la decisione di instradamento, il punteggio di rischio, il controllo dei difetti — e raggruppa le risposte in base alla confidenza che ha riportato. Poi verifica se il gruppo con confidenza 0,9 ha ragione circa il 90% delle volte, quello con 0,7 circa il 70%, e così via. Un modello ben calibrato traccia una linea diagonale. Un modello che è semplicemente sicuro di sé raggruppa tutto sopra 0,9 e ha ragione il 70% delle volte, e questa è la forma che rompe silenziosamente una pipeline automatizzata.
Lo stesso test ti dice quali soglie usare. Se il bucket 0.9 è davvero accurato al 90% sui tuoi dati, puoi automatizzarlo. Se la tua fascia intermedia è una poltiglia, la instradi verso un umano oppure la affidi a un modello generativo e lasci che il percorso costoso gestisca l'ambiguità. Questa suddivisione — modello economico sulla maggioranza sicura, modello costoso sul resto incerto — è l'architettura che Jev sta effettivamente sostenendo, ed è il motivo per cui è meglio intendere il modello come un componente anziché come un sostituto.
Lo studio out-of-distribution è la prima risposta esterna a quella domanda, ed è un avvertimento, non un via libera. Eseguito su 900 ticket di supporto sintetici la cui politica decisionale è assente dal testo, la confidenza di Jev ha smesso di corrispondere alla sua accuratezza: errore di calibrazione atteso 0,107 contro un rumore di fondo di 0,024, circa 4,4 volte quello che un modello perfettamente calibrato otterrebbe sullo stesso insieme. Sui tre benchmark pubblici era compreso tra 0,024 e 0,032 — quindi il modello è ben calibrato sul tipo di dati su cui è stato costruito e misurato, e sostanzialmente meno quando il compito non è familiare. La primitiva score è stata la più debole delle tre, con un'accuratezza del 44,7% e una probabilità dichiarata media di 0,74. Gli stessi autori dello studio chiedono ai lettori di considerare la direzione di quel risultato e non l'esatta grandezza, poiché una singola famiglia di compiti sintetici con n=900 non è una legge generale. La direzione è la parte che conta per chiunque scriva soglie: esegui il test di bucketing sopra sulle tue etichette prima di automatizzare una decisione, perché la calibrazione che puoi vedere sui benchmark pubblici non è la calibrazione che otterrai sul tuo traffico.
Quanto costa, analizzato nel dettaglio
Il prezzo è abbastanza semplice da poterci ragionare, il che è raro. L'input costa $0,042 per milione di token — la tariffa pubblicata da TypeSafe e la tariffa riportata nel catalogo OrcaRouter — e l'output è gratuito. Con il budget documentato di circa 64.000 token di input, una singola chiamata di dimensione massima costa meno di tre decimi di centesimo.
Due cifre riportate danno un'idea della scala. Un utente dei primi tempi ha eseguito circa 5.000 richieste per circa 2 dollari. La dimostrazione di Doom — Jev che guida un bot usando una descrizione testuale dello stato di gioco anziché i pixel grezzi — girava a circa 10 chiamate al secondo per circa 7 dollari all'ora. E le 777 valutazioni di Every su 37 documenti sono risultate costare circa un quarto di centesimo, che è il numero che rende comprensibile il caso d'uso interessante: a quel prezzo, verificare ogni singolo turno di un ciclo di agente smette di essere una decisione di costo e diventa la scelta predefinita.
Questo è il vero argomento a favore di Jev. Un passaggio di verifica a ogni turno — questa chiamata di strumento ha contraddetto quella precedente, questo output è coerente con l'intento dichiarato dall'utente, dovrebbe far scattare un allarme — è sempre stato tecnicamente possibile con un modello di frontiera ed economicamente assurdo su scala. A 0,042 $ per milione di token senza costi per l'output, lo stesso passaggio diventa sostenibile a ogni turno. Il valore qui non sta nel fatto che Jev pensi meglio di un modello di frontiera, perché non è così. Il valore sta nel fatto che pensa in modo abbastanza economico e rapido da essere consultato costantemente.
Vale la pena dirlo chiaramente, perché è l'ovvia prossima domanda: OrcaRouter ha aggiunto typesafe/jev-1.13 al suo catalogo il 24 settembre 2026, e il modello è live sulla scheda del modello Jev 1.13 oggi — un'unica API per oltre 200 modelli al prezzo di listino del provider, passato con 0% di ricarico, così un taglio di prezzo del fornitore arriva dalla nostra parte lo stesso giorno in cui viene rilasciato. Due dettagli su come viene erogato, perché sono quelli che la gente chiede. Le richieste vanno a POST /v1/systemone, non in streaming, su un contesto di 65.536 token; non è la forma delle chat-completions, ed è per questo che Jev si trova su un tipo di endpoint dedicato invece di essere integrato nella route della chat. E la scheda pubblica la nostra finestra di servizio di sette giorni, misurata sul traffico attraverso il nostro playground dal 24 settembre, anziché essere ripresa dal fornitore: p50 151 ms, p95 247 ms, 349 token di output al secondo e un tasso di errore dello 0,49% su 76,2M token. È questo che rende il pattern a due modelli sostenuto da Jev un unico contratto invece di due. Jev prende la decisione tipizzata, un modello generativo gestisce la parte che richiede prosa, codice o una spiegazione, entrambe le metà vengono fatturate sulla stessa chiave al prezzo di listino del provider, e il failover automatico impedisce che un componente decisionale che si rivela mal calibrato diventi un incidente di produzione.

Dove Jev non si adatta
I limiti sono dichiarati dal fornitore in modo insolitamente chiaro, il che rende questa sezione facile da scrivere onestamente. Jev non può generare testo libero. Non può scrivere codice. Non può sostenere una conversazione. Non ha interfaccia di chat, né input di immagini, e ha un budget di richiesta di circa 64.000 token — circa 32.000 dei quali coprono lo stato più la domanda singola più lunga — un ordine di grandezza inferiore rispetto ai modelli a contesto lungo con cui viene confrontato sul prezzo. I campi a scelta sono limitati a 255 opzioni. E la proprietà "nessuna allucinazione", come sopra, riguarda il formato dell'output piuttosto che la verità.
La rete è adatta a un ambito piuttosto ristretto. Buona per: classificazione e routing ad alto volume, passaggi di guardrail e verifica, decisioni critiche per la latenza, valutazione in parallelo di grandi insiemi di documenti, ovunque la risposta corretta sia davvero una scelta, un numero su una scala o un booleano. Scarsa per: generazione aperta di qualsiasi tipo, ragionamento su contesti lunghi, dialogo multi-turno o qualsiasi attività la cui risposta corretta sia una frase. Se il tuo problema non si riduce a una domanda tipizzata, Jev non è un modo più economico per risolverlo — non è affatto un modo per risolverlo.
C'è anche una critica giusta all'inquadramento che vale la pena portare avanti. Definire Jev un modello di frontiera si appropria di una credibilità che il modello non si è guadagnato: non sa programmare, conversare o scrivere una frase, e i grafici di confronto si affidano ai modelli di frontiera come baseline, mentre la colonna dell'accuratezza racconta una storia diversa. L'affermazione più difendibile, e quella che le prove supportano effettivamente, è che TypeSafe ha spinto molto più avanti la frontiera della velocità e dei costi per le decisioni strutturate. È una cosa considerevole da aver fatto. È una cosa diversa dal costruire un modello che rivaleggia con GPT-6 Astra o Claude Fable 5.1.
Cosa cambierebbe questo quadro?
Quattro cose risolverebbero la questione, e la settimana da quando il modello si è aperto ne ha mosse tre.
• Un paper di architettura pubblicato o pesi aperti. Ancora il buco più grande. Tutto su come Jev raggiunge la sua velocità rimane una scatola nera, e l'affermazione che la valutazione parallela sia il meccanismo — l'analogia che Almeida traccia è sostituire il calcolo sequenziale come i transformer hanno sostituito le reti ricorrenti — è un'asserzione piuttosto che un risultato dimostrato. L'ondata open source qui sotto reimplementa il comportamento; nulla di tutto ciò divulga come funziona il modello di TypeSafe. Finché il design non sarà pubblicato, la velocità è un fatto e la spiegazione è marketing.
• Una seconda valutazione indipendente con un campione più ampio. Questa ha parzialmente funzionato. L'esecuzione pre-registrata del 20 settembre copre 5.721 chiamate e un set di riferimento di 400 elementi, che è un campione molto più ampio dei 12 passaggi di Every e molto meglio progettato, ed è la singola prova più forte a favore di Jev che esista. È anche autoprodotta, relativa a un solo giorno, a un'unica sede e condotta su una sola versione del modello, e il team pubblica i propri limiti insieme ai risultati. Ciò che stabilisce è che Jev è davvero bravo in ciò per cui è progettato; ciò che non stabilisce è come si comporta sul compito di chiunque altro.
• Un audit di calibrazione su input realistici e disordinati. Questo ha colpito nel segno, ed è il risultato meno confortevole di questo articolo. Lo studio out-of-distribution di cui sopra è il primo audit eseguito su materiale costruito per essere poco familiare al modello, e ha rilevato una dissociazione tra fiducia e accuratezza a circa 4,4 volte il rumore di fondo di un modello perfettamente calibrato — mentre lo stesso modello appariva ben calibrato su tre benchmark pubblici. Una sola famiglia di task sintetici con 900 elementi non è un verdetto, e gli autori lo dicono. È sufficiente a spostare la domanda da «Jev è calibrato?» a «calibrato su cosa?», che è comunque la domanda più utile.
• Una replica che batte Jev alle sue stesse condizioni. Non ancora, e l'ondata non si è fermata a settembre. Entro circa 48 ore dal lancio, almeno sei progetti open indipendenti avevano rilasciato modelli decisionali in stile Jev — uno basato su un encoder da 421 milioni di parametri, uno un LoRA su un modello da 9B, uno abbastanza piccolo da entrare in poche decine di kilobyte — e entro il 23 settembre uno di essi era in cima a una lista delle tendenze di hosting di modelli. Ogni confronto pubblicato da quei progetti è autodichiarato dal team che ha costruito l'alternativa, e ciascuno usa il proprio set di valutazione. I risultati puntano in direzioni diverse: il clone che vince sulla categorizzazione delle notizie perde nettamente in un compito di intent a 77 vie, e l'unico confronto diretto indipendente eseguito su input identici a livello di byte vede Jev in vantaggio in sei suite su nove. L'accuratezza di Jev su un singolo benchmark è ormai stata pubblicata con quattro valori diversi da quattro valutazioni diverse. Quello duraturo di quell'ondata è RSI-Jev, ed è l'istanza concreta e datata di quell'argomento: un progetto open di terze parti che costruisce modelli decisionali System One in stile Jev, codice MIT, pesi Apache-2.0 su Hugging Face, con una riga di licenza che recita "Non affiliato a TypeSafe AI." Il suo rilascio di questa settimana è il 4B RSI-Jev v6.0-VL, pubblicato il 2026-10-06 e il settimo di un ciclo di auto-miglioramento che ha eseguito 471 esperimenti e ne ha conservati pochissimi: una torre Qwen3.5-4B-Base con una testa di risposta addestrata, un singolo passaggio in avanti per decisione, nulla di generato. Spende profondità invece di token — teste di risposta ai livelli 16, 20 e 32, così una richiesta si ferma a quella che è sicura per prima, una mediana di 23, 27 e 40 ms su un H200 in bf16 — e parla esattamente il formato wire di TypeSafe: stessa richiesta, stessi tre tipi di domanda, stessa statistica di confidenza, quindi qualsiasi cosa scritta per Jev funziona con esso senza modifiche. Sul Decision Index pubblico del progetto riporta da 38,38 a 46,24 in un rilascio, con 0,698 sul suo set di hold-out e 0,440 su MMLU-Pro — cifre proprie sulla propria classifica, e non esiste un confronto diretto indipendente tra esso e Jev 1.13. Non è un rilascio di pesi di Jev, non rende aperto il modello di TypeSafe, e TypeSafe non l'ha né creato né approvato; i rilasci precedenti su quella linea erano modelli 2B su Qwen3.5-2B-Base, e il risultato RL che ha reso celebre il progetto è dalla v3.0, datata 2026-09-28 e tre rilasci indietro — il primo rilascio in cui uno stadio RL ha battuto il modello supervisionato da cui proseguiva, una ricompensa di reranking listwise su 16 candidati che ha portato il reranking R@1 da 0,192 a 0,308 rispetto al proprio genitore, +60%, a un costo di suite di 0,0028. Il nostro catalogo non contiene alcun id per RSI-Jev: ciò che serviamo è typesafe/jev-1.13 sull'endpoint systemone, e questo progetto è gestito dal proprio repository. La trattazione completa per un lettore alle prime armi è in Che cos'è RSI-Jev?.
Ciò che quell'ondata dimostra non è che Jev sia stato battuto — è che un modello aperto può essere costruito per svolgere all'incirca questo compito in un weekend, il che è un'affermazione diversa e più duratura su dove risieda il fossato. La postura che ne consegue è più ristretta di una settimana fa, e più specifica. Jev è un modello reale, già distribuito, insolitamente economico, ora aperto a chiunque abbia un account, con un autentico vantaggio strutturale nell'affidabilità dell'output, un profilo di accuratezza intorno alla fascia media secondo i numeri dello stesso fornitore, e un'affermazione di calibrazione che è stata verificata due volte in modo indipendente dal lancio: una volta su un benchmark ampio, favorevole e realizzato dagli stessi autori, e una volta su input non familiari, dove i punteggi di confidenza non hanno tenuto. Considera il secondo risultato come quello più informativo. Se il tuo flusso di lavoro ha un passaggio che si riduce a una domanda tipizzata posta abbastanza spesso che un modello di frontiera sarebbe uno spreco, questo è uno dei modi più economici di porla — e il valore di confidenza che restituisce è ancora la parte da testare sui tuoi dati prima di fidarti, non la velocità. È anche testabile senza un secondo account: typesafe/jev-1.13 è attivo su OrcaRouter accanto ai modelli generativi di cui ha bisogno un flusso di lavoro modellato su Jev.
