Ett titelkort med texten 'Jev: En modell som vägrar skriva' med underrubriken 'TypeSafe AI:s beslutsmodell returnerar typade svar i stället för text', tre märkta kort för primitiverna Choice, Score och Noul, och ett statistikblock som visar 777 bedömningar på under 0,7 sekunder till $0,042 per miljon indatatokens.
Guides & Insights

Jev vägrar skriva ett enda ord: Vad TypeSafe AI:s beslutsmodell gör, och vad granskningarna har funnit sedan dess

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Jev 1.13 (typesafe/jev-1.13) är den första modellen från TypeSafe AI som en läsare sannolikt möter via en kostnadstabell snarare än en chattruta, eftersom det inte finns någon chattruta. Lanserad den 15 september 2026 av Diogo Almeida – en medförfattare till InstructGPT-artikeln, arbetet som fick ChatGPT att bete sig som en assistent – genererar Jev inte text alls. Den tar ett stycke tillstånd (ett e-postmeddelande, en logglinje, ett supportärende, en JSON-blob med spelkoordinater) plus en lista med typade frågor och returnerar typade svar: ett val från en uppsättning du angett, en poäng på en bedömningsmatris eller en ja/nej-sannolikhet, var och en med sitt eget konfidensvärde. Ingen prosa, ingen kod, ingen förklaring. TypeSafe:s säljargument är att denna smalhet är produkten, eftersom den köper snabbhet och pris som en generativ modell inte kan matcha – 20 till 200 gånger snabbare och 40 till 400 gånger billigare än "jämförbara LLM:er" i företagets egna lanseringsmaterial, till $0,042 per miljon indata-tokens med utdata debiterad till noll. Den har varit allmänt tillgänglig sedan den 21 september 2026, då TypeSafe tog bort väntelistan och började ge nya konton 5 dollar i kredit – leverantörens egen omräkning, värd omkring 120 miljoner indata-tokens till listpris. Modellen är äldre än nyheten i den här artikeln. OrcaRouter lade till typesafe/jev-1.13 i sin katalog den 24 september 2026 och dirigerar den nu på samma nyckel som de generativa modeller den är tänkt att sitta bredvid, vilket är den förändring som är värd att känna till idag. Det andra den här sidan nu måste ta hänsyn till är inte TypeSafe:s: RSI-Jev, ett öppet tredjepartsprojekt som bygger Jev-liknande System One-beslutsmodeller, vars nuvarande utgåva är 4B RSI-Jev v6.0-VL, daterad den 6 oktober 2026. Den kopierar Jevs trådformat medvetet, och dess egen licensrad säger klart att den inte är ansluten till TypeSafe AI – det är inte TypeSafe:s Jev, inte TypeSafe:s vikter och inte samma modell under ett kortare namn. Det sista avsnittet i den här texten är där det hör hemma, eftersom det är det skarpaste tillgängliga svaret på frågan om hur mycket av Jevs position som är en vallgrav.

Den mest användbara siffran som publicerats under de första 48 timmarna är inte en av dem. Den kommer från Every, vars chef för utvärderingar körde Jev över 27 publicerade Every-artiklar plus 10 AI-stiliserade motsvarigheter och ställde 21 frågor till alla 37 dokumenten samtidigt: 777 bedömningar på under 0,7 sekunder, för ungefär en fjärdedels cent. Ett andra test, som kördes av Everys vd, ställde 12 syntetiska stycken — sex rena, sex med avsiktligt inplanterade defekter — mot fyra skrivkontroller. Jev uppmättes till en median på 0,35 sekunder per stycke mot 8,83 sekunder för Claude Fable 5.1 vid hög ansträngning: ungefär 25 gånger snabbare till ungefär 1/580 av kostnaden. Den fångade sex av de sju inplanterade defekterna. Claude Fable 5.1 fångade alla sju. Everys dom var ”bra men inte perfekt”, och det är den ärliga enradiga tolkningen av Jev från det första oberoende testet som publicerats — påståendena om hastighet och kostnad överlever kontakt med en tredje part, påståendet om noggrannhet ligger ett snäpp under frontlinjen, och urvalet är tillräckligt litet för att ingen borde ha dragit en produktionsslutsats av det — ett gap som senare utvärderingar delvis har stängt, i båda riktningarna.

En not om vilken typ av bevis den här artikeln arbetar med, eftersom bevisnivåerna har förskjutits snabbt för en så här ny modell. Jev är verklig och anropbar: det finns en dokumenterad endpoint, ett Python-SDK, ett modellalias och ett publicerat pris. Lanseringen är leverantörsannonserad, inte läckt, och ingen gissar om den existerar. Men varje prestandapåstående som TypeSafe för fram är TypeSafe:s egna, arkitekturen är opublicerad, vikterna är inte ute, och benchmark-instrumentpanelen bakom 20-200x-rubriken är en uppsättning interna arbetsflödesutvärderingar snarare än en offentlig resultattavla. Oberoende testning är inte längre den saknade pusselbiten som den var på lanseringsdagen – det finns nu minst tre separata externa utvärderingar, inklusive en förregistrerad körning och en studie byggd specifikt för att testa Jev på indata som den inte kunde ha sett – och de håller med leverantören om hastigheten samtidigt som de berättar en mer komplicerad historia om noggrannhet och kalibrering. Den här artikeln håller leverantörssiffror, oberoende siffror och öppna frågor synligt åtskilda i stället för att medelvärdesbilda dem till en konsensus som inte finns.

Vad TypeSafe faktiskt levererade

Jev är den första av vad TypeSafe kallar System One-modeller – namnet lånat från Daniel Kahnemans snabba, intuitiva hälft av kognitionen, i motsats till det långsammare deliberativa läge som chattbotar imiterar. Kontrasten som TypeSafe drar är mot det vanliga mönstret att tvinga en textgenerator att avge strukturerad utdata och sedan parsa texten tillbaka till något som kod kan lita på. Jev hoppar över texten helt och hållet. TypeSafes egen dokumentation säger det rakt ut: "Stora språkmodeller (LLM:er) är utformade för att producera text som människor ska läsa. När du behöver en modell för att göra en bedömning som din kod ska konsumera, uppstår en missmatchning."

Utdataytan består av tre primitiver, och det finns inget annat. Varje fråga du ställer måste vara en av dem:

• Val — välj ett alternativ från en lista du anger, och returnera det valda alternativet plus en sannolikhet för varje kandidat och en konfidens. Alternativen är begränsade till 255 per fält; utöver det dokumenterar TypeSafe ett tvåstegsmönster för att poängsätta kandidater oberoende och sedan välja.

• Poängsätt — placera tillståndet på en ordnad bedömningsmatris och returnera nivån, en sannolikhet per nivå samt en konfidens. Kundbortfallsrisk på en 0–1-skala är exemplet i dokumentationen.

• Noul — ett teleskopord av ”no” och ”null” — ett enda ja/nej-påstående, som returnerar den kalibrerade sannolikheten att det är sant.

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.

Den intressanta egenskapen är inte någon enskild primitiv, utan hur de komponeras. Alla tre kan blandas i ett enda API-anrop, och varje fråga utvärderas parallellt mot en och samma delade läsning av tillståndet. TypeSafes dokumentation säger att tillägg av frågor ”knappt förändrar svarstiden”, och oberoende tester bekräftar det i praktiken – 21 frågor över 37 dokument rymdes inom samma 0,7 sekunder. Det är det som får priset per bedömning att rasa: du betalar inte för en längre generering, du betalar för ett enda pass.

Den praktiska ramen, så som den dokumenteras och så som tidiga användare rapporterar: en förfrågningsbudget på ungefär 64 000 tokens, varav omkring 32 000 täcker tillståndet plus den enskilt längsta frågan – TypeSafe:s dokumentation noterar att träffsäkerheten förändras när tillståndet växer; ingen bild- eller ljudinmatning vid lanseringen; och en form för begäran och svar som inte är chat-completions-konventionen, så en befintlig klient kan inte bara peka sin bas-URL mot den. Åtkomst slutade vara hindret den 21 september 2026, då TypeSafe tog bort väntelistan och öppnade Jev för alla med ett konto; nya konton börjar med $5 i kredit som leverantören säger är värd cirka 120 miljoner indatatokens till listpris. TypeSafe:s egen startsida beskriver fortfarande Jev som i tidig åtkomst, en beteckning som dess dokumentation inte upprepar: dokumentationen publicerar dynamiskt justerade gränser på 100K tokens per sekund och 40 förfrågningar per sekund i stället för en åtkomstspärr. Webbläsarleksplatsen finns fortfarande kvar vid sidan av API:et, och jev-latest är fortfarande modellaliaset.

RLCD betyder kalibrerad, inte föredragen

TypeSafe tränar Jev med en metod som företaget kallar RLCD – Reinforcement Learning for Calibrated Decisions, enligt företagets egen dokumentation. Förkortningen är så pass ny att tidig rapportering har expanderat den inkonsekvent, så det är värt att fastställa vad den egentligen betecknar, eftersom distinktionen är hela forskningspåståendet.

RLHF optimerar för mänskligt föredragen output. RLVR optimerar för verifierbar korrekthet, den sort där testfallet passerar. RLCD optimerar för kalibrering: en modell som säger sig vara 70 % säker bör ha rätt ungefär 70 % av gångerna. Det är ett annat mål än att ha rätt, och det är anledningen till att varje Jev-svar levereras med en sannolikhetsfördelning bifogad i stället för bara ett svar. Det avsedda felläget är en modell som vet när den inte vet, så att din kod kan avgöra vad den ska göra åt det.

Vad det ger dig i praktiken är en kontrollYta. Det dokumenterade mönstret är tre konfidensband — agera automatiskt i toppen, flagga eller bekräfta i mitten, skicka till en människa i botten — med trösklarna i din kod snarare än i modellen. Huruvida banden är ärliga är en empirisk fråga om dina data, och det är en som TypeSafe uttryckligen säger att du ska besvara själv, och noterar att konfidenströsklar är användningsspecifika och bör testas mot dina egna märkta exempel. Den instruktionen är den viktigaste meningen i dokumentationen, och vad dokumentationen inte innehåller är någon utomstående redogörelse för huruvida metoden bakom dessa band gör vad namnet säger. Sedan denna vecka finns det en partiell sådan, och det är en rekonstruktion snarare än ett avslöjande: RSI-Jevs RL-postmortem bygger en kontrollerad sjuarmad rekonstruktion av de publicerade gissningarna om RLCD — en 13,8k-frågesektion, 1 500 steg per arm — och publicerar vad som hände med varje arm, inklusive de som misslyckades. Varje RL-belöning i den gjorde rå kalibrering sämre; ett billigt post-hoc-konfidenshuvud återställde alla utom proper-score-armen; och inget mål förbättrade ordningen av konfidens. Den avslutas med att lista tre ingredienser som RLCD måste innehålla, formulerat som en hypotes om hur metoden skulle kunna fungera snarare än som ett påstående om TypeSafes interna delar, vilka ingen utanför företaget har sett. Läs det som det första tredjepartsbeviset att stå bredvid kalibreringspåståendena sorterade nedan, inte som en inblick i dem; metodens egen bakgrund finns i vår förklarare RLCD Explained.

Siffrorna, sorterade efter vem som producerade dem

Det är här som merparten av bevakningen av Jev blir slapp, så det är värt att vara tydlig med ursprunget. Här är vad som kommer från leverantören, vad som kom från oberoende testare och vad som helt enkelt är okänt.

• Leverantörsrapporterat, ej reproducerat — de framhävda hastighets- och kostnadspåståendena. 70–500 ms end-to-end-latens mot 3–329 sekunder för anrop till frontier-LLM:er; 20–200 gånger snabbare och 40–400 gånger billigare; ett enskilt bästa-fall-arbetsflödesresultat som annonserats som 193,6 gånger snabbare och 444,6 gånger billigare. TypeSafe erkänner att dessa är bästa-fall-siffror snarare än universella.

• Rapporterat av leverantören och kontrollerbart i prislistan — 0,042 USD per miljon indatatoken, vilket är 42 USD per miljard, med gratis utdata. Att utdata är gratis är en mekanisk snarare än marknadsföringsmässig effekt: det finns ingen autoregressiv avkodning att mäta, så det finns inga utdatatoken att fakturera. För att sätta siffrorna i perspektiv anger samma lanseringsmaterial att typisk prissättning för indata hos frontier-modeller ligger på 0,20 till 10 USD per miljon, där utdata ofta kostar omkring fem gånger indatapriset.

• Leverantörsrapporterat, från en intern benchmark — TypeSafe:s egen arbetsflödesdashboard, 711 fall fördelade på fyra uppgifter, med referenssvar härledda från den genomsnittliga bedömningen av GPT-6 Astra och Claude Fable 5.1 snarare än ground truth. På den dashboarden aggregerar Jev 67,8 % mot 74,1 % för den bästa jämföraren. Uppdelat: säkerhetsincidenter 61,7 % mot 66,2 % för Opus 5; observerbarhet för agentspår 71,6 % mot 76,6 %; fakturahantering 61,8 % mot 79,1 %; kundservice 76,0 % mot 78,3 %. Jev vinner kostnads- och latenskolumnerna i det diagrammet och förlorar noggrannhetskolumnen. Dashboarden noterar själv en möjlig bias i utvärderingsramverket, och TypeSafe har sagt att man avsiktligt hoppade över offentliga resultattavlor till förmån för engångsutvärderingar kopplade till produktuppdateringar.

• Oberoende uppmätt, litet urval – det första utomstående testet, Every-körningen som beskrivs ovan: 777 bedömningar på under 0,7 sekunder för ungefär en kvarts cent; 1 709 bedömningar i 11 experiment för under en cent totalt; ungefär 25 gånger snabbare och 1/580 av kostnaden för Claude Fable 5.1 i en klassificeringsuppgift med 12 textavsnitt, samtidigt som den missade en av sju inplanterade defekter som jämföraren upptäckte. Every:s egen slutsats var att man skulle vilja ha en mycket grundligare noggrannhetskontroll innan den sätts i produktion – en kontroll som sedan dess delvis har kommit, nedan.

• Oberoende mätt, förregistrerad och större — ett utomstående team publicerade en förregistrerad utvärdering den 20 september 2026, där 21 experiment och 50 förutsägelser fastställdes innan en enda förfrågan skickades ut, över 5 721 anrop. På en referensuppsättning med 400 objekt fick Jev 95,9 % zero-shot, mot 77,2 % för handskrivna nyckelordsregler och 66,0 % för en övervakad TF-IDF-baslinje. Samma studie dokumenterar det felmod som spelar större roll än rubriken: när kriteriebeskrivningarna i frågan var fel, kollapsade noggrannheten till 16,7 %, under det slumpmässiga golvet på 25 % för den uppgiften. Författarna redovisar sin egen bias i motsatt riktning — 18 av deras 21 falsifierade förutsägelser misslyckades på samma sätt, eftersom de fortsatte att förutsäga misslyckande och fortsatte att ha fel.

• Oberoende uppmätt, out-of-distribution – en separat kalibreringsstudie, publicerad 19 september 2026, byggde 900 regelgenererade supportärenden vars etiketter delvis beror på en intern kontonivåpolicy som inte förekommer någonstans i texten, så ingen modell kunde ha memorerat den, och körde dem tillsammans med 3 721 offentliga benchmarkobjekt. På den syntetiska delen var Jevs förväntade kalibreringsfel 0,107, mot ett brusgolv på 0,024 som författarna beräknade för en perfekt kalibrerad modell – cirka 4,4 gånger golvet. På de offentliga benchmarkarna uppmätte samma studie 0,024 till 0,032. Gapet mellan dessa två intervall är fyndet.

• Okänt — arkitekturen. Ingen artikel vid lanseringen, inget parameterantal, ingen redovisning av beräkningsresurser för träning, inga vikter. TypeSafe har sagt att detaljerna hålls "tätt intill bröstet för närvarande" med en artikel möjligen senare. Replikeringsvågen i mitten av september ändrade inte detta: dessa projekt återbygger beteendet med sina egna arkitekturer, och inget av dem avslöjar hur TypeSafes fungerar. De öppna checkpoints som en tredje part nu publicerar är den tredje partens egna, inte en utgåva från TypeSafe, och de ändrar ingenting i punkterna ovan — den fullständiga redogörelsen för vad leverantören har och inte har släppt finns i Is Jev 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.

Mönstret över dessa nivåer är konsekvent, och det är inte mönstret som 200x-rubriken antyder. Varje oberoende siffra och leverantörssiffra är ense om att Jev är dramatiskt billigare och dramatiskt snabbare. Ingen siffra någonstans, inklusive TypeSafe:s egna, visar att det är mer träffsäkert än de frontiermodeller som det prissätts mot — på leverantörens egen instrumentpanel hamnar det kring nivån för en bra mellanklassmodell. Vad det nyare externa arbetet tillför är en form åt träffsäkerhetsberättelsen snarare än en ny rubrik. På uppgiftstyper som det har sett tidigare kan det framstå som mycket starkt: 95,9 % zero-shot på det förregistrerade teamets egen referensuppsättning med 400 objekt, långt före de nyckelords- och TF-IDF-baslinjer som det mättes mot. På indata som byggts för att vara olikt allt det har sett tappar dess konfidens fotfästet. Jämförelsen som håller måttet är fortfarande inte ”lika smart som en frontiermodell för en hundradel av priset” — utan ”nära en mellanklassmodells omdöme till en bråkdel av en cent per anrop, tillräckligt snabb för att köras vid varje enskild tur.”

Vad "noll hallucination" betyder och inte betyder

TypeSafe:s lanseringsmaterial innehåller ett diagram som visar en felfrekvens på 0 % för verktygsanrop för Jev, jämfört med en icke-nollfrekvens för jämförelsemodeller, och frasen ”hallucinationsresistent” följer med modellen. Båda är sanna, och båda är snävare än de låter.

Garantin är strukturell. Varje möjligt svar räknas upp innan modellen körs – du angav alternativlistan, bedömningsmallen eller sant/falskt-påståendet – så det finns inget utrymme där ett värde utanför den deklarerade typen kan avges. Ett felaktigt utformat verktygsanrop är inte något Jev kan producera. Det är en genuin ingenjörsegenskap, och för alla som har tillbringat en vecka med att skriva återförsökslogik kring JSON-tolkningsfel är den värd riktiga pengar.

Det är inte ett påstående om att ha rätt. Ett schemagiltigt svar kan fortfarande vara fel: Jev kan med stor säkerhet routa ett faktureringsklagomål till den tekniska kön, och utdata kommer att vara perfekt välformad samtidigt som den är oanvändbar. Almeida har själv sagt just detta och medgett att det är möjligt att vara övertygad men ha fel. Ett användbart sätt att hålla båda fakta i huvudet är att Jev eliminerar den felklass som kommer från utdataformatering och inte gör något alls åt den klass som kommer från omdöme. Vilket innebär att frågan om träffsäkerhet helt och hållet är en kalibreringsfråga, och kalibrering är precis det du måste mäta själv.

De första externa utvärderingarna lägger till en specifik varning om hur den strukturella garantin beter sig i produktion. Eftersom Jev alltid returnerar ett av de svar du angav, finns det inget sätt att säga "ingen av ovanstående" om du inte ger Jev ett sådant. En förregistrerad körning i september bad Jev att klassificera material utan giltig kategori och fann att 0 av 30 meddelanden utanför tillämpningsområdet flaggades, var och en returnerades med en konfidens på 0,99. Ett kakrecept, eller en sida med slumpmässiga bokstäver, kommer tillbaka som en kategori med hög konfidens, eftersom en kategori är vad förfrågan bad om. Lösningen är en designvana snarare än en modellinställning: inkludera ett explicit utvägsalternativ i varje Choice-lista och en falsk gren i varje Noul-påstående, och behandla avsaknaden av ett sådant som en bugg i din egen frågetext.

Så testar du kalibreringspåståendet på dina egna data

Kalibrering är en av de få modellegenskaper du kan kontrollera ordentligt med några hundra exempel och ingen ML-infrastruktur, och det är det enda testet som spelar roll innan Jev rör en produktionsväg. Proceduren är kort.

Ta några hundra fall som du redan har etiketter för. Ställ Jev frågan som spelar roll — routingbeslutet, riskpoängen, defektkontrollen — och gruppera svaren efter den konfidens den rapporterade. Kontrollera sedan om gruppen med 0,9 i konfidens har rätt ungefär 90 % av gångerna, gruppen med 0,7 ungefär 70 %, och så vidare. En välkalibrerad modell följer en diagonal linje. En modell som bara är självsäker klumpar ihop allt över 0,9 och har rätt 70 % av gångerna, och det är formen som tyst bryter en automatiserad pipeline.

Samma test talar om för dig vilka tröskelvärden du ska använda. Om 0,9-hinken verkligen är 90 % träffsäker på dina data kan du automatisera den. Om ditt mellersta band är gröt dirigerar du det till en människa eller lämnar det till en generativ modell och låter den dyra vägen hantera oklarheten. Den uppdelningen – billig modell på den säkra majoriteten, dyr modell på den osäkra återstoden – är den faktiska arkitektur Jev argumenterar för, och det är anledningen till att modellen bäst förstås som en komponent snarare än en ersättning.

Studien av data utanför fördelningen är det första svaret utifrån på den frågan, och det är en varning snarare än ett klartecken. När den kördes mot 900 syntetiska supportärenden vars avgörande policy saknas i texten, slutade Jevs konfidens att matcha dess korrekthet: förväntat kalibreringsfel 0,107 mot ett brusgolv på 0,024, ungefär 4,4 gånger vad en perfekt kalibrerad modell skulle få på samma uppsättning. På de tre offentliga riktmärkena var det 0,024 till 0,032 – så modellen är välkalibrerad på den typ av data som den byggdes och mättes mot, och väsentligt mindre välkalibrerad i samma stund som uppgiften är obekant. Poängprimitiven var den svagaste av de tre, med 44,7 % träffsäkerhet och en genomsnittlig angiven sannolikhet på 0,74. Studiens egna författare ber läsarna ta fasta på riktningen i resultatet och inte den exakta storleken, eftersom en syntetisk uppgiftsfamilj vid n=900 inte är en allmän lag. Riktningen är den del som spelar roll för alla som skriver trösklar: kör bucketing-testet ovan på dina egna etiketter innan du automatiserar ett beslut, eftersom den kalibrering du kan se på offentliga riktmärken inte är den kalibrering du får på din trafik.

Vad det kostar, genomräknat

Prissättningen är tillräckligt enkel att resonera kring, vilket är ovanligt. Input är $0,042 per miljon tokens – den taxa som TypeSafe publicerar, och den taxa som OrcaRouter-katalogen anger – och output är gratis. Vid den dokumenterade budgeten på ungefär 64 000 input-tokens kostar ett enda anrop av maximal storlek under tre tiondels cent.

Två rapporterade siffror ger en känsla för skalan. En tidig användare körde cirka 5 000 förfrågningar för ungefär 2 dollar. Doom-demonstrationen — där Jev styrde en bot med hjälp av en textbeskrivning av spelets tillstånd istället för råa pixlar — körde i ungefär 10 anrop per sekund för omkring 7 dollar per timme. Och Everys 777 bedömningar över 37 dokument landade på ungefär en fjärdedels cent, vilket är siffran som gör det intressanta användningsfallet begripligt: till det priset slutar det att vara ett kostnadsbeslut att kontrollera varje enskilt steg i en agentloop och blir en standard.

Det är det verkliga argumentet för Jev. En verifieringsgenomgång per tur – motsade det här verktygsanropet det föregående, stämmer den här utdatan med användarens angivna avsikt, borde detta flaggas – har alltid varit tekniskt möjlig med en frontiermodell och ekonomiskt absurd i skala. Till priset 0,042 USD per miljon tokens utan utdataavgift blir samma genomgång överkomlig vid varje tur. Värdet här ligger inte i att Jev tänker bättre än en frontiermodell, för det gör Jev inte. Värdet ligger i att Jev tänker tillräckligt billigt och snabbt för att kunna rådfrågas ständigt.

Det är värt att säga rakt ut, eftersom det är den uppenbara nästa frågan: OrcaRouter lade till typesafe/jev-1.13 i sin katalog den 24 september 2026, och modellen är live på Jev 1.13-modellkort idag – ett API för 200+ modeller till leverantörens listpris som vidareförmedlas med 0 % påslag, så en prissänkning från leverantören slår igenom hos oss samma dag som den lanseras. Två detaljer om hur den tillhandahålls, eftersom det är dem folk frågar om. Förfrågningar går till POST /v1/systemone, icke-strömmande, mot en kontext på 65 536 tokens; det är inte chat-completions-formen, vilket är anledningen till att Jev ligger på sin egen slutpunktstyp i stället för att infogas i chattrutten. Och kortet publicerar vårt eget serveringsfönster på sju dagar, mätt på trafik genom vår playground sedan den 24 september i stället för återgivet från leverantören: p50 151 ms, p95 247 ms, 349 utdata-tokens per sekund och en felfrekvens på 0,49 % över 76,2 M tokens. Det är det som gör att tvåmodellsmönstret som Jev förespråkar blir ett enda kontrakt i stället för två. Jev fattar det typade beslutet, en generativ modell hanterar den del som behöver prosa, kod eller en förklaring, båda halvorna faktureras på samma nyckel till leverantörens listpris, och automatisk failover hindrar en beslutsdel som visar sig vara dåligt kalibrerad från att bli en produktionsincident.

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.

Där Jev inte passar

Begränsningarna är ovanligt tydligt angivna av leverantören, vilket gör det här avsnittet lätt att skriva ärligt. Jev kan inte generera fritext. Den kan inte skriva kod. Den kan inte föra en konversation. Den har inget chattgränssnitt, ingen bildinmatning och en förfrågningsbudget på ungefär 64 000 tokens – varav cirka 32 000 täcker tillståndet plus den längsta enskilda frågan – en storleksordning under de långkontextmodeller som den jämförs med i pris. Valfält har ett tak på 255 alternativ. Och egenskapen "ingen hallucination", som ovan, handlar om utdataformat snarare än sanning.

Nätet passar ganska snävt. Bra: klassificering och routning i hög volym, skyddsräcken och verifieringspass, latenskritiska beslut, poängsättning av stora dokumentsamlingar parallellt, överallt där det korrekta svaret verkligen är ett val, ett tal på en skala eller ett booleskt värde. Dåligt: öppen generering av alla slag, resonemang över lång kontext, flertursdialog eller uppgifter där rätt svar är en mening. Om ditt problem inte kan reduceras till en typad fråga är Jev inte ett billigare sätt att lösa det – det är inte ett sätt att lösa det över huvud taget.

Det finns också en berättigad kritik av inramningen som är värd att ta med sig vidare. Att kalla Jev för en frontiermodell lånar trovärdighet som modellen inte har förtjänat: den kan inte koda, chatta eller skriva en mening, och jämförelsediagrammen förlitar sig på frontiermodeller som baslinje medan noggrannhetskolumnen berättar en annan historia. Det mer försvarbara påståendet, och det som bevisen faktiskt stöder, är att TypeSafe har drivit hastighets- och kostnadsfronten för strukturerade beslut mycket långt framåt. Det är en betydande sak att ha gjort. Det är en annan sak än att bygga en modell som kan mäta sig med GPT-6 Astra eller Claude Fable 5.1.

Vad skulle förändra den här bilden?

Fyra saker skulle avgöra det här, och veckan sedan modellen öppnades upp har ruckat tre av dem.

• En publicerad arkitekturartikel eller öppna vikter. Fortfarande det största hålet. Allt om hur Jev uppnår sin hastighet förblir en svart låda, och påståendet att parallell utvärdering är mekanismen – analogin som Almeida drar är att ersätta sekventiell beräkning på samma sätt som transformers ersatte recurrenta nätverk – är ett påstående snarare än ett demonstrerat resultat. Vågen av öppen källkod nedan återimplementerar beteendet; inget av det avslöjar hur TypeSafe-modellen fungerar. Tills designen publiceras är hastigheten ett faktum och förklaringen marknadsföring.

• En andra oberoende utvärdering med ett större urval. Den här landade delvis. Den förregistrerade körningen den 20 september omfattar 5 721 anrop och en referensuppsättning med 400 objekt, vilket är ett mycket större urval än Everys 12 textstycken och ett mycket bättre utformat sådant, och det är det starkaste enskilda beviset för Jev som finns. Den är också framtagen av teamet självt, genomförd under en enda dag på en enda plats och körd mot en enda modellversion, och teamet publicerar sina egna begränsningar tillsammans med sina resultat. Vad den fastställer är att Jev verkligen är bra på det den är utformad för; vad den inte fastställer är hur den presterar på någon annans uppgift.

• En kalibreringsgranskning på realistisk, stökig indata. Den här landade, och det är det minst bekväma resultatet i den här artikeln. Out-of-distribution-studien ovan är den första granskningen som körts på material skapat för att vara obekant för modellen, och den fann att konfidens frikopplades från noggrannhet vid ungefär 4,4 gånger brusgolvet för en perfekt kalibrerad modell — medan samma modell såg välkalibrerad ut på tre offentliga benchmarks. En syntetisk uppgiftsfamilj med 900 objekt är inte ett utslag, och författarna säger det själva. Det räcker för att flytta frågan från "är Jev kalibrerad?" till "kalibrerad på vad?", vilket är den mer användbara frågan ändå.

• En replikering som slår Jev på Jevs egna villkor. Inte ännu, och vågen stannade inte i september. Inom ungefär 48 timmar efter lansering hade minst sex oberoende öppna projekt släppt Jev-formade beslutsmodeller – ett byggt på en encoder med 421 miljoner parametrar, ett med en LoRA på en 9B-modell, ett så litet att det får plats i några dussin kilobyte – och den 23 september låg ett av dem i toppen av en trendlista för modellhosting. Varje jämförelse som dessa projekt publicerar är självrapporterad av teamet som byggde alternativet, och var och en använder sitt eget utvärderingsset. Resultaten pekar i olika riktningar: klonen som vinner på nyhetskategorisering förlorar stort på en intent-uppgift med 77 klasser, och den enda oberoende head-to-head-körningen på byte-identiska indata har Jev före i sex av nio sviter. Jevs egen träffsäkerhet på ett enda benchmark har nu publicerats med fyra olika värden av fyra olika utvärderingar. Den bestående av den vågen är RSI-Jev, och det är det konkreta, daterade exemplet på det argumentet: ett öppet tredjepartsprojekt som bygger Jev-liknande System One-beslutsmodeller, kod MIT, vikter Apache-2.0 på Hugging Face, med en licensrad som lyder "Not affiliated with TypeSafe AI." Dess släpp denna vecka är 4B RSI-Jev v6.0-VL, publicerad 2026-10-06 och den sjunde i en självförbättrande loop som har kört 471 experiment och behållit mycket få av dem: ett Qwen3.5-4B-Base-torn med ett tränat svarshuvud, en framåtpassning per beslut, inget genereras. Den satsar på djup i stället för tokens — svarshuvuden i lager 16, 20 och 32, så en förfrågan stannar vid det som först är säkert, en median på 23, 27 och 40 ms på en H200 i bf16 — och den talar exakt TypeSafes wire-format: samma förfrågan, samma tre frågetyper, samma konfidensstatistik, så allt som skrivits mot Jev fungerar mot den utan ändringar. På projektets egen offentliga Decision Index rapporterar den 38,38 till 46,24 i en utgåva, med 0,698 på sitt held-out-set och 0,440 på MMLU-Pro — dess egna siffror på dess egen resultattavla, och det finns ingen oberoende head-to-head mellan den och Jev 1.13. Det är inte ett släpp av vikter från Jev, det gör inte TypeSafes modell öppen, och TypeSafe varken skapade eller rekommenderade det; de tidigare utgåvorna på den linjen var 2B-modeller på Qwen3.5-2B-Base, och RL-resultatet som gjorde projektet känt kommer från v3.0, daterat 2026-09-28 och tre utgåvor bakåt — den första utgåvan där ett RL-steg slog den övervakade modellen som det fortsatte från, en listvis omrankningsbelöning över 16 kandidater som lyfte omrankningens R@1 från 0,192 till 0,308 jämfört med dess egen föräldramodell, en ökning med 60 %, till en svitkostnad på 0,0028. Vår katalog har inget id för RSI-Jev: det vi tillhandahåller är typesafe/jev-1.13 på systemone-endpointen, och detta projekt körs från sitt eget repository. Den fullständiga genomgången för en förstagångsläsare finns i Vad är RSI-Jev?.

Vad den vågen visar är inte att Jev har besegrats — det är att en öppen modell kan byggas för att göra ungefär den här uppgiften under en helg, vilket är ett annat och mer hållbart påstående om var vallgraven ligger. Den hållning som följer är smalare än för en vecka sedan, och mer specifik. Jev är en verklig, levererad, ovanligt billig modell som nu är öppen för alla med ett konto, med en genuin strukturell fördel i utdatapålitlighet, en noggrannhetsprofil runt mellanskiktet enligt leverantörens egna siffror, och ett kalibreringspåstående som har testats två gånger oberoende sedan lanseringen: en gång på ett stort, gynnsamt, egenutvecklat benchmark, och en gång på obekant indata där konfidenspoängen inte höll. Betrakta det andra resultatet som det mer informativa. Om ditt arbetsflöde har ett steg som kan reduceras till en viss typ av fråga som ställs tillräckligt ofta för att en frontiermodell skulle vara slöseri, är detta ett av de billigaste sätten att ställa den — och konfidensvärdet den returnerar är fortfarande den del du bör testa på dina egna data innan du litar på den, inte hastigheten. Det går också att testa utan ett andra konto: typesafe/jev-1.13 är live på OrcaRouter bredvid de generativa modeller som ett Jev-format arbetsflöde behöver.