Jev vs DeepSeek V4.1 Flash: Åtta cent per tusen är ingen vallgrav

Jämförelsen som avgör Jev-frågan är inte mot en frontier-modell. Det är mot DeepSeek V4.1 Flash, som släpptes den 10 september 2026 – fem dagar innan TypeSafe AI släppte Jev – eftersom DeepSeek V4.1 Flash är en generativ modell som är genuint billig, och det är det billigaste i rummet som kan göra nästan allt Jev kan göra. Ett oberoende test som publicerades i september 2026 körde 77 exempel från BANKING77, den standardiserade uppsättningen för intent-klassificering, genom båda: Jev landade på 7 cent per 1 000 klassificeringar med 75 % noggrannhet. DeepSeek V4.1 Flash landade på 8 cent per 1 000 med 79 % noggrannhet. Samma test placerade GPT-5.6 Luna på 12 cent och 83 %. En generativ modell med ett kontextfönster på en miljon tokens, inbyggda verktygsanrop och bildinmatning hamnade en cent per tusen klassificeringar efter en specialbyggd beslutsmodell – och fyra punkter före i noggrannhet. Det är det obekväma faktumet i centrum för den här duellen, och det sätter vad Jev faktiskt säljer i ett nytt ljus.

Vad varje modell gör

Jev är en System One-beslutsmodell: den returnerar ingen text alls. Du skickar ett tillstånd plus typade frågor – Choice från en lista du tillhandahåller, Score på en ordnad bedömningsmall, eller Noul (ett ja/nej-påstående med en kalibrerad sannolikhet) – och den returnerar typade svar med konfidensvärden. Alla frågor utvärderas parallellt mot en gemensam läsning av tillståndet, vilket är anledningen till att fler frågor knappt påverkar svarstiden och till att utdata inte kostar något: det finns inga utdatatokens att mäta. Indata kostar 0,042 USD per miljon tokens, utdata är gratis, och förfrågningsbudgeten är ungefär 32 000 tokens. Den lanserades den 15 september 2026 av TypeSafe AI, grundat av Diogo Almeida med en seed-runda på 40 miljoner dollar ledd av DCVC.

DeepSeek V4.1 Flash är en konventionell generativ modell och låtsas inte vara något annat. Den släpptes den 10 september 2026 med ett API-id på deepseek-flash, byggd som en mixture-of-experts med 552B parametrar och asymmetrisk aktivering vid 8B/16B, ett kontextfönster på 1M tokens samt text- och bildinmatning. Den genererar text token för token, vilket är precis egenskapen som gör den dyrare per anrop och mer kapabel per anrop. Den körs i 208,3 tokens per sekund med 1,13 sekunder till första token, och prissätts till $0,30/$1,20 per miljon tokens vid hög belastning och $0,15/$0,60 vid låg belastning. På Artificial Analysis ligger den på ett Index på 40 — mellanskikt, inte frontlinjen.

Varför matematiken per klassificering hamnar där den gör

Gapet på en cent är ingen slump och det är inte stabilt. Det följer av hur varje modell fakturerar.

• Jev's kostnad per beslut är i stort sett fast – du betalar för en genomgång av indata, till $0,042 per miljon tokens, och antalet frågor du ställer påverkar den knappt. En klassificering som behöver en etikett och en klassificering som behöver tjugo etiketter kostar nästan lika mycket.

• DeepSeek V4.1 Flash:s kostnad per beslut skalas med utdata. Klassificering till en kort etikett är billig; samma uppgift där du ber om en motivering, ett konfidensvärde och ett strukturerat JSON-hölje är flera gånger så många utdata-tokens och därför flera gånger priset.

• Högtrafik kontra lågtrafik fördubblar DeepSeeks indatapris och fördubblar dess utdatapris. Batcha ett klassificeringsjobb vid fel timme och centglappet blir ett helt annat tal.

Det är därför oberoende uppskattningar av gapet skiljer sig så kraftigt åt. BANKING77-testet med 77 exempel fann 7¢ mot 8¢. Ett separat sammansatt riktmärke, JevBench, satte Jev till $0.041 per 1 000 och DeepSeek V4.1 Flash till $0.579 per 1 000 — en fjortonfaldig skillnad. Ett tredje test på 83 säljkontakter fann DeepSeek V4.1 Flash till $0.183 per körning mot Jevs $0.0055, en 33-faldig skillnad. Anledningen till att dessa siffror spänner över två storleksordningar är att var och en antog en annan prompt, en annan utdataform och en annan tid på dygnet. Den som citerar en enda siffra per klassificering som om den vore en egenskap hos modellen snarare än hos testramverket försöker sälja något.

Vad Jevs struktur ger dig som en generativ modell inte kan

Det som skiljer är inte priset. Det är kontraktet. Jevs utdata är schemalåsta: eftersom varje möjligt svar räknas upp innan modellen körs – du angav vallistan, bedömningsmallen eller sant/falskt-påståendet – finns det inget utrymme att avge ett värde utanför den deklarerade typen. Ett felformat svar är inte något som Jev kan producera. DeepSeek V4.1 Flash kan begränsas till strukturerad utdata med ett schema och följer i praktiken oftast detta, men garantin är en stark prior snarare än en strukturell egenskap. Om din pipeline kör tio miljoner klassificeringar i månaden är "oftast" och "alltid" olika rader i en incidentrapport.

Den andra egenskapen är kalibrering. Jev tränas med en metod som TypeSafe kallar RLCD – Reinforcement Learning for Calibrated Decisions – och varje svar bär en sannolikhetsfördelning, så din kod kan sätta trösklar: acceptera automatiskt ovanför, flagga i mitten, eskalera nedanför. DeepSeek V4.1 Flash producerar en konfidenssiffra om du ber om en, men det är en genererad token, inte en kalibrerad utdata, och en genererad konfidens är ett påstående om sig själv snarare än en mätning. Den distinktionen är hela anledningen att betala för en beslutsmodell, och det är det enda som en billig generativ modell strukturellt inte kan matcha.

Den tredje är latensprofilen. Jevs dokumenterade end-to-end-latens är 70–500 ms oavsett hur många frågor som bifogas, mot 3–329 sekunder för anrop till frontier-LLM:er i TypeSafe:s egen jämförelse. DeepSeek V4.1 Flashs TTFT på 1,13 sekunder och genomströmning på 208 tokens/sekund är utmärkta för en generativ modell, och det är standarden den bör bedömas mot — men vid ett par hundra millisekunder genererad utdata plus latens för första token är det sekunder per beslut, inte bråkdelar av en sekund. På TypeSafe:s interna arbetsflödesdashboard vinner Jev kostnads- och latenskolumnerna och förlorar noggrannhetskolumnen, med 61,8 % mot 79,1 % vid fakturahantering och 76,0 % mot 78,3 % vid kundtjänst. Dashboardens referenssvar är medelvärden av modellbedömningar snarare än facit, och dashboarden flaggar själv för möjlig bias i testharnesket.

Kontextgapet är verkligt och enkelriktat

En dimension här är inte i närheten, och det är inte en fråga om inramning. DeepSeek V4.1 Flash har ett kontextfönster på en miljon tokens; Jevs budget per förfrågan är ungefär 32 000 tokens. Om din klassificering bygger på att läsa ett helt avtal, en lång supporttråd eller en stor kodfil, kan DeepSeek V4.1 Flash se det och Jev kan inte — hur billigt varje enskilt beslut än är, åtgärdar det inte ett tillstånd som inte får plats. Jev tar inte heller emot bild- eller ljudindata vid lansering, medan DeepSeek V4.1 Flash accepterar bilder.

Baksidan är att Jevs snäva fönster prissätts som om det vore en belastning snarare än en begränsning, och tvåstegsmönstret i TypeSafes egen dokumentation är kringgåendet: för Choice-fält bortom taket på 255 alternativ, poängsätt kandidater i omgångar och välj sedan utifrån poängen. Det fungerar när tillståndet är litet och alternativuppsättningen är stor. Det fungerar inte när tillståndet är stort.

Där var och en hör hemma

Ta till Jev när beslutet verkligen har en sluten form, tillståndet ryms inom 32K tokens, volymen är tillräckligt hög för att sekunder per anrop är en verklig kostnad, och pipelineen behöver ett konfidensvärde som den kan förgrena sig utifrån. Guardrail-kontroller, verifiering per tur i en agentloop, högvolymsrouting och parallell poängsättning av stora dokumentmängder är de dokumenterade användningsområdena.

Välj DeepSeek V4.1 Flash när uppgiften behöver läsa något långt, när den behöver ta fram en motivering tillsammans med etiketten, när den behöver se en bild, eller när klassificeringen är ett steg i ett längre generativt arbetsflöde och att bryta ut den till en andra leverantör skulle lägga till ett hopp för en besparing på en cent som en dålig prompt skulle kunna radera. Och notera att "en generativ modell kan också göra det" är den korrekta beskrivningen av uppgiften, inte ett misslyckande för Jev – den intressanta frågan är om du behöver konfidensvärdet, eftersom det är den enda posten i jämförelsen som en generativ modell inte kan erbjuda till något pris.

Kör beslutslagret och det generativa lagret på en nyckel

DeepSeek V4.1 Flash är en av modellerna som OrcaRouter dirigerar trafik till, till leverantörens listpris som förs vidare med 0 % påslag — så off-peak-rabatten är live hos oss samma dag som DeepSeek släpper den, och du behöver inte hålla koll på två prislistor. Jev i sig erbjuder vi inte: TypeSafe-modellen är early access och talar ett eget förfrågningsformat. Arkitekturen som den här jämförelsen pekar mot är den med två modeller — Jev beslutar, DeepSeek V4.1 Flash genererar — och OrcaRouter täcker den generativa halvan bakom en enda OpenAI-kompatibel endpoint, med automatisk failover så att en obeprövad beslutsdel aldrig blir en enda felpunkt. 200+ modeller, en nyckel, en faktura.

Domen

Om du kom hit i förhoppningen att Jev skulle vara dramatiskt billigare än en generativ modell, så är det ärliga svaret att det mot DeepSeek V4.1 Flash oftast inte är det, och i just detta test med 77 exempel var det en cent billigare och fyra punkter mindre träffsäkert. Det Jev säljer är inte pris per klassificering. Det är en strukturell garanti för att utdata inte kan bli felformaterad, ett kalibrerat konfidensvärde som din kod kan förgrena sig utifrån, och ett latensgolv mätt i millisekunder snarare än sekunder. De tre sakerna är värda att betala för i en pipeline som körs tillräckligt ofta för att man ska bry sig — och de är inte värda någonting alls om din uppgift är att läsa ett 400-sidigt dokument och skriva en sammanfattning av det, vilket är DeepSeek V4.1 Flashs jobb och aldrig var Jevs.