Jev

Diogo Almeida, Gründer von TypeSafe AI, kündigte Jev am 15. September 2026 als erstes System One Model an: nur Text, 32k Kontext, und nicht darauf ausgelegt, Text zu erzeugen. Es verarbeitet unstrukturierte Eingaben, vorzugsweise einen Programmzustand, und liefert typisierte Werte zurück, deren Form vorab feststeht, zusammen mit Wahrscheinlichkeiten und Konfidenzwerten. Almeida argumentiert, dass gerade der Verzicht auf Generierung Halluzinationen und Typfehler ausschließt. Trainiert wird mit RLCD, reinforcement learning for calibrated decisions, und ein paralleler Sampler liefert jede Ausgabe in einer einzigen Anfrage. Veröffentlichte Zahlen: 0,042 $ pro Million Input-Token, kostenloser Output, 70 bis 500 ms Latenz gegenüber 3 bis 329 Sekunden bei LLM de frontière. Die Angabe von 193,6-fach schneller und 444,6-fach günstiger stammt aus TypeSafes eigenen Workflow-Evaluierungen, und Almeida selbst siedelt sie am oberen Ende der realen Gewinne an.

Assaf Elovic machte Jev zum Standard-Kontextfilter in GPT Researcher: Jeder 1.000-Zeichen-Abschnitt wird von 0 bis 3 bewertet, behalten werden jene ab 1,5: 73% relevante Passagen gegenüber 46% bei embeddings, 15 Siege, 10 Unentschieden und 3 Niederlagen über 28 Aufgaben, bei gleichen Kosten. Elovics Lesart ist, dass der Schwellenwert wichtiger ist als die Rangfolge, da Jev ohne Schwellenwert auf 50% fällt.

Michelle Chen, Alex Reneau und Kevin Flansburg von Cloudflare nennen den Rummel um Jev als Ausgangspunkt für Clef, das sie damit API-kompatibel gemacht haben, mit 64k Kontext und einem Vision-Encoder. Clef gewinnt drei von TypeSafes vier Workflow-Evaluierungen sowie den Vergleich der Median-Latenz (209,3 ms gegenüber 524,1 ms), während Jev oder eine Variante bei When2Call, BRIGHT und PhishNChips vorn bleibt.