# almeida-system-one-models-jev-2026-09-15

## Veille

Ankündigung von **Diogo Almeida**, Gründer von **TypeSafe AI** (zuvor bei OpenAI, wo er an Trainingsmethoden für Instruction-Following arbeitete), veröffentlicht am **15. September 2026** im Unternehmensblog (~2.500 Wörter). Der Text stellt eine neue Modellklasse vor, die **System One Models**, sowie deren erstes Modell, **Jev**, im Early Access.

## Titre Article

Introducing System One Models & Jev

## Date

2026-09-15

## URL

https://typesafe.ai/blog/introducing-system-one-models-and-jev

## Keywords

System One, Entscheidungsmodell, Jev, TypeSafe AI, RLCD, typisierte Ausgabe, kalibrierte Wahrscheinlichkeiten, paralleles Sampling, Funktionsaufruf, Workflow, Workflow-Evaluation, Halluzination, Latenz, Kosten pro Aufruf, Kahneman, Jevons, Klassifikation, Automatisierung, Pareto

## Authors

Diogo Almeida — fondateur de TypeSafe AI, ancien chercheur chez OpenAI (billet du blog d'entreprise).

## Ton

Eine Launch-Ankündigung in der Ich-Perspektive, offen enthusiastisch („beyond excited"), aber auf Evidenz aufgebaut: Ein Abschnitt „Evidence" trennt überprüfbare Aussagen (Geschwindigkeit, Kosten, Abwesenheit von Typfehlern) von den gewagteren, und jeder Demonstration folgt ein Kasten „Nuance", der ihre Verzerrungen aufzählt (vereinfachte Abfragen, vom Team selbst verfasste Evaluationen, eine zugunsten von OpenAI und Anthropic ausgerichtete Referenz, Zahlen von OpenRouter). Der Humor der Demonstrationen (Doom, Wikiracing) steht neben einer trockenen Vergleichstabelle zwischen LLMs und System One. Das zentrale Argument ist als Frage formuliert: „Modelle sind seit Jahren übermenschlich gut im Chat, wo bleibt also die ganze Automatisierung?"

## Pense-betes

- **Definition**: Ein System One Model erzeugt **typisierte Werte**, deren Struktur vorab festgelegt ist; es kann daher keinen Typfehler machen. Der Name geht auf Kahnemans Unterscheidung zurück (schnelles System 1 / langsames System 2); „Jev" leitet sich von William Stanley Jevons ab (jeder Rückgang der Intelligenzkosten eröffnet neue Anwendungen).
- **Angegebener Vergleich mit LLMs**: Optimierung via RLHF/RLVR gegenüber RLCD; Ausgabe von Zeichenketten gegenüber typisierten Werten mit Wahrscheinlichkeiten; sequentielles gegenüber parallelem Sampling; Ausgabe mit etwa dem 5-Fachen des Eingabepreises abgerechnet gegenüber kostenloser Ausgabe.
- **Angestrebte Anwendungsfälle**: „intelligente if-Anweisungen" (Klassifizieren, Routing, Bewertung, Extraktion, Verzweigung), Verarbeitung großer Datenmengen, Echtzeitanwendungen, Überprüfung (Guardrails, Jailbreak-Erkennung bei LLM-Ausgaben). Ausgeschlossen: Konversation, Coding-Agenten, Beweise.
- **Workflow-Evaluation**: ein als korrekt vorausgesetzter Berechnungsgraph, Referenzwahrscheinlichkeiten aus den größten Modellen (Durchschnitt von GPT-6 Astra und Fable 5.1), derselbe Workflow für alle. Jev besetzt die Pareto-Front über fast zwei Größenordnungen; vier Workflows veröffentlicht.
- **Im Artikel genannte Einschränkung**: Die Abwesenheit von Typfehlern ist konstruktionsbedingt garantiert (ein nicht-empirisches „0 %"); die Nachhaltigkeit der Preisgestaltung lässt sich zum jetzigen Zeitpunkt nicht belegen.
- **Demos**: ein Agent, der Doom spielt (etwa 10 Anfragen pro Sekunde, ~7 $/Stunde) auf Basis eines strukturierten Zustands, nicht von Bildern; Wikiracing, mit einem zweistufigen System oberhalb von 255 Auswahlmöglichkeiten.

## RésuméDe400mots

**Diogo Almeida**, Gründer von **TypeSafe AI**, kündigt am **15. September 2026** das erste **System One Model** an, mit dem Namen **Jev**, verfügbar im Early Access. Seine Ausgangsfrage: Wenn Modelle seit Jahren übermenschlich gut im Gespräch sind, wo bleibt dann die Automatisierung? Seine Diagnose lautet, dass LLMs, die auf menschliche Präferenz (RLHF) oder auf verifizierbare Belohnungen (RLVR) optimiert sind, Zeichenketten erzeugen; damit Software sie nutzen kann, müssen diese geparst und validiert werden, mit dem ständigen Risiko, dass sie außerhalb des erwarteten Formats liegen.

TypeSafe bietet einen vollständig auf Automatisierung ausgerichteten Stack: eine neue Modellarchitektur, einen parallelen Sampler und eine Trainingsmethode, **RLCD** (Reinforcement Learning for Calibrated Decisions), die Antworten optimiert, die mit ehrlichen Wahrscheinlichkeiten versehen sind. Jev nimmt unstrukturierte Daten als Eingabe, bevorzugt einen Programmzustand, und liefert **typisierte** Werte zurück, deren Form vorab definiert ist, mit Wahrscheinlichkeiten und Konfidenzwerten. Es verzichtet auf Textgenerierung, was laut dem Autor verhindert, dass es halluziniert oder Typfehler macht. Es beschreibt sich selbst als einen Function Call auf Frontier-Intelligenz-Niveau.

Die genannten Zahlen: Eingabe zu 0,042 $ pro Million Tokens, kostenlose Ausgabe, Latenz von 70 bis 500 ms gegenüber 3 bis 329 Sekunden bei Frontier-Modellen, ein Faktor von 40 bis 200 bei Abfragen vom System-One-Typ. Das Sampling erfolgt parallel: Alle Ausgaben werden in einer einzigen Anfrage erzeugt.

Der Artikel trennt überprüfbare Aussagen (Geschwindigkeit, Kosten, Abwesenheit von Typfehlern) von den gewagteren. Er präsentiert eine Side-by-Side-Demonstration mit GPT-5.6 Terra, bei der die einzige Abweichung ein als wirklich mehrdeutig eingeschätztes Ausgangsrisikoniveau betrifft, gefolgt von **Workflow-Evaluationen**: Dabei wird ein korrekter Berechnungsgraph vorausgesetzt, und die Wahrscheinlichkeiten jedes Modells werden mit dem Durchschnitt von GPT-6 Astra und Fable 5.1 verglichen. Jev dominiert die Pareto-Front über fast zwei Größenordnungen; die Startseite des Unternehmens nennt **193,6-mal schneller und 444,6-mal günstiger**, was der Autor am oberen Ende der tatsächlichen Gewinne einordnet. Jeder Demonstration folgen Einschränkungen: LLM-Zahlen stammen von OpenRouter, die Workflows wurden vom Team selbst verfasst, die Referenz ist den Modellen von OpenAI und Anthropic günstig gestimmt.

Anwendungsfälle: unscharfe, in Code eingebettete Entscheidungen (Klassifizieren, Routing, Bewertung, Extraktion), Massenverarbeitung von Daten, Echtzeitanwendungen, Überprüfung von LLM-Ausgaben. Zwei Demonstrationen, Doom und Wikiracing, veranschaulichen die Geschwindigkeit und die Abwesenheit von Halluzinationen bei Entscheidungen mit hoher Kardinalität (bis zu 255 Optionen).

Der Name verweist auf Kahneman (System 1) und auf Jevons: Jeder Rückgang der Intelligenzkosten um eine Größenordnung würde ebenso viele neue Anwendungen eröffnen. TypeSafe öffnet den Early Access und fragt Entwickler, welche Entscheidungen sie automatisieren möchten.

## GrapheDeConnaissance

- Diogo Almeida —travaille_chez→ TypeSafe AI (ORGANISATION, 0.96)
- Diogo Almeida —publie→ article Introducing System One Models & Jev (DOCUMENT, 0.97)
- TypeSafe AI —publie→ Jev (TECHNOLOGIE, 0.98)
- Jev —est_instance_de→ System One Models (CONCEPT, 0.97)
- System One Models —s_inspire_de→ Thinking, Fast and Slow (DOCUMENT, 0.9)
- Jev —utilise→ RLCD (METHODOLOGIE, 0.97)
- Jev —utilise→ échantillonnage parallèle (CONCEPT, 0.95)
- Jev —résout→ hallucination (CONCEPT, 0.85)
- Jev —permet→ décisions typées à probabilités calibrées (CONCEPT, 0.95)
- Jev —surpasse→ LLM de frontière (TECHNOLOGIE, 0.8)
- Jev —mesure→ 193,6× plus rapide et 444,6× moins cher sur les évaluations de workflow (MESURE, 0.9)
- Jev —mesure→ latence de 70 à 500 ms, 0,042 $/MTok en entrée (MESURE, 0.93)
- évaluation de workflow —est_basé_sur→ moyenne de GPT-6 Astra et Fable 5.1 (AFFIRMATION, 0.88)
- Jev —s_applique_à→ smart if-statements (CONCEPT, 0.92)
- Jev —concurrence→ LLM de frontière (TECHNOLOGIE, 0.8)

---
Canonical: https://www.thekb.eu/de/fiches/almeida-system-one-models-jev-2026-09-15/