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.