Jev

Diogo Almeida, fondateur de TypeSafe AI, a annoncé Jev le 15 September 2026 comme le premier System One Model : uniquement textuel, contexte de 32k, et conçu pour ne pas générer de texte. Il prend en entrée des données non structurées, de préférence un état de programme, et retourne des valeurs typées dont la forme est fixée à l'avance, avec probabilités et scores de confiance. Almeida soutient que renoncer à la génération est ce qui écarte les hallucinations et les erreurs de type. L'entraînement repose sur le RLCD, reinforcement learning for calibrated decisions, et un échantillonneur parallèle renvoie chaque sortie en une seule requête. Chiffres publiés : $0.042 par million de tokens en entrée, sortie gratuite, latence de 70 à 500 ms contre 3 à 329 secondes pour les LLM de frontière. Le chiffre de 193.6× plus rapide, 444.6× moins cher provient des propres évaluations de workflows de TypeSafe, et Almeida le situe dans la fourchette haute des gains réels.

Assaf Elovic a fait de Jev le filtre de contexte par défaut dans GPT Researcher, en notant chaque segment de 1 000 caractères de 0 à 3 et en conservant ceux notés 1.5 ou plus : 73% de passages pertinents contre 46% pour les embeddings, 15 victoires, 10 égalités et 3 défaites sur 28 tâches, pour un coût identique. La lecture qu'en fait Elovic est que le seuil compte plus que le classement, puisque Jev sans seuil retombe à 50%.

Michelle Chen, Alex Reneau et Kevin Flansburg, chez Cloudflare, citent l'engouement autour de Jev comme point de départ de Clef, qu'ils ont rendu compatible avec son API, avec un contexte de 64k et un encodeur de vision. Clef l'emporte sur trois des quatre évaluations de workflows de TypeSafe et sur la comparaison de latence médiane (209.3 ms contre 524.1 ms), tandis que Jev ou une de ses variantes reste en tête sur When2Call, BRIGHT et PhishNChips.