Jev

Diogo Almeida, fondatore di TypeSafe AI, ha annunciato Jev il 15 settembre 2026 come primo System One Model: solo testo, contesto di 32k, costruito non per generare testo. Prende un input non strutturato, preferibilmente lo stato di un programma, e restituisce valori tipizzati la cui forma è fissata in anticipo, con probabilità e punteggi di confidenza. Secondo Almeida, è proprio la rinuncia alla generazione a escludere hallucination ed errori di tipo. L'addestramento è RLCD, reinforcement learning for calibrated decisions, e un parallel sampler restituisce ogni output in un'unica richiesta. Cifre pubblicate: $0.042 per milione di token di input, output gratuito, latenza tra 70 e 500 ms contro 3 a 329 secondi per i LLM di frontiera. La cifra 193.6× più rapido, 444.6× più economico viene dalle valutazioni interne dei workflow di TypeSafe, e Almeida la colloca all'estremità alta dei guadagni reali.

Assaf Elovic ha fatto di Jev il filtro di contesto predefinito in GPT Researcher, assegnando a ogni chunk di 1.000 caratteri un punteggio da 0 a 3 e mantenendo quelli a 1.5 o superiore: 73% di passaggi rilevanti contro 46% per gli embeddings, 15 vittorie, 10 pareggi e 3 sconfitte su 28 task, allo stesso costo. Secondo Elovic, è la soglia a contare più del ranking, dato che Jev senza soglia scende al 50%.

Michelle Chen, Alex Reneau e Kevin Flansburg di Cloudflare citano il clamore attorno a Jev come punto di partenza per Clef, che hanno reso compatibile con la sua API, con un contesto di 64k e un encoder visivo. Clef vince tre delle quattro valutazioni di workflow di TypeSafe e il confronto sulla latenza mediana (209.3 ms contro 524.1 ms), mentre Jev o una sua variante resta in testa su When2Call, BRIGHT e PhishNChips.