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

## Veille

Annuncio di **Diogo Almeida**, fondatore di **TypeSafe AI** (precedentemente in OpenAI, dove ha lavorato su metodi di addestramento per l'instruction-following), pubblicato il **15 settembre 2026** sul blog dell'azienda (~2.500 parole). Il testo presenta una nuova classe di modelli, i **System One Models**, e il loro primo modello, **Jev**, in 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, modello decisionale, Jev, TypeSafe AI, RLCD, output tipizzato, probabilità calibrate, campionamento parallelo, chiamata di funzione, workflow, valutazione del workflow, allucinazione, latenza, costo per chiamata, Kahneman, Jevons, classificazione, automazione, Pareto

## Authors

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

## Ton

Un annuncio di lancio in prima persona, apertamente entusiasta ("beyond excited"), ma costruito sulle evidenze: una sezione "Evidence" separa le affermazioni verificabili (velocità, costo, assenza di errori di tipo) da quelle più audaci, e ogni demo è seguita da un riquadro "Nuance" che elenca i suoi bias (query semplificate, valutazioni scritte dal team, un riferimento favorevole a OpenAI e Anthropic, cifre di OpenRouter). L'umorismo delle demo (Doom, Wikiracing) convive con una tabella comparativa asciutta tra LLM e System One. L'argomento centrale è formulato come una domanda: "I modelli sono sovrumani nella chat da anni, quindi dov'è tutta l'automazione?"

## Pense-betes

- **Definizione**: un System One Model produce **valori tipizzati** la cui struttura è fissata in anticipo; non può quindi commettere un errore di tipo. Il nome deriva dalla distinzione di Kahneman (Sistema 1 rapido / Sistema 2 lento); "Jev" deriva da William Stanley Jevons (ogni calo del costo dell'intelligenza apre nuovi usi).
- **Confronto dichiarato con gli LLM**: ottimizzazione via RLHF/RLVR contro RLCD; output in stringhe di caratteri contro valori tipizzati con probabilità; campionamento sequenziale contro parallelo; output fatturato a circa 5× l'input contro output gratuito.
- **Casi d'uso mirati**: "smart if-statements" (classificare, instradare, assegnare punteggi, estrarre, ramificare), elaborazione di grandi volumi, applicazioni in tempo reale, verifica (guardrail, rilevamento di jailbreak sugli output degli LLM). Esclusi: conversazione, agenti di coding, dimostrazioni formali.
- **Valutazione dei workflow**: un grafo di calcolo assunto corretto, probabilità di riferimento tratte dai modelli più grandi (media di GPT-6 Astra e Fable 5.1), lo stesso workflow per tutti. Jev occupa la frontiera di Pareto su quasi due ordini di grandezza; quattro workflow pubblicati.
- **Avvertenza sollevata nell'articolo**: l'assenza di errori di tipo è garantita per costruzione (uno "0%" non empirico); la sostenibilità del pricing non può essere dimostrata in questa fase.
- **Demo**: un agente che gioca a Doom (circa 10 richieste al secondo, ~$7/ora) su uno stato strutturato, non su immagini; Wikiracing, con un sistema a due stadi oltre le 255 scelte.

## RésuméDe400mots

**Diogo Almeida**, fondatore di **TypeSafe AI**, annuncia il **15 settembre 2026** il primo **System One Model**, chiamato **Jev**, disponibile in early access. La sua domanda di partenza: dato che i modelli sono sovrumani nella conversazione da anni, dov'è l'automazione? La sua diagnosi è che gli LLM, ottimizzati per la preferenza umana (RLHF) o per ricompense verificabili (RLVR), producono stringhe di caratteri; perché il software possa utilizzarli, devono essere analizzati (parsing) e validati, con il rischio costante che non rispettino il formato previsto.

TypeSafe propone uno stack interamente orientato all'automazione: una nuova architettura di modello, un campionatore parallelo (parallel sampler) e un metodo di addestramento, l'**RLCD** (reinforcement learning per decisioni calibrate), che ottimizza risposte accompagnate da probabilità oneste. Jev prende in input dati non strutturati, preferibilmente uno stato di programma, e restituisce valori **tipizzati**, la cui forma è definita in anticipo, con probabilità e punteggi di confidenza. Rinuncia alla generazione di testo, il che, secondo l'autore, gli impedisce di avere allucinazioni o di commettere errori di tipo. Si descrive come una function call di intelligenza di frontiera.

Le cifre annunciate: input a $0,042 per milione di token, output gratuito, latenza da 70 a 500 ms contro 3 a 329 secondi per i modelli di frontiera, un fattore da 40 a 200 sulle query di tipo System One. Il campionamento è parallelo: tutti gli output sono prodotti in un'unica richiesta.

L'articolo separa le affermazioni verificabili (velocità, costo, assenza di errori di tipo) da quelle più audaci. Presenta una demo a confronto con GPT-5.6 Terra, il cui unico disaccordo riguarda un livello di rischio iniziale giudicato realmente ambiguo, seguita da **valutazioni di workflow**: si assume un grafo di calcolo corretto, e le probabilità di ciascun modello vengono confrontate con la media di GPT-6 Astra e Fable 5.1. Jev domina la frontiera di Pareto su quasi due ordini di grandezza; la homepage dell'azienda cita **193,6× più veloce e 444,6× più economico**, cifra che l'autore colloca all'estremità alta dei guadagni reali. Ogni demo è seguita da avvertenze: cifre degli LLM tratte da OpenRouter, workflow scritti dal team, un riferimento favorevole ai modelli di OpenAI e Anthropic.

Casi d'uso: decisioni fuzzy incorporate nel codice (classificare, instradare, assegnare punteggi, estrarre), elaborazione di dati in blocco, applicazioni in tempo reale, verifica degli output degli LLM. Due demo, Doom e Wikiracing, illustrano la velocità e l'assenza di allucinazioni in scelte ad alta cardinalità (fino a 255 opzioni).

Il nome richiama Kahneman (Sistema 1) e Jevons: ogni calo di un ordine di grandezza nel costo dell'intelligenza aprirebbe altrettanti nuovi usi. TypeSafe apre l'early access e chiede agli sviluppatori quali decisioni vogliono automatizzare.

## 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/it/fiches/almeida-system-one-models-jev-2026-09-15/