Le modèle Jev est le premier System One Model de TypeSafe AI : un modèle d'IA conçu pour produire des jugements étroits et structurés qu'un logiciel peut exploiter directement. Au lieu de rédiger un paragraphe, Jev reçoit un state sous forme de texte ou de JSON, évalue une ou plusieurs questions typées, puis renvoie des choix, scores, probabilités et niveaux de confiance.

Jev devient ainsi intéressant pour la classification, le routage, le classement, la vérification et les guardrails. Cela n'en fait pas un substitut à un modèle de chat, un modèle de code, une calculatrice ou une règle métier déterministe.

Informations vérifiées le 19 septembre 2026. Jev a été lancé en early access le 15 septembre. Le modèle actuellement documenté est jev-1.13.0. Les prix, limites, latences et performances ci-dessous proviennent de l'annonce et de la documentation de TypeSafe. Nous n'avons reçu aucun briefing privé, exécuté aucun benchmark Jev facturable, ni reproduit indépendamment les chiffres de vitesse ou de qualité de TypeSafe.

Le modèle Jev en bref

Élément	Valeur actuellement documentée
Développeur	TypeSafe AI
Classe de modèle	System One Model
ID versionné actuel	`jev-1.13.0`
Alias stable	`jev-latest`
Endpoint	`POST https://api.typesafe.ai/v1/systemone`
Entrée	Texte uniquement, fourni comme string, objet JSON ou tableau de valeurs textuelles
Sortie	Réponses typées `Choice`, `Score` et `Noul`
Contexte	64K tokens par requête ; 32K pour `state` plus la question la plus longue
Prix de l'API directe	$0.042 par million de tokens d'entrée ; sortie actuellement gratuite
Limites par défaut publiées	250,000 tokens d'entrée/s et 1,200 requêtes/minute ; susceptibles de changer
Latence annoncée par le fournisseur	70–500 ms de bout en bout
Statut	Early access

L'orthographe officielle est Jev : ce n'est pas un acronyme J-E-V. TypeSafe indique avoir choisi ce nom en référence à l'économiste William Stanley Jevons. L'expression « System One » renvoie au Système 1, rapide et intuitif, décrit par Daniel Kahneman dans Thinking, Fast and Slow.

Que fait réellement Jev ?

On peut voir Jev comme une fonction sémantique probabiliste :

text

état structuré ou non structuré
  + questions et espaces de réponse prédéfinis
  -> décisions typées et distributions de probabilité

Un LLM classique est optimisé pour prolonger une séquence et générer des strings. Même avec JSON mode, l'application demande encore à un modèle génératif de composer une réponse. Jev renonce à la génération libre. L'appelant définit d'abord la forme de sortie possible, puis le modèle évalue chaque question à partir du même état.

TypeSafe appelle sa méthode d'entraînement Reinforcement Learning for Calibrated Decisions (RLCD). L'objectif n'est pas seulement de sélectionner une réponse, mais de produire des probabilités dont la confiance suit l'exactitude sur des groupes de prédictions. La calibration est statistique : une probabilité de 0.8 devrait correspondre à environ 80% de réponses correctes sur des cas comparables. Elle ne garantit pas qu'une réponse précise soit correcte.

Choice, Score et Noul

Jev expose trois types de questions. Ils forment le cœur de l'API et ne sont pas des options de formatage ajoutées après une génération.

Primitive	Forme de la question	Valeur renvoyée	Usage adapté
`Choice`	Quelle option convient ?	Option choisie, probabilité de chaque option, confiance	Routage d'intention, classification, classement d'un ensemble fermé
`Score`	Où se situe cet élément sur une échelle décrite ?	Score pondéré, probabilités des niveaux, confiance	Gravité, qualité, urgence, plages de risque
`Noul`	Cette affirmation est-elle vraie ?	Probabilité de 0 à 1	Détection, vérification, portes binaires

Un Choice peut contenir jusqu'à 255 options. Un Score accepte de 2 à 10 niveaux décrits. Noul n'a pas de champ de confiance séparé, car sa valeur entre 0 et 1 représente déjà la probabilité d'un « oui ».

Plusieurs questions d'une même requête sont évaluées indépendamment et en parallèle sur le même état. C'est utile lorsqu'un workflow exige plusieurs signaux, mais une réponse ne conditionne donc pas automatiquement la suivante. Si la question B dépend de la question A, le code doit rendre cette dépendance explicite.

Exemple de requête à l'API Jev

Cet exemple abrégé reprend le format documenté par TypeSafe. Un message adressé au support est évalué, en un seul appel, pour le routage, la frustration et l'urgence.

bash

curl https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "My payouts have failed for three days and I am losing sales. Please help now.",
    "model": "jev-latest",
    "questions": {
      "department": {
        "type": "choice",
        "instructions": "Which team should handle this?",
        "criteria": {
          "billing": "Payments, invoices, or refunds",
          "technical": "Bugs, outages, or integrations",
          "sales": "Pricing, upgrades, or new accounts"
        }
      },
      "frustration": {
        "type": "score",
        "instructions": "How frustrated is the customer?",
        "criteria": ["Calm", "Frustrated", "Very angry"]
      },
      "is_urgent": {
        "type": "noul",
        "instructions": "Does this message convey urgency?"
      }
    }
  }'

La réponse conserve les mêmes ID de questions. department renvoie l'un des trois strings autorisés, ainsi qu'une distribution sur les trois. frustration peut être décimal, car il correspond à la position pondérée par les probabilités entre les niveaux fournis. is_urgent renvoie uniquement la probabilité de « oui ».

Les valeurs exactes varient avec l'entrée, les criteria et la version du modèle. C'est votre code, et non le modèle, qui décide à partir de quelle probabilité une action doit être exécutée.

Jev face à un LLM et à un classifieur

Jev occupe une position intermédiaire utile, mais les différences sont importantes.

Dimension	Jev	LLM génératif	Classifieur traditionnel
Rôle principal	Produire des jugements sémantiques bornés	Générer ou raisonner en texte libre	Prédire des labels appris pour une tâche fixe
Espace de sortie	Défini pour chaque requête	Ouvert, même limité par un schema	Fixé lors de l'entraînement
Nouveau barème	Décrit dans la requête	Prompt ou tool schema	Exige généralement des données et un nouvel entraînement
Probabilités	Sortie native de l'API	Souvent absentes ou mal calibrées	Courantes si le modèle les expose
Génération de texte	Non	Oui	Non
Meilleur rôle	Branche sémantique dans un workflow	Création, explication, code, raisonnement multiétape	Tâche stable à grand volume avec données labellisées

Qualifier Jev de « simple classifieur » occulte sa souplesse à chaque requête. Le qualifier de « LLM plus rapide » oublie qu'il ne peut ni expliquer, ni rédiger un e-mail, ni coder, ni inventer une réponse absente des options fournies.

JSON mode n'offre pas non plus le même contrat. Il limite la syntaxe du texte généré. Jev limite l'espace de réponse lui-même et renvoie toute la distribution utilisée pour décider. Cela n'a de valeur que si le problème peut être formulé en questions bornées.

Prix, contexte et débit

TypeSafe affiche actuellement Jev 1.13 à $0.042 par million de tokens d'entrée, soit $42 par milliard. La sortie est gratuite car « trop peu coûteuse pour être mesurée », même si les réponses indiquent toujours le nombre de tokens de sortie.

Volume d'entrée	Coût direct de l'entrée Jev
10,000 tokens	$0.00042
1 million de tokens	$0.042
100 millions de tokens	$4.20
1 milliard de tokens	$42.00

Il s'agit d'exemples arithmétiques, pas de factures mesurées. Ils excluent les retries, le prétraitement, un autre modèle dans une cascade, le stockage, le travail d'ingénierie et toute future évolution tarifaire.

Le contrat de contexte impose deux limites simultanées : l'état et toutes les questions doivent tenir dans 64K tokens, tandis que l'état plus la question la plus longue doivent tenir dans 32K. Ajouter du contexte n'améliore pas forcément le résultat. Le propre guide de jaggedness de TypeSafe indique que les détails sans rapport font baisser la précision.

Les limites publiées de 250,000 tokens/s et 1,200 requêtes/minute sont des plafonds par compte, pas une promesse de vitesse par requête. TypeSafe précise qu'elles évoluent dynamiquement pendant l'early access.

Que vaut la promesse de vitesse ?

TypeSafe annonce un temps de réponse de 70–500 ms de bout en bout et affirme que Jev peut être 40–200 fois plus rapide que les modèles frontier sur des requêtes « adaptées à System One », à intelligence comparable. Le lancement met aussi en avant une évaluation de workflow où Jev était 193.6 fois plus rapide et 444.6 fois moins cher.

Ces chiffres proviennent du fournisseur, pas d'un benchmark neutre. TypeSafe reconnaît plusieurs limites importantes :

Les mesures de latence publiées ont généralement été lancées depuis les ordinateurs de membres de l'entreprise sur la côte ouest des États-Unis, où se trouvait aussi le service.
Les tâches ont été conçues par l'équipe model-capabilities de TypeSafe, ce qui peut introduire un biais de sélection.
La réponse de référence faisait la moyenne de GPT-6 Astra et Fable 5.1, ce qui peut favoriser ces familles.
Les appels aux LLM concurrents passaient par OpenRouter et le wrapper structuré de TypeSafe.
TypeSafe présente lui-même les gains de 193.6x et 444.6x comme le haut de la fourchette attendue dans la réalité.

La conclusion raisonnable est plus étroite : les sorties contraintes et l'évaluation parallèle de Jev offrent une voie crédible vers une latence et un coût très faibles pour des décisions bornées. Ces chiffres ne prouvent pas que Jev soit 40–200 fois plus rapide sur toute tâche, égal à un LLM frontier en intelligence générale ou supérieur pour la génération et le raisonnement multiétape.

« Zéro hallucination » doit être défini précisément

TypeSafe présente Jev comme incapable d'halluciner. L'aspect défendable est la sécurité du schema : une réponse Choice ne peut pas inventer une quatrième option, et le service ne devrait pas renvoyer de prose là où le code attend un nombre. TypeSafe explique que cette conformité est garantie par construction, plutôt que mesurée comme un taux d'erreur nul.

Une réponse correctement typée peut néanmoins être sémantiquement fausse. La documentation de Jev 1.13 recense des défaillances liées à :

une lecture trop littérale qui manque l'intention implicite ;
un comptage, une arithmétique, des dates et une précision numérique peu fiables ;
un raisonnement indirect à plusieurs sauts ;
un état long contenant des détails sans rapport ;
du contenu adversarial ou une prompt injection ;
des instructions et criteria contradictoires ;
des probabilités qui ne respectent pas les identités intuitives entre questions formulées séparément ;
toute tâche nécessitant de générer du texte.

La formulation pratique est donc zéro génération hors schéma, pas zéro erreur de décision. Le code de production a toujours besoin de données d'évaluation, de seuils prudents, d'une validation déterministe et d'un chemin d'escalade.

Où Jev est pertinent

Jev est un bon candidat lorsque trois conditions sont réunies : l'espace de réponse est borné, le jugement est sémantique plutôt que mathématique, et un autre logiciel consommera le résultat.

Charge de travail	Pourquoi Jev peut convenir	Guardrail important
Routage de tickets support	Ensemble fermé d'équipes et signal d'incertitude utile	Ajouter `other` ; faire vérifier la faible confiance
Filtrage de passages RAG	Noter la pertinence, la contradiction ou le risque d'injection	Conserver la vérification des sources hors du modèle
Guardrails d'entrée/sortie LLM	Exécuter plusieurs contrôles ciblés dans une requête	Traiter l'entrée adversarial comme un threat model testé
Entity matching	Évaluer si deux enregistrements désignent la même chose	Imposer les ID exacts et les invariants dans le code
Modération de contenu	Labels et niveaux de gravité bornés	Régler les seuils par catégorie de dommage
Routage d'actions d'un Agent	Choisir une tool ou décider si une skill s'applique	Garder les permissions et contrôles destructifs dans le code

Jev n'est pas un choix par défaut pour la rédaction, le résumé, la génération de code, l'extraction ouverte, l'arithmétique exacte, la comparaison de dates ou les longues chaînes causales. Utilisez du code classique pour la logique exacte et un modèle génératif ou de raisonnement lorsque la sortie doit être créée.

Checklist de mise en production

Gardez le travail déterministe dans le code. Analysez les dates, comptez, calculez les montants et appliquez les permissions sans modèle.
Posez des questions atomiques. Décomposez « Faut-il approuver cette demande ? » en faits indépendants dont dépend réellement la décision.
Décrivez chaque limite. Ajoutez other ou none si un Choice n'est pas exhaustif et décrivez précisément les niveaux de Score.
Testez sur votre propre distribution. L'anglais est la langue d'entraînement principale ; TypeSafe précise que les autres langues, notamment les écritures CJK, n'offrent pas les mêmes performances.
Calibrez les actions, pas seulement les prédictions. Un routage UI réversible et une automatisation à fort impact ne doivent pas partager le même seuil.
Épinglez une version après réglage. jev-latest peut évoluer. Journalisez l'ID versionné de la réponse et migrez les seuils volontairement.
Escaladez l'incertitude. Transférez les cas ambigus à une personne ou à un modèle de raisonnement plus lent au lieu de forcer une décision.
Mesurez le coût par tâche acceptée. Incluez retries, mauvaises décisions, contrôle humain et appels LLM en aval, pas seulement le prix des tokens.

Jev est-il disponible via OmniaKey ?

Non à la date de vérification. Nous n'avons trouvé aucune route Jev dans le catalogue ou le code actuel d'OmniaKey. L'endpoint et les prix de cet article appartiennent à l'API directe de TypeSafe, et la publication de ce guide n'annonce pas une intégration à OmniaKey.

Consultez le catalogue de modèles OmniaKey en direct pour connaître la disponibilité réelle du gateway. Pour le code ouvert et les Agents, le guide des modèles pour Agents de programmation présente les modèles génératifs qui occupent une autre couche du stack.

Verdict final

Jev se comprend mieux comme une nouvelle interface de décision sémantique que comme un remplacement universel des LLM. Son idée la plus forte est simple : confier le jugement flou au modèle, contraindre la sortie à un type compris par le programme, exposer l'incertitude et conserver la composition et la logique exacte dans le code.

L'API actuelle est inhabituellement peu chère sur le papier et son architecture vise une faible latence. Le modèle reste en early access, n'accepte que du texte, est meilleur en anglais et présente des faiblesses documentées en mathématiques, dates, raisonnement indirect, contexte non pertinent et entrées adversarial. Les comparaisons de vitesse et d'intelligence restent des preuves fournisseur tant qu'il n'existe pas de tests indépendants équivalents.

Questions fréquentes

Jev est-il un LLM ?

TypeSafe appelle Jev un System One Model plutôt qu'un LLM. Il comprend un état en langage naturel, mais ne génère pas de texte libre. Les sources examinées ne divulguent pas assez de détails d'architecture pour déterminer indépendamment à quel point son réseau sous-jacent ressemble à un modèle de langage classique.

Jev peut-il remplacer GPT ou Claude ?

Non. Jev ne peut pas rédiger, expliquer, programmer ni produire une génération ouverte. Il peut compléter un modèle génératif en routant des requêtes, vérifiant des sorties, évaluant des preuves ou décidant quand lancer un modèle plus lent.

Que signifient Choice, Score et Noul ?

Choice sélectionne dans un ensemble fermé et renvoie les probabilités de toutes les options. Score place l'état sur 2 à 10 niveaux décrits. Noul renvoie la probabilité qu'une affirmation oui/non soit vraie.

Jev a-t-il vraiment zéro hallucination ?

Il ne peut pas générer une valeur hors du type de réponse déclaré, ce qui élimine de nombreuses erreurs de parsing et de schema. Il peut toujours choisir une option valide mais erronée ou attribuer une probabilité trompeuse. La sûreté de type n'est pas l'exactitude sémantique.

Combien coûte l'API Jev ?

TypeSafe affiche Jev 1.13 à $0.042 par million de tokens d'entrée, avec une sortie actuellement gratuite. Prix directs et rate limits peuvent changer pendant l'early access.

Jev accepte-t-il les images ou le français ?

Il accepte uniquement du texte. Strings, objets JSON et tableaux doivent finalement contenir du texte. Le français et les autres langues sont acceptés, mais TypeSafe indique que l'anglais est actuellement le plus performant et recommande d'évaluer les charges non anglophones avec vos propres données.

Sources primaires

Preuves vérifiées le 19 septembre 2026. Jev évolue rapidement pendant l'early access ; vérifiez à nouveau l'ID versionné, le prix, les limites, le comportement linguistique et les conditions sur les données avant toute utilisation en production.

Découvrir OmniaKey Voir le catalogue en direct

Qu'est-ce que le modèle Jev ?

MODÈLE JEV