Model Jev: harga API, kegunaan, dan akses langsung

Diperbarui 24 Oktober 2026: menambahkan Jev 1.14, kini tersedia sebagai jev-latest.

Model Jev adalah System One Model dari TypeSafe AI. Jev menerima state berupa teks atau JSON dan pertanyaan bertipe, lalu mengembalikan keputusan bertipe, bukan paragraf. Panggil dengan model: "jev-latest", saat ini Jev 1.14: $0.042 per juta token input, output gratis, dan 64K token per permintaan.

Karakter ini membuat Jev menarik untuk klasifikasi, distribusi tiket, ranking, verifikasi, dan guardrail. Namun Jev bukan pengganti model chat, model coding, kalkulator, atau aturan bisnis deterministik.

Ringkasan model Jev

Ejaan resminya adalah Jev, bukan akronim yang dijabarkan menjadi J-E-V. TypeSafe mengatakan namanya diambil dari ekonom William Stanley Jevons. Label “System One” mengacu pada Sistem 1 yang cepat dan intuitif dalam Thinking, Fast and Slow karya Daniel Kahneman.

Apa yang baru di Jev 1.14?

Jev 1.14 (jev-1.14.0) stabil sejak 14 Oktober 2026, dan baik jev-latest maupun jev-preview mengarah ke versi ini. Harga dan batas default tidak berubah; yang baru adalah dua fitur eksperimental yang diaktifkan per permintaan.

Keduanya berada di balik header yang oleh TypeSafe disebut “danger zone”. TypeSafe-Danger-Zone-Images: true mengaktifkan gambar dan tipe pertanyaan Box baru, yang mengembalikan koordinat di dalam gambar. TypeSafe-Danger-Zone-Long-Context: true memperluas jendela menjadi 262K token per permintaan dan per pertanyaan. Defaultnya mati, jadi tanpa header tidak ada yang berubah. Artikel peluncuran TypeSafe (diperiksa 24 Oktober 2026) meminta Anda memakainya dengan risiko sendiri. Kami belum menguji kedua header ini melalui OmniaKey.

Permintaan yang mengunci jev-1.13.0 tetap berjalan, dan body default tidak berubah: state, questions, dan model opsional. Kembali ke versi lama cukup satu baris, jadi uji dulu tugas nyata Anda di 1.14, lalu pindahkan trafik produksi.

Apa yang sebenarnya dilakukan Jev?

Bayangkan Jev sebagai fungsi semantik probabilistik:

state terstruktur atau tidak terstruktur
  + pertanyaan dan ruang jawaban yang ditentukan sebelumnya
  -> keputusan bertipe dan distribusi probabilitas

LLM biasa dioptimalkan untuk melanjutkan urutan dan menghasilkan string. Bahkan dengan JSON mode, aplikasi tetap meminta model generatif menyusun jawaban. Jev mengorbankan pembuatan teks bebas. Pemanggil lebih dahulu menentukan bentuk output yang tersedia, lalu model mengevaluasi setiap pertanyaan terhadap state yang sama.

TypeSafe menyebut metode pelatihannya Reinforcement Learning for Calibrated Decisions (RLCD). Tujuannya bukan sekadar memilih jawaban, melainkan menghasilkan probabilitas dengan confidence yang mengikuti akurasi di kelompok prediksi. Calibration adalah sifat statistik: probabilitas 0.8 seharusnya setara dengan akurasi sekitar 80% pada kasus yang sebanding. Ini tidak menjamin satu jawaban tertentu benar.

Choice, Score, dan Noul

Jev menyediakan tiga jenis pertanyaan. Ketiganya merupakan inti API, bukan opsi format yang ditempel setelah generasi.

Satu Choice dapat memuat hingga 255 opsi. Score menerima 2 hingga 10 level deskriptif. Noul tidak memiliki field confidence terpisah karena nilai 0 hingga 1 miliknya sudah merupakan probabilitas “ya”.

Beberapa pertanyaan dalam satu permintaan dievaluasi secara independen dan paralel terhadap state yang sama. Ini berguna ketika workflow membutuhkan beberapa sinyal, tetapi juga berarti satu jawaban tidak otomatis menjadi kondisi jawaban lain. Jika pertanyaan B bergantung pada pertanyaan A, kode harus menyatakan ketergantungan itu secara eksplisit.

Contoh permintaan API Jev

Contoh ringkas ini mengirim bentuk permintaan yang didokumentasikan TypeSafe melalui OmniaKey. Satu pesan dukungan dinilai untuk routing, frustrasi, dan urgensi dalam satu panggilan.

curl https://api.omniakey.com/v1/alpha/search \
  -H "Authorization: Bearer $OMNIAKEY_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?"
      }
    }
  }'

Respons mempertahankan ID pertanyaan yang sama. department mengembalikan salah satu dari tiga string yang diizinkan serta distribusi untuk ketiganya. frustration dapat berupa pecahan karena nilainya adalah posisi yang dibobot berdasarkan probabilitas di antara level yang diberikan. is_urgent hanya mengembalikan probabilitas “ya”.

Nilai tepatnya akan berubah mengikuti input, criteria, dan versi model. Kode Anda, bukan model, yang memutuskan probabilitas seberapa tinggi yang cukup untuk bertindak.

Jev dibandingkan LLM dan classifier

Jev menempati posisi tengah yang berguna, tetapi perbedaannya penting.

Menyebut Jev “sekadar classifier” mengabaikan fleksibilitasnya pada saat permintaan. Menyebutnya “LLM yang lebih cepat” mengabaikan fakta bahwa ia tidak dapat membuat penjelasan, menyusun email, menulis kode, atau menciptakan jawaban baru di luar opsi yang Anda berikan. Model d1 dari Liquid AI mengambil keputusan terbatas yang sama dan juga tersedia sebagai bobot terbuka; lihat ulasan API Liquid AI d1.

JSON mode juga bukan hal yang sama. JSON mode membatasi sintaks teks yang dihasilkan. Jev membatasi ruang jawaban itu sendiri dan mengembalikan seluruh distribusi yang dipakai untuk keputusan. Ini berharga hanya saat masalah dapat dinyatakan sebagai pertanyaan dengan opsi tertutup.

Harga API Jev

TypeSafe mencantumkan Jev 1.14, seperti 1.13, seharga $0.042 per satu juta token input, atau $42 per satu miliar. Output gratis karena “terlalu murah untuk dihitung”, meski respons tetap melaporkan penggunaan token output.

Ini adalah contoh aritmetika, bukan pengukuran tagihan. Angka tersebut tidak mencakup retry, prapemrosesan, model lain dalam cascade, penyimpanan, pekerjaan engineering, atau perubahan harga mendatang.

Jendela konteks dan rate limit Jev

Konteks punya dua batas sekaligus: semua state dan pertanyaan harus muat dalam 64K token, sedangkan state ditambah satu pertanyaan terpanjang harus muat dalam 32K. Lebih banyak context tidak otomatis lebih baik. Panduan jaggedness TypeSafe sendiri mengatakan detail tidak relevan menurunkan akurasi.

Batas 250,000 token/detik dan 1,200 permintaan/menit yang dipublikasikan adalah batas akun, bukan janji kecepatan per permintaan. TypeSafe secara eksplisit mengingatkan bahwa batas itu berubah secara dinamis selama early access.

Ini batas langsung TypeSafe. Akun OmniaKey dapat memiliki akses, harga, dan rate limit tersendiri. Permintaan lengkap, field respons, Python/Node.js, dan penanganan error ada di panduan integrasi API Jev.

Seberapa kuat klaim kecepatannya?

TypeSafe melaporkan waktu respons end-to-end 70–500 ms dan mengatakan Jev dapat 40–200 kali lebih cepat daripada model frontier pada kueri “berbentuk System One” dengan kecerdasan sebanding. Materi peluncuran juga menyoroti evaluasi workflow ketika Jev 193.6 kali lebih cepat dan 444.6 kali lebih murah.

Angka tersebut adalah hasil vendor, bukan benchmark netral. TypeSafe mengungkap beberapa keterbatasan penting:

1. Pengujian latensi yang dipublikasikan biasanya dimulai dari laptop anggota perusahaan di Pantai Barat AS, lokasi layanan juga berada.
2. Tim model-capabilities TypeSafe membuat tugas workflow sehingga bias pemilihan mungkin terjadi.
3. Jawaban referensi merata-ratakan GPT-6 Astra dan Fable 5.1, yang dapat menguntungkan keluarga model tersebut.
4. Panggilan LLM pembanding dilakukan melalui OpenRouter dan wrapper terstruktur TypeSafe.
5. TypeSafe sendiri menyebut hasil 193.6x dan 444.6x sebagai batas atas keuntungan dunia nyata yang diperkirakan.

Kesimpulan yang tepat lebih sempit: output terbatas dan evaluasi paralel Jev memberi jalur yang masuk akal menuju latensi serta biaya sangat rendah untuk keputusan berbatas. Angka itu tidak membuktikan Jev 40–200 kali lebih cepat pada setiap tugas, setara dengan LLM frontier dalam kecerdasan umum, atau lebih baik pada pekerjaan yang memerlukan generasi dan penalaran multi-langkah.

“Nol halusinasi” memerlukan definisi yang tepat

TypeSafe memasarkan Jev sebagai model yang tidak dapat berhalusinasi. Bagian yang dapat dipertahankan adalah keamanan schema: jawaban Choice tidak dapat mengarang opsi keempat dan layanan seharusnya tidak mengembalikan prosa ketika kode mengharapkan angka. TypeSafe mengatakan kecocokan output ini dijamin oleh konstruksi, bukan diukur sebagai tingkat kesalahan empiris nol.

Namun jawaban dengan tipe benar masih dapat salah secara semantik. Dokumentasi Jev 1.13 milik TypeSafe mencantumkan kegagalan pada:

• pembacaan terlalu literal dan niat tersirat yang terlewat;
• penghitungan, aritmetika, tanggal, dan presisi angka yang tidak andal;
• penalaran tidak langsung multi-lompatan;
• state panjang yang memuat detail tidak relevan;
• konten adversarial atau prompt injection;
• instructions dan criteria yang bertentangan;
• probabilitas yang tidak mengikuti identitas intuitif di antara pertanyaan dengan rumusan terpisah;
• tugas apa pun yang memerlukan pembuatan teks.

Jadi klaim praktisnya adalah nol keluaran di luar skema, bukan nol kesalahan keputusan. Kode produksi tetap membutuhkan data evaluasi, ambang konservatif, validasi deterministik, dan jalur eskalasi.

Posisi yang cocok untuk Jev

Jev merupakan kandidat kuat ketika tiga kondisi terpenuhi: ruang jawaban berbatas, penilaiannya semantik bukan matematis, dan hasilnya akan digunakan bagian perangkat lunak lain.

Jev bukan pilihan default yang baik untuk menulis, meringkas, membuat kode, ekstraksi terbuka, aritmetika eksak, membandingkan tanggal, atau penalaran kausal panjang. Gunakan kode biasa untuk logika eksak dan model generatif atau reasoning ketika output itu sendiri harus dibuat.

Checklist produksi

1. Simpan pekerjaan deterministik di kode. Parsing tanggal, hitung item, kalkulasi uang, dan terapkan izin tanpa model.
2. Ajukan pertanyaan atomik. Pecah “Haruskah permintaan ini disetujui?” menjadi fakta independen yang benar-benar menentukan keputusan.
3. Jelaskan setiap batas. Tambahkan other atau none ketika Choice tidak lengkap dan tulis level Score yang konkret.
4. Uji pada distribusi Anda sendiri. Bahasa Inggris adalah bahasa pelatihan utama; TypeSafe mengatakan bahasa lain, termasuk aksara CJK, tidak sama akuratnya.
5. Kalibrasi tindakan, bukan hanya prediksi. Perpindahan layar yang dapat dibatalkan dan otomatisasi berdampak tinggi tidak boleh memakai ambang confidence yang sama.
6. Kunci versi setelah tuning. jev-latest dapat berubah. Catat ID versi dalam respons dan migrasikan ambang secara sengaja.
7. Eskalasi ketidakpastian. Kirim kasus ambigu kepada manusia atau model reasoning lebih lambat alih-alih memaksakan keputusan.
8. Ukur biaya per tugas yang diterima. Masukkan retry, keputusan salah, tinjauan manusia, dan panggilan LLM lanjutan, bukan hanya harga token.

Apakah Jev tersedia melalui OmniaKey?

Ya. Jev tersedia melalui OmniaKey sebagai jev-latest. ID ini sekarang mengarah ke Jev 1.14, dan OmniaKey meneruskannya ke TypeSafe tanpa mengganti, jadi Anda tidak perlu menyambung ulang saat versi baru keluar. Anda tidak perlu mendaftar early access TypeSafe atau menunggu persetujuan daftar tunggu. Buat key khusus di dashboard API Keys dan langsung gunakan. Entri katalognya ada di halaman model Jev 1.14.

Kirim body native Jev ke POST https://api.omniakey.com/v1/alpha/search. Ini adalah endpoint khusus Jev, bukan endpoint OpenAI Chat Completions, jadi pertahankan struktur state dan questions di atas. Smoke test 20 September mengembalikan HTTP 200, model hasil resolusi jev-1.13.0, answers bertipe, dan token usage. Permintaan yang sama kini diselesaikan sebagai jev-1.14.0. Untuk pekerjaan coding dan Agent terbuka, panduan model Agent coding membahas model generatif di lapisan stack yang berbeda.

Kesimpulan akhir

Jev paling tepat dipahami sebagai interface baru untuk keputusan semantik, bukan pengganti universal LLM. Gagasan terkuatnya sederhana: serahkan penilaian samar pada model, paksa output ke tipe yang dipahami program, tampilkan ketidakpastian, lalu pertahankan komposisi dan logika eksak di dalam kode.

API saat ini sangat murah di atas kertas dan arsitekturnya dirancang untuk latensi rendah. Modelnya juga masih early access, menerima teks secara default, paling kuat dalam bahasa Inggris, serta memiliki kelemahan terdokumentasi pada matematika, tanggal, penalaran tidak langsung, context tidak relevan, dan input adversarial. Perlakukan perbandingan kecepatan serta kecerdasan sebagai klaim vendor sampai ada pengujian independen yang sebanding.

Pertanyaan umum

Apakah Jev sebuah LLM?

TypeSafe menyebut Jev sebagai System One Model, bukan LLM. Jev memahami state bahasa alami tetapi tidak menghasilkan teks bebas. Sumber yang diperiksa belum mengungkap detail arsitektur yang cukup untuk menilai secara independen seberapa mirip jaringan dasarnya dengan model bahasa konvensional.

Dapatkah Jev menggantikan GPT atau Claude?

Tidak. Jev tidak dapat menulis, menjelaskan, coding, atau membuat keluaran terbuka. Jev dapat melengkapi model generatif dengan mengarahkan permintaan, memeriksa output, memberi skor pada jawaban, atau memutuskan kapan model lebih lambat harus dijalankan.

Apa arti Choice, Score, dan Noul?

Choice memilih dari himpunan tertutup dan mengembalikan probabilitas seluruh opsi. Score menempatkan state di antara 2–10 level yang dijelaskan. Noul mengembalikan probabilitas bahwa pernyataan ya/tidak bernilai benar.

Apakah Jev benar-benar memiliki nol halusinasi?

Jev tidak dapat menghasilkan nilai di luar tipe jawaban yang dideklarasikan sehingga menghapus banyak kesalahan parsing dan schema. Namun Jev masih dapat memilih opsi valid yang salah atau memberikan probabilitas menyesatkan. Type safety bukan ketepatan semantik.

Bagaimana cara mengakses API Jev tanpa daftar tunggu?

Buat API key OmniaKey, kirim body native Jev ke POST https://api.omniakey.com/v1/alpha/search, lalu atur model ke jev-latest. Anda tidak memerlukan akun TypeSafe terpisah atau persetujuan early access.

Berapa biaya API Jev?

TypeSafe mencantumkan Jev 1.14 seharga $0.042 per satu juta token input dengan output gratis saat ini. Harga langsung dan rate limits dapat berubah selama early access.

Versi mana yang sekarang ada di balik jev-latest?

Jev 1.14 (jev-1.14.0). jev-preview juga mengarah ke build ini untuk saat ini. Untuk mengunci, tulis jev-1.13.0 atau jev-1.14.0 di permintaan.

Apakah Jev mendukung gambar atau bahasa Indonesia?

Jev mendukung teks secara default. String, objek JSON, dan array pada akhirnya harus berisi teks. Jev 1.14 menambahkan gambar di balik header TypeSafe-Danger-Zone-Images: true yang ditandai eksperimental oleh TypeSafe. Bahasa Indonesia dan bahasa lain diterima, tetapi TypeSafe mengatakan bahasa Inggris saat ini paling kuat dan menyarankan pengujian beban non-Inggris dengan data Anda sendiri.

Apakah Jev gratis?

Harga langsung yang diperiksa mengenakan $0.042 per juta token input dan menggratiskan output. Output gratis tidak berarti seluruh permintaan gratis. Uji coba, kredit promosi, dan tagihan gateway mempunyai syarat sendiri; periksa penawaran akun tanpa menganggap semua pengguna mendapat kuota gratis.

Berapa jumlah parameter model Jev?

Halaman model resmi TypeSafe (diperiksa 24 Oktober 2026) menjelaskan konteks dan format input, tetapi tidak mencantumkan jumlah parameter. Angka 64K dan 32K adalah batas token, bukan parameter model. Ukuran bobot atau kebutuhan perangkat keras lokal tidak dapat disimpulkan dari angka tersebut.

Sumber primer

• TypeSafe: Jev 1.14 release (bahasa Inggris) (diperiksa 24 Oktober 2026)
• TypeSafe: Introducing System One Models & Jev (bahasa Inggris)
• Dokumentasi TypeSafe: Introduction (bahasa Inggris)
• Dokumentasi TypeSafe: System One (bahasa Inggris)
• Dokumentasi TypeSafe: Models and pricing (bahasa Inggris) (diperiksa 24 Oktober 2026)
• Dokumentasi TypeSafe: HTTP API reference (bahasa Inggris)
• Dokumentasi TypeSafe: Confidence (bahasa Inggris)
• Dokumentasi TypeSafe: Jev 1.13 jaggedness (bahasa Inggris)

Harga, batas, dan detail Jev 1.14 diperiksa ulang pada 24 Oktober 2026. Smoke test gateway sebelumnya tetap bertanggal 20 September; pembaruan ini bukan uji berbayar baru. Jev bergerak cepat, jadi periksa lagi versi dan syarat akun sebelum produksi.