Jev 모델이란?
Jev는 텍스트나 JSON 상태를 타입이 지정된 선택, 점수, 확률로 바꿉니다. 채팅이나 자유 형식 생성이 아니라 소프트웨어 내부의 의사 결정을 위해 설계되었습니다.
Jev 모델은 TypeSafe AI의 첫 번째 System One Model입니다. 소프트웨어가 바로 사용할 수 있는 좁고 구조화된 판단을 내리도록 설계된 AI 모델입니다. 문단을 작성하는 대신 텍스트 또는 JSON state를 받아 타입이 정해진 하나 이상의 질문을 평가하고 선택, 점수, 확률, 신뢰도를 반환합니다.
이 특성은 Jev를 분류, 라우팅, 순위화, 검증, 가드레일에 흥미로운 선택지로 만듭니다. 그러나 Jev가 채팅 모델, 코딩 모델, 계산기, 결정론적 비즈니스 규칙을 대체한다는 뜻은 아닙니다.
2026년 9월 19일 사실 확인. Jev는 9월 15일 early access로 출시되었습니다. 현재 문서화된 모델은 jev-1.13.0입니다. 아래의 가격, 제한, 지연 시간, 기능 주장은 TypeSafe의 릴리스 글과 공식 문서에서 가져왔습니다. 비공개 브리핑을 받거나 유료 Jev 벤치마크를 실행하지 않았으며 TypeSafe의 속도와 품질 주장을 독립적으로 재현하지도 않았습니다.
Jev 모델 한눈에 보기
| 항목 | 현재 문서화된 값 |
|---|---|
| 개발사 | TypeSafe AI |
| 모델 분류 | System One Model |
| 현재 버전 ID | jev-1.13.0 |
| 안정 별칭 | jev-latest |
| 엔드포인트 | POST https://api.typesafe.ai/v1/systemone |
| 입력 | 텍스트 전용. 문자열, JSON 객체 또는 텍스트 값 배열로 제공 |
| 출력 | 타입이 지정된 Choice, Score, Noul 답변 |
| 컨텍스트 | 요청당 64K token. state와 가장 긴 질문의 합은 32K |
| 직접 API 가격 | 입력 100만 token당 $0.042, 출력은 현재 무료 |
| 공개 기본 제한 | 초당 입력 250,000 token 및 분당 1,200 요청. 변경될 수 있음 |
| 공급사 지연 시간 주장 | 종단 간 70–500 ms |
| 출시 상태 | Early access |
공식 표기는 Jev이며 J-E-V를 풀어 쓴 약어가 아닙니다. TypeSafe는 경제학자 William Stanley Jevons의 이름에서 따왔다고 설명합니다. “System One”이라는 명칭은 Daniel Kahneman의 Thinking, Fast and Slow에 나오는 빠르고 직관적인 System 1에서 가져왔습니다.
Jev는 실제로 무엇을 하나요?
Jev를 확률적 의미 함수로 생각하면 이해하기 쉽습니다.
비정형 또는 정형 상태
+ 미리 정의한 질문과 답변 공간
-> 타입이 지정된 결정과 확률 분포
일반 LLM은 시퀀스를 이어가며 문자열을 생성하도록 최적화됩니다. JSON mode를 사용해도 애플리케이션은 생성 모델에 답을 작성하도록 요청합니다. Jev는 자유 형식 생성을 포기합니다. 호출자가 가능한 출력 형태를 먼저 정의하고, 모델은 동일한 state를 기준으로 모든 질문을 평가합니다.
TypeSafe는 학습 방식을 **Reinforcement Learning for Calibrated Decisions(RLCD)**라고 설명합니다. 목표는 답을 고르는 데 그치지 않고, 여러 예측 집단에서 신뢰도와 정확도가 대응하는 확률을 만드는 것입니다. Calibration은 통계적 특성입니다. 확률 0.8은 비슷한 사례 전체에서 약 80%의 정확도와 대응해야 한다는 뜻이지, 특정 답 하나가 맞다는 보장은 아닙니다.
Choice, Score, Noul
Jev는 세 가지 질문 타입을 제공합니다. 이는 생성 뒤에 붙이는 포맷 옵션이 아니라 API의 핵심입니다.
| Primitive | 질문 형태 | 반환 값 | 적합한 용도 |
|---|---|---|---|
Choice | 어떤 선택지가 맞는가? | 선택한 항목, 모든 항목의 확률, 신뢰도 | 의도 라우팅, 분류, 닫힌 집합 순위화 |
Score | 설명된 척도에서 어디에 속하는가? | 가중 점수, 단계별 확률, 신뢰도 | 심각도, 품질, 긴급도, 위험 구간 |
Noul | 이 명제가 참인가? | 0에서 1 사이 확률 | 감지, 검증, 이진 게이트 |
Choice는 최대 255개의 선택지를 포함할 수 있습니다. Score는 설명이 붙은 2~10개 단계를 받습니다. Noul에는 별도의 신뢰도 필드가 없습니다. 0에서 1 사이의 값 자체가 “예”일 확률이기 때문입니다.
한 요청의 여러 질문은 같은 state에 대해 서로 독립적으로 병렬 평가됩니다. 워크플로에 여러 신호가 필요할 때 유용하지만, 한 답이 자동으로 다른 답의 조건이 되지는 않습니다. 질문 B가 질문 A에 의존한다면 코드에서 그 의존성을 명시해야 합니다.
Jev API 요청 예시
다음 축약 예시는 TypeSafe가 문서화한 요청 형식을 따릅니다. 하나의 고객 지원 메시지를 한 번의 호출로 담당 부서, 불만 정도, 긴급도에 대해 평가합니다.
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?"
}
}
}'
응답은 같은 질문 ID를 유지합니다. department는 허용된 세 문자열 중 하나와 세 항목 전체의 확률 분포를 반환합니다. frustration은 제공한 단계에서 확률로 가중한 위치이므로 소수가 될 수 있습니다. is_urgent는 “예”일 확률만 반환합니다.
정확한 값은 입력, criteria, 모델 버전에 따라 달라집니다. 행동을 실행하기에 충분한 확률 기준은 모델이 아니라 애플리케이션 코드가 결정합니다.
Jev와 LLM, 분류기 비교
Jev는 유용한 중간 지점을 차지하지만 차이를 이해해야 합니다.
| 관점 | Jev | 생성형 LLM | 전통적 분류기 |
|---|---|---|---|
| 주된 역할 | 범위가 정해진 의미 판단 | 자유 형식 텍스트 생성 또는 추론 | 한 가지 고정 작업을 학습한 레이블 예측 |
| 출력 공간 | 요청마다 정의 | Schema로 제한해도 개방형 | 학습 시 고정 |
| 새 기준 | 요청에 설명 | Prompt 또는 tool schema | 보통 데이터 수집과 재학습 필요 |
| 확률 | API의 핵심 출력 | 없거나 calibration이 약한 경우가 많음 | 모델이 제공하면 일반적 |
| 텍스트 생성 | 없음 | 있음 | 없음 |
| 가장 적합한 역할 | 워크플로 안의 의미 분기 | 창작, 설명, 코딩, 다단계 추론 | 레이블 데이터가 있는 안정적인 대량 작업 |
Jev를 “그저 분류기”라고 하면 요청 시점의 유연성을 놓칩니다. “더 빠른 LLM”이라고 하면 설명, 이메일, 코드 작성이 불가능하고 제공한 선택지 밖의 새 답을 만들 수 없다는 점을 놓칩니다.
JSON mode도 같은 계약이 아닙니다. JSON mode는 생성 텍스트의 문법을 제한합니다. Jev는 답변 공간 자체를 제한하고 결정에 사용된 전체 분포를 반환합니다. 문제를 범위가 정해진 질문으로 표현할 수 있을 때만 유용합니다.
가격, 컨텍스트, 처리량
TypeSafe는 현재 Jev 1.13의 가격을 입력 100만 token당 $0.042, 즉 10억 token당 $42로 표시합니다. 출력은 “측정하기에 너무 저렴하다”며 무료로 제공되지만, 응답에는 출력 token 사용량이 계속 기록됩니다.
| 입력량 | Jev 직접 입력 비용 |
|---|---|
| 10,000 token | $0.00042 |
| 100만 token | $0.042 |
| 1억 token | $4.20 |
| 10억 token | $42.00 |
이는 산술 예시이지 실제 청구서 측정값이 아닙니다. 재시도, 전처리, cascade의 다른 모델, 저장, 엔지니어링 작업, 향후 가격 변경은 제외합니다.
컨텍스트 계약에는 동시에 두 가지 제한이 있습니다. 모든 state와 질문을 합쳐 64K token 이내여야 하며, state와 가장 긴 질문 하나의 합은 32K 이내여야 합니다. 컨텍스트가 길다고 항상 더 좋은 것은 아닙니다. TypeSafe의 jaggedness 가이드도 관련 없는 세부 정보가 늘면 정확도가 떨어진다고 설명합니다.
공개된 초당 250,000 token과 분당 1,200 요청은 계정 제한이며 요청별 속도 보장이 아닙니다. TypeSafe는 early access 동안 이 값이 동적으로 바뀐다고 명시합니다.
속도 주장은 얼마나 강한가요?
TypeSafe는 종단 간 응답 시간 70–500 ms를 보고하며, “System One 형태”의 질문에서 Jev가 비슷한 지능 수준의 frontier model보다 40–200배 빠를 수 있다고 말합니다. 출시 자료는 Jev가 193.6배 빠르고 444.6배 저렴했던 워크플로 평가도 강조합니다.
이 수치는 중립 benchmark가 아니라 공급사 결과입니다. TypeSafe는 몇 가지 중요한 제한을 공개합니다.
- 공개 지연 시간 실행은 일반적으로 서비스와 같은 미국 서부에 있는 회사 구성원의 laptop에서 시작했습니다.
- 워크플로 작업은 TypeSafe의 model-capabilities team이 만들었으므로 선택 편향이 있을 수 있습니다.
- 기준 답변은 GPT-6 Astra와 Fable 5.1의 평균이어서 해당 모델 계열에 유리할 수 있습니다.
- 비교 LLM 호출은 OpenRouter와 TypeSafe의 구조화 wrapper를 거쳤습니다.
- TypeSafe 자체도 193.6배와 444.6배 결과를 예상 가능한 실제 이득의 상단으로 설명합니다.
적절한 결론은 더 좁습니다. Jev의 제한된 출력과 병렬 평가는 범위가 정해진 결정에서 매우 낮은 지연 시간과 비용을 달성할 신뢰할 만한 경로를 만듭니다. 하지만 모든 작업에서 40–200배 빠르거나, 일반 지능이 frontier LLM과 같거나, 생성 및 다단계 추론에 더 낫다는 증거는 아닙니다.
“환각 0”은 정확한 정의가 필요합니다
TypeSafe는 Jev가 hallucination을 만들 수 없다고 홍보합니다. 가장 방어 가능한 부분은 schema safety입니다. Choice 답변은 네 번째 선택지를 지어낼 수 없고, 코드가 숫자를 기대할 때 서비스가 갑자기 문장을 반환해서도 안 됩니다. TypeSafe는 이 출력 일치가 경험적으로 측정한 0% 오류율이 아니라 구조적으로 보장된다고 설명합니다.
하지만 타입이 맞는 답도 의미상 틀릴 수 있습니다. TypeSafe의 Jev 1.13 문서는 다음과 같은 실패를 나열합니다.
- 문장을 지나치게 문자 그대로 읽고 암시된 의도를 놓침
- 신뢰하기 어려운 개수 세기, 산술, 날짜, 수치 정밀도
- 여러 단계를 거치는 간접 추론
- 관련 없는 세부 정보가 많은 긴 state
- 적대적 또는 prompt injection 콘텐츠
- 서로 모순되는 instructions와 criteria
- 별도로 표현한 질문 사이에서 직관적인 확률 항등식을 따르지 않는 값
- 텍스트 생성이 필요한 모든 작업
따라서 실용적인 표현은 스키마 밖 생성이 0이라는 뜻이지, 판단 오류가 0이라는 뜻은 아닙니다. 프로덕션 코드에는 여전히 평가 데이터, 보수적 임계값, 결정론적 검증, 에스컬레이션 경로가 필요합니다.
Jev가 잘 맞는 위치
답변 공간이 제한되어 있고, 판단이 수학보다 의미에 관한 것이며, 결과를 다른 소프트웨어가 사용할 때 Jev를 테스트할 가치가 있습니다.
| 워크로드 | Jev가 적합할 수 있는 이유 | 중요한 가드레일 |
|---|---|---|
| 고객 지원 티켓 라우팅 | 팀 집합이 닫혀 있고 불확실성 신호가 유용함 | other를 추가하고 낮은 신뢰도는 사람이 검토 |
| RAG passage 필터링 | 관련성, 모순, injection 위험을 평가 가능 | 원문 검증은 모델 밖에 유지 |
| LLM 입출력 가드레일 | 좁은 검사를 한 요청에서 여러 개 병렬 실행 | 적대적 입력을 정식 threat model로 테스트 |
| Entity matching | 두 레코드가 같은 대상을 가리키는지 평가 | 정확한 ID와 invariant는 코드로 강제 |
| 콘텐츠 moderation | 제한된 레이블과 심각도 단계를 미리 정의 | harm category별 임계값 조정 |
| Agent action routing | tool을 선택하거나 skill 필요 여부 판단 | 권한과 파괴적 작업 확인은 코드에 유지 |
글쓰기, 요약, 코드 생성, 개방형 추출, 정확한 산술, 날짜 비교, 긴 인과 추론에는 기본 선택으로 적합하지 않습니다. 정확한 논리는 일반 코드에 맡기고, 출력 자체를 만들어야 할 때는 생성형 또는 추론 모델을 사용하세요.
프로덕션 도입 체크리스트
- 결정론적 작업은 코드에 둡니다. 날짜 파싱, 항목 계산, 금액 산출, 권한 적용에는 모델이 필요하지 않습니다.
- 원자적 질문을 합니다. “이 요청을 승인할까요?”를 실제 결정에 필요한 독립된 사실로 나눕니다.
- 모든 경계를 설명합니다. Choice가 완전하지 않으면
other또는none을 추가하고 Score 단계는 구체적으로 작성합니다. - 자체 데이터 분포에서 테스트합니다. 영어가 주 학습 언어이며 TypeSafe는 CJK를 포함한 다른 언어의 성능이 동일하지 않다고 말합니다.
- 예측이 아니라 행동을 calibration합니다. 되돌릴 수 있는 UI 라우팅과 영향이 큰 자동화에 같은 신뢰도 임계값을 쓰지 마세요.
- 조정 후 버전을 고정합니다.
jev-latest는 이동합니다. 응답의 버전 ID를 기록하고 임계값을 의도적으로 이전하세요. - 불확실성을 에스컬레이션합니다. 모호한 사례를 억지로 결정하지 말고 사람이나 더 느린 추론 모델로 보냅니다.
- 승인된 작업당 비용을 측정합니다. token 가격뿐 아니라 재시도, 오판, 사람 검토, 후속 LLM 호출을 포함합니다.
OmniaKey에서 Jev를 사용할 수 있나요?
사실 확인일 기준으로는 사용할 수 없습니다. 현재 OmniaKey 카탈로그나 코드베이스에서 Jev route를 찾지 못했습니다. 이 글의 endpoint와 가격은 TypeSafe 직접 API에 해당하며, 이 가이드의 공개는 OmniaKey 통합을 발표하는 것이 아닙니다.
실제 gateway 지원 여부는 OmniaKey 실시간 모델 카탈로그에서 확인하세요. 개방형 코딩과 Agent 작업에는 기술 스택의 다른 계층을 다루는 코딩 Agent 모델 가이드가 있습니다.
최종 결론
Jev는 범용 LLM의 대체품보다 의미 결정을 위한 새로운 interface로 이해하는 편이 좋습니다. 모호한 판단은 모델에 맡기되 출력을 프로그램이 이해하는 타입으로 제한하고, 불확실성을 드러내며, 조합과 정확한 논리는 코드에 유지한다는 아이디어가 핵심입니다.
현재 API는 표면상 매우 저렴하고 구조도 낮은 지연 시간을 목표로 합니다. 동시에 모델은 early access이고 text-only이며 영어에서 가장 강합니다. 수학, 날짜, 간접 추론, 관련 없는 context, 적대적 입력에서 약하다는 사실도 공식 문서에 명시되어 있습니다. 같은 조건의 독립 테스트가 나오기 전까지 속도와 지능 비교는 공급사 증거로 취급해야 합니다.
자주 묻는 질문
Jev는 LLM인가요?
TypeSafe는 Jev를 LLM이 아니라 System One Model이라고 부릅니다. 자연어 state를 이해하지만 자유 형식 텍스트는 생성하지 않습니다. 검토한 공개 자료에는 아키텍처 세부 정보가 충분하지 않아 내부 네트워크가 전통적 언어 모델과 얼마나 비슷한지 독립적으로 판단할 수 없습니다.
Jev가 GPT나 Claude를 대체할 수 있나요?
아니요. Jev는 글을 쓰거나 설명하고, 코딩하거나 개방형 생성을 할 수 없습니다. 대신 요청 라우팅, 출력 검사, 증거 점수화, 느린 모델 실행 여부 결정에 사용해 생성 모델을 보완할 수 있습니다.
Choice, Score, Noul은 각각 무엇인가요?
Choice는 닫힌 집합에서 하나를 선택하고 모든 선택지의 확률을 반환합니다. Score는 state를 설명된 2~10개 단계에 배치합니다. Noul은 예/아니요 명제가 참일 확률을 반환합니다.
Jev는 정말 환각이 0인가요?
선언한 답변 타입 밖의 값을 생성할 수 없어 많은 파싱 및 Schema 오류를 없앱니다. 그래도 잘못된 유효 선택지를 고르거나 오해를 부르는 확률을 줄 수 있습니다. 타입 안전성은 의미적 정확성이 아닙니다.
Jev API 가격은 얼마인가요?
TypeSafe는 Jev 1.13을 입력 100만 token당 $0.042로 책정하고 출력은 현재 무료로 제공합니다. Early access 중 직접 가격과 rate limit은 바뀔 수 있습니다.
Jev는 이미지나 한국어를 지원하나요?
텍스트만 지원합니다. 문자열, JSON 객체, 배열도 결국 텍스트를 포함해야 합니다. 한국어를 비롯한 CJK 문자를 입력할 수 있지만 TypeSafe는 현재 영어 성능이 가장 좋다고 설명하므로 비영어 워크로드는 자체 데이터로 테스트해야 합니다.
1차 출처
- TypeSafe: Introducing System One Models & Jev(영문)
- TypeSafe 문서: Introduction(영문)
- TypeSafe 문서: System One(영문)
- TypeSafe 문서: Models and pricing(영문)
- TypeSafe 문서: HTTP API reference(영문)
- TypeSafe 문서: Confidence(영문)
- TypeSafe 문서: Jev 1.13 jaggedness(영문)
근거는 2026년 9월 19일 확인했습니다. Jev는 early access 동안 빠르게 바뀌고 있으므로 프로덕션 사용 전에 버전 ID, 가격, 제한, 언어 동작, 데이터 조건을 다시 확인하세요.