Jev ist das erste System One-Modell von TypeSafe AI, entwickelt für Anwendungen, die strukturierte Entscheidungen statt generierter Prosa benötigen. Es bewertet bereitgestellte Informationen anhand klar definierter Fragen und liefert typisierte Antworten, Wahrscheinlichkeitsverteilungen und, falls zutreffend, Konfidenzwerte.

Im Gegensatz zu einem herkömmlichen Large Language Model ist Jev nicht dafür gedacht zu chatten, Code zu schreiben oder Langform-Inhalte zu erstellen. Sein Zweck ist es, abgegrenzte Urteile zu fällen, die Software unmittelbar für Klassifikation, Routing, Scoring, Verifikation, Priorisierung und Workflow-Steuerung nutzen kann.

Die Modellinformationen wurden am 21. September 2026 überprüft.

Technische Spezifikationen von Jev

Preise, Aliasse und Rate Limits können sich ändern. Entwickler sollten die neuesten Informationen überprüfen, bevor sie eine Arbeitslast in die Produktion überführen.

Was ist Jev?

Jev ist ein Entscheidungsmodell von TypeSafe AI. Anstatt eine Folge offen-endiger Token zu generieren, wählt es Werte aus von Entwicklerinnen und Entwicklern definierten Antworträumen.

Eine Jev-Anfrage enthält zwei Hauptkomponenten:

• State: Die Informationen, die das Modell bewerten soll, etwa ein Support-Ticket, ein Transaktionsdatensatz, ein Agenten-Trace, eine Produktbeschreibung oder ein JSON-formatierter Anwendungszustand.
• Questions: Typisierte Definitionen der Urteile, die über diesen State gefällt werden sollen.

Die resultierenden Antworten sind für die direkte Nutzung durch Software vorgesehen. Eine Anwendung kann anhand einer ausgewählten Kategorie verzweigen, Scores vergleichen, Wahrscheinlichkeiten prüfen, einen Konfidenzschwellenwert anwenden oder einen unsicheren Fall an eine menschliche Prüferin/einen menschlichen Prüfer weiterleiten.

Jev fungiert daher als probabilistische Entscheidungsschicht zwischen Anwendungsdaten und deterministischer Business-Logik. Es übernimmt Urteile, die sich schwer in feste Regeln fassen lassen, während der Anwendungscode weiterhin Schwellen, Berechtigungen und Aktionen kontrolliert.

Wie funktioniert Jev

Drei Entscheidungsprimitive

Jev unterstützt drei Fragetypen, die für unterschiedliche Arten von Softwareentscheidungen ausgelegt sind.

Choice wählt eine Option aus einer vordefinierten Menge. Es eignet sich für Aufgaben wie Intent-Klassifikation, Ticket-Routing, Policen-Kategorisierung und Modellauswahl. Die Antwort enthält die ausgewählte Option, die jedem Kandidaten zugewiesene Wahrscheinlichkeit und einen Konfidenzwert.

Score bewertet den State anhand eines geordneten Rubrics. Es kann Qualitäten wie Dringlichkeit, Risiko, Relevanz, Frustration oder Inhaltsqualität messen. Die Antwort enthält einen Score, Wahrscheinlichkeiten für jede Rubric-Stufe und einen Konfidenzwert.

Noul schätzt die Wahrscheinlichkeit, dass eine Aussage wahr ist. Es liefert einen Wert zwischen 0 und 1 und ist nützlich für Verifikation, Policenprüfungen, Eignungsentscheidungen und Completion-Gates. Im Gegensatz zu Choice und Score gibt Noul kein separates Konfidenzfeld zurück, da sein Output bereits eine Wahrscheinlichkeit ist.

Parallele Auswertung von Fragen

Eine einzelne Anfrage kann mehrere Choice-, Score- und Noul-Fragen enthalten. Jev bewertet sie unabhängig und parallel anhand desselben State.

Beispielsweise kann eine Support-Plattform ein Ticket klassifizieren, seine Dringlichkeit beurteilen und in derselben Anfrage abschätzen, ob eine Eskalation an eine Person erforderlich ist. TypeSafe gibt an, dass das Hinzufügen unabhängiger Fragen die Antwortzeit kaum beeinflusst.

Fragen innerhalb derselben Anfrage dürfen nicht voneinander abhängen. Sequenzielle Entscheidungen sollten über separate Aufrufe umgesetzt werden, die durch Anwendungslogik verknüpft sind.

Typsichere Antworten

Jevs mögliche Antwortstrukturen werden vor der Inferenz definiert. Dadurch werden fehlerhaftes JSON, unerwartete Felder und erklärender Text verhindert, wo eine Kategorie oder ein numerischer Wert erforderlich ist.

Typsicherheit garantiert nur das Antwortformat. Jev kann dennoch eine formal gültige, aber inhaltlich falsche Entscheidung zurückgeben. Produktionsteams müssen seine Genauigkeit mit repräsentativen Daten evaluieren.

Explizite Wahrscheinlichkeit und Konfidenz

Choice und Score legen die Wahrscheinlichkeitsverteilung hinter jeder Antwort offen. Ihr Konfidenzwert fasst zusammen, wie stark diese Verteilung ein Ergebnis bevorzugt.

Anwendungen können Konfidenz nutzen, um klare Entscheidungen zu automatisieren, bei moderater Unsicherheit um Bestätigung zu bitten und mehrdeutige Fälle an eine Person oder ein Fallback-Modell zu leiten.

Der geeignete Schwellenwert hängt vom Risiko ab. Das Taggen eines Support-Tickets kann mehr Unsicherheit tolerieren als die Genehmigung einer Transaktion oder eine irreversible Aktion.

Inferenz mit geringer Latenz

TypeSafe berichtet von End-to-End-Antwortzeiten von ungefähr 70 bis 500 Millisekunden. Das macht Jev geeignet für interaktives Routing, wiederholte Agentenprüfungen und andere entscheidungsintensive Workflows, bei denen ein langsamerer Aufruf eines generativen Modells die Reaktionsfähigkeit beeinträchtigen könnte.

Die tatsächliche Latenz hängt von der Größe des State, der Servicelast, den Netzwerkbedingungen und der Bereitstellungsregion ab.

Anpassung auf Anfrageebene

Jev wird nicht über konto­spezifisches Fine-Tuning oder LoRA-Adapter angepasst. Entwickler passen es an, indem sie relevanten State bereitstellen, präzise Anweisungen schreiben, klare Kriterien definieren und atomare Entscheidungen im Anwendungscode kombinieren.

Dieser Ansatz hält Geschäftsregeln sichtbar und ermöglicht Teams, die Workflow-Logik ohne erneutes Training zu ändern.

Versionierte Modelle und stabile Aliasse

TypeSafe stellt feste Modell-IDs und bewegliche Aliasse bereit. jev-1.13.0 kennzeichnet eine spezifische Veröffentlichung, während jev-latest auf die neueste stabile Version verweist. jev-preview kann auf eine neuere Vorschauversion wechseln, sobald eine verfügbar ist.

Aliasse vereinfachen das Experimentieren, ihr Verhalten kann sich nach einem Update jedoch ändern. Produktionsanwendungen mit kalibrierten Schwellen sollten eine getestete Version pinnen und die im Response zurückgegebene Modell-ID protokollieren.

Benchmark-Leistung von Jev

Jev ist nicht für allgemeine Benchmarks ausgelegt, die sich auf Schreiben, Coden, mathematische Herleitungen oder Langform-Reasoning konzentrieren. Relevantere Messgrößen sind Entscheidungsqualität, Wahrscheinlichkeitskalibrierung, Latenz, Kosten und Ausgabeverlässlichkeit.

TypeSafe berichtet:

• End-to-End-Antwortzeiten von 70–500 Millisekunden
• Ungefähr 40–200× schnellere Ausführung bei vergleichbaren System One-Aufgaben
• Spitzen-Workflow-Ergebnisse von 193.6× höherer Geschwindigkeit
• Spitzenmäßig berichtete Kostenverbesserungen von 444.6×

Dies sind vom Anbieter gemeldete Ergebnisse und sollten nicht als universelle Leistungsgarantien betrachtet werden. TypeSafes Workflow-Evaluierungen vergleichen Modelle auf strukturierten Entscheidungsgraphen und verwenden die gemittelten Vorhersagen ausgewählter hochklassiger externer Modelle als Referenzwahrscheinlichkeiten.

TypeSafe räumt außerdem ein, dass Mitglieder seines Modellfähigkeiten-Teams die evaluierten Workflows erstellt haben, was eine Verzerrung einführen kann. Die berichteten Zugewinne liegen wahrscheinlich eher am oberen Ende dessen, was Anwendungen beobachten dürften.

Jev vs. LLM mit strukturiertem Output vs. Klassischer Klassifikator vs. Regel-Engine

Jev ist am nützlichsten, wenn feste Regeln zu spröde sind, ein dedizierter Klassifikator teuer wäre und die Anwendung keinen generierten Text benötigt.

Ein traditionelles LLM ist die bessere Wahl, wenn eine Aufgabe Recherche, Erklärungen, Inhaltserstellung, Planung oder mehrstufiges Reasoning erfordert. Eine Regel-Engine bleibt vorzuziehen, wenn die korrekte Bedingung bereits explizit und deterministisch ist.

Empfohlene Anwendungsfälle

Jev eignet sich am besten für häufige Entscheidungen mit einem vordefinierten Antwortraum.

• Routing und Triage: Anfragen klassifizieren, Queues oder Tools auswählen und dringende Fälle priorisieren.
• Agentensteuerung: Aufgabenerfüllung prüfen, vorgeschlagene Aktionen bewerten und Fälle identifizieren, die eine Bestätigung erfordern.
• LLM-Evaluierung: Relevanz, Belegunterstützung, Policy-Compliance oder Antwortqualität beurteilen.
• Moderation: Policy-Verstöße kategorisieren, Schweregrad bewerten und unsichere Fälle eskalieren.
• Datenanreicherung: Nachrichten, Rezensionen, Leads und Datensätze in Kategorien, Scores und Wahrscheinlichkeitsmerkmale umwandeln.
• Entscheidungen in Echtzeit: Verhalten interaktiver Anwendungen unterstützen, bei denen ein vollständiger generativer Response unnötig ist.

Einschränkungen von Jev

Jev ist bewusst spezialisiert, und sein enger Zuschnitt bringt mehrere wichtige Einschränkungen mit sich.

• Es kann keine Prosa, keinen Code, keine Zusammenfassungen oder Konversationsantworten generieren.
• Es ist nicht für umfangreiche Recherche oder mehrschrittiges Reasoning gedacht.
• Typsichere Ausgaben garantieren keine korrekte Geschäftsentscheidung.
• Bilder, Audio, Video und Binärdateien müssen vor der Übermittlung in Text oder strukturierte Daten konvertiert werden.
• Englisch ist die am besten dokumentierte Sprache.
• Nicht-englische und CJK-Workloads erfordern eine unabhängige Evaluierung.
• Fragen innerhalb einer Anfrage werden unabhängig bewertet.
• Das Modell kann keine sequentielle Reasoning-Kette über diese Fragen hinweg konstruieren.
• TypeSafe hat weder die Parameteranzahl des Modells offengelegt noch die Gewichte veröffentlicht.
• Anpassung erfolgt über die Anfrage, nicht über kundenspezifisches Fine-Tuning.
• Veröffentliche Leistungsgewinne stammen aus TypeSafes eigener Evaluierungsumgebung.
• Bewegliche Aliasse können Verhaltensänderungen einführen, ohne dass der Anwendungscode geändert wird.

Jev sollte deterministischen Code nicht für Berechtigungen, Finanzberechnungen, rechtliche Anforderungen, Dateigrößenlimits oder Richtlinien für irreversible Handlungen ersetzen. Probabilistische Modelle sind nützlich für unsichere Urteile, nicht für Bedingungen, die Software bereits exakt evaluieren kann.

Wie bietet CometAPI Zugriff auf die Jev-API?

Jev ist derzeit nicht im öffentlichen Modellspektrum von CometAPI verfügbar. CometAPI plant, Jev zu evaluieren und zu integrieren, sobald der Modellzugang verfügbar ist und die erforderlichen Verbindungsberechtigungen geöffnet sind.

Nach der Integration können Entwickler das CometAPI-Modellverzeichnis und die API-Dokumentation auf die unterstützte Modell-ID, das Anforderungsformat, die Preise, Rate Limits und die Verfügbarkeit von Endpunkten prüfen.

Bis die Integration offiziell angekündigt ist, sollten Entwickler die Konsole, die native API oder die offiziellen SDKs von TypeSafe verwenden, um auf Jev zuzugreifen. Eine CometAPI-Integration sollte erst als verfügbar betrachtet werden, nachdem Jev im öffentlichen Modellkatalog mit verifizierten API-Informationen erscheint.