Jev is het eerste System One-model van TypeSafe AI, ontworpen voor toepassingen die gestructureerde beslissingen nodig hebben in plaats van gegenereerde proza. Het evalueert aangeleverde informatie aan de hand van duidelijk gedefinieerde vragen en geeft getypeerde antwoorden, waarschijnlijkheidsverdelingen en, waar van toepassing, vertrouwensscores terug.
In tegenstelling tot een conventioneel groot taalmodel is Jev niet bedoeld om te chatten, code te schrijven of langvormige content te creëren. Het doel is afgebakende oordelen te vellen die software direct kan gebruiken voor classificatie, routering, scoring, verificatie, prioritering en workflowbesturing.
Modelinformatie is herzien op 21 september 2026.
Technische specificaties van Jev
| Specificatie | Details |
|---|---|
| Ontwikkelaar | TypeSafe AI |
| Modelfamilie | System One |
| Huidige stabiele versie | Jev 1.13 |
| Geversioneerde model-ID | jev-1.13.0 |
| Stabiele alias | jev-latest |
| Invoer | Tekst, JSON-objecten of arrays van tekstwaarden |
| Uitvoer | Getypeerde beslissingen en waarschijnlijkheidsverdelingen |
| Vraagtypen | Choice, Score en Noul |
| Contextlimiet | 64,000 tokens per verzoek |
| Aanvullende contextbeperking | 32,000 tokens voor de State plus de langste vraag |
| Gepubliceerde invoerprijs | $0.042 per million tokens |
| Gepubliceerde uitvoerprijs | Gratis |
| Gepubliceerde snelheidslimieten | 250,000 tokens per seconde en 1,200 verzoeken per minuut |
| Primaire taal | Engels |
| Directe multimodale invoer | Niet ondersteund |
Prijzen, aliassen en snelheidslimieten kunnen veranderen. Ontwikkelaars moeten de laatste informatie verifiëren voordat ze een workload in productie brengen.
Wat is Jev?
Jev is een beslissingsmodel ontwikkeld door TypeSafe AI. In plaats van een reeks open-einde tokens te genereren, selecteert het waarden uit antwoordsruimtes die door de ontwikkelaar zijn gedefinieerd.
Een Jev-verzoek bevat twee hoofdcomponenten:
- State: De informatie die het model moet evalueren, zoals een supportticket, transactie-record, agent-trace, productbeschrijving of JSON-geformatteerde applicatiestatus.
- Questions: Getypeerde definities van de oordelen die over die State moeten worden geveld.
De resulterende antwoorden zijn bedoeld voor direct gebruik door software. Een applicatie kan vertakken op een geselecteerde categorie, scores vergelijken, waarschijnlijkheden inspecteren, een vertrouwensdrempel toepassen of een onzeker geval naar een menselijke beoordelaar sturen.
Jev fungeert daarom als een probabilistische beslissingslaag tussen applicatiedata en deterministische bedrijfslogica. Het handelt oordelen af die lastig in vaste regels te vatten zijn, terwijl applicatiecode de controle behoudt over drempels, permissies en acties.
Hoe werkt Jev
Drie beslisprimitieven
Jev ondersteunt drie vraagtypen die zijn ontworpen voor verschillende soorten softwarebeslissingen.
Choice selecteert één optie uit een vooraf gedefinieerde set. Het is geschikt voor taken zoals intentieclassificatie, ticketrouting, beleidscategorisatie en modelselectie. De respons bevat de geselecteerde optie, de waarschijnlijkheid die aan elke optie is toegekend en een vertrouwensscore.
Score evalueert de State aan de hand van een geordende rubriek. Het kan kwaliteiten meten zoals urgentie, risico, relevantie, frustratie of contentkwaliteit. De respons bevat een score, waarschijnlijkheden voor elk rubriekniveau en een vertrouwensscore.
Noul schat de kans dat een bewering waar is. Het geeft een waarde tussen 0 en 1 terug en is nuttig voor verificatie, beleidscontroles, geschiktheidsbeslissingen en voltooiingspoorten. In tegenstelling tot Choice en Score geeft Noul geen apart vertrouwensveld terug omdat de uitvoer al een waarschijnlijkheid is.
Parallelle evaluatie van vragen
Eén enkel verzoek kan meerdere Choice-, Score- en Noul-vragen bevatten. Jev evalueert ze onafhankelijk en parallel tegen dezelfde State.
Een supportplatform kan bijvoorbeeld in één verzoek een ticket classificeren, de urgentie beoordelen en inschatten of escalatie naar een mens nodig is. TypeSafe stelt dat het toevoegen van onafhankelijke vragen weinig effect heeft op de responstijd.
Vragen binnen hetzelfde verzoek mogen niet afhankelijk zijn van elkaars antwoorden. Sequentiële beslissingen moeten worden geïmplementeerd via afzonderlijke calls die door applicatielogica worden verbonden.
Typeveilige antwoorden
De mogelijke antwoordstructuren van Jev worden vóór inferentie gedefinieerd. Dit voorkomt dat misvormde JSON, onverwachte velden en verklarende tekst verschijnen waar een categorie of numerieke waarde vereist is.
Typeveiligheid garandeert alleen het antwoordformaat. Jev kan nog steeds een geldig maar onjuist oordeel teruggeven, dus productieteams moeten de nauwkeurigheid evalueren met representatieve data.
Expliciete waarschijnlijkheid en vertrouwen
Choice en Score geven de waarschijnlijkheidsverdeling achter elk antwoord bloot. Hun vertrouwenswaarde vat samen hoe sterk die verdeling één uitkomst bevoordeelt.
Applicaties kunnen vertrouwen gebruiken om duidelijke beslissingen te automatiseren, om bevestiging te vragen bij middelmatige onzekerheid en om ambigue gevallen naar een mens of fallbackmodel te routeren.
De passende drempel hangt af van het risico. Het taggen van een supportticket kan meer onzekerheid tolereren dan het goedkeuren van een transactie of het uitvoeren van een onomkeerbare actie.
Inferentie met lage latentie
TypeSafe meldt end-to-end-responstijden van ongeveer 70 tot 500 milliseconden. Dit maakt Jev geschikt voor interactieve routering, herhaalde agentcontroles en andere beslissingsintensieve workflows waarbij een tragere aanroep van een generatief model de responsiviteit kan beïnvloeden.
De feitelijke latentie hangt af van de grootte van de State, de dienstbelasting, netwerkcondities en de implementatieregio.
Aanpassing op verzoekniveau
Jev wordt niet aangepast via accountspecifieke fine-tuning of LoRA-adapters. Ontwikkelaars stemmen het af door relevante State aan te leveren, precieze instructies te schrijven, duidelijke criteria te definiëren en atomische beslissingen in applicatiecode te combineren.
Deze aanpak houdt bedrijfsregels zichtbaar en stelt teams in staat om de workflowlogica te veranderen zonder het model te hertrainen.
Geversioneerde modellen en stabiele aliassen
TypeSafe biedt vaste model-ID’s en bewegende aliassen. jev-1.13.0 identificeert een specifieke release, terwijl jev-latest verwijst naar de laatste stabiele versie. jev-preview kan verschuiven naar een nieuwere previewrelease wanneer die beschikbaar is.
Aliassen vereenvoudigen experimenten, maar hun gedrag kan veranderen na een update. Productieapplicaties met gekalibreerde drempels moeten een geteste versie vastzetten en de model-ID registreren die bij elke respons wordt teruggegeven.
Benchmarkprestaties van Jev
Jev is niet ontworpen voor algemene benchmarks die focussen op schrijven, coderen, wiskundige afleidingen of langvormig redeneren. Relevantere metingen zijn beslissingskwaliteit, waarschijnlijkheidskalibratie, latentie, kosten en uitbetrouwbaarheid.
TypeSafe meldt:
- End-to-end-responstijden van 70–500 milliseconden
- Ongeveer 40–200× snellere uitvoering bij vergelijkbare System One-taken
- Piek-workflowresultaten van 193.6× hogere snelheid
- Piek gerapporteerde kostenverbeteringen van 444.6×
Dit zijn door de leverancier gerapporteerde resultaten en moeten niet worden beschouwd als universele prestatiegaranties. De workflowevaluaties van TypeSafe vergelijken modellen op gestructureerde beslissingsgrafen en gebruiken de gemiddelde voorspellingen van geselecteerde high-end externe modellen als referentiewaarschijnlijkheden.
TypeSafe erkent ook dat leden van het team voor modelcapaciteiten de geëvalueerde workflows hebben gemaakt, wat bias kan introduceren. De gerapporteerde winsten liggen waarschijnlijk dichter bij het bovenste bereik van wat applicaties kunnen waarnemen.
Jev vs LLM met gestructureerde output vs klassiek classifier vs rules-engine
| Dimensie | Jev | LLM met gestructureerde output | Klassieke classifier | Rules-engine |
|---|---|---|---|---|
| Primaire functie | Afgebakende probabilistische beslissingen | Generatie met een gestructureerde respons | Voorspelling voor een getrainde taak | Deterministische logica |
| Antwoordruimte | In elk verzoek gedefinieerd | Beperkt via een schema | Vastgelegd tijdens training | Vastgelegd in code |
| Onzekerheid | Ingebouwde waarschijnlijkheden en vertrouwen | Afhankelijk van model en methode | Vaak beschikbaar maar kan kalibratie vereisen | Niet standaard probabilistisch |
| Uitvoerstructuur | Gegarandeerd voor ondersteunde primitieven | Vereist doorgaans begrensde generatie en validatie | Vastgelegd door de implementatie | Vastgelegd door de implementatie |
| Instellen van een nieuwe taak | Definieer State, Questions en criteria | Maak een prompt en schema | Verzamel gelabelde data en train een model | Schrijf expliciete voorwaarden |
| Open generatie | Nee | Ja | Nee | Nee |
| Uitgebreide redenering | Niet het beoogde werkgebied | Ondersteund door capabele modellen | Nee | Beperkt tot gecodeerde logica |
| Aanpassing | Instructies en criteria op verzoekniveau | Aanpassingen aan prompt en context | Hertraining of feature-engineering | Codewijzigingen |
| Beste toepassingsgebied | Oordelen met hoog volume binnen software | Taken die redeneren en generatie combineren | Stabiele, smalle, datarijke voorspellingen | Expliciete en stabiele voorwaarden |
Jev is het meest nuttig wanneer vaste regels te kwetsbaar zijn, het bouwen van een dedicated classifier duur zou zijn en de applicatie geen gegenereerde tekst nodig heeft.
Een traditioneel LLM blijft de betere keuze wanneer een taak onderzoek, uitleg, contentcreatie, planning of meerstapsredenering vereist. Een rules-engine blijft te verkiezen wanneer de juiste voorwaarde al expliciet en deterministisch is.
Aanbevolen gebruiksscenario's
Jev is het meest geschikt voor frequente beslissingen met een vooraf gedefinieerde antwoordruimte.
- Routering en triage: Classificeer verzoeken, selecteer wachtrijen of tools en prioriteer dringende gevallen.
- Agentsturing: Controleer taakvoltooiing, evalueer voorgestelde acties en identificeer gevallen die bevestiging vereisen.
- LLM-evaluatie: Beoordeel relevantie, bewijssteun, naleving van beleid of antwoordkwaliteit.
- Moderatie: Categoriseer beleidschendingen, ken de ernst een score toe en escaleer onzekere gevallen.
- Gegevensverrijking: Zet berichten, reviews, leads en records om in categorieën, scores en waarschijnlijkheidskenmerken.
- Beslissingen in real time: Ondersteun applicatiegedrag met lage latentie waar een volledige generatieve respons niet nodig is.
Beperkingen van Jev
Jev is bewust gespecialiseerd en zijn smalle ontwerp brengt enkele belangrijke beperkingen met zich mee.
- Het kan geen proza, code, samenvattingen of conversatie-antwoorden genereren.
- Het is niet bedoeld voor uitgebreid onderzoek of meerstapsredenering.
- Typeveilige uitvoer garandeert geen correcte zakelijke beslissing.
- Afbeeldingen, audio, video en binaire bestanden moeten voor indiening worden omgezet in tekst of gestructureerde data.
- Engels is de best gedocumenteerde taal.
- Niet-Engelse en CJK-workloads vereisen onafhankelijke evaluatie.
- Vragen binnen één verzoek worden onafhankelijk geëvalueerd.
- Het model kan geen sequentiële redeneerketen opbouwen over die vragen heen.
- TypeSafe heeft het aantal parameters van het model niet bekendgemaakt en de gewichten niet vrijgegeven.
- Aanpassing gebeurt via het verzoek in plaats van klantspecifieke fine-tuning.
- Gepubliceerde prestatiewinst komt uit het eigen evaluatiekader van TypeSafe.
- Bewegende aliassen kunnen gedragsveranderingen introduceren zonder een wijziging in de applicatiecode.
Jev mag geen deterministische code vervangen voor permissies, financiële berekeningen, wettelijke vereisten, bestandslimieten of beleid rond onomkeerbare acties. Probabilistische modellen zijn nuttig voor onzekere oordelen, niet voor voorwaarden die software al exact kan evalueren.
Hoe biedt CometAPI toegang tot de Jev API?
Jev is momenteel niet beschikbaar in de openbare modelcatalogus van CometAPI. CometAPI is van plan Jev te evalueren en te integreren zodra modeltoegang beschikbaar komt en de vereiste verbindingsmachtigingen worden geopend.
Na integratie kunnen ontwikkelaars de modeldirectory en API-documentatie van CometAPI raadplegen voor de ondersteunde model-ID, verzoekformaat, prijzen, snelheidslimieten en endpointbeschikbaarheid.
Totdat de integratie officieel wordt aangekondigd, moeten ontwikkelaars de console, native API of officiële SDK’s van TypeSafe gebruiken om toegang te krijgen tot Jev. Een CometAPI-integratie moet pas als beschikbaar worden beschouwd nadat Jev in de openbare modelcatalogus verschijnt met geverifieerde API-informatie.