Jev API: Was TypeSafe's System-One-Modell ist, was es kostet und wann man es einsetzt

Was Jev tatsächlich ist

TypeSafe stellte Jev am 15. September 2026 als das erste „System One Model" vor. Die Rahmung stammt aus Kahnemans Schnelles Denken, langsames Denken: Aktuelle LLMs verhalten sich wie ein reasongierendes, deliberatives System, und TypeSafe baut die schnelle, intuitive Hälfte — außer dass „Intuition" hier eine kalibrierte Wahrscheinlichkeitsverteilung über Antworten bedeutet, nicht ein Bauchgefühl, das als Text dargestellt wird.

Der Name ist eine Jevons-Referenz, und das Versprechen ist, dass ein schnelles, kostengünstiges Entscheidungsprimitiv weit häufiger aufgerufen wird als ein teures.

Die mechanischen Unterschiede zu einem LLM sind das, was für das Engineering zählt:

• Die Ausgabe ist typisiert. Sie deklarieren die Form der Antwort im Voraus — eine Choice über aufzählbare Optionen, ein Score über beschreibende Stufen oder ein Noul (Ja/Nein) mit einer Wahrscheinlichkeit. Es gibt keinen Freitext zu parsen, und die Übereinstimmung mit dem Schema ist eine Eigenschaft der Architektur und nicht etwas, auf dessen Einhaltung Sie hoffen.
• Sie erhalten Wahrscheinlichkeiten, nicht nur eine Auswahl. Eine Choice liefert die gewählte Option plus eine Wahrscheinlichkeit für jede Option und einen separaten confidence-Wert. Das ermöglicht es Ihnen, auf Unsicherheit zu routen: über einem Schwellenwert handeln, unterhalb auf ein größeres Modell zurückfallen.
• Fragen laufen parallel. Jev nimmt den State einmal auf und wertet jede Frage in der Anfrage gleichzeitig dagegen aus. Dreißig Fragen statt einer zu stellen, fügt sehr wenig Wanduhrzeit hinzu, was die Batch-Klassifizierungs-Anwendungsfälle unten möglich macht.
• Es ist bewusst eng gefasst. TypeSafe's Empfehlung ist, die Kontrollflusslogik in Ihrem Code zu belassen und Jev atomare, strukturierte Entscheidungen zu geben statt eines großen Urteils. Die Ausgabe hat keine sequenzielle Struktur. Der Gründer von TypeSafe hat gesagt, dass Strings und andere sequenzielle Datenstrukturen auf der Ausgabeseite nicht erlaubt sind, und der angegebene Grund ist genau dieser: Er ermöglicht es, jede Antwort parallel zu berechnen, weshalb es keine Ausgabe-Tokens gibt, die abgerechnet werden. Man kann Jev nicht bitten, einen Satz zu schreiben, und diese Einschränkung ist es, worauf der Preis aufbaut.

Eine minimale Anfrage sieht so aus:

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "Help! My payouts have been failing for 3 days.",
    "model": "jev-latest",
    "questions": {
      "is_urgent": { "type": "noul", "instructions": "Does this convey urgency?" }
    }
  }'

Jev-Spezifikationen auf einen Blick

Spezifikation	Jev 1.13
Modell-ID	jev-1.13.0
Aliasse	jev-latest, jev-preview (beide verweisen heute auf 1.13)
Endpunkt	POST https://api.typesafe.ai/v1/systemone
Preis	$42 pro Milliarde Input-Tokens / $0.042 pro 1M
Output-Preisgestaltung	Kostenlos — Abrechnung nur auf Input
Rate Limits	250.000 Tokens/s und 1.200 Anfragen/Minute, als dynamisch angegeben
Kontextlänge	64k pro Anfrage (State plus alle Fragen); 32k für State plus die längste Frage
Input-Typen	Text: String, JSON-Objekt oder Array. Kein Bild, Audio oder Video
Output	Typisierte Choice-, Score- und Noul-Antworten mit Wahrscheinlichkeiten und Confidence
Client-SDKs	Python typesafe-sdk, JavaScript @typesafe-ai/sdk
Benutzerdefinierte Gewichte pro Konto	Nein. Jev wird nicht mit Kundendaten feinabgestimmt oder LoRA-adaptiert
Trainingsdaten von Kunden	Nein. Anfragen und Antworten werden nicht für das Training verwendet

Wo Jev passt und was TypeSafe im Code belassen möchte

TypeSafe veröffentlicht auch den Umfang von jev-1.13 im Detail: neun Bereiche, jeder mit dem empfohlenen Muster, zuletzt überprüft am 17. September 2026.

#	Bereich	TypeSafe's Empfehlung
1	Wörtliches Lesen — es beantwortet die Frage, die Sie geschrieben haben, nicht die, die Sie gemeint haben	Geben Sie die exakte Bedingung an; legen Sie Grenzfälle in die Kriterien
2	Mathematik und Zahlen — es ist kein Taschenrechner und zählt nicht zuverlässig	Belassen Sie Arithmetik und Zählen im Code
3	Datums- und Zeitvergleich — Daten werden als Text gelesen, nicht als geordnete Größen	Extrahieren Sie Komponenten; vergleichen Sie im Code
4	Indirektion — doppelte Verneinungen und Multi-Hop-Fragen kosten Genauigkeit	Reduzieren Sie Hops; zeigen Sie direkt auf den relevanten State
5	Großer State voller irrelevanter Details	Erst filtern; senden Sie nur, was die Frage benötigt
6	Adversariale Inhalte	Schreiben Sie präzise Anweisungen und testen Sie Randfälle vor dem Deployment
7	Widersprüchliche Anweisungen und Kriterien	Bringen Sie Anweisung und Kriterien in Einklang
8	Strukturelle Alltagsinvarianten	Stellen Sie jede Entscheidung auf eine Weise; erzwingen Sie Identitäten im Code
9	Generierung	Verwenden Sie ein generatives Modell

Zwei davon sind in der Praxis am wichtigsten. Erstens, Zählen: Die Dokumentation stellt klar fest, dass jev-1.13 „does not count reliably" (nicht zuverlässig zählt) — Zeichen in einem Wort, Vorkommen in einer Passage, Elemente in einer langen Liste — und dass der Fehler mit der Größe des gezählten Objekts wächst. Zweitens, Generierung: Jev wird nicht Ihre Zusammenfassung, Ihre Antwort oder Ihre Commit-Nachricht schreiben. Es entscheidet; etwas anderes schreibt.

TypeSafe's eigenes empfohlenes Muster für das Zählen zeigt die beabsichtigte Arbeitsteilung: Iterieren Sie im Code über Kandidaten, stellen Sie ein Noul pro Kandidat und addieren Sie die Antworten selbst.

Woher die Schlagzeilenzahlen stammen

Zwei Zahlen begleiten fast jede Jev-Diskussion. Sie stammen aus verschiedenen Quellen und beschreiben verschiedene Dinge.

0,7 Sekunden. Every veröffentlichte einen Artikel mit dem Titel „TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds". Build-Indizes, die diesen Artikel katalogisieren, beschreiben ihn als 777 Urteile über 37 Artikel. Wir konnten den vollständigen Artikeltext nicht laden, um seine Kostenzahl zu bestätigen, daher behandeln Sie die rund um diese Demo zitierte Kosten pro Durchlauf als die eigene Messung des Autors und nicht als veröffentlichten Tarif.

724 Anzeigen, 40 Sekunden, etwa 9 Cent. Diese ist zweimal dokumentiert. Die Build-Seite madewithjev.com — 724 competitor ads, broken down gibt an, dass 724 Live-Anzeigen von 37 Marken in etwa 40 Sekunden analysiert wurden. Der Beitrag des Autors auf X (17. September 2026) ergänzt die Kosten — „used 9 cents of tokens" — und listet die pro Anzeige extrahierten Dimensionen auf: Hook, Format, Angebot, CTA, Awareness-Stufe und Landing-Page-Mismatch.

Die Unterscheidung zwischen den beiden lohnt sich zu behalten: 0,7 Sekunden ist die Auswertungszeit des Modells auf einem Korpus in Absatzgröße, während 40 Sekunden das Abrufen und Verarbeiten von 724 Live-Anzeigen umfasst. Keine der beiden Zahlen ist eine Durchsatzgarantie für Ihre Workload.

Was die Community damit baut

Jevs Akzeptanz ist ungewöhnlich leicht zu überprüfen, weil fast alles, was in der ersten Woche veröffentlicht wurde, Open Source ist. Die untenstehenden Star-Zahlen wurden am 20. September 2026 über die GitHub-API ausgelesen.

Browser- und Computer-Nutzung. browser-use/jev-ultrafast (★10.113) stammt aus der browser-use-Organisation und ist das Projekt, das den Ton gesetzt hat. Es legt einen festen Aktionsraum offen (CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, BLOCKED) und bittet Jev, sowohl die Operation als auch das Zielelement zu wählen. Beide Entscheidungen gehen in eine einzige TypeSafe-Anfrage, wobei die Ziel-Frage als spekulativ markiert ist. Nur TYPE_TEXT ruft ein Textmodell auf, und das eigene Beispiel im README verwendet ein kleines. Seine Demonstrationsaufgabe — Zürich nach London auf Google Flights — wird mit 7,1 Sekunden inklusive Textgenerierung und Seitenladezeiten angegeben. Es gibt keine seitenspezifischen Skripte.

Kontextkomprimierung für Coding-Agents. tamaratran/fast-jev-compaction (★4.544) entscheidet, welche Tool-Ergebnisse in einem Coding-Agent-Transkript noch aufbewahrungswert sind, sodass eine lange Sitzung ohne einen vollständigen Zusammenfassungsdurchlauf komprimiert werden kann. Es gibt Ports und Varianten für andere Agent-Harnesse.

Agent-Guardrails. DevMortimer/pi-warden (★99) und shiftynick/jev-axi (★17) setzen beide ein Urteil vor jeden Befehl oder Tool-Aufruf: erst fragen, die gefährlichen blockieren. Dies ist das Muster, bei dem „kalibrierte Wahrscheinlichkeit plus ein Schwellenwert in Ihrem eigenen Code" wirklich besser ist als eine Textantwort, die Sie interpretieren müssen.

Modell-Routing. vinilana/jev-gateway (★61) leitet einfache Anfragen an eine kostengünstige Stufe weiter und eskaliert nur die schwierigen. Es ist der direkteste Ausdruck von TypeSafe's eigenem Argument — dass eine Entscheidung einen Bruchteil der Generierung kosten kann, die sie steuert.

Spiele- und Steuerungsdemos. fhshaik/typesafe-mario (★289) spielt Super Mario Bros. aus strukturiertem Emulator-State, und RomanSlack/jev-drone (★81) betreibt eine Drohnensteuerungsschleife in MuJoCo. Diese verbreiten sich weit schneller, als sie ausgeliefert werden; behandeln Sie sie als Demonstrationen der Schnittstelle, nicht als Belege für Produktionszuverlässigkeit.

Offene Reproduktionen. Dies ist der interessanteste Thread für alle, die die Fähigkeit ohne einen neuen Anbieter wollen. TheoLeeCJ/SemIf (★2.123) betreibt ein offenes Modell auf einer einzelnen RTX 3090 zu Hause und stellt ausdrücklich klar, dass es unabhängig von TypeSafe ist. TianyuCodings/NanoJev (★1.175) ist eine Reproduktion im kleinen Maßstab. convaiinnovations/laya ist ein Apache-2.0-, kommerziell nutzbarer Encoder mit RLCD-trainierten Entscheidungsköpfen, veröffentlicht unter den Tags system-one und calibrated-decisions, mit einem begleitenden Runner in receptron/laya. Keines davon ist Jev, und die Benchmark-Diagramme, die sie veröffentlichen, sind ihre eigenen; der Punkt ist, dass die Form des Modells reproduzierbar ist.

Batch-Klassifizierung. Der obige Anzeigen-Teardown ist das Vorzeigebeispiel und das Muster, das am wahrscheinlichsten den Kontakt mit der Produktion übersteht: Halten Sie den State fest, stellen Sie viele enge Fragen in einer Anfrage und lesen Sie die Wahrscheinlichkeiten.

Ist Jev tatsächlich günstiger als ein kostengünstiges LLM?

Nicht pro Input-Token, und das ist der Teil, den die meisten Artikel überspringen. Jev berechnet $0.042 pro 1M Input-Tokens. Bei APIMaster ist gpt-5.6-luna im Angebot ab $0.022 pro 1M Input-Tokens — etwa die Hälfte von Jevs Input-Tarif — mit glm-5.3-flash bei $0.105 und deepseek-flash bei $0.15. Die günstigsten gehosteten generativen Modelle unterbieten Jev bereits beim Input-Preis.

Jevs Kostenargument stützt sich auf drei andere Dinge:

• Keine Output-Tokens. Das günstigste generative Modell gibt für jedes Urteil noch Text aus, und Output ist um ein Mehrfaches teurer als Input. Jev liefert eine Wahrscheinlichkeit und hört auf.
• Latenz. TypeSafe veröffentlicht End-to-End-Antwortzeiten von 70ms bis 500ms und beschreibt den Vergleich mit Frontier-Modellen bei System-One-förmigen Abfragen als 40× bis 200× schneller. Geschwindigkeit ist es, was eine Entscheidung innerhalb eines Anfragepfads statt hinter einer Warteschlange laufen lässt.
• Marginale Fragen sind nahezu kostenlos. Weil Fragen parallel über einen State auffächern, kostet die zehnte Frage einen Bruchteil dessen, was ein zehnter API-Aufruf kosten würde.

Ob das gewinnt, hängt von Ihrer Workload ab. Wenn Ihre Urteile wenige, lang und von Reasoning profitierend sind, ist ein kostengünstiges LLM mit strukturierter Ausgabe der bessere Kauf. Wenn Sie viele kurze Urteile pro Arbeitseinheit fällen oder die Antwort benötigen, bevor ein Nutzer eine Pause bemerkt, ändert sich die Rechnung.

Kann man Jev mit einem OpenAI-kompatiblen Key aufrufen?

Nicht gegen TypeSafe's eigenen Endpunkt, und der Unterschied ist strukturell und keine Frage der Konfiguration:

• Andere Route. TypeSafe dokumentiert einen Auswertungsendpunkt, /v1/systemone, und ein /v1/models-Listing. Es gibt kein dokumentiertes /chat/completions.
• Anderer Body. Die Anfrage trägt state und eine Map typisierter questions. Ein OpenAI-förmiger Body trägt messages und erwartet generierten Text zurück.
• Andere Antwort. Sie erhalten Wahrscheinlichkeiten und Confidence-Werte, verschlüsselt nach den von Ihnen gewählten Fragenamen, nicht einen Completion-String.

Gegen die Vendor-API bedeutet es, einen OpenAI-kompatiblen Client mit Jev sprechen zu lassen, eine Übersetzungsschicht für beide Richtungen zu schreiben — was die Community-Gateways im Routing-Abschnitt oben tun. Jev befindet sich bei APIMaster im Onboarding, und diese Seite wird aktualisiert, sobald die Integration live ist. Bis dahin ist die Live-Option für ein schnelles Urteil auf einem OpenAI-kompatiblen Endpunkt eine der kostengünstigen Stufen unten.

Was heute zu nutzen ist, wenn Sie schnelle Urteile benötigen

Wenn das, was Sie tatsächlich benötigen, ein Urteil von einem bestehenden OpenAI-kompatiblen Endpunkt ist, lautet die praktische Frage, an welche kostengünstige Stufe Sie es senden. Live-APIMaster-Routen zum 20. September 2026:

Modell-ID	Routen im Angebot	Ab (Input / Output pro 1M)	Referenz-Listenpreis	Ungefährer Rabatt
gpt-5.6-luna	3	$0.022 / $0.134	$0.20 / $1.20	~89% Rabatt
glm-5.3-flash	3	$0.105 / $0.35	$0.15 / $0.50	~30% Rabatt
deepseek-flash	1	$0.15 / $0.60	Wie DeepSeek Off-Peak	Kein Aufschlag
gpt-5.6-terra	15	$0.12 / $0.72	$2.00 / $12.00	~94% Rabatt
gemini-3.8-flash	7	$0.20 / $1.00	$1.50 / $7.50	~87% Rabatt

Jev selbst befindet sich zum Zeitpunkt des Schreibens noch im Onboarding; die Stufe unten ist das, was in der Zwischenzeit zu nutzen ist. Drei Hinweise zum Lesen dieser Tabelle. Die Preise sind die günstigste Route im Angebot zum Zeitpunkt der Prüfung, und verschiedene Routen für dasselbe Modell tragen unterschiedliche Preise — öffnen Sie die Modellkarte, bevor Sie Volumen festlegen. deepseek-flash ist zu DeepSeek's eigenem Off-Peak-Tarif bepreist, daher lautet die ehrliche Aussage „kein Gateway-Aufschlag", nicht ein Rabatt. Und ein niedrigerer Input-Preis ist nicht automatisch die günstigere Wahl: Output-Länge, Cache-Hit-Verhalten und Retry-Rate dominieren in der Regel die endgültige Rechnung.

Eine praktikable Aufteilung für eine Jev-artige Pipeline auf einem einzigen Key:

1. Legen Sie die enge, hochfrequente Entscheidung auf eine kleine, kostengünstige Stufe und steuern Sie über Ihren eigenen Confidence-Schwellenwert.
2. Eskalieren Sie nur die Fälle, die unter diesen Schwellenwert fallen, an ein stärkeres Modell.
3. Belassen Sie Zählen, Arithmetik und Datumsvergleich in Ihrem eigenen Code — derselbe Rat, den TypeSafe gibt, und er gilt für jedes Modell in der Tabelle.

Erstellen Sie ein APIMaster-Konto, fügen Sie Pay-as-you-go-Guthaben ab $1 hinzu, erstellen Sie einen Key in der Konsole und richten Sie einen OpenAI-kompatiblen Client auf https://apimaster.ai/v1 mit einer der obigen Modell-IDs. Ein Key deckt die Familien GPT, GLM, DeepSeek, Gemini und Claude ab, sodass der Eskalationspfad in Schritt 2 auf derselben Integration bleibt. Validieren Sie eine Route mit dem Modell-Tester, bevor Sie Produktionsverkehr verlagern.

FAQ

Was ist Jev? Jev ist TypeSafe AIs System-One-Modell. Es nimmt einen State plus eine Map typisierter Fragen und liefert kalibrierte Wahrscheinlichkeiten — Choice-, Score- und Noul-Antworten — statt generierten Text.

Ist Jev ein Sprachmodell? Nein – und TypeSafe selbst formuliert es noch deutlicher. Im Launch-Thread beschrieb der Gründer es als „ein strukturiertes Datenmodell, aber technisch gesehen kein Sprachmodell (es generiert keine Sprache)". Es liest den von dir gesendeten Text und gibt typisierte Entscheidungen mit Wahrscheinlichkeiten und Konfidenzwerten zurück, und es generiert niemals Prosa. TypeSafe ordnet es neben RLHF-Chat-Modellen und RLVR-Reasoning-Modellen als dritte Kategorie ein, nicht als kleinere Version eines der beiden.

Was ist die Jev-Modell-ID? jev-1.13.0. Die Aliasse jev-latest und jev-preview verweisen derzeit auf dieselbe Version; die SDKs verwenden standardmäßig jev-latest.

Wie viel kostet Jev? $42 pro Milliarde Input-Tokens, was $0.042 pro 1M Input-Tokens entspricht. Output-Tokens sind kostenlos, und die Abrechnung erfolgt nur auf Input.

Ist Jev OpenAI-kompatibel? Nicht auf TypeSafe's eigener API. Es verwendet einen dedizierten POST /v1/systemone-Endpunkt mit einem state-plus-questions-Body und liefert Wahrscheinlichkeiten statt Completions, sodass ein OpenAI-förmiger Client es nicht unverändert aufrufen kann. Jev befindet sich bei APIMaster im Onboarding, und diese Seite wird aktualisiert, sobald die Integration live ist.

Ist Jev auf APIMaster verfügbar? Noch nicht im Angebot — Jev befindet sich bei APIMaster im Onboarding, und diese Seite wird aktualisiert, sobald die Integration live ist. In der Zwischenzeit ist die kostengünstige Textstufe, die Sie mit einer Entscheidungsschicht kombinieren würden, bereits verfügbar; siehe die Live-Karten für gpt-5.6-luna, glm-5.3-flash und deepseek-flash.

Unterstützt Jev Chinesisch und andere nicht-englische Sprachen? TypeSafe gibt an, dass Englisch die primäre Trainingssprache ist und wo die Genauigkeit derzeit am besten ist, und dass andere Sprachen einschließlich CJK verarbeitet werden, aber nicht gleich gut. Die Dokumentation rät Ihnen, mit Ihren eigenen Inhalten zu testen und beim Routing die Confidence-Werte zu beobachten.

Kann ich Jev mit meinen eigenen Daten feinabstimmen? Nein. TypeSafe stimmt Jev nicht pro Kunde fein ab oder LoRA-adaptiert es und trainiert nicht mit Kundenanfragen oder -antworten. Domänenverhalten wird über den State, die Anweisungen und die Kriterien in jeder Anfrage geformt.

Welche Aufgaben sollte ich aus Jev heraushalten? TypeSafe veröffentlicht neun: wörtliches Lesen, Mathematik und Zahlen, Datums- und Zeitvergleich, Indirektion, große States voller irrelevanter Details, adversariale Inhalte, widersprüchliche Kriterien, strukturelle Alltagsinvarianten und Generierung. Zählen und Arithmetik gehören in Ihren Code.

Kann ich eine Alternative selbst hosten? Es gibt offene Reproduktionen — SemIf, NanoJev und der Apache-2.0-Encoder laya darunter — aber sie sind unabhängige Projekte mit ihren eigenen Benchmarks, nicht Jev. Behandeln Sie veröffentlichte Vergleiche als die eigenen Messungen der Projekte.

Wann sollte ich Jev statt eines kostengünstigen LLM verwenden? Wenn die Entscheidung eng und typisiert ist, Sie sie oft fällen und Sie sie in Hunderten von Millisekunden statt Sekunden zurückbenötigen. Für Long-Context-Reasoning, Generierung oder alles, was Arithmetik erfordert, ist ein kostengünstiges generatives Modell die bessere Wahl.

Quellen und weiterführende Literatur

• TypeSafe — Models — Modell-ID, Aliasse, $42/Btok-Preisgestaltung, Rate Limits, Kontextbudget, Sprachunterstützung und Datenhandhabung
• TypeSafe — Jev 1.13 jaggedness — die Bereiche, die TypeSafe ausgrenzt, mit dem empfohlenen Muster für jeden, überprüft am 17. September 2026
• TypeSafe — API reference und Quick start — Endpunkt, Anfrage- und Antwortformen, SDK-Nutzung
• TypeSafe — Introducing System One Models and Jev — Launch-Post, die 70–500ms-End-to-End-Zahl und der 40×–200×-Vergleich
• Hacker News discussion — 1.918 Punkte im Launch-Thread
• browser-use/jev-ultrafast — Aktionsraum, das Single-Request-Design für Operation und Ziel und die Google-Flights-Demonstration
• Made with Jev — 724 competitor ads, broken down — die Build-Seite zur Anzeigenanalyse, mit dem Beitrag des Autors
• Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds Offene Reproduktionen. Dies ist der interessanteste Thread für alle, die die Fähigkeit ohne einen neuen Anbieter nutzen möchten. TheoLeeCJ/SemIf (★2,123) führt ein offenes Modell auf einer einzelnen RTX 3090 zu Hause aus und stellt ausdrücklich klar, dass es unabhängig von TypeSafe ist. TianyuCodings/NanoJev (★1,175) ist eine Reproduktion im kleinen Maßstab. convaiinnovations/laya ist ein Apache-2.0-lizenziertes, kommerziell nutzbares Klassifikationsmodell, das mit RLCD trainiert und unter den Tags system-one und calibrated-decisions veröffentlicht wurde, mit einem begleitenden Runner in receptron/laya. Keines davon ist Jev, und die Benchmark-Diagramme, die sie veröffentlichen, sind ihre eigenen; der Punkt ist, dass die Form des Modells reproduzierbar ist.

TypeSafe's Modell-Dokumentation und Umfangsnotizen wurden am 20. September 2026 überprüft; Star-Zahlen und APIMaster-Routenpreise wurden am selben Tag ausgelesen. Jevs APIMaster-Onboarding läuft und diese Seite wird aktualisiert, sobald es voranschreitet. Preisgestaltung, Rate Limits und Projektstatus ändern sich — verifizieren Sie auf der Live-Karte oder der Seite des Anbieters, bevor Sie eine Workload festlegen.