Jev API: Was TypeSafe's System-One-Modell ist, was es kostet und wann du es einsetzen solltest

Was Jev tatsächlich ist

TypeSafe stellte Jev am 15. September 2026 als erstes „System-One-Modell" vor. Der Rahmen stammt aus Kahnemans Schnelles Denken, langsames Denken: Aktuelle LLMs verhalten sich wie ein schlussfolgerndes, deliberatives System, und TypeSafe baut die schnelle, intuitive Hälfte — außer dass „Intuition" hier eine kalibrierte Wahrscheinlichkeitsverteilung über Antworten bedeutet, nicht ein als Text dargestelltes Bauchgefühl.

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

Die mechanischen Unterschiede zu einem LLM sind das, worauf es beim Engineering ankommt:

• Die Ausgabe ist typisiert. Du deklarierst die Form der Antwort im Voraus — eine Choice über aufzählbare Optionen, ein Score über beschreibende Levels oder ein Noul (Ja/Nein) mit einer Wahrscheinlichkeit. Es gibt keinen Freitext zu parsen, und das Schema zu erfüllen ist eine Eigenschaft der Architektur, nicht etwas, auf dessen Einhaltung du beim Modell hoffst.
• Du bekommst 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 dir, anhand von Unsicherheit zu routen: handle oberhalb eines Schwellenwerts, falle unterhalb auf ein größeres Modell zurück.
• 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, erhöht die Wanduhrzeit kaum, und genau das macht die Batch-Klassifizierungs-Anwendungsfälle unten möglich.
• Es ist bewusst eng gefasst. TypeSafe's Empfehlung lautet, die Kontrollflusslogik in deinem Code zu belassen und Jev atomare, strukturierte Entscheidungen zu geben statt einer großen Beurteilung.
• Die Ausgabe hat keine sequenzielle Struktur. TypeSafe's Gründer hat gesagt, dass Strings und andere sequenzielle Datenstrukturen auf der Output-Seite nicht erlaubt sind, und der genannte Grund ist genau dieser: Es ist das, was jede Antwort parallel berechnen lässt, weshalb es keine Output-Tokens abzurechnen gibt. Du kannst Jev nicht bitten, dir einen Satz zu schreiben, und diese Einschränkung ist die Grundlage des Preises.

Eine minimale Anfrage sieht so aus:

curl -X POST "https://apimaster.ai/v1/systemone" \
  -H "Authorization: Bearer $APIMASTER_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
Model ID	jev-1.13.0
Aliase	jev-latest, jev-preview (beide verweisen heute auf 1.13)
APIMaster-Endpunkt	POST https://apimaster.ai/v1/systemone
APIMaster Model ID	jev-latest
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 will

TypeSafe veröffentlicht auch den Geltungsbereich von jev-1.13 im Detail: neun Bereiche, jeweils mit dem empfohlenen Muster stattdessen, zuletzt geprüft am 17. September 2026.

#	Bereich	TypeSafe's Empfehlung
1	Wörtliches Lesen — es beantwortet die Frage, die du geschrieben hast, nicht die, die du gemeint hast	Formuliere die exakte Bedingung; lege Grenzfälle in die Kriterien
2	Mathematik und Zahlen — es ist kein Taschenrechner und zählt nicht zuverlässig	Halte Arithmetik und Zählen im Code
3	Datums- und Zeitvergleich — Daten werden als Text gelesen, nicht als geordnete Größen	Extrahiere Komponenten; vergleiche im Code
4	Indirektion — doppelte Verneinungen und Multi-Hop-Fragen kosten Genauigkeit	Reduziere Hops; verweise direkt auf den relevanten State
5	Großer State voller irrelevanter Details	Filtere zuerst; sende nur, was die Frage benötigt
6	Adversarialer Inhalt	Schreibe präzise Instruktionen und teste Edge Cases vor dem Deployment
7	Widersprüchliche Instruktionen und Kriterien	Bringe Instruktion und Kriterien in Einklang
8	Common-Sense-Strukturinvarianten	Stelle jede Entscheidung auf eine Weise; erzwinge Identitäten im Code
9	Generierung	Verwende 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 schreibt nicht deine Zusammenfassung, deine Antwort oder deine Commit-Message. Es entscheidet; etwas anderes schreibt.

TypeSafe's eigenes empfohlenes Muster für das Zählen zeigt die beabsichtigte Arbeitsteilung: Iteriere über Kandidaten im Code, stelle ein Noul pro Kandidat und addiere 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 Beurteilungen über 37 Artikel. Wir konnten den vollständigen Artikeltext nicht laden, um seine Kostenzahl zu bestätigen, daher behandle die rund um diese Demo zitierte Kosten pro Durchlauf als die eigene Messung des Autors und nicht als veröffentlichten Tarif.

724 Ads, 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 Post 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, Offer, CTA, Awareness Stage und Landing-Page-Mismatch.

Die Unterscheidung zwischen beiden sollte man beibehalten: 0,7 Sekunden ist die Auswertungszeit des Modells für ein Korpus im Absatzmaßstab, während 40 Sekunden das Abrufen und Verarbeiten von 724 Live-Anzeigen umfasst. Keine der beiden Zahlen ist eine Durchsatzgarantie für deine Workload.

Was die Community damit baut

Jev's 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 stellt einen festen Aktionsraum bereit (CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, BLOCKED) und bittet Jev, sowohl die Operation als auch das Ziel-Element 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-Agenten. tamaratran/fast-jev-compaction (★4.544) entscheidet, welche Tool-Ergebnisse in einem Coding-Agenten-Transkript noch aufbewahrt werden sollten, damit eine lange Sitzung ohne vollständigen Zusammenfassungsdurchlauf komprimiert werden kann. Es gibt Ports und Varianten für andere Agent-Harnesses.

Agent-Guardrails. DevMortimer/pi-warden (★99) und shiftynick/jev-axi (★17) stellen beide eine Beurteilung vor jeden Befehl oder Tool-Aufruf: erst fragen, die gefährlichen blockieren. Das ist das Muster, bei dem „kalibrierte Wahrscheinlichkeit plus ein Schwellenwert im eigenen Code" wirklich besser ist als eine Textantwort, die du interpretieren musst.

Model-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 nur 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 viel schneller, als sie ausgeliefert werden; behandle sie als Demonstrationen der Schnittstelle, nicht als Belege für Produktionszuverlässigkeit.

Offene Reproduktionen. Dies ist der interessanteste Strang für alle, die die Fähigkeit ohne 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 nutzbares Klassifizierungsmodell, trainiert mit RLCD, 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 oben erwähnte Ad-Teardown ist das Vorzeigebeispiel und das Muster, das am wahrscheinlichsten den Kontakt mit der Produktion übersteht: Halte den State fest, stelle viele eng gefasste Fragen in einer Anfrage und lies die Wahrscheinlichkeiten aus.

Ist Jev tatsächlich günstiger als ein kostengünstiges LLM?

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

Jev's Kostenargument stützt sich auf drei andere Dinge:

• Keine Output-Tokens. Das günstigste generative Modell gibt für jede Beurteilung immer noch Text aus, und Output ist um ein Mehrfaches teurer als Input. Jev gibt eine Wahrscheinlichkeit zurück 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 das, was eine Entscheidung innerhalb eines Request-Pfads statt hinter einer Queue laufen lässt.
• Marginale Fragen sind nahezu kostenlos. Weil Fragen parallel über einen State auffächern, kostet die zehnte Frage nur einen Bruchteil dessen, was ein zehnter API-Aufruf kosten würde.

Ob das gewinnt, hängt von deiner Workload ab. Wenn deine Beurteilungen wenige, lange und mit Reasoning vorteilhaft sind, ist ein kostengünstiges LLM mit strukturierter Ausgabe der bessere Kauf. Wenn du viele kurze Beurteilungen pro Arbeitseinheit machst oder die Antwort brauchst, bevor ein Nutzer eine Pause bemerkt, ändert sich die Rechnung.

Wie ruft man Jev auf APIMaster auf?

Nicht gegen TypeSafe's eigenen Endpunkt, und der Unterschied ist struktureller Natur 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 Body im OpenAI-Stil trägt messages und erwartet generierten Text zurück.
• Andere Antwort. Du erhältst Wahrscheinlichkeiten und Confidence-Werte, verschlüsselt nach den von dir gewählten Fragenamen, keinen Completion-String.

Verwende auf APIMaster die native System-One-Anfrage oben mit einem APIMaster-Key und jev-latest. Für diese API-Form ist keine Übersetzungsschicht erforderlich. Der OpenAI-kompatible Endpunkt bleibt für die textgenerierende Hälfte einer Pipeline nützlich, aber er ist nicht der Weg, um Jev selbst aufzurufen.

Was du heute ausführen solltest, wenn du schnelle Beurteilungen brauchst

Wenn du eigentlich eine Beurteilung von einem bestehenden OpenAI-kompatiblen Endpunkt brauchst, ist die praktische Frage, an welche kostengünstige Stufe du sie senden solltest. Live-APIMaster-Routen zum Stand 20. September 2026:

Model 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 ist als typisierte Entscheidungsschicht live; die Stufen unten sind für die textgenerierende oder eskalierende Schicht. Drei Hinweise zum Lesen dieser Tabelle. Die Preise sind die günstigste Route im Angebot zum Zeitpunkt der Prüfung, und verschiedene Routen für dasselbe Modell haben unterschiedliche Preise — öffne die Modellkarte, bevor du Volumen zusagst. deepseek-flash ist auf DeepSeek's eigenen 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 Endrechnung.

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

1. Lege die enge, hochfrequente Entscheidung auf eine kleine, kostengünstige Stufe und steuere sie über deinen eigenen Confidence-Schwellenwert.
2. Eskaliere nur die Fälle, die unter diesen Schwellenwert fallen, an ein stärkeres Modell.
3. Halte Zählen, Arithmetik und Datumsvergleich in deinem eigenen Code — derselbe Rat, den TypeSafe gibt, und er gilt für jedes Modell in der Tabelle.

Erstelle ein APIMaster-Konto, füge Pay-as-you-go-Guthaben ab $1 hinzu, erstelle einen Key in der Konsole und richte einen OpenAI-kompatiblen Client auf https://apimaster.ai/v1 mit einer der obigen Model IDs aus. Ein Key deckt die Familien GPT, GLM, DeepSeek, Gemini und Claude ab, sodass der Eskalationspfad in Schritt 2 auf derselben Integration bleibt. Validiere eine Route mit dem Model Tester, bevor du Produktionsverkehr verlagerst.

FAQ

Was ist Jev? Jev ist TypeSafe AI's 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's eigene Formulierung ist fester als das. Im Launch-Thread beschrieb der Gründer es als „a structured data model, but technically not a language model (it doesn't generate language)". Es liest den von dir gesendeten Text und liefert typisierte Entscheidungen mit Wahrscheinlichkeiten und Confidence-Werten, 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 Model ID? jev-1.13.0. Die Aliase 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, also $0.042 pro 1M Input-Tokens. Output-Tokens sind kostenlos, und abgerechnet wird nur Input.

Ist Jev OpenAI-kompatibel? Nein. Es verwendet einen dedizierten POST /v1/systemone-Endpunkt mit einem Body aus state plus questions und liefert Wahrscheinlichkeiten statt Completions zurück, sodass ein Client im OpenAI-Stil es nicht unverändert aufrufen kann. Rufe es auf APIMaster mit derselben nativen Form unter https://apimaster.ai/v1/systemone mit jev-latest auf.

Ist Jev auf APIMaster verfügbar? Ja. Verwende die Model ID jev-latest mit POST https://apimaster.ai/v1/systemone; der Live-Preis ist $0.042 pro 1M Input-Tokens und $0 Output. Sieh dir die Jev-Marketplace-Karte vor dem Produktionseinsatz an. Kombiniere es mit einem Textmodell wie gpt-5.6-luna, glm-5.3-flash oder deepseek-flash, wenn eine Aufgabe auch generierten Text benötigt.

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 dir, an deinen 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 feinab oder LoRA-adaptiert es, und trainiert nicht mit Kundenanfragen oder -antworten. Domänenverhalten wird über den State, die Instruktionen 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, adversarialer Inhalt, widersprüchliche Kriterien, Common-Sense-Strukturinvarianten und Generierung. Zählen und Arithmetik gehören in deinen Code.

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

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

Quellen und weiterführende Literatur

• TypeSafe — Models — Model ID, Aliase, $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, geprüft am 17. September 2026
• TypeSafe — API reference und Quick start — Endpunkt, Request- und Response-Formen, SDK-Nutzung
• TypeSafe — Introducing System One Models and Jev — Launch-Post, die End-to-End-Zahl von 70–500ms und der 40×–200×-Vergleich
• Hacker-News-Diskussion — 1.918 Punkte im Launch-Thread
• browser-use/jev-ultrafast — Aktionsraum, das Design mit Operation und Ziel in einer einzigen Anfrage und die Google-Flights-Demonstration
• Made with Jev — 724 competitor ads, broken down — die Build-Seite zur Anzeigenanalyse, mit dem Post des Autors
• Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds
• Hugging Face — convaiinnovations/laya und TheoLeeCJ/SemIf — offene, unabhängige Reproduktionen

TypeSafe's Modell-Dokumentation und Scope-Notizen wurden am 20. September 2026 geprüft. APIMaster's jev-latest-Route und Preisgestaltung wurden am 21. September 2026 geprüft. Preise, Rate Limits und Projektstatus ändern sich — verifiziere auf der Live-Karte oder der Seite des Anbieters, bevor du eine Workload zusagst.