API Jev : ce qu'est le modèle System One de TypeSafe, ce qu'il coûte, et quand l'utiliser

Ce qu'est réellement Jev

TypeSafe a présenté Jev le 15 septembre 2026 comme le premier « modèle System One ». Le cadrage vient de Système 1 / Système 2 de Kahneman : les LLM actuels se comportent comme un système de raisonnement délibératif, et TypeSafe construit la moitié rapide et intuitive — sauf qu'« intuition » signifie ici une distribution de probabilité calibrée sur les réponses, et non une intuition restituée sous forme de texte.

Le nom fait référence à Jevons, et l'argument est qu'une primitive de décision rapide et peu coûteuse est appelée bien plus souvent qu'une primitive coûteuse.

Les différences mécaniques avec un LLM sont ce qui compte pour l'ingénierie :

• La sortie est typée. Vous déclarez la forme de la réponse en amont — un Choice sur des options énumérables, un Score sur des niveaux descriptifs, ou un Noul (oui/non) avec une probabilité. Il n'y a pas de texte libre à parser, et le respect du schéma est une propriété de l'architecture plutôt que quelque chose que vous espérez que le modèle respecte.
• Vous obtenez des probabilités, pas seulement un choix. Un Choice renvoie l'option sélectionnée plus une probabilité pour chaque option et une valeur confidence distincte. C'est ce qui vous permet de router selon l'incertitude : agir au-dessus d'un seuil, basculer vers un modèle plus grand en dessous.
• Les questions s'exécutent en parallèle. Jev ingère le state une fois et évalue chaque question de la requête contre lui en même temps. Poser trente questions au lieu d'une ajoute très peu de temps réel, ce qui rend possibles les cas d'usage de classification par lots ci-dessous.
• Il est volontairement étroit. La recommandation de TypeSafe est de garder le flux de contrôle dans votre code et de confier à Jev des décisions atomiques et structurées plutôt qu'un seul grand jugement. La sortie n’a aucune structure séquentielle. Le fondateur de TypeSafe a déclaré que les chaînes de caractères et les autres structures de données séquentielles ne sont pas autorisées du côté de la sortie, et la raison invoquée est précisément celle-ci : c’est ce qui permet à chaque réponse d’être calculée en parallèle, et c’est pourquoi il n’y a aucun token de sortie à facturer. Vous ne pouvez pas demander à Jev de vous écrire une phrase, et c’est sur cette restriction que repose le prix.

Une requête minimale ressemble à ceci :

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?" }
    }
  }'

Les spécifications de Jev en un coup d'œil

Spécification	Jev 1.13
ID de modèle	jev-1.13.0
Alias	jev-latest, jev-preview (les deux pointent vers 1.13 aujourd'hui)
Endpoint	POST https://api.typesafe.ai/v1/systemone
Prix	42 $ par milliard de tokens d'entrée / 0,042 $ par 1M
Tarification de sortie	Gratuite — facturation sur l'entrée uniquement
Limites de débit	250 000 tokens/s et 1 200 requêtes/minute, indiquées comme dynamiques
Longueur de contexte	64k par requête (state plus toutes les questions) ; 32k pour le state plus la question la plus longue
Types d'entrée	Texte : chaîne, objet JSON ou tableau. Pas d'image, d'audio ni de vidéo
Sortie	Réponses typées Choice, Score et Noul avec probabilités et confiance
SDK clients	Python typesafe-sdk, JavaScript @typesafe-ai/sdk
Poids personnalisés par compte	Non. Jev n'est pas fine-tuné ni adapté par LoRA avec les données clients
Données d'entraînement issues des clients	Non. Les requêtes et réponses ne sont pas utilisées pour l'entraînement

Où Jev s'inscrit, et ce que TypeSafe recommande de garder dans le code

TypeSafe publie également en détail le périmètre de jev-1.13 : neuf domaines, chacun avec le pattern recommandé à la place, dernière revue le 17 septembre 2026.

#	Domaine	Recommandation de TypeSafe
1	Lecture littérale — il répond à la question que vous avez écrite, pas à celle que vous vouliez poser	Énoncez la condition exacte ; placez les cas limites dans les critères
2	Mathématiques et nombres — ce n'est pas une calculatrice et il ne compte pas de manière fiable	Gardez l'arithmétique et le comptage dans le code
3	Comparaison de dates et d'heures — les dates sont lues comme du texte, pas comme des quantités ordonnées	Extrayez les composants ; comparez dans le code
4	Indirection — les doubles négations et les questions à plusieurs sauts coûtent en précision	Réduisez les sauts ; pointez directement vers le state pertinent
5	State volumineux rempli de détails non pertinents	Filtrez d'abord ; n'envoyez que ce dont la question a besoin
6	Contenu adversarial	Rédigez des instructions précises et testez les cas limites avant de déployer
7	Instructions et critères contradictoires	Alignez l'instruction et les critères
8	Invariants structurels de bon sens	Posez chaque décision d'une seule manière ; appliquez les identités dans le code
9	Génération	Utilisez un modèle génératif

Deux de ces points comptent le plus en pratique. Premièrement, le comptage : la documentation indique clairement que jev-1.13 « ne compte pas de manière fiable » — les caractères d'un mot, les occurrences dans un passage, les éléments d'une longue liste — et que l'erreur croît avec la taille de ce qui est compté. Deuxièmement, la génération : Jev n'écrira pas votre résumé, votre réponse ni votre message de commit. Il décide ; autre chose écrit.

Le pattern recommandé par TypeSafe pour le comptage illustre la division du travail voulue : itérez sur les candidats dans le code, posez un Noul par candidat, et additionnez vous-même les réponses.

D'où viennent les chiffres phares

Deux chiffres accompagnent presque toutes les discussions sur Jev. Ils proviennent de sources différentes et décrivent des choses différentes.

0,7 seconde. Every a publié un article intitulé « TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds ». Les index de builds qui cataloguent cet article le décrivent comme 777 jugements sur 37 articles. Nous n'avons pas pu charger le corps complet de l'article pour confirmer son chiffre de coût, donc considérez le coût par exécution cité autour de cette démo comme la mesure de l'auteur lui-même plutôt qu'un tarif publié.

724 publicités, 40 secondes, environ 9 cents. Celui-ci est documenté deux fois. La page de build madewithjev.com — 724 competitor ads, broken down indique que 724 publicités en ligne de 37 marques ont été analysées en environ 40 secondes. Le post de l'auteur sur X (17 septembre 2026) ajoute le coût — « used 9 cents of tokens » — et liste les dimensions extraites par publicité : accroche, format, offre, CTA, stade de conscience et inadéquation de la page de destination.

La distinction entre les deux mérite d'être conservée : 0,7 seconde est le temps d'évaluation du modèle sur un corpus à l'échelle d'un paragraphe, tandis que 40 secondes couvrent la récupération et le traitement de 724 publicités en ligne. Aucun des deux chiffres n'est une garantie de débit pour votre charge de travail.

Ce que la communauté construit avec

L'adoption de Jev est inhabituellement facile à inspecter, car presque tout ce qui a été publié la première semaine est open source. Les nombres d'étoiles ci-dessous ont été lus depuis l'API GitHub le 20 septembre 2026.

Navigation et usage de l'ordinateur. browser-use/jev-ultrafast (★10 113) vient de l'organisation browser-use et c'est le projet qui a donné le ton. Il expose un espace d'actions fixe (CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, BLOCKED) et demande à Jev de choisir à la fois l'opération et l'élément cible. Les deux décisions tiennent dans une seule requête TypeSafe, la question sur la cible étant marquée comme spéculative. Seul TYPE_TEXT appelle un modèle de texte, et l'exemple du README en utilise un petit. Sa tâche de démonstration — Zurich à Londres sur Google Flights — est annoncée à 7,1 secondes, génération de texte et chargements de page inclus. Il n'y a pas de scripts spécifiques à un site.

Compression du contexte des agents de codage. tamaratran/fast-jev-compaction (★4 544) décide quels résultats d'outils dans une transcription d'agent de codage méritent encore d'être conservés, afin qu'une longue session puisse être compactée sans une passe complète de résumé. Des ports et variantes existent pour d'autres harnais d'agents.

Garde-fous d'agents. DevMortimer/pi-warden (★99) et shiftynick/jev-axi (★17) placent tous deux un jugement devant chaque commande ou appel d'outil : demander d'abord, bloquer les dangereux. C'est le pattern où « probabilité calibrée plus seuil dans votre propre code » est réellement meilleur qu'une réponse textuelle à interpréter.

Routage de modèles. vinilana/jev-gateway (★61) route les requêtes simples vers un palier peu coûteux et n'escalade que les difficiles. C'est l'expression la plus directe de l'argument de TypeSafe lui-même — qu'une décision peut coûter une fraction de la génération qu'elle conditionne.

Jeux et démos de contrôle. fhshaik/typesafe-mario (★289) joue à Super Mario Bros. à partir d'un state d'émulateur structuré, et RomanSlack/jev-drone (★81) exécute une boucle de contrôle de drone dans MuJoCo. Ces projets se diffusent bien plus vite qu'ils ne sont livrés ; traitez-les comme des démonstrations de l'interface, pas comme des preuves de fiabilité en production.

Reproductions ouvertes. C'est le fil le plus intéressant pour quiconque veut la capacité sans nouveau fournisseur. TheoLeeCJ/SemIf (★2 123) fait tourner un modèle ouvert sur une seule RTX 3090 à la maison et précise explicitement qu'il est indépendant de TypeSafe. TianyuCodings/NanoJev (★1 175) est une reproduction à petite échelle. convaiinnovations/laya est un encodeur Apache-2.0, utilisable commercialement, avec des têtes de décision entraînées par RLCD, publié sous les tags system-one et calibrated-decisions, avec un runner d'accompagnement dans receptron/laya. Aucun de ces projets n'est Jev, et les graphiques de benchmark qu'ils publient sont les leurs ; le point est que la forme du modèle est reproductible.

Classification par lots. L'analyse de publicités ci-dessus en est l'exemple phare, et c'est le pattern le plus susceptible de survivre au contact de la production : gardez le state fixe, posez de nombreuses questions étroites en une seule requête, et lisez les probabilités.

Jev est-il réellement moins cher qu'un LLM peu coûteux ?

Pas par token d'entrée, et c'est la partie que la plupart des articles sautent. Jev facture 0,042 $ par 1M de tokens d'entrée. Sur APIMaster, gpt-5.6-luna est en promotion à partir de 0,022 $ par 1M de tokens d'entrée — environ la moitié du tarif d'entrée de Jev — avec glm-5.3-flash à 0,105 $ et deepseek-flash à 0,15 $. Les modèles génératifs hébergés les moins chers sont déjà en dessous de Jev sur le prix d'entrée.

L'argument de coût de Jev repose sur trois autres choses :

• Pas de tokens de sortie. Le modèle génératif le moins cher émet encore du texte pour chaque jugement, et la sortie est facturée plusieurs fois plus cher que l'entrée. Jev renvoie une probabilité et s'arrête.
• Latence. TypeSafe publie des temps de réponse de bout en bout de 70 ms à 500 ms et décrit la comparaison avec les modèles de pointe sur des requêtes de forme System One comme 40× à 200× plus rapide. La vitesse est ce qui permet à une décision de s'exécuter dans le chemin d'une requête plutôt que derrière une file d'attente.
• Les questions marginales sont presque gratuites. Parce que les questions se déploient en parallèle sur un seul state, la dixième question coûte une fraction de ce que coûterait un dixième appel API.

Savoir si cela l'emporte dépend de votre charge de travail. Si vos jugements sont peu nombreux, longs et bénéficient du raisonnement, un LLM peu coûteux avec sortie structurée est le meilleur achat. Si vous faites de nombreux jugements courts par unité de travail, ou si vous avez besoin de la réponse avant qu'un utilisateur ne remarque une pause, l'arithmétique change.

Peut-on appeler Jev avec une clé compatible OpenAI ?

Pas contre l'endpoint de TypeSafe lui-même, et la différence est structurelle plutôt qu'une question de configuration :

• Route différente. TypeSafe documente un seul endpoint d'évaluation, /v1/systemone, et une liste /v1/models. Il n'y a pas de /chat/completions documenté.
• Corps différent. La requête porte state et une carte de questions typées. Un corps de style OpenAI porte messages et attend du texte généré en retour.
• Réponse différente. Vous recevez des probabilités et des valeurs de confiance indexées par les noms de questions que vous avez choisis, pas une chaîne de complétion.

Contre l'API du fournisseur, faire parler un client compatible OpenAI à Jev implique d'écrire une couche de traduction dans les deux sens — ce que font les passerelles communautaires de la section routage ci-dessus. Jev est en cours d'intégration sur APIMaster, et cette page sera mise à jour une fois l'intégration en ligne. En attendant, l'option en direct pour un jugement rapide sur un endpoint compatible OpenAI est l'un des paliers peu coûteux ci-dessous.

Quoi exécuter aujourd'hui quand vous avez besoin de jugements rapides

Si ce dont vous avez réellement besoin est un jugement depuis un endpoint compatible OpenAI existant, la question pratique est vers quel palier peu coûteux l'envoyer. Routes APIMaster en direct au 20 septembre 2026 :

ID de modèle	Routes en promotion	À partir de (entrée / sortie par 1M)	Prix catalogue de référence	Remise approx.
gpt-5.6-luna	3	0,022 $ / 0,134 $	0,20 $ / 1,20 $	~89 % de réduction
glm-5.3-flash	3	0,105 $ / 0,35 $	0,15 $ / 0,50 $	~30 % de réduction
deepseek-flash	1	0,15 $ / 0,60 $	Identique au tarif heures creuses de DeepSeek	Sans marge
gpt-5.6-terra	15	0,12 $ / 0,72 $	2,00 $ / 12,00 $	~94 % de réduction
gemini-3.8-flash	7	0,20 $ / 1,00 $	1,50 $ / 7,50 $	~87 % de réduction

Jev lui-même est encore en cours d'intégration au moment de la rédaction ; le palier ci-dessous est ce qu'il faut exécuter en attendant. Trois remarques pour lire ce tableau. Les prix correspondent à la route la moins chère en promotion au moment de la vérification, et différentes routes pour le même modèle portent des prix différents — ouvrez la fiche du modèle avant d'engager du volume. deepseek-flash est facturé au tarif heures creuses de DeepSeek lui-même, donc l'affirmation honnête est « sans marge de passerelle », pas une remise. Et un prix d'entrée plus bas n'est pas automatiquement le choix le moins cher : la longueur de sortie, le comportement de cache et le taux de réessai dominent généralement la facture finale.

Une répartition viable pour un pipeline de style Jev sur une seule clé :

1. Placez la décision étroite et à haute fréquence sur un palier petit et peu coûteux et conditionnez sur votre propre seuil de confiance.
2. N'escaladez vers un modèle plus fort que les cas qui passent sous ce seuil.
3. Gardez le comptage, l'arithmétique et la comparaison de dates dans votre propre code — le même conseil que donne TypeSafe, et il s'applique à tous les modèles du tableau.

Créez un compte APIMaster, ajoutez du crédit à l'usage à partir de 1 $, créez une clé dans la console, et pointez un client compatible OpenAI vers https://apimaster.ai/v1 avec n'importe lequel des ID de modèles ci-dessus. Une seule clé couvre les familles GPT, GLM, DeepSeek, Gemini et Claude, de sorte que le chemin d'escalade de l'étape 2 reste sur la même intégration. Validez une route avec le testeur de modèles avant de déplacer du trafic de production.

FAQ

Qu'est-ce que Jev ? Jev est le modèle System One de TypeSafe AI. Il prend un state plus une carte de questions typées et renvoie des probabilités calibrées — des réponses Choice, Score et Noul — au lieu de texte généré.

Jev est-il un modèle de langage ? Non — et la formulation de TypeSafe elle-même est plus ferme que cela. Sur le fil de lancement, le fondateur l'a décrit comme « un modèle de données structuré, mais techniquement pas un modèle de langage (il ne génère pas de langage) ». Il lit le texte que vous lui envoyez et renvoie des décisions typées avec des probabilités et des valeurs de confiance, et il ne génère jamais de prose. TypeSafe le place aux côtés des modèles de chat RLHF et des modèles de raisonnement RLVR comme une troisième catégorie plutôt que comme une version réduite de l'un ou de l'autre.

Quel est l'ID de modèle de Jev ? jev-1.13.0. Les alias jev-latest et jev-preview pointent actuellement vers la même version ; les SDK utilisent jev-latest par défaut.

Combien coûte Jev ? 42 $ par milliard de tokens d'entrée, soit 0,042 $ par 1M de tokens d'entrée. Les tokens de sortie sont gratuits, et la facturation porte uniquement sur l'entrée.

Jev est-il compatible OpenAI ? Pas sur l'API de TypeSafe elle-même. Il utilise un endpoint dédié POST /v1/systemone avec un corps state plus questions et renvoie des probabilités plutôt que des complétions, de sorte qu'un client de style OpenAI ne peut pas l'appeler sans modification. Jev est en cours d'intégration sur APIMaster, et cette page sera mise à jour une fois l'intégration en ligne.

Jev est-il disponible sur APIMaster ? Pas encore en vente — Jev est en cours d'intégration sur APIMaster, et cette page sera mise à jour une fois l'intégration en ligne. En attendant, le palier de texte peu coûteux que vous associeriez à une couche de décision est déjà disponible ; voir les fiches en direct de gpt-5.6-luna, glm-5.3-flash et deepseek-flash.

Jev prend-il en charge le chinois et d'autres langues non anglaises ? TypeSafe indique que l'anglais est la langue d'entraînement principale et celle où la précision est actuellement la meilleure, et que les autres langues, y compris le CJK, sont prises en charge mais pas aussi bien. La documentation vous invite à tester sur votre propre contenu et à surveiller les valeurs de confiance lors du routage.

Puis-je fine-tuner Jev sur mes propres données ? Non. TypeSafe ne fine-tune pas et n'adapte pas Jev par LoRA par client, et n'entraîne pas sur les requêtes ou réponses des clients. Le comportement de domaine est façonné via le state, les instructions et les critères de chaque requête.

Quelles tâches dois-je garder hors de Jev ? TypeSafe en publie neuf : lecture littérale, mathématiques et nombres, comparaison de dates et d'heures, indirection, states volumineux remplis de détails non pertinents, contenu adversarial, critères contradictoires, invariants structurels de bon sens, et génération. Le comptage et l'arithmétique appartiennent à votre code.

Puis-je auto-héberger une alternative ? Il existe des reproductions ouvertes — SemIf, NanoJev et l'encodeur Apache-2.0 laya entre autres — mais ce sont des projets indépendants avec leurs propres benchmarks, pas Jev. Traitez les comparaisons publiées comme les mesures des projets eux-mêmes.

Quand dois-je utiliser Jev plutôt qu'un LLM peu coûteux ? Quand la décision est étroite et typée, que vous la prenez souvent, et que vous avez besoin de la réponse en quelques centaines de millisecondes plutôt qu'en secondes. Pour le raisonnement à long contexte, la génération, ou tout ce qui nécessite de l'arithmétique, un modèle génératif peu coûteux est le meilleur choix.

Sources et lectures complémentaires

• TypeSafe — Models — ID de modèle, alias, tarification à 42 $/Btok, limites de débit, budget de contexte, prise en charge des langues et traitement des données
• TypeSafe — Jev 1.13 jaggedness — les domaines que TypeSafe exclut, avec le pattern recommandé pour chacun, revu le 17 septembre 2026
• TypeSafe — API reference et Quick start — endpoint, formes de requête et de réponse, utilisation du SDK
• TypeSafe — Introducing System One Models and Jev — article de lancement, le chiffre de 70–500 ms de bout en bout et la comparaison de 40×–200×
• Discussion Hacker News — 1 918 points sur le fil de lancement
• browser-use/jev-ultrafast — espace d'actions, la conception opération-et-cible en une seule requête, et la démonstration Google Flights
• Made with Jev — 724 competitor ads, broken down — la page de build d'analyse de publicités, avec le post de l'auteur
• Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds Reproductions ouvertes. C'est le fil le plus intéressant pour quiconque veut la capacité sans nouveau fournisseur. TheoLeeCJ/SemIf (★2,123) exécute un modèle ouvert sur un seul RTX 3090 à la maison et précise explicitement qu'il est indépendant de TypeSafe. TianyuCodings/NanoJev (★1,175) est une reproduction à petite échelle. convaiinnovations/laya est un modèle de classification Apache-2.0, utilisable commercialement, entraîné avec RLCD, publié sous les tags system-one et calibrated-decisions, avec un runner d'accompagnement dans receptron/laya. Aucun d'entre eux n'est Jev, et les graphiques de benchmark qu'ils publient sont les leurs ; l'essentiel est que la forme du modèle est reproductible.

La documentation des modèles et les notes de périmètre de TypeSafe ont été vérifiées le 20 septembre 2026 ; les nombres d'étoiles et les prix des routes APIMaster ont été lus le même jour. L'intégration de Jev sur APIMaster est en cours et cette page sera mise à jour au fur et à mesure. Les prix, les limites de débit et le statut des projets changent — vérifiez sur la fiche en direct ou sur la page du fournisseur avant d'engager une charge de travail.