Jev API: Apa Itu Model System One milik TypeSafe, Berapa Biayanya, dan Kapan Menggunakannya

Apa sebenarnya Jev itu

TypeSafe memperkenalkan Jev pada 15 September 2026 sebagai "model System One" pertama. Kerangkanya diambil dari Thinking, Fast and Slow karya Kahneman: LLM saat ini berperilaku seperti sistem yang bernalar dan deliberatif, dan TypeSafe sedang membangun separuh yang cepat dan intuitif — hanya saja "intuisi" di sini berarti distribusi probabilitas terkalibrasi atas jawaban, bukan firasat yang dirender sebagai teks.

Namanya merujuk pada Jevons, dan pitch-nya adalah bahwa primitif keputusan yang cepat dan berbiaya rendah akan dipanggil jauh lebih sering daripada yang mahal.

Perbedaan mekanis dari sebuah LLM-lah yang penting untuk rekayasa:

• Outputnya bertipe. Anda mendeklarasikan bentuk jawaban di awal — Choice atas opsi yang dapat dienumerasi, Score atas tingkat deskriptif, atau Noul (ya/tidak) dengan probabilitas. Tidak ada teks bebas yang perlu di-parse, dan kesesuaian dengan skema adalah properti arsitekturnya, bukan sesuatu yang Anda harap dipatuhi model.
• Anda mendapatkan probabilitas, bukan sekadar pilihan. Choice mengembalikan opsi terpilih plus probabilitas untuk setiap opsi dan nilai confidence yang terpisah. Itulah yang memungkinkan Anda merutekan berdasarkan ketidakpastian: bertindak di atas ambang, beralih ke model yang lebih besar di bawahnya.
• Pertanyaan berjalan paralel. Jev menyerap state satu kali dan mengevaluasi setiap pertanyaan dalam permintaan terhadap state itu pada saat yang sama. Mengajukan tiga puluh pertanyaan alih-alih satu hanya menambah sedikit waktu dinding, dan itulah yang memungkinkan kasus penggunaan klasifikasi batch di bawah ini.
• Cakupannya sempit dengan sengaja. Panduan TypeSafe adalah menyimpan alur kendali di kode Anda dan memberi Jev keputusan atomik yang terstruktur, bukan satu penilaian besar. Output tidak memiliki struktur sekuensial. Pendiri TypeSafe telah menyatakan bahwa string dan struktur data sekuensial lainnya tidak diizinkan di sisi output, dan alasan yang disebutkan justru ini: itulah yang memungkinkan setiap jawaban dihitung secara paralel, yang menjadi sebab tidak ada token output yang perlu ditagih. Anda tidak dapat meminta Jev menuliskan sebuah kalimat untuk Anda, dan pembatasan itulah yang menjadi dasar penetapan harganya.

Permintaan minimalnya terlihat seperti ini:

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?" }
    }
  }'

Spesifikasi Jev sekilas

Spesifikasi	Jev 1.13
ID model	jev-1.13.0
Alias	jev-latest, jev-preview (keduanya mengarah ke 1.13 saat ini)
Endpoint	POST https://api.typesafe.ai/v1/systemone
Harga	$42 per miliar token input / $0.042 per 1Jt
Harga output	Gratis — ditagih hanya berdasarkan input
Batas laju	250.000 token/detik dan 1.200 permintaan/menit, dinyatakan dinamis
Panjang konteks	64k per permintaan (state plus semua pertanyaan); 32k untuk state plus pertanyaan terpanjang
Jenis input	Teks: string, objek JSON, atau array. Tanpa gambar, audio, atau video
Output	Jawaban Choice, Score, dan Noul bertipe dengan probabilitas dan confidence
SDK klien	Python typesafe-sdk, JavaScript @typesafe-ai/sdk
Bobot kustom per akun	Tidak. Jev tidak di-fine-tune atau diadaptasi dengan LoRA menggunakan data pelanggan
Data pelatihan dari pelanggan	Tidak. Permintaan dan respons tidak digunakan untuk pelatihan

Di mana Jev cocok, dan apa yang menurut TypeSafe sebaiknya tetap di kode

TypeSafe juga menerbitkan cakupan jev-1.13 secara rinci: sembilan area, masing-masing dengan pola yang direkomendasikan sebagai gantinya, terakhir ditinjau 17 September 2026.

#	Area	Panduan TypeSafe
1	Pembacaan literal — ia menjawab pertanyaan yang Anda tulis, bukan yang Anda maksud	Nyatakan kondisi persisnya; masukkan kasus batas ke dalam kriteria
2	Matematika dan angka — ia bukan kalkulator dan tidak menghitung dengan andal	Simpan aritmetika dan penghitungan di kode
3	Perbandingan tanggal dan waktu — tanggal dibaca sebagai teks, bukan kuantitas terurut	Ekstrak komponennya; bandingkan di kode
4	Indireksi — negasi ganda dan pertanyaan multi-lompatan menurunkan akurasi	Kurangi lompatan; arahkan langsung ke state yang relevan
5	State besar yang penuh detail tidak relevan	Saring dulu; kirim hanya yang dibutuhkan pertanyaan
6	Konten adversarial	Tulis instruksi yang presisi dan uji kasus tepi sebelum menerapkan
7	Instruksi dan kriteria yang bertentangan	Selaraskan instruksi dan kriterianya
8	Invarian struktural akal sehat	Ajukan setiap keputusan dengan satu cara; tegakkan identitas di kode
9	Generasi	Gunakan model generatif

Dua di antaranya paling penting dalam praktik. Pertama, penghitungan: dokumentasinya menyatakan secara gamblang bahwa jev-1.13 "tidak menghitung dengan andal" — karakter dalam sebuah kata, kemunculan dalam sebuah paragraf, item dalam daftar panjang — dan bahwa galatnya bertambah seiring ukuran objek yang dihitung. Kedua, generasi: Jev tidak akan menulis ringkasan, balasan, atau pesan commit Anda. Ia memutuskan; hal lain yang menulis.

Pola yang direkomendasikan TypeSafe sendiri untuk penghitungan menunjukkan pembagian kerja yang dimaksud: iterasi kandidat di kode, ajukan satu Noul per kandidat, dan jumlahkan sendiri jawabannya.

Dari mana angka-angka utama berasal

Dua angka selalu muncul di hampir setiap diskusi tentang Jev. Keduanya berasal dari sumber yang berbeda dan menjelaskan hal yang berbeda.

0,7 detik. Every menerbitkan artikel berjudul "TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds." Indeks build yang mengatalogkan tulisan itu mendeskripsikannya sebagai 777 penilaian di 37 artikel. Kami tidak dapat memuat isi artikel lengkapnya untuk mengonfirmasi angka biayanya, jadi perlakukan biaya per-run yang dikutip di sekitar demo tersebut sebagai pengukuran penulisnya sendiri, bukan tarif yang diterbitkan.

724 iklan, 40 detik, sekitar 9 sen. Yang ini didokumentasikan dua kali. Halaman build madewithjev.com — 724 iklan pesaing, diuraikan menyatakan bahwa 724 iklan aktif dari 37 merek dianalisis dalam sekitar 40 detik. Postingan penulisnya di X (17 September 2026) menambahkan biayanya — "used 9 cents of tokens" — dan mencantumkan dimensi yang diekstraksi per iklan: hook, format, penawaran, CTA, tahap awareness, dan ketidaksesuaian landing page.

Perbedaan antara keduanya layak dipertahankan: 0,7 detik adalah waktu evaluasi model pada korpus berskala paragraf, sedangkan 40 detik mencakup pengambilan dan pemrosesan 724 iklan live. Tidak ada dari kedua angka itu yang merupakan jaminan throughput untuk beban kerja Anda.

Apa yang dibangun komunitas dengan alat ini

Adopsi Jev luar biasa mudah diperiksa, karena hampir semua yang diterbitkan pada minggu pertama bersifat open source. Jumlah bintang di bawah ini dibaca dari GitHub API pada 20 September 2026.

Penggunaan browser dan komputer. browser-use/jev-ultrafast (★10.113) berasal dari organisasi browser-use dan merupakan proyek yang menentukan nada. Ia memaparkan ruang aksi tetap (CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, BLOCKED) dan meminta Jev memilih operasi sekaligus elemen targetnya. Kedua keputusan itu masuk ke satu permintaan TypeSafe, dengan pertanyaan target ditandai sebagai spekulatif. Hanya TYPE_TEXT yang memanggil model teks, dan contoh di README-nya sendiri menggunakan model kecil. Tugas demonstrasinya — Zürich ke London di Google Flights — dikutip 7,1 detik termasuk generasi teks dan pemuatan halaman. Tidak ada skrip khusus per situs.

Kompresi konteks agen coding. tamaratran/fast-jev-compaction (★4.544) memutuskan hasil tool mana dalam transkrip agen coding yang masih layak disimpan, sehingga sesi panjang dapat dipadatkan tanpa proses peringkasan penuh. Ada port dan varian untuk harness agen lain.

Guardrail agen. DevMortimer/pi-warden (★99) dan shiftynick/jev-axi (★17) keduanya menempatkan penilaian di depan setiap perintah atau pemanggilan tool: tanyakan dulu, blokir yang berbahaya. Inilah pola di mana "probabilitas terkalibrasi plus ambang batas di kode Anda sendiri" benar-benar lebih baik daripada jawaban teks yang harus Anda interpretasikan.

Perutean model. vinilana/jev-gateway (★61) merutekan permintaan sederhana ke tier berbiaya rendah dan hanya mengeskalasi yang sulit. Ini adalah ekspresi paling langsung dari argumen TypeSafe sendiri — bahwa sebuah keputusan bisa berbiaya sebagian kecil dari generasi yang ia kawal.

Game dan demo kendali. fhshaik/typesafe-mario (★289) memainkan Super Mario Bros. dari state emulator terstruktur, dan RomanSlack/jev-drone (★81) menjalankan loop kendali drone di MuJoCo. Proyek-proyek ini menyebar jauh lebih cepat daripada kematangannya; perlakukan sebagai demonstrasi antarmuka, bukan bukti tentang keandalan produksi.

Reproduksi terbuka. Ini adalah utas paling menarik bagi siapa pun yang menginginkan kemampuannya tanpa vendor baru. TheoLeeCJ/SemIf (★2.123) menjalankan model terbuka di satu RTX 3090 di rumah dan secara eksplisit menyatakan bahwa proyeknya independen dari TypeSafe. TianyuCodings/NanoJev (★1.175) adalah reproduksi berskala kecil. convaiinnovations/laya adalah encoder berlisensi Apache-2.0 yang dapat digunakan secara komersial dengan decision head yang dilatih RLCD, diterbitkan dengan tag system-one dan calibrated-decisions, beserta runner pendamping di receptron/laya. Tidak satu pun dari ini adalah Jev, dan grafik benchmark yang mereka terbitkan adalah milik mereka sendiri; intinya adalah bahwa bentuk modelnya dapat direproduksi.

Klasifikasi batch. Pembedahan iklan di atas adalah contoh utamanya, dan ini adalah pola yang paling mungkin bertahan saat bersentuhan dengan produksi: jaga state tetap, ajukan banyak pertanyaan sempit dalam satu permintaan, dan baca probabilitasnya.

Apakah Jev benar-benar lebih murah daripada LLM berbiaya rendah?

Tidak per token input, dan inilah bagian yang dilewatkan sebagian besar tulisan. Jev menagih $0.042 per 1Jt token input. Di APIMaster, gpt-5.6-luna sedang diskon mulai $0.022 per 1Jt token input — sekitar setengah tarif input Jev — dengan glm-5.3-flash di $0.105 dan deepseek-flash di $0.15. Model generatif terhosting termurah sudah lebih murah daripada Jev pada harga input.

Argumen biaya Jev bertumpu pada tiga hal lain:

• Tanpa token output. Model generatif termurah sekalipun tetap mengeluarkan teks untuk setiap penilaian, dan harga output beberapa kali lebih tinggi daripada input. Jev mengembalikan probabilitas lalu berhenti.
• Latensi. TypeSafe menerbitkan waktu respons end-to-end 70ms hingga 500ms dan mendeskripsikan perbandingan terhadap model frontier pada kueri berbentuk System One sebagai 40× hingga 200× lebih cepat. Kecepatan inilah yang memungkinkan sebuah keputusan berjalan di dalam jalur permintaan alih-alih di belakang antrean.
• Pertanyaan marginal nyaris gratis. Karena pertanyaan menyebar paralel atas satu state, pertanyaan kesepuluh berbiaya sebagian kecil dari panggilan API kesepuluh.

Apakah itu menang bergantung pada beban kerja Anda. Jika penilaian Anda sedikit, panjang, dan diuntungkan oleh penalaran, LLM berbiaya rendah dengan output terstruktur adalah pembelian yang lebih baik. Jika Anda membuat banyak penilaian pendek per unit kerja, atau Anda membutuhkan jawabannya sebelum pengguna menyadari adanya jeda, hitungannya berubah.

Bisakah Anda memanggil Jev dengan kunci yang kompatibel dengan OpenAI?

Tidak terhadap endpoint TypeSafe sendiri, dan perbedaannya bersifat struktural, bukan sekadar soal konfigurasi:

• Rute berbeda. TypeSafe mendokumentasikan satu endpoint evaluasi, /v1/systemone, dan daftar /v1/models. Tidak ada /chat/completions yang didokumentasikan.
• Body berbeda. Permintaannya membawa state dan peta questions bertipe. Body bergaya OpenAI membawa messages dan mengharapkan teks yang dihasilkan sebagai balasan.
• Respons berbeda. Anda menerima probabilitas dan nilai confidence yang di-key berdasarkan nama pertanyaan yang Anda pilih, bukan string completion.

Terhadap API vendor, membuat klien yang kompatibel dengan OpenAI bisa berbicara dengan Jev berarti menulis lapisan terjemahan untuk kedua arah — itulah yang dilakukan gateway komunitas di bagian perutean di atas. Jev sedang dalam proses onboarding di APIMaster, dan halaman ini akan diperbarui begitu integrasinya aktif. Sampai saat itu, opsi live untuk penilaian cepat di endpoint yang kompatibel dengan OpenAI adalah salah satu tier berbiaya rendah di bawah.

Apa yang harus dijalankan hari ini saat Anda membutuhkan penilaian cepat

Jika yang sebenarnya Anda butuhkan adalah pengambilan keputusan dari endpoint yang kompatibel dengan OpenAI yang sudah ada, pertanyaan praktisnya adalah ke tier berbiaya rendah yang mana ia harus dikirim. Rute APIMaster yang live per 20 September 2026:

ID model	Rute diskon	Mulai dari (input / output per 1Jt)	Harga daftar referensi	Perkiraan diskon
gpt-5.6-luna	3	$0.022 / $0.134	$0.20 / $1.20	~89% lebih murah
glm-5.3-flash	3	$0.105 / $0.35	$0.15 / $0.50	~30% lebih murah
deepseek-flash	1	$0.15 / $0.60	Sama dengan off-peak DeepSeek	Tanpa markup
gpt-5.6-terra	15	$0.12 / $0.72	$2.00 / $12.00	~94% lebih murah
gemini-3.8-flash	7	$0.20 / $1.00	$1.50 / $7.50	~87% lebih murah

Jev sendiri masih dalam proses onboarding saat tulisan ini dibuat; tier di bawah inilah yang bisa dijalankan sementara. Tiga catatan tentang cara membaca tabel itu. Harga adalah rute terendah yang sedang diskon pada saat pemeriksaan, dan rute berbeda untuk model yang sama membawa harga berbeda — buka kartu modelnya sebelum Anda berkomitmen pada volume. deepseek-flash diberi harga setara tarif off-peak DeepSeek sendiri, jadi pernyataan yang jujur adalah "tanpa markup gateway," bukan diskon. Dan harga input yang lebih rendah tidak otomatis berarti pilihan yang lebih murah: panjang output, perilaku cache-hit, dan tingkat percobaan ulang biasanya mendominasi tagihan akhir.

Pembagian yang bisa diterapkan untuk pipeline bergaya Jev pada satu kunci:

1. Tempatkan keputusan sempit berfrekuensi tinggi pada tier kecil berbiaya rendah dan kawal dengan ambang kepercayaan Anda sendiri.
2. Eskalasi hanya kasus yang jatuh di bawah ambang itu ke model yang lebih kuat.
3. Simpan penghitungan, aritmetika, dan perbandingan tanggal di kode Anda sendiri — saran yang sama yang diberikan TypeSafe, dan berlaku untuk setiap model di tabel.

Buat akun APIMaster, tambahkan kredit pay-as-you-go mulai dari $1, buat kunci di konsol, dan arahkan klien yang kompatibel dengan OpenAI ke https://apimaster.ai/v1 dengan salah satu ID model di atas. Satu kunci mencakup keluarga GPT, GLM, DeepSeek, Gemini, dan Claude, sehingga jalur eskalasi di langkah 2 tetap berada di integrasi yang sama. Validasi rute dengan penguji model sebelum Anda memindahkan trafik produksi.

FAQ

Apa itu Jev? Jev adalah model System One milik TypeSafe AI. Ia menerima state plus peta pertanyaan bertipe dan mengembalikan probabilitas terkalibrasi — jawaban Choice, Score, dan Noul — alih-alih teks yang dihasilkan.

Apakah Jev sebuah model bahasa? Tidak — dan kata-kata TypeSafe sendiri lebih tegas dari itu. Pada thread peluncurannya, sang founder mendeskripsikannya sebagai "a structured data model, but technically not a language model (it doesn't generate language)". Model ini membaca teks yang Anda kirim dan mengembalikan keputusan bertipe dengan probabilitas dan nilai keyakinan, dan model ini tidak pernah menghasilkan prosa. TypeSafe menempatkannya sejajar dengan model chat RLHF dan model penalaran RLVR sebagai kategori ketiga, bukan sebagai versi yang lebih kecil dari salah satunya.

Apa ID model Jev? jev-1.13.0. Alias jev-latest dan jev-preview saat ini mengarah ke versi yang sama; SDK default-nya adalah jev-latest.

Berapa biaya Jev? $42 per miliar token input, yaitu $0.042 per 1Jt token input. Token output gratis, dan penagihan hanya berdasarkan input.

Apakah Jev kompatibel dengan OpenAI? Tidak pada API TypeSafe sendiri. Ia memakai endpoint khusus POST /v1/systemone dengan body state plus questions dan mengembalikan probabilitas alih-alih completion, sehingga klien bergaya OpenAI tidak dapat memanggilnya tanpa perubahan. Jev sedang dalam proses onboarding di APIMaster, dan halaman ini akan diperbarui begitu integrasinya aktif.

Apakah Jev tersedia di APIMaster? Belum dijual — Jev sedang dalam proses onboarding di APIMaster, dan halaman ini akan diperbarui begitu integrasinya aktif. Sementara itu, tier teks berbiaya rendah yang akan Anda pasangkan dengan lapisan keputusan sudah tersedia; lihat kartu live untuk gpt-5.6-luna, glm-5.3-flash dan deepseek-flash.

Apakah Jev mendukung bahasa Mandarin dan bahasa non-Inggris lainnya? TypeSafe menyatakan bahwa Inggris adalah bahasa pelatihan utama dan tempat akurasi saat ini paling baik, serta bahwa bahasa lain termasuk CJK ditangani tetapi tidak sama baiknya. Dokumentasinya menyarankan Anda menguji pada konten Anda sendiri dan memperhatikan nilai confidence saat merutekan.

Bisakah saya melakukan fine-tuning Jev dengan data saya sendiri? Tidak. TypeSafe tidak melakukan fine-tuning atau adaptasi LoRA Jev per pelanggan, dan tidak melatih dengan permintaan atau respons pelanggan. Perilaku domain dibentuk melalui state, instruksi, dan kriteria di setiap permintaan.

Tugas apa yang sebaiknya saya jauhkan dari Jev? TypeSafe menerbitkan sembilan: pembacaan literal, matematika dan angka, perbandingan tanggal dan waktu, indireksi, state besar yang penuh detail tidak relevan, konten adversarial, kriteria yang bertentangan, invarian struktural akal sehat, dan generasi. Penghitungan dan aritmetika termasuk di kode Anda.

Bisakah saya self-host alternatifnya? Ada reproduksi terbuka — SemIf, NanoJev, dan encoder laya berlisensi Apache-2.0 di antaranya — tetapi itu adalah proyek independen dengan benchmarknya sendiri, bukan Jev. Perlakukan perbandingan yang diterbitkan sebagai pengukuran proyek tersebut.

Kapan saya harus menggunakan Jev alih-alih LLM berbiaya rendah? Ketika keputusannya sempit dan bertipe, Anda sering membuatnya, dan Anda membutuhkannya kembali dalam ratusan milidetik alih-alih detik. Untuk penalaran konteks panjang, generasi, atau apa pun yang membutuhkan aritmetika, model generatif berbiaya rendah adalah pilihan yang lebih baik.

Sumber dan bacaan lanjutan

• TypeSafe — Models — ID model, alias, harga $42/Btok, batas laju, anggaran konteks, dukungan bahasa, dan penanganan data
• TypeSafe — Jev 1.13 jaggedness — area yang dikeluarkan TypeSafe dari cakupan, beserta pola yang direkomendasikan untuk masing-masing, ditinjau 17 September 2026
• TypeSafe — Referensi API dan Quick start — endpoint, bentuk permintaan dan respons, penggunaan SDK
• TypeSafe — Introducing System One Models and Jev — postingan peluncuran, angka end-to-end 70–500ms dan perbandingan 40×–200×
• Diskusi Hacker News — 1.918 poin pada utas peluncuran
• browser-use/jev-ultrafast — ruang aksi, desain operasi-dan-target dalam satu permintaan, dan demonstrasi Google Flights
• Made with Jev — 724 iklan pesaing, diuraikan — halaman build analisis iklan, dengan postingan penulisnya
• Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds Reproduksi terbuka. Ini adalah utas yang paling menarik bagi siapa pun yang menginginkan kemampuan tersebut tanpa harus menggunakan vendor baru. TheoLeeCJ/SemIf (★2.123) menjalankan model terbuka pada satu RTX 3090 di rumah dan secara eksplisit menyatakan bahwa model ini independen dari TypeSafe. TianyuCodings/NanoJev (★1.175) adalah reproduksi skala kecil. convaiinnovations/laya adalah model klasifikasi Apache-2.0 yang dapat digunakan secara komersial, dilatih dengan RLCD, dipublikasikan di bawah tag system-one dan calibrated-decisions, dengan runner pendamping di receptron/laya. Tidak satu pun dari ini adalah Jev, dan grafik benchmark yang mereka publikasikan adalah milik mereka sendiri; intinya adalah bahwa bentuk model ini dapat direproduksi.

Dokumentasi model dan catatan cakupan TypeSafe diperiksa pada 20 September 2026; jumlah bintang dan harga rute APIMaster dibaca pada hari yang sama. Onboarding Jev di APIMaster sedang berjalan dan halaman ini akan diperbarui seiring kemajuannya. Harga, batas laju, dan status proyek berubah — verifikasi pada kartu live atau halaman vendor sendiri sebelum Anda berkomitmen pada suatu beban kerja.