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

Apa sebenarnya Jev itu

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

Namanya merujuk pada Jevons, dan tawarannya adalah bahwa primitif keputusan yang cepat dan murah akan dipanggil jauh lebih sering daripada yang mahal.

Perbedaan mekanis dari sebuah LLM adalah yang penting untuk rekayasa:

• Output-nya bertipe. Anda mendeklarasikan bentuk jawaban di awal — Choice atas opsi yang dapat dienumerasi, Score atas level deskriptif, atau Noul (ya/tidak) dengan sebuah probabilitas. Tidak ada teks bebas untuk diparsing, dan kesesuaian dengan skema adalah properti arsitektur, bukan sesuatu yang Anda harap dipatuhi model.
• Anda mendapatkan probabilitas, bukan sekadar pilihan. Sebuah Choice mengembalikan opsi terpilih plus probabilitas untuk setiap opsi dan nilai confidence terpisah. Itulah yang memungkinkan Anda merutekan berdasarkan ketidakpastian: bertindak di atas ambang batas, fallback ke model yang lebih besar di bawahnya.
• Pertanyaan berjalan paralel. Jev menyerap state sekali dan mengevaluasi setiap pertanyaan dalam permintaan terhadapnya secara bersamaan. Mengajukan tiga puluh pertanyaan alih-alih satu hanya menambah sedikit waktu wall-clock, dan itulah yang memungkinkan kasus penggunaan klasifikasi batch di bawah ini.
• Cakupannya sengaja sempit. Panduan TypeSafe adalah menjaga alur kontrol di kode Anda dan memberi Jev keputusan atomik dan terstruktur, bukan satu penilaian besar.
• Output tidak memiliki struktur sekuensial. Pendiri TypeSafe pernah mengatakan bahwa string dan struktur data sekuensial lain tidak diizinkan di sisi output, dan alasan yang dinyatakan persis ini: itulah yang memungkinkan setiap jawaban dihitung secara paralel, dan itu sebabnya tidak ada token output yang ditagih. Anda tidak bisa meminta Jev menuliskan kalimat untuk Anda, dan batasan itulah yang menjadi dasar harganya.

Permintaan minimal terlihat seperti ini:

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?" }
    }
  }'

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 APIMaster	POST https://apimaster.ai/v1/systemone
ID model APIMaster	jev-latest
Harga	$42 per miliar token input / $0.042 per 1M
Harga output	Gratis — penagihan hanya berdasarkan input
Batas laju	250,000 token/s dan 1,200 permintaan/menit, dinyatakan sebagai dinamis
Panjang konteks	64k per permintaan (state plus semua pertanyaan); 32k untuk state plus pertanyaan terpanjang
Jenis input	Teks: string, objek JSON, atau array. Tidak ada gambar, audio, atau video
Output	Jawaban bertipe Choice, Score, dan Noul 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 LoRA dengan data pelanggan
Data pelatihan dari pelanggan	Tidak. Permintaan dan respons tidak digunakan untuk pelatihan

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

TypeSafe juga mempublikasikan cakupan jev-1.13 secara detail: 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 secara 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-hop mengorbankan akurasi	Kurangi hop; arahkan langsung ke state yang relevan
5	State besar yang penuh detail tidak relevan	Filter dulu; kirim hanya yang dibutuhkan pertanyaan
6	Konten adversarial	Tulis instruksi yang presisi dan uji kasus tepi sebelum deploy
7	Instruksi dan kriteria yang kontradiktif	Selaraskan instruksi dan kriterianya
8	Invarian struktural akal sehat	Tanyakan 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 dengan gamblang bahwa jev-1.13 "does not count reliably" — karakter dalam sebuah kata, kemunculan dalam sebuah paragraf, item dalam daftar panjang — dan errornya bertambah seiring ukuran objek yang dihitung. Kedua, generasi: Jev tidak akan menulis ringkasan, balasan, atau commit message 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 menyertai hampir setiap diskusi tentang Jev. Keduanya berasal dari sumber 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." Build index yang mengatalogkan tulisan itu menyebutnya sebagai 777 penilaian atas 37 artikel. Kami tidak dapat memuat isi lengkap artikel tersebut untuk mengonfirmasi angka biayanya, jadi perlakukan biaya per run yang dikutip di sekitar demo itu sebagai pengukuran penulis sendiri, bukan tarif yang dipublikasikan.

724 iklan, 40 detik, sekitar 9 sen. Yang ini terdokumentasi dua kali. Halaman build madewithjev.com — 724 competitor ads, broken down menyatakan bahwa 724 iklan live dari 37 merek dianalisis dalam sekitar 40 detik. Postingan penulis di X (17 September 2026) menambahkan biayanya — "used 9 cents of tokens" — dan mencantumkan dimensi yang diekstrak 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 ini

Adopsi Jev luar biasa mudah diperiksa, karena hampir semua yang dipublikasikan pada minggu pertama bersifat open source. Jumlah bintang di bawah 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 arah. Ia mengekspos ruang aksi tetap (CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, BLOCKED) dan meminta Jev memilih operasi sekaligus elemen target. Kedua keputusan masuk ke satu permintaan TypeSafe, dengan pertanyaan target ditandai spekulatif. Hanya TYPE_TEXT yang memanggil model teks, dan contoh di README-nya sendiri memakai 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 coding agent. tamaratran/fast-jev-compaction (★4,544) memutuskan hasil tool mana dalam transkrip coding agent yang masih layak disimpan, sehingga sesi panjang dapat dipadatkan tanpa proses peringkasan penuh. Ada port dan varian untuk harness agent lain.

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

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

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

Reproduksi terbuka. Ini adalah thread paling menarik bagi siapa pun yang menginginkan kemampuan tersebut tanpa vendor baru. TheoLeeCJ/SemIf (★2,123) menjalankan model terbuka di satu RTX 3090 di rumah dan secara eksplisit menyatakan bahwa ia independen dari TypeSafe. TianyuCodings/NanoJev (★1,175) adalah reproduksi berskala kecil. convaiinnovations/laya adalah model klasifikasi Apache-2.0 yang dapat dipakai secara komersial, dilatih dengan RLCD, diterbitkan dengan 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 bentuk modelnya dapat direproduksi.

Klasifikasi batch. Pembongkaran iklan di atas adalah contoh utamanya, dan itu 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 mengenakan $0.042 per 1M token input. Di APIMaster, gpt-5.6-luna sedang diskon mulai $0.022 per 1M token input — kira-kira setengah tarif input Jev — dengan glm-5.3-flash di $0.105 dan deepseek-flash di $0.15. Model generatif terkelola termurah pun sudah memotong harga Jev pada sisi input.

Argumen biaya Jev bertumpu pada tiga hal lain:

• Tidak ada token output. Model generatif termurah tetap mengeluarkan teks untuk setiap penilaian, dan output dihargai beberapa kali lebih tinggi daripada input. Jev mengembalikan probabilitas lalu berhenti.
• Latensi. TypeSafe mempublikasikan waktu respons end-to-end 70ms hingga 500ms dan menggambarkan perbandingannya dengan 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 hampir gratis. Karena pertanyaan memencar secara paralel atas satu state, pertanyaan kesepuluh berbiaya sebagian kecil dari apa yang akan dikenakan oleh 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 pekerjaan, atau Anda butuh jawabannya sebelum pengguna menyadari ada jeda, aritmetikanya berubah.

Bagaimana cara memanggil Jev di APIMaster?

Bukan ke endpoint TypeSafe sendiri, dan perbedaannya bersifat struktural, bukan soal konfigurasi:

• Rute berbeda. TypeSafe mendokumentasikan satu endpoint evaluasi, /v1/systemone, dan satu 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 kembali.
• Respons berbeda. Anda menerima probabilitas dan nilai confidence yang dikunci berdasarkan nama pertanyaan yang Anda pilih, bukan string completion.

Di APIMaster, gunakan permintaan System One native di atas dengan kunci APIMaster dan jev-latest. Tidak diperlukan lapisan penerjemahan untuk bentuk API tersebut. Endpoint yang kompatibel dengan OpenAI tetap berguna untuk separuh pipeline yang menghasilkan teks, tetapi bukan cara untuk memanggil Jev itu sendiri.

Apa yang dijalankan hari ini saat butuh penilaian cepat

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

ID Model	Rute diskon	Mulai dari (input / output per 1M)	Harga list referensi	Perkiraan diskon
gpt-5.6-luna	3	$0.022 / $0.134	$0.20 / $1.20	~89% off
glm-5.3-flash	3	$0.105 / $0.35	$0.15 / $0.50	~30% off
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% off
gemini-3.8-flash	7	$0.20 / $1.00	$1.50 / $7.50	~87% off

Jev live sebagai lapisan keputusan bertipe; tier di bawah ini adalah untuk lapisan generasi teks atau eskalasi. Tiga catatan untuk membaca tabel itu. Harga adalah rute termurah yang diskon pada saat pengecekan, dan rute berbeda untuk model yang sama membawa harga berbeda — buka kartu model sebelum Anda berkomitmen pada volume. deepseek-flash dihargai pada tarif off-peak DeepSeek sendiri, jadi pernyataan yang jujur adalah "tanpa markup gateway", bukan diskon. Dan harga input yang lebih rendah tidak otomatis menjadi pilihan yang lebih murah: panjang output, perilaku cache-hit, dan tingkat retry biasanya mendominasi tagihan akhir.

Pembagian yang bisa dipakai untuk pipeline bergaya Jev dengan satu kunci:

1. Tempatkan keputusan yang sempit dan berfrekuensi tinggi pada tier kecil berbiaya rendah dan gerbangi dengan ambang confidence 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 diberikan TypeSafe, dan itu berlaku untuk setiap model di tabel.

Buat akun APIMaster, tambahkan kredit pay-as-you-go mulai $1, buat kunci di console, 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 pada integrasi yang sama. Validasi sebuah rute dengan model tester sebelum Anda memindahkan trafik produksi.

FAQ

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

Apakah Jev model bahasa? Tidak — dan kata-kata TypeSafe sendiri lebih tegas dari itu. Di thread peluncuran, pendirinya menyebutnya "a structured data model, but technically not a language model (it doesn't generate language)". Ia membaca teks yang Anda kirim dan mengembalikan keputusan bertipe dengan probabilitas dan nilai confidence, dan ia tidak pernah menghasilkan prosa. TypeSafe menempatkannya sejajar dengan model chat RLHF dan model penalaran RLVR sebagai kategori ketiga, bukan sebagai versi lebih kecil dari keduanya.

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 1M token input. Token output gratis, dan penagihan hanya berdasarkan input.

Apakah Jev kompatibel dengan OpenAI? Tidak. Ia memakai endpoint khusus POST /v1/systemone dengan body state plus questions dan mengembalikan probabilitas, bukan completion, sehingga klien bergaya OpenAI tidak bisa memanggilnya tanpa perubahan. Di APIMaster, panggil bentuk native yang sama di https://apimaster.ai/v1/systemone dengan jev-latest.

Apakah Jev tersedia di APIMaster? Ya. Gunakan ID model jev-latest dengan POST https://apimaster.ai/v1/systemone; harga live-nya $0.042 per 1M token input dan $0 output. Lihat kartu marketplace Jev sebelum penggunaan produksi. Pasangkan dengan model teks seperti gpt-5.6-luna, glm-5.3-flash, atau deepseek-flash ketika sebuah tugas juga membutuhkan teks yang dihasilkan.

Apakah Jev mendukung bahasa Mandarin dan bahasa non-Inggris lainnya? TypeSafe menyatakan bahwa Inggris adalah bahasa pelatihan utama dan saat ini yang akurasinya paling baik, dan 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 fine-tune Jev dengan data saya sendiri? Tidak. TypeSafe tidak melakukan fine-tune atau adaptasi LoRA pada 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 tidak diberikan ke Jev? TypeSafe mempublikasikan sembilan: pembacaan literal, matematika dan angka, perbandingan tanggal dan waktu, indireksi, state besar yang penuh detail tidak relevan, konten adversarial, kriteria yang kontradiktif, invarian struktural akal sehat, dan generasi. Penghitungan dan aritmetika sebaiknya ada di kode Anda.

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

Kapan saya harus memakai Jev alih-alih LLM berbiaya rendah? Ketika keputusannya sempit dan bertipe, Anda sering membuatnya, dan Anda butuh jawabannya kembali dalam ratusan milidetik, bukan 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 dikecualikan TypeSafe, dengan pola yang direkomendasikan untuk masing-masing, ditinjau 17 September 2026
• TypeSafe — Referensi API dan Quick start — endpoint, bentuk request dan response, 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 di thread peluncuran
• browser-use/jev-ultrafast — ruang aksi, desain operasi-dan-target dalam satu permintaan, dan demonstrasi Google Flights
• Made with Jev — 724 competitor ads, broken down — halaman build analisis iklan, dengan postingan penulisnya
• Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds
• Hugging Face — convaiinnovations/laya dan TheoLeeCJ/SemIf — reproduksi terbuka dan independen

Dokumentasi model dan catatan cakupan TypeSafe dicek pada 20 September 2026. Rute dan harga jev-latest APIMaster dicek pada 21 September 2026. Harga, batas laju, dan status proyek bisa berubah — verifikasi di kartu live atau halaman vendor sendiri sebelum berkomitmen pada sebuah beban kerja.