API Jev: cos'è il modello System One di TypeSafe, quanto costa e quando usarlo

Cos'è realmente Jev

TypeSafe ha presentato Jev il 15 settembre 2026 come il primo "System One model". L'inquadramento deriva da Pensieri lenti e veloci di Kahneman: gli attuali LLM si comportano come un sistema ragionante e deliberativo, e TypeSafe sta costruendo la metà veloce e intuitiva — tranne che "intuizione" qui significa una distribuzione di probabilità calibrata sulle risposte, non un presentimento reso come testo.

Il nome è un riferimento a Jevons, e la proposta è che una primitiva decisionale veloce e a basso costo venga chiamata molto più spesso di una costosa.

Le differenze meccaniche rispetto a un LLM sono ciò che conta per l'ingegneria:

• L'output è tipizzato. Dichiari la forma della risposta in anticipo — una Choice su opzioni enumerabili, uno Score su livelli descrittivi, o un Noul (sì/no) con una probabilità. Non c'è testo libero da analizzare, e la conformità allo schema è una proprietà dell'architettura anziché qualcosa che speri il modello rispetti.
• Ottieni probabilità, non solo una scelta. Una Choice restituisce l'opzione selezionata più una probabilità per ogni opzione e un valore confidence separato. È questo che ti consente di instradare in base all'incertezza: agisci sopra una soglia, ricadi su un modello più grande sotto di essa.
• Le domande vengono eseguite in parallelo. Jev acquisisce lo state una volta e valuta ogni domanda nella richiesta rispetto ad esso contemporaneamente. Fare trenta domande invece di una aggiunge pochissimo tempo di esecuzione, ed è ciò che rende possibili i casi d'uso di classificazione in batch riportati di seguito.
• È ristretto di proposito. La guida di TypeSafe è di mantenere il flusso di controllo nel tuo codice e dare a Jev decisioni atomiche e strutturate anziché un unico grande giudizio. L'output non ha struttura sequenziale. Il fondatore di TypeSafe ha dichiarato che le stringhe e altre strutture dati sequenziali non sono consentite sul lato output, e la ragione dichiarata è proprio questa: è ciò che consente a ogni risposta di essere calcolata in parallelo, motivo per cui non ci sono token di output da fatturare. Non puoi chiedere a Jev di scriverti una frase, ed è su questa restrizione che si basa il prezzo.

Una richiesta minima è così:

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?" }
    }
  }'

Le specifiche di Jev in sintesi

Specifica	Jev 1.13
ID modello	jev-1.13.0
Alias	jev-latest, jev-preview (entrambi puntano alla 1.13 oggi)
Endpoint	POST https://api.typesafe.ai/v1/systemone
Prezzo	$42 per miliardo di token di input / $0,042 per 1M
Prezzo output	Gratuito — fatturato solo sull'input
Limiti di velocità	250.000 token/s e 1.200 richieste/minuto, dichiarati come dinamici
Lunghezza contesto	64k per richiesta (state più tutte le domande); 32k per state più la domanda più lunga
Tipi di input	Testo: stringa, oggetto JSON o array. Nessuna immagine, audio o video
Output	Risposte tipizzate Choice, Score e Noul con probabilità e confidence
SDK client	Python typesafe-sdk, JavaScript @typesafe-ai/sdk
Pesi personalizzati per account	No. Jev non viene fine-tuned né adattato con LoRA usando dati dei clienti
Dati di addestramento dai clienti	No. Richieste e risposte non vengono usate per l'addestramento

Dove si colloca Jev, e cosa TypeSafe dice di tenere nel codice

TypeSafe pubblica anche in dettaglio l'ambito di jev-1.13: nove aree, ciascuna con il pattern che raccomanda invece, ultima revisione il 17 settembre 2026.

#	Area	Guida di TypeSafe
1	Lettura letterale — risponde alla domanda che hai scritto, non a quella che intendevi	Enuncia la condizione esatta; metti i casi limite nei criteri
2	Matematica e numeri — non è una calcolatrice e non conta in modo affidabile	Mantieni aritmetica e conteggio nel codice
3	Confronto di date e orari — le date vengono lette come testo, non come quantità ordinate	Estrai i componenti; confronta nel codice
4	Indirezione — le doppie negazioni e le domande multi-hop costano accuratezza	Riduci i salti; punta direttamente allo state rilevante
5	State ampio pieno di dettagli irrilevanti	Filtra prima; invia solo ciò che serve alla domanda
6	Contenuto avversariale	Scrivi istruzioni precise e testa i casi limite prima del deployment
7	Istruzioni e criteri contraddittori	Allinea l'istruzione e i criteri
8	Invarianti strutturali di buon senso	Poni ogni decisione in un solo modo; applica le identità nel codice
9	Generazione	Usa un modello generativo

Due di queste contano più di tutte in pratica. Primo, il conteggio: la documentazione afferma chiaramente che jev-1.13 "non conta in modo affidabile" — caratteri in una parola, occorrenze in un passaggio, elementi in una lista lunga — e che l'errore cresce con la dimensione di ciò che viene contato. Secondo, la generazione: Jev non scriverà il tuo riassunto, la tua risposta o il tuo messaggio di commit. Decide; qualcos'altro scrive.

Il pattern raccomandato da TypeSafe stessa per il conteggio mostra la divisione del lavoro prevista: itera sui candidati nel codice, poni un Noul per candidato e somma tu stesso le risposte.

Da dove vengono i numeri di punta

Due numeri accompagnano quasi ogni discussione su Jev. Provengono da fonti diverse e descrivono cose diverse.

0,7 secondi. Every ha pubblicato un pezzo intitolato "TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds." Gli indici di build che catalogano quell'articolo lo descrivono come 777 giudizi su 37 articoli. Non abbiamo potuto caricare il corpo completo dell'articolo per confermare la sua cifra di costo, quindi considera il costo per esecuzione citato attorno a quella demo come la misurazione dell'autore anziché una tariffa pubblicata.

724 annunci, 40 secondi, circa 9 centesimi. Questo è documentato due volte. La pagina di build madewithjev.com — 724 competitor ads, broken down afferma che 724 annunci live di 37 brand sono stati analizzati in circa 40 secondi. Il post dell'autore su X (17 settembre 2026) aggiunge il costo — "used 9 cents of tokens" — ed elenca le dimensioni estratte per annuncio: hook, formato, offerta, CTA, fase di consapevolezza e disallineamento della landing page.

La distinzione tra i due vale la pena di essere mantenuta: 0,7 secondi è il tempo di valutazione del modello su un corpus di scala di un paragrafo, mentre 40 secondi coprono il recupero e l'elaborazione di 724 annunci live. Nessuno dei due numeri è una garanzia di throughput per il tuo carico di lavoro.

Cosa sta costruendo la community con esso

L'adozione di Jev è insolitamente facile da ispezionare, perché quasi tutto ciò che è stato pubblicato nella prima settimana è open source. I conteggi delle stelle sotto riportati sono stati letti dall'API di GitHub il 20 settembre 2026.

Browser e uso del computer. browser-use/jev-ultrafast (★10.113) proviene dall'organizzazione browser-use ed è il progetto che ha dato il tono. Espone uno spazio di azioni fisso (CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, BLOCKED) e chiede a Jev di scegliere sia l'operazione sia l'elemento target. Entrambe le decisioni confluiscono in un'unica richiesta TypeSafe, con la domanda sul target contrassegnata come speculativa. Solo TYPE_TEXT chiama un modello testuale, e l'esempio nel README stesso ne usa uno piccolo. Il suo compito dimostrativo — Zurigo-Londra su Google Flights — è citato a 7,1 secondi inclusi la generazione del testo e i caricamenti di pagina. Non ci sono script specifici per sito.

Compressione del contesto degli agenti di coding. tamaratran/fast-jev-compaction (★4.544) decide quali risultati di strumenti in una trascrizione di un agente di coding valga ancora la pena di conservare, così una sessione lunga può essere compattata senza una passata completa di summarization. Esistono port e varianti per altri harness di agenti.

Guardrail degli agenti. DevMortimer/pi-warden (★99) e shiftynick/jev-axi (★17) mettono entrambi un giudizio davanti a ogni comando o chiamata a strumento: chiedi prima, blocca quelli pericolosi. Questo è il pattern in cui "probabilità calibrata più una soglia nel tuo codice" è genuinamente meglio di una risposta testuale che devi interpretare.

Routing dei modelli. vinilana/jev-gateway (★61) instrada le richieste semplici verso un tier a basso costo ed escala solo quelle difficili. È l'espressione più diretta dell'argomento di TypeSafe stessa — che una decisione può costare una frazione della generazione che essa governa.

Giochi e demo di controllo. fhshaik/typesafe-mario (★289) gioca a Super Mario Bros. da uno state strutturato dell'emulatore, e RomanSlack/jev-drone (★81) esegue un ciclo di controllo di un drone in MuJoCo. Questi si diffondono molto più velocemente di quanto vengano rilasciati; trattali come dimostrazioni dell'interfaccia, non come prove sull'affidabilità in produzione.

Riproduzioni aperte. Questo è il filone più interessante per chiunque voglia la capacità senza un nuovo fornitore. TheoLeeCJ/SemIf (★2.123) esegue un modello aperto su una singola RTX 3090 a casa ed è esplicito sul fatto che è indipendente da TypeSafe. TianyuCodings/NanoJev (★1.175) è una riproduzione su piccola scala. convaiinnovations/laya è un encoder Apache-2.0, utilizzabile commercialmente, con teste decisionali addestrate con RLCD, pubblicato con i tag system-one e calibrated-decisions, con un runner di accompagnamento in receptron/laya. Nessuno di questi è Jev, e i grafici di benchmark che pubblicano sono i loro; il punto è che la forma del modello è riproducibile.

Classificazione in batch. Il teardown degli annunci sopra è l'esempio di punta, ed è il pattern più probabile che sopravviva al contatto con la produzione: mantieni lo state fisso, poni molte domande ristrette in un'unica richiesta e leggi le probabilità.

Jev è davvero più economico di un LLM a basso costo?

Non per token di input, e questa è la parte che la maggior parte degli articoli salta. Jev addebita $0,042 per 1M token di input. Su APIMaster, gpt-5.6-luna è in offerta da $0,022 per 1M token di input — circa la metà della tariffa di input di Jev — con glm-5.3-flash a $0,105 e deepseek-flash a $0,15. I modelli generativi ospitati più economici già battono Jev sul prezzo di input.

L'argomento di costo di Jev si basa su altre tre cose:

• Nessun token di output. Il modello generativo più economico emette comunque testo per ogni giudizio, e l'output è prezzato diverse volte più dell'input. Jev restituisce una probabilità e si ferma.
• Latenza. TypeSafe pubblica tempi di risposta end-to-end di 70ms a 500ms e descrive il confronto con i modelli frontier su query a forma di System One come da 40× a 200× più veloce. La velocità è ciò che consente a una decisione di essere eseguita all'interno del percorso di una richiesta anziché dietro una coda.
• Le domande marginali sono quasi gratuite. Poiché le domande si diramano in parallelo su un unico state, la decima domanda costa una frazione di quanto costerebbe una decima chiamata API.

Se questo vinca dipende dal tuo carico di lavoro. Se i tuoi giudizi sono pochi, lunghi e traggono beneficio dal ragionamento, un LLM a basso costo con output strutturato è l'acquisto migliore. Se fai molti giudizi brevi per unità di lavoro, o hai bisogno della risposta prima che un utente noti una pausa, l'aritmetica cambia.

Puoi chiamare Jev con una chiave compatibile con OpenAI?

Non contro l'endpoint di TypeSafe stessa, e la differenza è strutturale anziché una questione di configurazione:

• Rotta diversa. TypeSafe documenta un endpoint di valutazione, /v1/systemone, e un elenco /v1/models. Non esiste un /chat/completions documentato.
• Body diverso. La richiesta porta state e una mappa di questions tipizzate. Un body in stile OpenAI porta messages e si aspetta testo generato in risposta.
• Risposta diversa. Ricevi probabilità e valori di confidence indicizzati per i nomi delle domande che hai scelto, non una stringa di completamento.

Contro l'API del fornitore, far parlare un client compatibile con OpenAI con Jev significa scrivere un livello di traduzione in entrambe le direzioni — che è ciò che fanno i gateway della community nella sezione sul routing sopra. Jev è in fase di onboarding su APIMaster, e questa pagina sarà aggiornata una volta attiva l'integrazione. Fino ad allora, l'opzione live per un giudizio rapido su un endpoint compatibile con OpenAI è uno dei tier a basso costo riportati di seguito.

Cosa eseguire oggi quando hai bisogno di giudizi rapidi

Se ciò di cui hai realmente bisogno è un giudizio da un endpoint compatibile con OpenAI esistente, la domanda pratica è a quale tier a basso costo inviarlo. Rotte APIMaster live al 20 settembre 2026:

ID modello	Rotte in offerta	Da (input / output per 1M)	Prezzo di listino di riferimento	Sconto approssimativo
gpt-5.6-luna	3	$0,022 / $0,134	$0,20 / $1,20	~89% di sconto
glm-5.3-flash	3	$0,105 / $0,35	$0,15 / $0,50	~30% di sconto
deepseek-flash	1	$0,15 / $0,60	Uguale all'off-peak di DeepSeek	Nessun ricarico
gpt-5.6-terra	15	$0,12 / $0,72	$2,00 / $12,00	~94% di sconto
gemini-3.8-flash	7	$0,20 / $1,00	$1,50 / $7,50	~87% di sconto

Jev stesso è ancora in fase di onboarding al momento della scrittura; il tier sottostante è ciò che eseguire nel frattempo. Tre note su come leggere quella tabella. I prezzi sono la rotta più bassa in offerta al momento della verifica, e rotte diverse per lo stesso modello portano prezzi diversi — apri la scheda del modello prima di impegnare volume. deepseek-flash è prezzato alla tariffa off-peak di DeepSeek stessa, quindi l'affermazione onesta è "nessun ricarico del gateway", non uno sconto. E un prezzo di input più basso non è automaticamente la scelta più economica: la lunghezza dell'output, il comportamento di cache-hit e il tasso di retry di solito dominano il conto finale.

Una divisione praticabile per una pipeline in stile Jev su un'unica chiave:

1. Metti la decisione ristretta e ad alta frequenza su un tier piccolo e a basso costo e applica una soglia sulla tua confidence.
2. Escala solo i casi che scendono sotto quella soglia verso un modello più forte.
3. Mantieni conteggio, aritmetica e confronto di date nel tuo codice — lo stesso consiglio che dà TypeSafe, e vale per ogni modello nella tabella.

Crea un account APIMaster, aggiungi credito pay-as-you-go da $1, crea una chiave nella console e punta un client compatibile con OpenAI a https://apimaster.ai/v1 con uno qualsiasi degli ID modello sopra. Una chiave copre le famiglie GPT, GLM, DeepSeek, Gemini e Claude, così il percorso di escalation al punto 2 resta sulla stessa integrazione. Valida una rotta con il model tester prima di spostare il traffico di produzione.

FAQ

Cos'è Jev? Jev è il modello System One di TypeSafe AI. Prende uno state più una mappa di domande tipizzate e restituisce probabilità calibrate — risposte Choice, Score e Noul — invece di testo generato.

Jev è un modello linguistico? No — e la formulazione di TypeSafe è ancora più netta. Nel thread di lancio il fondatore lo ha descritto come "un modello di dati strutturato, ma tecnicamente non un modello linguistico (non genera linguaggio)". Legge il testo che gli invii e restituisce decisioni tipizzate con probabilità e valori di confidenza, e non genera mai prosa. TypeSafe lo colloca accanto ai modelli di chat RLHF e ai modelli di ragionamento RLVR come terza categoria, piuttosto che come una versione più piccola dell'uno o dell'altro.

Qual è l'ID modello di Jev? jev-1.13.0. Gli alias jev-latest e jev-preview attualmente puntano alla stessa versione; gli SDK usano jev-latest come impostazione predefinita.

Quanto costa Jev? $42 per miliardo di token di input, che è $0,042 per 1M token di input. I token di output sono gratuiti, e la fatturazione è solo sull'input.

Jev è compatibile con OpenAI? Non sull'API di TypeSafe stessa. Usa un endpoint dedicato POST /v1/systemone con un body state più questions e restituisce probabilità anziché completamenti, quindi un client in stile OpenAI non può chiamarlo senza modifiche. Jev è in fase di onboarding su APIMaster, e questa pagina sarà aggiornata una volta attiva l'integrazione.

Jev è disponibile su APIMaster? Non ancora in vendita — Jev è in fase di onboarding su APIMaster, e questa pagina sarà aggiornata una volta attiva l'integrazione. Nel frattempo, il tier testuale a basso costo che abbineresti a un livello decisionale è già disponibile; vedi le schede live per gpt-5.6-luna, glm-5.3-flash e deepseek-flash.

Jev supporta il cinese e altre lingue non inglesi? TypeSafe dichiara che l'inglese è la lingua di addestramento principale e dove l'accuratezza è attualmente migliore, e che altre lingue inclusi i CJK sono gestite ma non altrettanto bene. La documentazione ti dice di testare sui tuoi contenuti e di osservare i valori di confidence durante il routing.

Posso fare fine-tuning di Jev sui miei dati? No. TypeSafe non fa fine-tuning né adatta Jev con LoRA per cliente, e non si addestra su richieste o risposte dei clienti. Il comportamento di dominio viene modellato attraverso lo state, le istruzioni e i criteri in ogni richiesta.

Quali compiti dovrei tenere fuori da Jev? TypeSafe ne pubblica nove: lettura letterale, matematica e numeri, confronto di date e orari, indirezione, state ampi pieni di dettagli irrilevanti, contenuto avversariale, criteri contraddittori, invarianti strutturali di buon senso e generazione. Conteggio e aritmetica appartengono al tuo codice.

Posso auto-ospitare un'alternativa? Esistono riproduzioni aperte — SemIf, NanoJev e l'encoder Apache-2.0 laya tra queste — ma sono progetti indipendenti con i propri benchmark, non Jev. Tratta i confronti pubblicati come misurazioni dei progetti stessi.

Quando dovrei usare Jev invece di un LLM a basso costo? Quando la decisione è ristretta e tipizzata, la prendi spesso, e ti serve indietro in centinaia di millisecondi anziché secondi. Per ragionamento su contesti lunghi, generazione, o qualsiasi cosa che richieda aritmetica, un modello generativo a basso costo è la scelta migliore.

Fonti e ulteriori letture

• TypeSafe — Models — ID modello, alias, prezzo $42/Btok, limiti di velocità, budget di contesto, supporto linguistico e gestione dei dati
• TypeSafe — Jev 1.13 jaggedness — le aree che TypeSafe esclude dal proprio ambito, con il pattern raccomandato per ciascuna, revisionato il 17 settembre 2026
• TypeSafe — API reference e Quick start — endpoint, forme di richiesta e risposta, uso dell'SDK
• TypeSafe — Introducing System One Models and Jev — post di lancio, la cifra end-to-end di 70–500ms e il confronto 40×–200×
• Discussione su Hacker News — 1.918 punti sul thread di lancio
• browser-use/jev-ultrafast — spazio di azioni, il design a richiesta singola di operazione e target, e la dimostrazione su Google Flights
• Made with Jev — 724 competitor ads, broken down — la pagina di build sull'analisi degli annunci, con il post dell'autore
• Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds Riproduzioni aperte. Questo è il filone più interessante per chiunque voglia la funzionalità senza un nuovo fornitore. TheoLeeCJ/SemIf (★2.123) esegue un modello aperto su una singola RTX 3090 a casa ed è esplicito sul fatto che è indipendente da TypeSafe. TianyuCodings/NanoJev (★1.175) è una riproduzione su piccola scala. convaiinnovations/laya è un modello di classificazione Apache-2.0, utilizzabile commercialmente, addestrato con RLCD, pubblicato con i tag system-one e calibrated-decisions, con un runner di accompagnamento in receptron/laya. Nessuno di questi è Jev, e i grafici di benchmark che pubblicano sono i loro; il punto è che la forma del modello è riproducibile.

La documentazione dei modelli e le note sull'ambito di TypeSafe sono state verificate il 20 settembre 2026; i conteggi delle stelle e i prezzi delle rotte APIMaster sono stati letti lo stesso giorno. L'onboarding di Jev su APIMaster è in corso e questa pagina sarà aggiornata man mano che procede. Prezzi, limiti di velocità e stato dei progetti cambiano — verifica sulla scheda live o sulla pagina del fornitore stesso prima di impegnare un carico di lavoro.