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

Che cos'è davvero 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 LLM attuali si comportano come un sistema ragionativo e deliberativo, e TypeSafe sta costruendo la metà veloce e intuitiva — con la differenza che qui "intuizione" significa una distribuzione di probabilità calibrata sulle risposte, non un presentimento tradotto in testo.

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

Le differenze meccaniche rispetto a un LLM sono quelle che contano in ingegneria:

• L'output è tipizzato. Dichiari in anticipo la forma della risposta — un 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, non qualcosa che speri il modello rispetti.
• Ottieni probabilità, non solo una scelta. Un Choice restituisce l'opzione selezionata più una probabilità per ogni opzione e un valore confidence separato. È questo che ti permette di instradare in base all'incertezza: agisci sopra una soglia, torni a un modello più grande sotto di essa.
• Le domande vengono eseguite in parallelo. Jev acquisisce lo state una volta sola e valuta contemporaneamente ogni domanda della richiesta rispetto a esso. Fare trenta domande invece di una aggiunge pochissimo tempo reale, ed è questo che rende possibili i casi d'uso di classificazione in batch descritti più avanti.
• È volutamente ristretto. La raccomandazione di TypeSafe è di mantenere il flusso di controllo nel tuo codice e affidare a Jev decisioni atomiche e strutturate invece di 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 ammesse sul lato output, e la motivazione dichiarata è esattamente questa: è ciò che permette di calcolare ogni risposta in parallelo, ed è per questo che non ci sono token in output da fatturare. Non puoi chiedere a Jev di scriverti una frase, e quella restrizione è la base su cui è costruito il prezzo.

Una richiesta minima ha questo aspetto:

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?" }
    }
  }'

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 APIMaster	POST https://apimaster.ai/v1/systemone
ID modello APIMaster	jev-latest
Prezzo	$42 per miliardo di token in input / $0.042 per 1M
Prezzo output	Gratuito — fatturazione solo sull'input
Limiti di frequenza	250,000 token/s e 1,200 richieste/minuto, dichiarati come dinamici
Lunghezza del 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 sottoposto a fine-tuning né adattato con LoRA usando dati dei clienti
Dati dei clienti per l'addestramento	No. Le richieste e le risposte non vengono usate per l'addestramento

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

TypeSafe pubblica anche in dettaglio il perimetro di jev-1.13: nove aree, ciascuna con il pattern che consiglia di usare al suo posto, con ultima revisione il 17 settembre 2026.

#	Area	Indicazioni di TypeSafe
1	Lettura letterale — risponde alla domanda che hai scritto, non a quella che intendevi	Enuncia la condizione esatta; inserisci 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 a più passaggi costano accuratezza	Riduci i passaggi; punta direttamente allo state rilevante
5	State di grandi dimensioni pieno di dettagli irrilevanti	Filtra prima; invia solo ciò che serve alla domanda
6	Contenuti adversariali	Scrivi istruzioni precise e testa i casi limite prima di andare in produzione
7	Istruzioni e criteri contraddittori	Allinea l'istruzione e i criteri
8	Invarianti strutturali di buon senso	Formula ogni decisione in un solo modo; imponi le identità nel codice
9	Generazione	Usa un modello generativo

Due di queste aree contano più di tutte nella 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 di conteggio raccomandato da TypeSafe mostra la divisione del lavoro prevista: itera sui candidati nel codice, poni un Noul per ciascun candidato e somma tu stesso le risposte.

Da dove vengono i numeri di cui si parla

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

0.7 secondi. Every ha pubblicato un articolo 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 siamo riusciti a caricare il corpo completo dell'articolo per confermare la sua cifra di costo, quindi considera il costo per esecuzione citato intorno a quella demo come una misurazione dell'autore, non come 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 su X dell'autore (17 settembre 2026) aggiunge il costo — "used 9 cents of tokens" — ed elenca le dimensioni estratte per ogni annuncio: hook, format, offer, CTA, awareness stage e disallineamento della landing page.

Vale la pena mantenere la distinzione tra i due: 0.7 secondi è il tempo di valutazione del modello su un corpus di dimensioni paragonabili a 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

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 riportati di seguito sono stati letti dall'API di GitHub il 20 settembre 2026.

Uso del browser e del computer. browser-use/jev-ultrafast (★10,113) arriva 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 a TypeSafe, con la domanda sul target contrassegnata come speculativa. Solo TYPE_TEXT chiama un modello di testo, e l'esempio nel README ne usa uno piccolo. Il suo task dimostrativo — da Zurigo a Londra su Google Flights — è indicato in 7.1 secondi, inclusi generazione del testo e caricamento delle pagine. Non ci sono script specifici per il sito.

Compressione del contesto per agenti di coding. tamaratran/fast-jev-compaction (★4,544) decide quali risultati degli strumenti in un transcript di un agente di coding vale ancora la pena mantenere, così una sessione lunga può essere compattata senza una passata completa di summarization. Esistono port e varianti per altri harness di agenti.

Guardrail per agenti. DevMortimer/pi-warden (★99) e shiftynick/jev-axi (★17) mettono entrambi un giudizio davanti a ogni comando o chiamata a strumento: prima chiedi, blocca quelli pericolosi. È il pattern in cui "probabilità calibrata più una soglia nel tuo codice" è davvero 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'argomentazione di TypeSafe stessa — che una decisione può costare una frazione della generazione che governa.

Giochi e demo di controllo. fhshaik/typesafe-mario (★289) gioca a Super Mario Bros. partendo dallo stato strutturato dell'emulatore, e RomanSlack/jev-drone (★81) esegue un loop di controllo di un drone in MuJoCo. Questi si diffondono molto più in fretta di quanto vengano portati in produzione; considerali dimostrazioni dell'interfaccia, non prove di affidabilità in produzione.

Riproduzioni aperte. È il filone più interessante per chi vuole la capacità senza un nuovo fornitore. TheoLeeCJ/SemIf (★2,123) esegue un modello aperto su una singola RTX 3090 a casa ed è esplicitamente indipendente da TypeSafe. TianyuCodings/NanoJev (★1,175) è una riproduzione in scala ridotta. 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.

Classificazione in batch. L'analisi degli annunci citata sopra è l'esempio di punta, ed è il pattern con più probabilità di sopravvivere al contatto con la produzione: mantieni fisso lo state, 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, ed è la parte che quasi tutti gli articoli saltano. Jev costa $0.042 per 1M token in input. Su APIMaster, gpt-5.6-luna è in offerta a partire da $0.022 per 1M token in 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 hosted più economici battono già Jev sul prezzo dell'input.

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

• Nessun token in output. Il modello generativo più economico emette comunque testo per ogni giudizio, e l'output costa diverse volte l'input. Jev restituisce una probabilità e si ferma.
• Latenza. TypeSafe pubblica tempi di risposta end-to-end da 70ms a 500ms e descrive il confronto con i modelli frontier su query della forma System One come da 40× a 200× più veloce. La velocità è ciò che permette a una decisione di essere eseguita all'interno di un percorso di richiesta invece che 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 quella che costerebbe una decima chiamata API.

Se questo vinca dipende dal tuo carico di lavoro. Se i tuoi giudizi sono pochi, lunghi e traggono vantaggio 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 l'utente noti una pausa, l'aritmetica cambia.

Come si chiama Jev su APIMaster?

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

• Rotta diversa. TypeSafe documenta un solo 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 con chiavi corrispondenti ai nomi delle domande che hai scelto, non una stringa di completamento.

Su APIMaster, usa la richiesta System One nativa mostrata sopra con una chiave APIMaster e jev-latest. Per quella forma di API non serve alcun livello di traduzione. L'endpoint compatibile con OpenAI resta utile per la metà di pipeline che genera testo, ma non è il modo per chiamare Jev stesso.

Cosa usare oggi quando ti servono giudizi rapidi

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

ID modello	Rotte in offerta	A partire da (input / output per 1M)	Prezzo di listino di riferimento	Sconto appross.
gpt-5.6-luna	3	$0.022 / $0.134	$0.20 / $1.20	~89% in meno
glm-5.3-flash	3	$0.105 / $0.35	$0.15 / $0.50	~30% in meno
deepseek-flash	1	$0.15 / $0.60	Uguale alla tariffa off-peak di DeepSeek	Nessun markup
gpt-5.6-terra	15	$0.12 / $0.72	$2.00 / $12.00	~94% in meno
gemini-3.8-flash	7	$0.20 / $1.00	$1.50 / $7.50	~87% in meno

Jev è attivo come livello di decisione tipizzata; i tier elencati di seguito servono invece per il livello di generazione del testo o di escalation. Tre note su come leggere quella tabella. I prezzi sono la rotta più economica in offerta al momento della verifica, e rotte diverse per lo stesso modello hanno prezzi diversi — apri la scheda del modello prima di impegnare volumi. deepseek-flash è prezzato alla tariffa off-peak di DeepSeek, quindi l'affermazione onesta è "nessun markup del gateway", non uno sconto. E un prezzo di input più basso non è automaticamente la scelta più economica: lunghezza dell'output, comportamento della cache e tasso di retry di solito dominano il conto finale.

Una divisione praticabile per una pipeline in stile Jev con una sola chiave:

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

Crea un account APIMaster, aggiungi credito pay-as-you-go a partire 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, quindi il percorso di escalation del passo 2 resta sulla stessa integrazione. Convalida una rotta con il model tester prima di spostare traffico di produzione.

FAQ

Che 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 "a structured data model, but technically not a language model (it doesn't generate language)". Legge il testo che invii e restituisce decisioni tipizzate con probabilità e valori di confidence, e non genera mai prosa. TypeSafe lo colloca accanto ai modelli chat RLHF e ai modelli di ragionamento RLVR come terza categoria, non come versione più piccola dell'una o dell'altra.

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

Quanto costa Jev? $42 per miliardo di token in input, cioè $0.042 per 1M token in input. I token in output sono gratuiti e la fatturazione avviene solo sull'input.

Jev è compatibile con OpenAI? No. Usa un endpoint dedicato POST /v1/systemone con un body fatto di state più questions e restituisce probabilità anziché completamenti, quindi un client in stile OpenAI non può chiamarlo senza modifiche. Su APIMaster, chiama la stessa forma nativa su https://apimaster.ai/v1/systemone con jev-latest.

Jev è disponibile su APIMaster? Sì. Usa l'ID modello jev-latest con POST https://apimaster.ai/v1/systemone; il prezzo live è $0.042 per 1M token in input e $0 in output. Consulta la scheda di Jev nel marketplace prima dell'uso in produzione. Abbinalo a un modello di testo come gpt-5.6-luna, glm-5.3-flash o deepseek-flash quando un task richiede anche testo generato.

Jev supporta il cinese e altre lingue diverse dall'inglese? TypeSafe dichiara che l'inglese è la lingua principale di addestramento e quella in cui al momento l'accuratezza è migliore, e che le altre lingue, incluso il CJK, vengono gestite ma non altrettanto bene. La documentazione ti invita a testare sui tuoi contenuti e a tenere d'occhio i valori di confidence durante il routing.

Posso fare fine-tuning di Jev sui miei dati? No. TypeSafe non esegue fine-tuning né adattamento LoRA di Jev per singolo cliente, e non si addestra sulle richieste o risposte dei clienti. Il comportamento di dominio si modella attraverso lo state, le istruzioni e i criteri di ogni richiesta.

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

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

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 in secondi. Per il ragionamento su contesti lunghi, la generazione o qualsiasi cosa richieda aritmetica, un modello generativo a basso costo è la scelta migliore.

Fonti e approfondimenti

• TypeSafe — Models — ID modello, alias, prezzo $42/Btok, limiti di frequenza, budget di contesto, supporto linguistico e gestione dei dati
• TypeSafe — Jev 1.13 jaggedness — le aree che TypeSafe esclude dal perimetro, con il pattern raccomandato per ciascuna, revisionate il 17 settembre 2026
• TypeSafe — API reference e Quick start — endpoint, forma di richiesta e risposta, uso degli SDK
• TypeSafe — Introducing System One Models and Jev — post di lancio, il dato end-to-end di 70–500ms e il confronto da 40× a 200×
• Discussione su Hacker News — 1,918 punti sul thread di lancio
• browser-use/jev-ultrafast — spazio di azioni, il design con operazione e target in un'unica richiesta 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
• Hugging Face — convaiinnovations/laya e TheoLeeCJ/SemIf — riproduzioni aperte e indipendenti

La documentazione dei modelli e le note sul perimetro di TypeSafe sono state verificate il 20 settembre 2026. La rotta jev-latest e il prezzo di APIMaster sono stati verificati il 21 settembre 2026. Prezzi, limiti di frequenza e stato dei progetti cambiano — verifica sulla scheda live o sulla pagina del fornitore prima di impegnare un carico di lavoro.