Jev API: wat het System One-model van TypeSafe is, wat het kost en wanneer je het gebruikt

Wat Jev werkelijk is

TypeSafe introduceerde Jev op 15 september 2026 als het eerste "System One-model". De framing komt uit Kahnemans Thinking, Fast and Slow: huidige LLM's gedragen zich als een redenerend, deliberatief systeem, en TypeSafe bouwt de snelle, intuïtieve helft — behalve dat "intuïtie" hier een gekalibreerde waarschijnlijkheidsverdeling over antwoorden betekent, niet een onderbuikgevoel dat als tekst wordt weergegeven.

De naam is een verwijzing naar Jevons, en de pitch is dat een snelle, goedkope beslissingsprimitief veel vaker wordt aangeroepen dan een dure.

De mechanische verschillen met een LLM zijn wat er voor engineering toe doet:

• De output is getypeerd. Je verklaart de vorm van het antwoord vooraf — een Choice over opsombare opties, een Score over beschrijvende niveaus, of een Noul (ja/nee) met een waarschijnlijkheid. Er is geen vrije tekst om te parsen, en het matchen van het schema is een eigenschap van de architectuur in plaats van iets waarvan je hoopt dat het model zich eraan houdt.
• Je krijgt waarschijnlijkheden, niet alleen een keuze. Een Choice retourneert de geselecteerde optie plus een waarschijnlijkheid voor elke optie en een aparte confidence-waarde. Dat is wat je in staat stelt op onzekerheid te routeren: handelen boven een drempel, terugvallen op een groter model eronder.
• Vragen draaien parallel. Jev neemt de state één keer op en evalueert elke vraag in het verzoek er tegelijkertijd tegen. Dertig vragen stellen in plaats van één kost heel weinig kloktijd, en dat is wat de batchclassificatie-gebruiksscenario's hieronder mogelijk maakt.
• Het is bewust smal. TypeSafe's advies is om control flow in je code te houden en Jev atomaire, gestructureerde beslissingen te geven in plaats van één grote beoordeling. De output heeft geen sequentiële structuur. De oprichter van TypeSafe heeft gezegd dat strings en andere sequentiële datastructuren niet zijn toegestaan aan de outputzijde, en de opgegeven reden is precies dit: het is wat het mogelijk maakt om elk antwoord parallel te berekenen, en daarom zijn er geen outputtokens om te factureren. Je kunt Jev niet vragen om een zin voor je te schrijven, en die beperking is waar de prijs op is gebouwd.

Een minimaal verzoek ziet er zo uit:

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?" }
    }
  }'

Jev-specificaties in één oogopslag

Specificatie	Jev 1.13
Model-ID	jev-1.13.0
Aliassen	jev-latest, jev-preview (beide verwijzen vandaag naar 1.13)
Endpoint	POST https://api.typesafe.ai/v1/systemone
Prijs	$42 per miljard inputtokens / $0.042 per 1M
Outputprijzen	Gratis — alleen op input gefactureerd
Snelheidslimieten	250.000 tokens/s en 1.200 verzoeken/minuut, opgegeven als dynamisch
Contextlengte	64k per verzoek (state plus alle vragen); 32k voor state plus de langste vraag
Inputtypen	Tekst: string, JSON-object of array. Geen afbeelding, audio of video
Output	Getypeerde Choice-, Score- en Noul-antwoorden met waarschijnlijkheden en confidence
Client-SDK's	Python typesafe-sdk, JavaScript @typesafe-ai/sdk
Aangepaste weights per account	Nee. Jev wordt niet fine-tuned of met LoRA aangepast met klantgegevens
Trainingsdata van klanten	Nee. Verzoeken en antwoorden worden niet voor training gebruikt

Waar Jev past, en wat TypeSafe in code zegt te houden

TypeSafe publiceert ook de scope van jev-1.13 in detail: negen gebieden, elk met het patroon dat het aanbeveelt in plaats daarvan, laatst herzien op 17 september 2026.

#	Gebied	TypeSafe's advies
1	Letterlijke lezing — het beantwoordt de vraag die je schreef, niet de vraag die je bedoelde	Formuleer de exacte voorwaarde; zet grensgevallen in de criteria
2	Wiskunde en getallen — het is geen rekenmachine en telt niet betrouwbaar	Houd rekenwerk en tellen in code
3	Datum- en tijdvergelijking — datums worden als tekst gelezen, niet als geordende grootheden	Extraheer componenten; vergelijk in code
4	Indirectie — dubbele ontkenningen en meerstapsvragen kosten nauwkeurigheid	Verminder stappen; wijs direct naar de relevante state
5	Grote state vol irrelevante details	Filter eerst; stuur alleen wat de vraag nodig heeft
6	Adversariële content	Schrijf precieze instructies en test edge cases voordat je uitrolt
7	Tegenstrijdige instructies en criteria	Lijn de instructie en de criteria op elkaar af
8	Common-sense structurele invarianten	Stel elke beslissing op één manier; handhaaf identiteiten in code
9	Generatie	Gebruik een generatief model

Twee daarvan doen er in de praktijk het meest toe. Ten eerste, tellen: de documentatie stelt ronduit dat jev-1.13 "niet betrouwbaar telt" — tekens in een woord, voorkomens in een passage, items in een lange lijst — en dat de fout groeit met de grootte van het getelde ding. Ten tweede, generatie: Jev schrijft niet je samenvatting, je antwoord of je commit message. Het beslist; iets anders schrijft.

TypeSafe's eigen aanbevolen patroon voor tellen toont de beoogde taakverdeling: itereer in code over kandidaten, stel één Noul per kandidaat, en tel de antwoorden zelf op.

Waar de kopcijfers vandaan komen

Twee getallen reizen mee met bijna elke Jev-discussie. Ze komen uit verschillende bronnen en beschrijven verschillende dingen.

0.7 seconden. Every publiceerde een stuk getiteld "TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds." Bouwindexen die dat artikel catalogiseren beschrijven het als 777 oordelen over 37 artikelen. We konden de volledige tekst van het artikel niet laden om het kostencijfer te bevestigen, dus behandel de kosten per run die rond die demo worden genoemd als de eigen meting van de auteur, niet als een gepubliceerd tarief.

724 advertenties, 40 seconden, ongeveer 9 cent. Deze is tweemaal gedocumenteerd. De buildpagina madewithjev.com — 724 competitor ads, broken down stelt dat 724 live advertenties van 37 merken in ongeveer 40 seconden werden geanalyseerd. De post van de auteur op X (17 september 2026) voegt de kosten toe — "used 9 cents of tokens" — en somt de dimensies op die per advertentie zijn geëxtraheerd: hook, format, offer, CTA, awareness stage en landing-page mismatch.

Het onderscheid tussen de twee is het waard om te behouden: 0.7 seconden is de evaluatietijd van het model op een corpus van paragraafschaal, terwijl 40 seconden het ophalen en verwerken van 724 live advertenties omvat. Geen van beide getallen is een doorvoergarantie voor jouw workload.

Wat de community ermee bouwt

Jev's adoptie is ongewoon makkelijk te inspecteren, omdat bijna alles wat in de eerste week is gepubliceerd open source is. De sterrencounts hieronder zijn op 20 september 2026 uitgelezen via de GitHub API.

Browsers en computergebruik. browser-use/jev-ultrafast (★10,113) komt van de browser-use-organisatie en is het project dat de toon zette. Het biedt een vaste actieruimte (CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, BLOCKED) en vraagt Jev zowel de operatie als het doelelement te kiezen. Beide beslissingen gaan in één TypeSafe-verzoek, waarbij de doelvraag als speculatief is gemarkeerd. Alleen TYPE_TEXT roept een tekstmodel aan, en het voorbeeld in de README gebruikt een klein model. De demonstratietaak — Zürich naar Londen op Google Flights — wordt geciteerd op 7.1 seconden inclusief tekstgeneratie en paginaladingen. Er zijn geen sitespecifieke scripts.

Contextcompressie voor coding agents. tamaratran/fast-jev-compaction (★4,544) beslist welke toolresultaten in een transcript van een coding agent nog de moeite waard zijn om te bewaren, zodat een lange sessie kan worden gecompacteerd zonder een volledige samenvattingspass. Er bestaan ports en varianten voor andere agent-harnassen.

Agent-guardrails. DevMortimer/pi-warden (★99) en shiftynick/jev-axi (★17) zetten beide een oordeel vóór elk commando of elke tool-aanroep: eerst vragen, de gevaarlijke blokkeren. Dit is het patroon waarbij "gekalibreerde waarschijnlijkheid plus een drempel in je eigen code" echt beter is dan een tekstantwoord dat je moet interpreteren.

Modelroutering. vinilana/jev-gateway (★61) routeert eenvoudige verzoeken naar een goedkope tier en escaleert alleen de moeilijke. Het is de meest directe uitdrukking van TypeSafe's eigen argument — dat een beslissing een fractie kan kosten van de generatie die het aanstuurt.

Games en controledemo's. fhshaik/typesafe-mario (★289) speelt Super Mario Bros. vanuit gestructureerde emulator-state, en RomanSlack/jev-drone (★81) draait een drone-besturingsloop in MuJoCo. Deze verspreiden zich veel sneller dan ze worden uitgebracht; behandel ze als demonstraties van de interface, niet als bewijs over productiebetrouwbaarheid.

Open reproducties. Dit is de interessantste lijn voor wie de capaciteit wil zonder een nieuwe leverancier. TheoLeeCJ/SemIf (★2,123) draait een open model op een enkele RTX 3090 thuis en is expliciet dat het onafhankelijk is van TypeSafe. TianyuCodings/NanoJev (★1,175) is een kleinschalige reproductie. convaiinnovations/laya is een Apache-2.0, commercieel bruikbare encoder met RLCD-getrainde decision heads, gepubliceerd onder de tags system-one en calibrated-decisions, met een bijbehorende runner in receptron/laya. Geen van deze is Jev, en de benchmarkgrafieken die ze publiceren zijn hun eigen; het punt is dat de vorm van het model reproduceerbaar is.

Batchclassificatie. De advertentie-analyse hierboven is het vlaggenschipvoorbeeld, en het is het patroon dat het meest waarschijnlijk contact met productie overleeft: houd de state vast, stel veel smalle vragen in één verzoek, en lees de waarschijnlijkheden.

Is Jev echt goedkoper dan een goedkope LLM?

Niet per inputtoken, en dit is het deel dat de meeste artikelen overslaan. Jev rekent $0.042 per 1M inputtokens. Op APIMaster is gpt-5.6-luna in de aanbieding vanaf $0.022 per 1M inputtokens — ongeveer de helft van Jev's inputtarief — met glm-5.3-flash op $0.105 en deepseek-flash op $0.15. De goedkoopste gehoste generatieve modellen onderbieden Jev al op inputprijs.

Jev's kostenargument rust op drie andere dingen:

• Geen outputtokens. Het goedkoopste generatieve model zendt nog steeds tekst uit voor elk oordeel, en output is meerdere malen hoger geprijsd dan input. Jev retourneert een waarschijnlijkheid en stopt.
• Latentie. TypeSafe publiceert end-to-end responstijden van 70ms tot 500ms en beschrijft de vergelijking met frontiermodellen op System One-vormige queries als 40× tot 200× sneller. Snelheid is wat een beslissing in een requestpad laat draaien in plaats van achter een wachtrij.
• Marginale vragen zijn bijna gratis. Omdat vragen parallel over één state uitwaaieren, kost de tiende vraag een fractie van wat een tiende API-aanroep zou kosten.

Of dat wint hangt af van je workload. Als je oordelen weinig, lang zijn en baat hebben bij redeneren, is een goedkope LLM met gestructureerde output de betere koop. Als je veel korte oordelen per werkeenheid doet, of het antwoord nodig hebt voordat een gebruiker een pauze opmerkt, verandert de rekensom.

Kun je Jev aanroepen met een OpenAI-compatibele sleutel?

Niet tegen TypeSafe's eigen endpoint, en het verschil is structureel in plaats van een kwestie van configuratie:

• Andere route. TypeSafe documenteert één evaluatie-endpoint, /v1/systemone, en een /v1/models-listing. Er is geen gedocumenteerde /chat/completions.
• Andere body. Het verzoek bevat state en een map van getypeerde questions. Een OpenAI-achtige body bevat messages en verwacht gegenereerde tekst terug.
• Andere respons. Je ontvangt waarschijnlijkheden en confidence-waarden, gekoppeld aan de vraagnamen die jij hebt gekozen, niet een completion-string.

Tegen de vendor-API betekent een OpenAI-compatibele client met Jev laten praten dat je een vertaallaag in beide richtingen schrijft — wat de community-gateways in de routeringssectie hierboven doen. Jev is in onboarding bij APIMaster, en deze pagina wordt bijgewerkt zodra de integratie live is. Tot dan is de live optie voor een snel oordeel op een OpenAI-compatibel endpoint een van de goedkope tiers hieronder.

Wat je vandaag moet draaien als je snelle oordelen nodig hebt

Als wat je echt nodig hebt een oordeel is van een bestaand OpenAI-compatibel endpoint, is de praktische vraag naar welke goedkope tier je het stuurt. Live APIMaster-routes per 20 september 2026:

Model-ID	Routes in de aanbieding	Vanaf (input / output per 1M)	Referentielijstprijs	Ong. korting
gpt-5.6-luna	3	$0.022 / $0.134	$0.20 / $1.20	~89% korting
glm-5.3-flash	3	$0.105 / $0.35	$0.15 / $0.50	~30% korting
deepseek-flash	1	$0.15 / $0.60	Gelijk aan DeepSeek off-peak	Geen opslag
gpt-5.6-terra	15	$0.12 / $0.72	$2.00 / $12.00	~94% korting
gemini-3.8-flash	7	$0.20 / $1.00	$1.50 / $7.50	~87% korting

Jev zelf is op het moment van schrijven nog in onboarding; de tier hieronder is wat je in de tussentijd moet draaien. Drie opmerkingen bij het lezen van die tabel. Prijzen zijn de laagste route die op het moment van controle in de aanbieding is, en verschillende routes voor hetzelfde model hebben verschillende prijzen — open de modelkaart voordat je volume vastlegt. deepseek-flash is geprijsd tegen DeepSeek's eigen off-peak tarief, dus de eerlijke formulering is "geen gateway-opslag", niet een korting. En een lagere inputprijs is niet automatisch de goedkopere keuze: outputlengte, cache-hitgedrag en het aantal retries bepalen meestal de uiteindelijke rekening.

Een werkbare verdeling voor een Jev-achtige pipeline op één sleutel:

1. Zet de smalle, hoogfrequente beslissing op een kleine, goedkope tier en stuur op je eigen confidence-drempel.
2. Escaleer alleen de gevallen die onder die drempel vallen naar een sterker model.
3. Houd tellen, rekenwerk en datumvergelijking in je eigen code — hetzelfde advies dat TypeSafe geeft, en het geldt voor elk model in de tabel.

Maak een APIMaster-account aan, voeg pay-as-you-go-tegoed toe vanaf $1, maak een sleutel aan in de console, en richt een OpenAI-compatibele client op https://apimaster.ai/v1 met een van de model-ID's hierboven. Eén sleutel dekt de GPT-, GLM-, DeepSeek-, Gemini- en Claude-families, dus het escalatiepad in stap 2 blijft op dezelfde integratie. Valideer een route met de model tester voordat je productieverkeer verplaatst.

FAQ

Wat is Jev? Jev is het System One-model van TypeSafe AI. Het neemt een state plus een map van getypeerde vragen en retourneert gekalibreerde waarschijnlijkheden — Choice-, Score- en Noul-antwoorden — in plaats van gegenereerde tekst.

Is Jev een taalmodel? Nee — en de eigen formulering van TypeSafe is stelliger dan dat. In de lanceringsthread beschreef de oprichter het als "een gestructureerd datamodel, maar technisch gezien geen taalmodel (het genereert geen taal)". Het leest de tekst die je stuurt en retourneert getypeerde beslissingen met waarschijnlijkheden en betrouwbaarheidswaarden, en het genereert nooit proza. TypeSafe plaatst het naast RLHF-chatmodellen en RLVR-redeneermodellen als een derde categorie, niet als een kleinere versie van een van beide.

Wat is het Jev-model-ID? jev-1.13.0. De aliassen jev-latest en jev-preview verwijzen momenteel naar dezelfde versie; de SDK's gebruiken standaard jev-latest.

Hoeveel kost Jev? $42 per miljard inputtokens, wat $0.042 per 1M inputtokens is. Outputtokens zijn gratis, en er wordt alleen op input gefactureerd.

Is Jev OpenAI-compatibel? Niet op TypeSafe's eigen API. Het gebruikt een toegewijd POST /v1/systemone-endpoint met een body van state plus questions en retourneert waarschijnlijkheden in plaats van completions, dus een OpenAI-achtige client kan het niet ongewijzigd aanroepen. Jev is in onboarding bij APIMaster, en deze pagina wordt bijgewerkt zodra de integratie live is.

Is Jev beschikbaar op APIMaster? Nog niet in de verkoop — Jev is in onboarding bij APIMaster, en deze pagina wordt bijgewerkt zodra de integratie live is. In de tussentijd is de goedkope tekst-tier die je naast een beslissingslaag zou zetten al beschikbaar; zie de live kaarten voor gpt-5.6-luna, glm-5.3-flash en deepseek-flash.

Ondersteunt Jev Chinees en andere niet-Engelse talen? TypeSafe stelt dat Engels de primaire trainingstaal is en waar de nauwkeurigheid momenteel het beste is, en dat andere talen waaronder CJK worden behandeld, maar niet even goed. De documentatie zegt dat je op je eigen content moet testen en de confidence-waarden in de gaten moet houden bij het routeren.

Kan ik Jev fine-tunen op mijn eigen data? Nee. TypeSafe fine-tunet of LoRA-adapteert Jev niet per klant, en traint niet op klantverzoeken of -antwoorden. Domeingedrag wordt gevormd via de state, instructies en criteria in elk verzoek.

Welke taken moet ik buiten Jev houden? TypeSafe publiceert er negen: letterlijke lezing, wiskunde en getallen, datum- en tijdvergelijking, indirectie, grote states vol irrelevante details, adversariële content, tegenstrijdige criteria, common-sense structurele invarianten en generatie. Tellen en rekenwerk horen in je code.

Kan ik een alternatief zelf hosten? Er zijn open reproducties — SemIf, NanoJev en de Apache-2.0 laya-encoder onder andere — maar het zijn onafhankelijke projecten met hun eigen benchmarks, niet Jev. Behandel gepubliceerde vergelijkingen als de eigen metingen van de projecten.

Wanneer moet ik Jev gebruiken in plaats van een goedkope LLM? Wanneer de beslissing smal en getypeerd is, je die vaak neemt, en je het antwoord binnen honderden milliseconden terug wilt in plaats van seconden. Voor lange-context-redeneren, generatie of alles wat rekenwerk vereist, is een goedkoop generatief model de betere keuze.

Bronnen en verder lezen

• TypeSafe — Models — model-ID, aliassen, prijs van $42/Btok, snelheidslimieten, contextbudget, taalondersteuning en dataverwerking
• TypeSafe — Jev 1.13 jaggedness — de gebieden die TypeSafe buiten scope plaatst, met het aanbevolen patroon voor elk, herzien op 17 september 2026
• TypeSafe — API reference en Quick start — endpoint, request- en responsvormen, SDK-gebruik
• TypeSafe — Introducing System One Models and Jev — lanceringspost, het end-to-end cijfer van 70–500ms en de vergelijking van 40×–200×
• Hacker News discussion — 1,918 punten op de launch-thread
• browser-use/jev-ultrafast — actieruimte, het ontwerp met operatie en doel in één verzoek, en de Google Flights-demonstratie
• Made with Jev — 724 competitor ads, broken down — de buildpagina voor advertentieanalyse, met de post van de auteur
• Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds Open reproducties. Dit is de meest interessante thread voor iedereen die de capaciteit wil zonder een nieuwe leverancier. TheoLeeCJ/SemIf (★2.123) draait een open model op een enkele RTX 3090 thuis en is expliciet dat het onafhankelijk is van TypeSafe. TianyuCodings/NanoJev (★1.175) is een kleinschalige reproductie. convaiinnovations/laya is een Apache-2.0, commercieel bruikbaar classificatiemodel getraind met RLCD, gepubliceerd onder de tags system-one en calibrated-decisions, met een bijbehorende runner in receptron/laya. Geen van deze is Jev, en de benchmarkgrafieken die ze publiceren zijn hun eigen grafieken; het punt is dat de vorm van het model reproduceerbaar is.

TypeSafe's modeldocumentatie en scope-opmerkingen zijn gecontroleerd op 20 september 2026; sterrencounts en APIMaster-routeprijzen zijn op dezelfde dag uitgelezen. Jev's APIMaster-onboarding is in gang en deze pagina wordt bijgewerkt naarmate die vordert. Prijzen, snelheidslimieten en projectstatus veranderen — verifieer op de live kaart of op de eigen pagina van de leverancier voordat je een workload vastlegt.