Jev API: czym jest model System One od TypeSafe, ile kosztuje i kiedy go używać

Czym Jev właściwie jest

TypeSafe zaprezentował Jev 15 września 2026 jako pierwszy „model System One". Ramy pochodzą z Myślenia szybkiego i wolnego Kahnemana: obecne LLM-y zachowują się jak system rozumujący, deliberatywny, a TypeSafe buduje szybką, intuicyjną połowę — z tym że „intuicja" oznacza tu skalibrowany rozkład prawdopodobieństwa nad odpowiedziami, a nie przeczucie wyrażone jako tekst.

Nazwa nawiązuje do Jevonsa, a założenie jest takie, że szybki, tani prymityw decyzyjny jest wywoływany znacznie częściej niż drogi.

Różnice mechaniczne względem LLM-a są tym, co ma znaczenie dla inżynierii:

• Wynik jest typowany. Z góry deklarujesz kształt odpowiedzi — Choice po wyliczalnych opcjach, Score po opisowych poziomach lub Noul (tak/nie) z prawdopodobieństwem. Nie ma dowolnego tekstu do parsowania, a zgodność ze schematem jest właściwością architektury, a nie czymś, na co liczysz, że model spełni.
• Dostajesz prawdopodobieństwa, nie tylko wybór. Choice zwraca wybraną opcję plus prawdopodobieństwo dla każdej opcji oraz osobną wartość confidence. To pozwala kierować na podstawie niepewności: działaj powyżej progu, przełącz na większy model poniżej.
• Pytania działają równolegle. Jev przyswaja stan raz i ocenia każde pytanie w żądaniu względem niego jednocześnie. Zadanie trzydziestu pytań zamiast jednego dodaje bardzo mało czasu zegarowego, co umożliwia opisane poniżej przypadki klasyfikacji wsadowej.
• Jest wąski celowo. Wskazówka TypeSafe brzmi: trzymaj przepływ sterowania w swoim kodzie i dawaj Jevowi atomowe, strukturalne decyzje, a nie jedno wielkie rozstrzygnięcie. Wynik nie ma struktury sekwencyjnej. Założyciel TypeSafe powiedział, że ciągi znaków i inne sekwencyjne struktury danych nie są dozwolone po stronie wyniku, a podany powód jest dokładnie taki: to właśnie dzięki temu każda odpowiedź może być obliczana równolegle, i dlatego nie ma tokenów wyjściowych do rozliczenia. Nie możesz poprosić Jev, żeby napisał ci zdanie, i to ograniczenie jest podstawą, na której zbudowana jest cena.

Minimalne żądanie wygląda tak:

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?" }
    }
  }'

Specyfikacje Jev w skrócie

Specyfikacja	Jev 1.13
Identyfikator modelu	jev-1.13.0
Aliasy	jev-latest, jev-preview (oba obecnie wskazują na 1.13)
Endpoint	POST https://api.typesafe.ai/v1/systemone
Cena	42 USD za miliard tokenów wejściowych / 0,042 USD za 1M
Cena wyjścia	Darmowe — rozliczenie tylko za wejście
Limity szybkości	250 000 tokenów/s i 1200 żądań/minutę, określone jako dynamiczne
Długość kontekstu	64k na żądanie (stan plus wszystkie pytania); 32k dla stanu plus najdłuższego pytania
Typy wejścia	Tekst: ciąg znaków, obiekt JSON lub tablica. Bez obrazu, dźwięku i wideo
Wyjście	Typowane odpowiedzi Choice, Score i Noul z prawdopodobieństwami i wartością confidence
SDK klienckie	Python typesafe-sdk, JavaScript @typesafe-ai/sdk
Niestandardowe wagi na konto	Nie. Jev nie jest dostrajany ani adaptowany przez LoRA na danych klienta
Dane treningowe od klientów	Nie. Żądania i odpowiedzi nie są używane do treningu

Gdzie pasuje Jev i co TypeSafe każe zostawić w kodzie

TypeSafe publikuje również szczegółowo zakres jev-1.13: dziewięć obszarów, każdy z zalecanym wzorcem zamiast tego, ostatnio sprawdzony 17 września 2026.

#	Obszar	Wskazówka TypeSafe
1	Dosłowne czytanie — odpowiada na pytanie, które napisałeś, a nie na to, które miałeś na myśli	Podaj dokładny warunek; przypadki brzegowe umieść w kryteriach
2	Matematyka i liczby — to nie kalkulator i nie liczy niezawodnie	Arytmetykę i liczenie zostaw w kodzie
3	Porównywanie dat i czasu — daty są czytane jako tekst, a nie uporządkowane wielkości	Wyodrębnij składniki; porównuj w kodzie
4	Pośredniość — podwójne przeczenia i pytania wieloetapowe kosztują dokładność	Zmniejsz liczbę kroków; wskazuj bezpośrednio na istotny stan
5	Duży stan pełen nieistotnych szczegółów	Najpierw filtruj; wysyłaj tylko to, czego potrzebuje pytanie
6	Treści wrogie	Pisz precyzyjne instrukcje i testuj przypadki brzegowe przed wdrożeniem
7	Sprzeczne instrukcje i kryteria	Zgraj instrukcję i kryteria
8	Zdrożonorozsądkowe niezmienniki strukturalne	Zadawaj każde rozstrzygnięcie w jeden sposób; egzekwuj tożsamości w kodzie
9	Generowanie	Użyj modelu generatywnego

Dwa z nich mają największe znaczenie w praktyce. Po pierwsze, liczenie: dokumentacja mówi wprost, że jev-1.13 „nie liczy niezawodnie" — znaków w słowie, wystąpień w fragmencie, elementów na długiej liście — i że błąd rośnie wraz z rozmiarem liczonej rzeczy. Po drugie, generowanie: Jev nie napisze Twojego podsumowania, odpowiedzi ani komunikatu commita. On decyduje; coś innego pisze.

Zalecany przez TypeSafe wzorzec liczenia pokazuje zamierzony podział pracy: iteruj po kandydatach w kodzie, zadaj jedno Noul na kandydata i sam zsumuj odpowiedzi.

Skąd pochodzą liczby z nagłówków

Z niemal każdą dyskusją o Jevie wiążą się dwie liczby. Pochodzą z różnych źródeł i opisują różne rzeczy.

0,7 sekundy. Every opublikował tekst zatytułowany „TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds". Indeksy buildów katalogujące ten artykuł opisują go jako 777 rozstrzygnięć w 37 artykułach. Nie udało nam się wczytać pełnej treści artykułu, by potwierdzić jego liczbę kosztową, więc traktuj koszt na przebieg cytowany wokół tego demo jako pomiar samego autora, a nie publikowaną stawkę.

724 reklamy, 40 sekund, około 9 centów. To jest udokumentowane dwukrotnie. Strona builda madewithjev.com — 724 competitor ads, broken down podaje, że 724 aktywne reklamy od 37 marek zostały przeanalizowane w około 40 sekund. Post autora na X (17 września 2026) dodaje koszt — „used 9 cents of tokens" — i wymienia wymiary wyodrębniane dla każdej reklamy: hook, format, oferta, CTA, etap świadomości i niedopasowanie strony docelowej.

Warto zachować rozróżnienie między tymi dwiema liczbami: 0,7 sekundy to czas oceny modelu na korpusie wielkości akapitu, podczas gdy 40 sekund obejmuje pobranie i przetworzenie 724 aktywnych reklam. Żadna z tych liczb nie jest gwarancją przepustowości dla Twojego obciążenia.

Co społeczność buduje z jego pomocą

Przyswajanie Jev jest wyjątkowo łatwe do zbadania, ponieważ niemal wszystko opublikowane w pierwszym tygodniu jest open source. Liczby gwiazdek poniżej odczytano z API GitHub 20 września 2026.

Przeglądarka i użycie komputera. browser-use/jev-ultrafast (★10 113) pochodzi od organizacji browser-use i to projekt, który nadał ton. Udostępnia stałą przestrzeń akcji (CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, BLOCKED) i prosi Jev o wybór zarówno operacji, jak i docelowego elementu. Obie decyzje trafiają do jednego żądania TypeSafe, przy czym pytanie o cel jest oznaczone jako spekulatywne. Tylko TYPE_TEXT wywołuje model tekstowy, a przykład w samym README używa małego. Jego zadanie demonstracyjne — Zurych do Londynu w Google Flights — jest cytowane na 7,1 sekundy łącznie z generowaniem tekstu i wczytywaniem stron. Nie ma skryptów specyficznych dla witryn.

Kompresja kontekstu agenta kodującego. tamaratran/fast-jev-compaction (★4 544) decyduje, które wyniki narzędzi w transkrypcie agenta kodującego wciąż warto zachować, dzięki czemu długą sesję można skompaktować bez pełnego przebiegu streszczania. Istnieją porty i warianty dla innych środowisk agentów.

Barierki ochronne agentów. DevMortimer/pi-warden (★99) i shiftynick/jev-axi (★17) stawiają rozstrzygnięcie przed każdym poleceniem lub wywołaniem narzędzia: najpierw pytaj, blokuj niebezpieczne. To wzorzec, w którym „skalibrowane prawdopodobieństwo plus próg w Twoim własnym kodzie" jest naprawdę lepsze niż odpowiedź tekstowa, którą trzeba zinterpretować.

Routing modeli. vinilana/jev-gateway (★61) kieruje proste żądania do taniej warstwy i eskaluje tylko te trudne. To najbardziej bezpośredni wyraz argumentu samego TypeSafe — że decyzja może kosztować ułamek generowania, które kontroluje.

Gry i dema sterowania. fhshaik/typesafe-mario (★289) gra w Super Mario Bros. na podstawie strukturalnego stanu emulatora, a RomanSlack/jev-drone (★81) prowadzi pętlę sterowania dronem w MuJoCo. Te rozprzestrzeniają się znacznie szybciej, niż są wdrażane; traktuj je jako demonstracje interfejsu, a nie dowód niezawodności produkcyjnej.

Otwarte reprodukcje. To najciekawszy wątek dla każdego, kto chce tę zdolność bez nowego dostawcy. TheoLeeCJ/SemIf (★2 123) uruchamia otwarty model na pojedynczym RTX 3090 w domu i wyraźnie zaznacza, że jest niezależny od TypeSafe. TianyuCodings/NanoJev (★1 175) to reprodukcja w małej skali. convaiinnovations/laya to enkoder na licencji Apache-2.0, dopuszczony do użytku komercyjnego, z głowicami decyzyjnymi trenowanymi przez RLCD, opublikowany pod tagami system-one i calibrated-decisions, z towarzyszącym runnerem w receptron/laya. Żaden z nich nie jest Jevem, a publikowane przez nie wykresy benchmarków są ich własne; chodzi o to, że kształt modelu jest odtwarzalny.

Klasyfikacja wsadowa. Powyższy teardown reklam to flagowy przykład i wzorzec najbardziej odporny na kontakt z produkcją: utrzymaj stan stały, zadaj wiele wąskich pytań w jednym żądaniu i odczytaj prawdopodobieństwa.

Czy Jev jest faktycznie tańszy niż tani LLM?

Nie za token wejściowy i to jest część, którą większość tekstów pomija. Jev pobiera 0,042 USD za 1M tokenów wejściowych. Na APIMaster gpt-5.6-luna jest w promocji od 0,022 USD za 1M tokenów wejściowych — mniej więcej połowa stawki wejściowej Jev — przy glm-5.3-flash za 0,105 i deepseek-flash za 0,15. Najtańsze hostowane modele generatywne już podcinają Jev na cenie wejścia.

Argument kosztowy Jev opiera się na trzech innych rzeczach:

• Brak tokenów wyjściowych. Najtańszy model generatywny wciąż emituje tekst dla każdego rozstrzygnięcia, a wyjście jest wyceniane kilkukrotnie wyżej niż wejście. Jev zwraca prawdopodobieństwo i kończy.
• Opóźnienie. TypeSafe publikuje czasy odpowiedzi end-to-end od 70 ms do 500 ms i opisuje porównanie z modelami frontier na zapytaniach w kształcie System One jako 40× do 200× szybsze. Szybkość jest tym, co pozwala decyzji działać w ścieżce żądania, a nie za kolejką.
• Kolejne pytania są niemal darmowe. Ponieważ pytania rozgałęziają się równolegle nad jednym stanem, dziesiąte pytanie kosztuje ułamek tego, co dziesiąte wywołanie API.

Czy to wygrywa, zależy od Twojego obciążenia. Jeśli Twoje rozstrzygnięcia są nieliczne, długie i korzystają z rozumowania, tani LLM ze strukturalnym wyjściem jest lepszym zakupem. Jeśli wykonujesz wiele krótkich rozstrzygnięć na jednostkę pracy albo potrzebujesz odpowiedzi, zanim użytkownik zauważy pauzę, arytmetyka się zmienia.

Czy można wywołać Jev kluczem zgodnym z OpenAI?

Nie względem własnego endpointu TypeSafe, a różnica jest strukturalna, a nie kwestią konfiguracji:

• Inna trasa. TypeSafe dokumentuje jeden endpoint oceny, /v1/systemone, oraz listing /v1/models. Nie ma udokumentowanego /chat/completions.
• Inna treść. Żądanie niesie state i mapę typowanych questions. Treść w stylu OpenAI niesie messages i oczekuje wygenerowanego tekstu z powrotem.
• Inna odpowiedź. Otrzymujesz prawdopodobieństwa i wartości confidence kluczowane nazwami pytań, które wybrałeś, a nie ciąg uzupełnienia.

Względem API dostawcy zmuszenie klienta zgodnego z OpenAI do rozmowy z Jevem oznacza napisanie warstwy tłumaczącej w obu kierunkach — co robią bramy społecznościowe z sekcji o routingu powyżej. Jev jest w trakcie wdrażania na APIMaster, a ta strona zostanie zaktualizowana, gdy integracja będzie gotowa. Do tego czasu dostępną opcją szybkiego rozstrzygnięcia na endpoincie zgodnym z OpenAI jest jedna z tanich warstw poniżej.

Co uruchomić dziś, gdy potrzebujesz szybkich rozstrzygnięć

Jeśli to, czego naprawdę potrzebujesz, to rozstrzygnięcie z istniejącego endpointu zgodnego z OpenAI, praktycznym pytaniem jest, do której taniej warstwy je wysłać. Aktualne trasy APIMaster na 20 września 2026:

Identyfikator modelu	Trasy w promocji	Od (wejście / wyjście za 1M)	Referencyjna cena katalogowa	Przybliżony rabat
gpt-5.6-luna	3	0,022 / 0,134 USD	0,20 / 1,20 USD	~89% taniej
glm-5.3-flash	3	0,105 / 0,35 USD	0,15 / 0,50 USD	~30% taniej
deepseek-flash	1	0,15 / 0,60 USD	Taka sama jak DeepSeek poza szczytem	Bez narzutu
gpt-5.6-terra	15	0,12 / 0,72 USD	2,00 / 12,00 USD	~94% taniej
gemini-3.8-flash	7	0,20 / 1,00 USD	1,50 / 7,50 USD	~87% taniej

Sam Jev jest w trakcie wdrażania w chwili pisania; warstwa poniżej to to, co uruchomić w międzyczasie. Trzy uwagi do czytania tej tabeli. Ceny to najniższa trasa w promocji w momencie sprawdzania, a różne trasy dla tego samego modelu mają różne ceny — otwórz kartę modelu, zanim zobowiążesz wolumen. deepseek-flash jest wyceniony według własnej stawki DeepSeek poza szczytem, więc uczciwym stwierdzeniem jest „bez narzutu bramy", a nie rabat. I niższa cena wejścia nie jest automatycznie tańszym wyborem: długość wyjścia, zachowanie przy trafieniach w cache i wskaźnik ponowień zwykle dominują w końcowym rachunku.

Działający podział dla potoku w stylu Jev na jednym kluczu:

1. Umieść wąskie, wysokoczęstotliwościowe rozstrzygnięcie na małej, taniej warstwie i kontroluj je własnym progiem ufności.
2. Eskaluj tylko przypadki poniżej tego progu do silniejszego modelu.
3. Zostaw liczenie, arytmetykę i porównywanie dat we własnym kodzie — ta sama rada, której udziela TypeSafe, i dotyczy ona każdego modelu w tabeli.

Załóż konto APIMaster, dodaj środki pay-as-you-go od 1 USD, utwórz klucz w konsoli i skieruj klienta zgodnego z OpenAI na https://apimaster.ai/v1 z dowolnym z powyższych identyfikatorów modeli. Jeden klucz obejmuje rodziny GPT, GLM, DeepSeek, Gemini i Claude, więc ścieżka eskalacji z kroku 2 pozostaje w tej samej integracji. Zweryfikuj trasę za pomocą testera modeli, zanim przeniesiesz ruch produkcyjny.

FAQ

Czym jest Jev? Jev to model System One od TypeSafe AI. Przyjmuje stan plus mapę typowanych pytań i zwraca skalibrowane prawdopodobieństwa — odpowiedzi Choice, Score i Noul — zamiast wygenerowanego tekstu.

Czy Jev jest modelem językowym? Nie — a samo sformułowanie TypeSafe jest jeszcze bardziej stanowcze. W wątku premierowym założyciel opisał je jako „strukturalny model danych, ale technicznie nie model językowy (nie generuje języka)”. Czyta wysyłany tekst i zwraca typowane decyzje z prawdopodobieństwami i wartościami ufności, a nigdy nie generuje prozy. TypeSafe umieszcza je obok modeli czatowych RLHF i modeli rozumowania RLVR jako trzecią kategorię, a nie jako mniejszą wersję któregokolwiek z nich.

Jaki jest identyfikator modelu Jev? jev-1.13.0. Aliasy jev-latest i jev-preview obecnie wskazują na tę samą wersję; SDK domyślnie używają jev-latest.

Ile kosztuje Jev? 42 USD za miliard tokenów wejściowych, czyli 0,042 USD za 1M tokenów wejściowych. Tokeny wyjściowe są darmowe, a rozliczenie dotyczy wyłącznie wejścia.

Czy Jev jest zgodny z OpenAI? Nie na własnym API TypeSafe. Używa dedykowanego endpointu POST /v1/systemone z treścią state plus questions i zwraca prawdopodobieństwa, a nie uzupełnienia, więc klient w stylu OpenAI nie może go wywołać bez zmian. Jev jest w trakcie wdrażania na APIMaster, a ta strona zostanie zaktualizowana, gdy integracja będzie gotowa.

Czy Jev jest dostępny na APIMaster? Jeszcze nie w sprzedaży — Jev jest w trakcie wdrażania na APIMaster, a ta strona zostanie zaktualizowana, gdy integracja będzie gotowa. W międzyczasie tania warstwa tekstowa, którą połączyłbyś z warstwą decyzyjną, jest już dostępna; zobacz aktualne karty dla gpt-5.6-luna, glm-5.3-flash i deepseek-flash.

Czy Jev obsługuje chiński i inne języki inne niż angielski? TypeSafe podaje, że angielski jest głównym językiem treningowym i tam dokładność jest obecnie najlepsza, a inne języki, w tym CJK, są obsługiwane, ale nie równie dobrze. Dokumentacja każe testować na własnych treściach i obserwować wartości confidence przy routingu.

Czy mogę dostroić Jev na własnych danych? Nie. TypeSafe nie dostraja ani nie adaptuje Jev przez LoRA dla poszczególnych klientów i nie trenuje na żądaniach ani odpowiedziach klientów. Zachowanie domenowe kształtuje się przez stan, instrukcje i kryteria w każdym żądaniu.

Które zadania powinienem trzymać poza Jevem? TypeSafe publikuje dziewięć: dosłowne czytanie, matematyka i liczby, porównywanie dat i czasu, pośredniość, duże stany pełne nieistotnych szczegółów, treści wrogie, sprzeczne kryteria, zdroworozsądkowe niezmienniki strukturalne i generowanie. Liczenie i arytmetyka należą do Twojego kodu.

Czy mogę hostować alternatywę samodzielnie? Istnieją otwarte reprodukcje — między innymi SemIf, NanoJev i enkoder laya na licencji Apache-2.0 — ale to niezależne projekty z własnymi benchmarkami, a nie Jev. Traktuj publikowane porównania jako pomiary samych projektów.

Kiedy powinienem użyć Jev zamiast taniego LLM? Gdy decyzja jest wąska i typowana, podejmujesz ją często i potrzebujesz jej z powrotem w setkach milisekund, a nie sekund. Do rozumowania na długim kontekście, generowania lub czegokolwiek wymagającego arytmetyki lepszym wyborem jest tani model generatywny.

Źródła i dalsza lektura

• TypeSafe — Models — identyfikator modelu, aliasy, cena 42 USD/Btok, limity szybkości, budżet kontekstu, obsługa języków i przetwarzanie danych
• TypeSafe — Jev 1.13 jaggedness — obszary wyłączone przez TypeSafe, z zalecanym wzorcem dla każdego, sprawdzone 17 września 2026
• TypeSafe — API reference i Quick start — endpoint, kształty żądań i odpowiedzi, użycie SDK
• TypeSafe — Introducing System One Models and Jev — post premierowy, liczba 70–500 ms end-to-end i porównanie 40×–200×
• Dyskusja na Hacker News — 1918 punktów w wątku premierowym
• browser-use/jev-ultrafast — przestrzeń akcji, projekt operacji i celu w jednym żądaniu oraz demonstracja Google Flights
• Made with Jev — 724 competitor ads, broken down — strona builda analizy reklam, z postem autora
• Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds Otwarte reprodukcje. To najciekawszy wątek dla każdego, kto chce tę możliwość bez nowego dostawcy. TheoLeeCJ/SemIf (★2,123) uruchamia otwarty model na pojedynczym RTX 3090 w domu i wyraźnie zaznacza, że jest niezależny od TypeSafe. TianyuCodings/NanoJev (★1,175) to reprodukcja w małej skali. convaiinnovations/laya to model klasyfikacyjny na licencji Apache-2.0, dopuszczony do użytku komercyjnego, trenowany z RLCD, opublikowany pod tagami system-one i calibrated-decisions, z towarzyszącym runnerem w receptron/laya. Żaden z nich nie jest Jev, a publikowane przez nie wykresy benchmarków są ich własne; sedno w tym, że kształt modelu jest reprodukowalny.

Dokumentacja modelu i notatki o zakresie TypeSafe zostały sprawdzone 20 września 2026; liczby gwiazdek i ceny tras APIMaster odczytano tego samego dnia. Wdrażanie Jev na APIMaster jest w toku, a ta strona będzie aktualizowana w miarę postępów. Ceny, limity szybkości i status projektów się zmieniają — zweryfikuj na aktualnej karcie lub na stronie dostawcy, zanim zobowiążesz obciążenie.