agi.jetzt
DEEN

Decision Models

Jev: Das erste System One Model von TypeSafe AI

VerfügbarProduktmodell

Kurz gesagt

Jev ist ein KI-Modell von TypeSafe AI, vorgestellt am 15. September 2026. Es erzeugt keinen Text. Man gibt ihm einen Zustand und Fragen mit festgelegten Antwortmöglichkeiten; zu jeder Frage gibt es eine Auswahl, eine Stufe oder eine Ja-Wahrscheinlichkeit zurück, jeweils mit einer Wahrscheinlichkeitsverteilung. TypeSafe nennt diese neue Modellklasse „System One Models“. Der Begriff stammt von TypeSafe und ist keine etablierte Einteilung der Branche.

Eckdaten

Anbieter
TypeSafe AI, San Francisco
Vorgestellt
15. September 2026
Aktuelle Version
Jev 1.13 (Modell-ID jev-1.13.0)
Zugang
Gehostete API; auch über OpenRouter und das Vercel AI Gateway
Preis
0,042 US-Dollar je Million Eingabe-Token; Ausgabe-Token kostenlos
Eingabe
Nur Text: eine Zeichenkette, ein JSON-Objekt oder ein Array
Ausgabe
Choice, Score oder Noul, jeweils mit Wahrscheinlichkeiten
Kontext
64.000 Token je Anfrage; 32.000 für den Zustand plus die längste Frage

Quellen: TypeSafe AI press release, 15 September 2026 (Business Wire via Yahoo Finance), TypeSafe docs: Models, OpenRouter docs: Jev · geprüft am 10.10.2026

Was ist Jev?

Jev ist ein Modell für Entscheidungen in Software. Es liest Text in natürlicher Sprache wie ein Sprachmodell, antwortet aber nicht in Sätzen. Es beantwortet Fragen, deren mögliche Antworten der Entwickler vorher festgelegt hat.

TypeSafes Dokumentation sagt es so: „Like an LLM, a System One model understands natural-language input. It returns typed decisions and probabilities rather than generated text.“ Der Name Jev verweist auf den Ökonomen William Stanley Jevons; „System One“ stammt aus Daniel Kahnemans Unterscheidung zwischen schnellem, intuitivem und langsamem, überlegtem Denken.

Quellen: TypeSafe docs: System One, TypeSafe: Introducing System One Models & Jev

Wie funktioniert Jev?

Eine Anfrage besteht aus zwei Teilen. Der Zustand ist das, was beurteilt werden soll: eine Nachricht, ein Datensatz, der aktuelle Stand einer Anwendung. Die Fragen sagen, was beurteilt werden soll, jeweils mit einem Typ und den möglichen Antworten.

Jede Frage sieht denselben Zustand und wird unabhängig von den anderen beantwortet. Die Antworten kommen unter den Namen zurück, die der Entwickler gewählt hat.

Ein Beispiel

Anfrage
POST https://api.typesafe.ai/v1/systemone

{
  "state": "Help! My payouts have been failing for 3 days.",
  "model": "jev-latest",
  "questions": {
    "is_urgent": {
      "type": "noul",
      "instructions": "Does this convey urgency?"
    },
    "department": {
      "type": "choice",
      "instructions": "Which team should handle this?",
      "criteria": {
        "billing": "Payments, invoicing, refunds",
        "technical": "Bugs, outages, integrations",
        "sales": "Pricing, upgrades, new accounts"
      }
    },
    "frustration": {
      "type": "score",
      "instructions": "How frustrated is the customer?",
      "criteria": ["Calm", "Frustrated", "Very angry"]
    }
  }
}
Antwort (Auszug)
{
  "model": "jev-1.13.0",
  "answers": {
    "is_urgent": { "type": "noul", "noul": 0.95 }
  }
}

Anfrage und Antwort folgen den Beispielen der TypeSafe-Dokumentation, zu einer Anfrage zusammengefasst. Die Antwort zeigt eine der drei Fragen.

Choice, Score und Noul

Jev kennt genau drei Fragetypen. Reihenfolgen oder das Herauslesen von Werten baut man daraus im Code.

Quellen: TypeSafe docs: Primitives, TypeSafe docs: API reference

TypFrageGibt zurück
ChoiceWelche dieser Optionen?Die Option mit der höchsten Wahrscheinlichkeit, eine Wahrscheinlichkeit für jede Option (zusammen 1) und ein Konfidenzwert. Bis zu 255 Optionen.
ScoreWelche Stufe auf dieser Skala?Ein Wert auf einer geordneten Skala aus 2 bis 10 beschriebenen Stufen: das mit den Wahrscheinlichkeiten gewichtete Mittel der Stufennummern, dazu die Verteilung über die Stufen.
NoulStimmt das?Eine Zahl zwischen 0 und 1: die Wahrscheinlichkeit, dass die Antwort Ja ist. Kein eigener Konfidenzwert.

Wahrscheinlichkeit und Konfidenz

Der Konfidenzwert ist keine zweite Meinung des Modells. Laut Dokumentation ist er „a statistic computed from the probability distribution the answer already gives you“: 1, wenn die ganze Wahrscheinlichkeit auf einem Ergebnis liegt, 0, wenn sie gleichmäßig verteilt ist.

Wo ein Schwellenwert liegt, bleibt dem Entwickler überlassen; TypeSafe schreibt, passende Werte hingen vom Einsatzgebiet ab. Und Kalibrierung, so die Dokumentation, „is measured across groups of predictions; it does not guarantee that an individual answer is correct“.

Quellen: TypeSafe docs: Confidence, TypeSafe docs: System One

Worin unterscheidet sich Jev von einem allgemeinen Sprachmodell?

Allgemeines Sprachmodell
  1. Kontext
  2. Erzeugung
  3. Text, Code oder Medien
Jev
  1. Zustand + typisierte Frage
  2. Jev
  3. Auswahl, Stufe oder Wahrscheinlichkeit
  4. Aktion der Software
  1. Was zurückkommtEin Sprachmodell gibt erzeugten Text zurück. Jev gibt eine der vorher festgelegten Antworten zurück, mit Wahrscheinlichkeiten.
  2. Die SchnittstelleEin Sprachmodell ist für das Gespräch mit Menschen gebaut. Jev ist dafür gebaut, von Programmen aufgerufen zu werden: typisierte Fragen hinein, typisierte Werte heraus.
  3. Prüfen der AusgabeText muss zerlegt und geprüft werden, bevor Software ihn nutzen kann. Eine typisierte Antwort hat immer die erwartete Form – was nichts darüber sagt, ob sie stimmt.
  4. Kosten und ZeitTypeSafe berechnet nur Eingabe-Token und nennt Antwortzeiten deutlich unter einer Sekunde. Beides sind Angaben des Herstellers.

Nicht: probabilistisch gegen nicht probabilistischDer Unterschied ist nicht „probabilistisch gegen nicht probabilistisch“. Auch Sprachmodelle berechnen Wahrscheinlichkeiten, für jedes nächste Token. Anders ist, was das Modell zurückgibt und worauf seine Schnittstelle ausgelegt ist.

Wo kann Jev nützlich sein?

Diese Einsätze nennt TypeSafe selbst. Sie beschreiben, wofür das Modell gedacht ist, kein gemessenes Ergebnis.

  • Einordnen, Weiterleiten und Bewerten in bestehender Software, wo handgeschriebene Regeln zu starr sind
  • Prüfen der Ausgabe von Sprachmodellen: Bewerten, Schutzregeln, Erkennen von Jailbreaks
  • Entscheidungen in Echtzeit-Anwendungen, für die ein Sprachmodell zu langsam wäre
  • Viele kleine Urteile über große Datenmengen

Ebenso klar sagt TypeSafe, was ein solches Modell nicht tut: Es schreibt keine Antworten, erzeugt keinen Code und keine Erklärungen seiner Überlegungen.

Quellen: TypeSafe: Introducing System One Models & Jev, TypeSafe docs: System One

Wo liegen die Grenzen?

Von TypeSafe selbst genannt

  • Es beantwortet die Frage so, wie sie dasteht, nicht so, wie sie gemeint war.
  • Es ist kein Taschenrechner und zählt nicht verlässlich.
  • Es liest Datumsangaben als Text, nicht als geordnete Größen.
  • Anweisungen mit doppelter Verneinung oder mehreren Bezugsschritten werden weniger verlässlich beantwortet.
  • Die Trefferquote sinkt, wenn der Zustand viel enthält, das mit der Entscheidung nichts zu tun hat.
  • Text im Zustand, der das Modell gezielt lenken soll, kann die Antwort verschieben.
  • Bei Choice kann die Reihenfolge der Optionen die Antwort beeinflussen; das Modell neigt zur ersten.
  • Es ist nicht darauf trainiert, Text zu erzeugen.
  • Nur Text; Englisch ist die Haupttrainingssprache, andere Sprachen werden weniger gut verarbeitet.

Quellen: TypeSafe docs: Jev 1.13 jaggedness, TypeSafe docs: Models

Von Dritten festgestellt

  • Die Namen der Optionen beeinflussen die Entscheidung, auch wenn ihre Definitionen das Gegenteil sagen.
  • Ohne die Möglichkeit zur Enthaltung lagen die genannten Wahrscheinlichkeiten bei nicht beantwortbaren Fragen weit daneben.
  • Identische Anfragen ergaben nicht immer identische Antworten. Eine Zusage, dass gleiche Anfragen gleiche Antworten ergeben, dokumentiert TypeSafe nicht.

Quellen: Sun et al.: Type-Safe Is Not Error-Free (arXiv:2609.26758, preprint), jujumilk3/jev-calibration-audit (GitHub)

Nicht veröffentlicht

Architektur, Zahl der Parameter und Trainingsdaten sind nicht veröffentlicht. Es gibt kein Paper, und veröffentlichte Gewichte haben wir nicht gefunden. TypeSafe veröffentlicht keine Kennzahl zur Kalibrierung und keine Zusage, dass identische Anfragen identische Antworten ergeben.

Was dokumentiert ist, was behauptet wird, was geprüft wurde

Drei Arten von Aussagen, getrennt gehalten. Die unabhängigen Arbeiten sind Preprints und Prüfungen aus den ersten Wochen nach der Vorstellung; keine ist begutachtet, und ihre Ergebnisse weisen in verschiedene Richtungen.

Dokumentiert

Nachprüfbar in Dokumentation, Pressemitteilung oder der Dokumentation Dritter.

Herstellerangabe

Was TypeSafe über Leistung, Architektur und Training sagt. Nicht unabhängig geprüft.

  • TypeSafe spricht von einer neuen Modellarchitektur, einem parallelen Sampler und einem eigenen Trainingsverfahren namens „Reinforcement Learning for Calibrated Decisions“ (RLCD). Eine technische Beschreibung oder ein Paper dazu ist nicht veröffentlicht.

    Quellen: TypeSafe: Introducing System One Models & Jev, TypeSafe AI: homepage

  • Laut TypeSafe erreicht Jev bei passenden Aufgaben ein ähnliches Niveau wie bestehende Sprachmodelle und ist dabei um zwei Größenordnungen schneller und sparsamer. Die Startseite nennt „193.6x Faster, 444.6x Cheaper“; TypeSafe schreibt selbst, diese Werte lägen am oberen Ende dessen, was in der Praxis zu erwarten ist.

    Quellen: TypeSafe: Introducing System One Models & Jev, TypeSafe AI: homepage

  • In TypeSafes eigenen Auswertungen über vier Abläufe kommt Jev auf 67,8 % mittlere Übereinstimmung bei 0,0004 US-Dollar und 0,4 Sekunden je Fall; zwei große Sprachmodelle erreichen dort 74,1 % und 73,1 %. Gemessen wird Jev in von TypeSafe gebauten Abläufen, gegen Referenzantworten zweier Sprachmodelle statt gegen menschliche Urteile.

    Quellen: TypeSafe: Workflow evals, TypeSafe: Introducing System One Models & Jev

  • TypeSafe nennt Antwortzeiten von 70 bis 500 Millisekunden und schreibt, die veröffentlichten Messungen liefen in der Regel von eigenen Laptops an der US-Westküste.

    Quellen: TypeSafe: Introducing System One Models & Jev

  • TypeSafe schreibt, Jev könne nicht halluzinieren und mache nie Typfehler. Zugesichert ist damit eine gültige Antwort aus den vorgegebenen Möglichkeiten – nicht, dass sie richtig ist.

    Quellen: TypeSafe: Introducing System One Models & Jev

  • TypeSafe beschreibt Jev als kalibriert („higher confidence means higher accuracy“), veröffentlicht dazu aber keine Kennzahl.

    Quellen: TypeSafe: Introducing System One Models & Jev, TypeSafe docs: System One

Unabhängig

Von Dritten gemessen oder berichtet.

Warum ist Jev wichtig?

Seit der Vorstellung von Jev haben weitere Anbieter Modelle oder Schnittstellen dieser Art veröffentlicht: Cloudflare am 1. Oktober 2026 offene Decision Models, Microsoft am 9. Oktober 2026 Microsoft-Decision-1; OpenAI bietet eine Decisions API als öffentliche Beta an.

Zu diesem Preis und bei dieser Geschwindigkeit kann ein Urteil, für das bisher ein Sprachmodell nötig war, in einem gewöhnlichen Codepfad stehen – so oft, wie ein Programm es braucht. Ob die Urteile für eine bestimmte Aufgabe gut genug sind, beginnen die unabhängigen Arbeiten gerade zu messen.

Quellen: Cloudflare: Introducing Clef (1 October 2026), OpenAI API docs: Decisions guide, Microsoft Command Line: Microsoft-Decision-1 (9 October 2026)

Warum kann das für AGI-Forschung und Agenten-Architekturen relevant sein?

Agentensysteme bestehen aus vielen kleinen Entscheidungen um wenige große herum: welches Werkzeug, welches Modell, weitermachen oder anhalten, gut genug oder übergeben. Ein schnelles Modell mit ausgewiesener Unsicherheit passt an diese Stellen – als Weiche, als Schranke vor einem riskanten Schritt, als Bewerter von Zwischenergebnissen.

Der Forschung gibt es außerdem einen sauberen Untersuchungsgegenstand: Wenn ein Modell Wahrscheinlichkeiten statt Text zurückgibt, lässt sich messen, ob sie stimmen.

Relevanz für AGI heißt nicht belegter Fortschritt in Richtung AGI. Jev gehört nicht zu den Spitzenmodellen, geht nicht in den AGI-Fortschritt ein und löst eine engere Aufgabe als ein Generalist – es ist nicht näher an AGI als ein Generalist.

Quellen

System One & Decision Models: die Klasse und sieben weitere Modelle →