Jev im Test

Jev ist das erste öffentliche Modell der sogenannten System One Models von TypeSafe AI: Modelle, die dafür gebaut sind, in Software enge Entscheidungen zu treffen, statt zu chatten oder zu schreiben. Eine Anfrage enthält einen state (ein String, ein JSON-Objekt oder ein Text-Array) sowie beliebig viele typisierte Fragen. Jev beantwortet jede Frage parallel mit einem Choice (eine Option aus einer Liste, mit einer Wahrscheinlichkeit pro Option und einem Konfidenzwert), einem Score (eine Stufe auf einer von Ihnen definierten Rubrik) oder einem Noul (die Wahrscheinlichkeit, dass eine Aussage wahr ist). Es generiert keinen Text, schreibt keinen Code und führt keine Gespräche, und TypeSafe stellt klar, dass es kein Ersatz für das LLM hinter einem Coding-Agenten ist.

Sie rufen es über einen einzigen HTTP-Endpunkt (POST /v1/systemone) oder über die SDKs für Python und JavaScript/TypeScript auf und können es vorab im Browser-Playground in der TypeSafe-Konsole ausprobieren. TypeSafe veröffentlicht außerdem einen Agent Skill, damit Claude Code, Codex und andere Coding-Agenten Jev-Integrationen schreiben können. Die Idee dahinter: Ihr Code behält die Kontrolle. Sie legen Schwellenwerte für die Konfidenz fest, handeln automatisch, wenn sie hoch ist, und leiten den Rest an einen Menschen oder ein größeres Modell weiter. TypeSafe dokumentiert, wo das aktuelle Modell Schwächen hat, darunter Arithmetik, Zählen, Datumsvergleiche und wörtliches Lesen von Anweisungen.

Sie zahlen nur für Input-Tokens. Bei 0,042 $ pro Million kostet eine Last von 100 Millionen Input-Tokens 4,20 $ und eine Milliarde Input-Tokens 42 $, unabhängig davon, wie viele Fragen Sie in jede Anfrage packen. Ein optionaler Long-Context-Modus erhöht beide Limits zum gleichen Preis pro Token auf 262k Tokens, ist laut TypeSafe aber langsamer und weniger genau. Ratenlimits werden pro Organisation in der Konsole festgelegt; höhere Limits sind in Custom- und Enterprise-Tarifen verfügbar. In den FAQ auf der Startseite von TypeSafe wird gefragt, ob diese Preise befristet oder subventioniert sind, die Antwort ist auf der Seite jedoch eingeklappt. Betrachten Sie den Preis daher als aktuell, nicht als garantiert.

Preise am 2. November 2026 auf der Preisseite des Anbieters geprüft. Siehe Jev models and pricing.

Was TypeSafe für Jev dokumentiert:

Jev eignet sich für Entwickler, die bereits ein LLM aufrufen, nur um ein Label, eine Bewertung oder ein Ja/Nein zurückzubekommen, zum Beispiel beim Routing von Support-Tickets, beim Prüfen von Inhalten, beim Kontrollieren von Quellenangaben oder beim Bewerten von Leads in großem Umfang, und die typisierte Antworten sowie einen Konfidenzwert nutzen möchten, um zu entscheiden, wann ein Mensch prüfen sollte. Da die Ausgabe kostenlos ist und der Input pro Token berechnet wird, richtet sich das Modell an Entscheidungen mit hohem Volumen und niedriger Latenz.

Wählen Sie etwas anderes, wenn Sie Textgenerierung, Schlussfolgerungen oder Erklärungen benötigen: Ein allgemeines Modell über die OpenAI API oder ein schneller Host wie Groq leistet das und kann ebenfalls strukturierte Ausgaben liefern. Teams, die Genauigkeit in mehreren Sprachen benötigen, sollten zuerst testen, da laut TypeSafe Jev auf Englisch am genauesten ist. Wenn Ihr Ziel das Prüfen von LLM-Eingaben und -Ausgaben ist, ist ein spezielles Framework wie Guardrails AI eine weitere Möglichkeit.

Jev wurde im September 2026 veröffentlicht, und unabhängige praktische Tests sind noch selten; einen Benchmark Dritter zur Genauigkeit haben wir nicht gefunden. Ein Erklärartikel im Blog von eesel AI, verfasst von einem Unternehmen, das ein konkurrierendes Support-Produkt verkauft, und basierend auf Dokumentation und Launch-Materialien statt auf Tests, bezeichnet es als gut geeignet für Aufgaben zum Klassifizieren, Bewerten und Routen, weist aber darauf hin, dass die herausgestellten Geschwindigkeitsvielfachen Herstellerangaben sind und dass eine selbstsicher falsche typisierte Antwort weiterhin möglich ist. DataCamp und The New Stack haben ebenfalls über die Markteinführung berichtet. Auf der Startseite von TypeSafe wird eine Fallstudie veröffentlicht, laut der ein Kunde die Kosten für das Bewerber-Screening um 88 % gesenkt hat; dies ist eine Angabe des Anbieters.