Jev ist ein Entscheidungsmodell von TypeSafe AI, einem Start-up aus San Francisco. Es schreibt keinen Text. Sie schicken ihm einen Zustand, etwa ein Support-Ticket, einen Agenten-Trace oder ein JSON-Objekt, zusammen mit einer Reihe typisierter Fragen, und bekommen strukturierte Antworten mit Wahrscheinlichkeiten zurück, auf die Ihr Code direkt reagieren kann. Stand Oktober 2026 ist Jev 1.13 die aktuelle Version. Sie läuft über die API von TypeSafe und mehrere Gateways und kostet 0,042 US-Dollar pro Million Input-Token; Output-Token werden nicht berechnet.

Grundlage dieses Artikels sind die Dokumentation von TypeSafe, Partnerdokumentationen von LangChain, Vercel, Cloudflare und Pydantic sowie Presseberichte. Wir haben Jev noch nicht in einem Kundenprojekt eingesetzt. Jede Leistungszahl unten ist deshalb der Stelle zugeordnet, die sie gemessen hat.

Wer hat Jev entwickelt?

TypeSafe AI beschreibt sich als KI-Labor, das „maschinennative Intelligenz-Infrastruktur für Automatisierung“ baut. Die Team-Seite nennt drei Gründer: Diogo Almeida (CEO), Sasha Sheng (COO, früher Research Engineer bei Meta/FAIR) und Erik Gafni (CTO, Seriengründer von Ravel und früher Mitarbeiter bei Invitae und Freenome). Laut Unternehmen hat Almeida „RLHF und InstructGPT miterfunden“ und bei OpenAI und Google Brain gearbeitet; TechCrunch berichtet, dass er OpenAI vor zwei Jahren verlassen hat, um TypeSafe zu gründen.

Am 15. September 2026 trat TypeSafe aus dem Stealth-Modus, mit rund 40 Mio. US-Dollar Seed-Finanzierung unter Führung von DCVC. Die Pressemitteilung zum Start nennt 2024 als Gründungsjahr und keine weiteren Investoren. Bewertungszahlen, die online kursieren, stammen aus zweiter Hand und sind vom Unternehmen nicht bestätigt.

Ist Jev ein LLM?

TypeSafe sagt nein. In der Dokumentation heißt Jev „das Flaggschiffmodell von TypeSafe und das erste System-One-Modell“, und ein System-One-Modell „bewertet einen Zustand und gibt typisierte Antworten und Wahrscheinlichkeiten zurück“ (Konzeptseite zu System One). Dieselbe Seite sagt klar, was fehlt: Diese Modelle „schreiben keine Antworten, erzeugen keinen Code und liefern keine Erklärungen ihres Vorgehens“.

Der Begriff stammt aus Daniel Kahnemans Schnelles Denken, langsames Denken (Thinking, Fast and Slow), in dem System 1 schnell und intuitiv arbeitet und System 2 langsam und überlegt. Der Name Jev spielt auf den Ökonomen William Stanley Jevons und das Jevons-Paradoxon an.

TechCrunch nennt Jev „ein neues Transformer-basiertes Modell“, das „kein Large Language Model“ sei. Weder die Architektur noch die Parameterzahl hat TypeSafe veröffentlicht, und Vermutungen von außen, Jev basiere auf einem LLM mit offenen Gewichten, sind unbestätigt. Zum Training nennt die Dokumentation ein Verfahren namens Reinforcement Learning for Calibrated Decisions (RLCD), und Almeida sagte TechCrunch, das Modell werde „ausschließlich mit synthetischen Daten“ trainiert.

Wie funktioniert Jev?

Ein Request enthält zwei Dinge: einen state (String, JSON-Objekt oder Array) und eine Map benannter, typisierter questions. Jede Frage wird „parallel und isoliert gegen denselben Zustand“ ausgewertet, und laut TypeSafe „ändert sich die Antwortzeit kaum“, wenn man Fragen hinzufügt. Die Eingabe ist reiner Text; Bilder, Audio und Video werden nicht unterstützt.

Das ist das Python-Beispiel aus dem offiziellen Quickstart, unverändert zitiert:

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

client = TypeSafeClient()

ticket = "Hi, I've been trying to connect my Stripe account for 3 days and the integration keeps failing. I'm losing sales. Please help ASAP."

response = client.system_one(
    state=ticket,
    questions={
        "department": Choice(
            instructions="Which team should handle this",
            criteria={
                "billing": "Payment or subscription issues",
                "technical": "Bugs or integration problems",
                "sales": "Pricing or account questions",
            },
        ),
        "frustration": Score(
            instructions="How frustrated the customer appears",
            criteria=[
                "Calm, just stating facts",
                "Frustrated but civil",
                "Very angry, strong language",
            ],
        ),
        "is_urgent": Noul(
            instructions="The message conveys urgency or time-sensitivity",
        ),
    },
)

print(response.answers["department"].choice)  # "technical"
print(response.answers["frustration"].score)  # 1.0
print(response.answers["is_urgent"].noul)     # 1.0

In der Beispielantwort auf derselben Seite kommt department als technical zurück, mit Wahrscheinlichkeiten von 0,85 für technical und 0,15 für billing und einer Konfidenz von 0,78. Der gesamte Aufruf verbrauchte 392 Input-Token. Es gibt nichts zu parsen, und die Wahrscheinlichkeiten sagen Ihrem Code, wie sicher sich das Modell ist.

Welche Fragetypen hat Jev?

Es gibt drei, und sie lassen sich in einem Aufruf mischen (API-Referenz).

Choice wählt eine Option aus einer von Ihnen festgelegten Menge und gibt die gewählte Option, die vollständige Wahrscheinlichkeitsverteilung und einen Konfidenzwert zurück. Ein Choice kann bis zu 255 Optionen enthalten. Größere Mengen brauchen ein langsameres zweistufiges Verfahren.

Score bewertet den Zustand anhand einer geordneten Rubrik mit mindestens zwei und höchstens 10 Stufen. Zurück kommen ein wahrscheinlichkeitsgewichteter score, der auch zwischen zwei Stufen liegen kann, eine legend, die Wahrscheinlichkeiten und eine Konfidenz. Die Dokumentation rät davon ab, aus einem Score exakte Größenordnungen abzulesen.

Noul ist der Ja/Nein-Typ. Er gibt im Feld noul die Wahrscheinlichkeit zwischen 0 und 1 zurück, dass die Antwort Ja lautet, und akzeptiert optional Beschreibungen in criteria.true und criteria.false. Noul hat kein Feld confidence. Den Namen hat TypeSafe nicht erklärt, und die Gateway-API von Vercel nennt denselben Typ boolean.

Der confidence-Wert bei Choice und Score ergibt sich aus der Form der Verteilung: 1, wenn die gesamte Wahrscheinlichkeit auf einem Ergebnis liegt, 0, wenn sie gleichmäßig verteilt ist. Für alle, die Schwellenwerte setzen, fügt TypeSafe eine Einschränkung hinzu: „Kalibrierung wird über Gruppen von Vorhersagen gemessen; sie garantiert nicht, dass eine einzelne Antwort korrekt ist.“

Halluziniert Jev?

Auf der Startseite steht „Zero Hallucinations“. Der Launch-Beitrag ist vorsichtiger: Die 0 % für Typfehler und Halluzinationen beruhen auf Schema-Garantien und sind „keine empirische Messung“. Praktisch heißt das: Jev kann keine Option zurückgeben, die Sie nicht definiert haben, und keine fehlerhaft geformte Antwort. Die falsche Option wählen kann es trotzdem. Armin Ronacher, CTO von Earendil, sagte dazu gegenüber TechCrunch: „Am Ende delegiert es das Halluzinationsproblem ein Stück weit an den Nutzer.“

Wie schnell ist Jev?

Das hängt davon ab, wer misst. Der Launch-Beitrag von TypeSafe nennt 70 bis 500 ms End-to-End, gemessen von Team-Laptops an der US-Westküste, und „40- bis 200-mal schneller als Frontier-Modelle“ bei Anfragen im System-One-Format. Die Pressemitteilung spricht von „weniger als 100 Millisekunden“, die Startseite von 193,6-mal schneller und 444,6-mal günstiger als LLMs in den eigenen Workflows.

Unabhängige Tests kommen auf kleinere Faktoren. AY Automate maß einen Median von 0,33 s gegenüber 1,17 s für GPT-5.6 Terra, also etwa Faktor 3,6. Eine von Beri.net zusammengefasste Studie maß von Frankreich aus 239 ms gegenüber 687 ms für Claude Haiku 4.5. Cloudflare, das ein Konkurrenzmodell verkauft, maß einen Median von 524,1 ms und ein p95 von 536,0 ms. Eine faire Lesart: Mediane von einigen hundert Millisekunden und in externen Tests etwa 2- bis 6-mal schneller als schnelle LLMs, nicht 200-mal.

Was kostet Jev?

TypeSafe berechnet 0,042 US-Dollar pro Million Input-Token, also 42 US-Dollar pro Milliarde, und stellt Output-Token nicht in Rechnung (Modellseite). Die API meldet usage.output_tokens trotzdem, berechnet sie aber nicht. Cloudflare und Vercel nennen denselben Input-Preis. Enterprise-Tarife laufen über den Vertrieb.

Zum Listenpreis kostet der Quickstart-Aufruf mit 392 Token etwa 0,000016 US-Dollar; ein Dollar reicht also für rund 60.000 Aufrufe dieser Größe. Im Launch-Beitrag räumt TypeSafe ein, es „kann nicht beweisen, dass seine Preise nicht subventioniert sind“, und erwartet sinkende Preise.

Wie bekommt man Zugang zu Jev?

Jev startete mit einer Warteliste, und laut TechCrunch war die API kurzzeitig überlastet. Um den 20. September schrieb TypeSafe auf X: „Jev ist jetzt für alle verfügbar. Keine Warteliste.“ Der aktuelle Quickstart beschreibt den Weg: Konto unter console.typesafe.ai anlegen, API-Key im Dashboard holen und Fragen im Playground ausprobieren.

Einige Betriebsdetails von der Modellseite:

  • Die Rate Limits liegen bei 100K Token pro Sekunde und 80 Requests pro Sekunde, mit dem Hinweis, dass sie sich „ohne Vorankündigung ändern können“. Höhere Limits gibt es mit Enterprise-Tarifen.
  • Aktuell ist die Modell-ID jev-1.13.0; die Aliase jev-latest und jev-preview verweisen darauf. Die Dokumentation empfiehlt, eine Version festzuschreiben, sobald Sie Schwellenwerte abgestimmt haben.
  • Jev gibt es nur gehostet. Alle Konten nutzen dieselben Gewichte; es gibt kein Fine-Tuning auf Kundendaten, keine offenen Gewichte und keine Self-Hosting-Variante.
  • „Jev wird nicht mit Kunden-Requests oder -Antworten trainiert“, und Zero Data Retention ist für Enterprise-Kunden verfügbar.
  • Das Kontextlimit liegt bei 64k Token pro Request, davon 32k für den Zustand plus die längste Frage. Cloudflare und Vercel nennen 32.000.

Welche SDKs und Integrationen gibt es?

TypeSafe veröffentlicht ein Python-SDK (typesafe-sdk, ab Python 3.10), ein JavaScript/TypeScript-SDK (@typesafe-ai/sdk, ab Node 20), eine einfache HTTP-API unter POST https://api.typesafe.ai/v1/systemone und einen Agent-Skill für Claude Code und andere Coding-Agenten. Die SDKs wiederholen 429- und 529-Fehler standardmäßig mit exponentiellem Backoff.

Zu den Partner-Integrationen zählen ein Paket langchain-typesafe im Alpha-Stadium mit experimenteller Routing-Middleware, typesafe-ai/jev im Vercel AI Gateway, typesafe/jev in Cloudflare Workers AI, TypeSafeModel in Pydantic AI sowie Einträge bei DigitalOcean und OpenRouter. Wie sich das in Tool-Auswahl und Modell-Routing von Agenten einfügt, behandeln wir in unserem Leitfaden zum Agent-Routing mit Jev.

Wo versagt Jev?

TypeSafe dokumentiert das selbst auf der Seite Jev 1.13 jaggedness, zuletzt geprüft am 2. Oktober 2026. Die Zusammenfassung dort: „Es kann Schwierigkeiten mit Aufgaben haben, die zusätzliche Ebenen der Indirektion erfordern. Es versteht Dinge oft recht wörtlich. Es tut sich schwer mit Aufgaben, die numerische Präzision erfordern.“ Als Fehlerbilder werden genannt: Mathematik („Jev ist kein Taschenrechner“), Zählen, Vergleiche von Datum und Uhrzeit, lange Zustände voller irrelevanter Details („Jev leidet unter Context Rot“), widersprüchliche Anweisungen, eine Neigung zur jeweils ersten Choice-Option und manipulierte Inhalte. Zum letzten Punkt sagt die Dokumentation offen, dass der Zustand Daten sind und Jev ihn „standardmäßig nicht als feindlich behandelt“.

Genau das wurde getestet. VentureBeat berichtete über einen Test von Octomind, in dem ein gefälschtes Feld „pre-approved“ im Zustand die Wahrscheinlichkeit, dass Jev rm -rf ~/.ssh blockiert, von 0,76 auf 0,48 senkte. Außerdem ist Englisch die Haupttrainingssprache; andere Sprachen „werden verarbeitet, aber nicht gleich gut“.

Bei der Genauigkeit kommt Jev in den eigenen Workflow-Evaluierungen von TypeSafe auf durchschnittlich 67,8 %, gleichauf mit Claude Sonnet 5 und unter GPT-5.6 Sol mit 74,1 %. Die Referenzlabels stammen dabei aus dem Konsens zweier Frontier-LLMs, nicht von menschlichen Annotatoren. Diese Zahlen und die unabhängigen Tests gehen wir in Jev vs. LLMs durch.

FAQ

Was bedeutet „Noul“ bei Jev?

Noul ist der Name, den TypeSafe seinem Ja/Nein-Fragetyp gibt; er liefert die Wahrscheinlichkeit, dass die Antwort Ja lautet. Eine Erklärung des Wortes hat TypeSafe nicht veröffentlicht. Die Gateway-API von Vercel bietet denselben Typ als boolean an.

Ist Jev Open Source?

Nein. TypeSafe stellt Jev nur als gehostetes Modell über die eigene API und Partner-Gateways bereit; offene Gewichte oder eine On-Premises-Version gibt es nicht. Open-Source-Alternativen existieren: Cloudflare hat Clef unter Apache 2.0 veröffentlicht und nennt es „vollständig kompatibel mit der Jev-API“, und AWS hat Strands Decider 2B veröffentlicht.

Ist Jev kostenlos?

Nicht ganz. Output-Token sind kostenlos, Input kostet aber 0,042 US-Dollar pro Million Token, und derselbe Preis gilt bei Cloudflare und Vercel. Enterprise-Tarife mit höheren Rate Limits vereinbaren Sie mit dem Vertrieb von TypeSafe.

Kann Jev Antworten oder Zusammenfassungen schreiben?

Nein. Laut Dokumentation ist es „nicht darauf trainiert, Text zu erzeugen“. Jev liefert Auswahlen, Scores und Wahrscheinlichkeiten. Braucht Ihr Workflow eine Antwort, eine Zusammenfassung oder Code, schreibt das weiterhin ein LLM.

Wer hat TypeSafe AI gegründet?

Diogo Almeida (CEO), Sasha Sheng (COO) und Erik Gafni (CTO), laut Team-Seite des Unternehmens. TypeSafe wurde 2024 gegründet und hat seinen Sitz in San Francisco.

Wo Jev in ein echtes System passt

Jev ist ein enges Werkzeug: günstig, schnell genug für Entscheidungen inline und erklärtermaßen schwach bei Mathematik und Indirektion. Ob es sich lohnt, hängt davon ab, wie viele Entscheidungen Ihr System trifft und wie gut sie sich in atomare Fragen zerlegen lassen, die Sie gegen gelabelte Daten testen können. AI Superior konzipiert und baut LLM-Anwendungen und KI-Agenten für B2B-Kunden, einschließlich der Evaluierung und Kostenkontrolle, die festlegt, welches Modell welchen Schritt übernimmt. Wenn Sie eine solche Architektur planen, sehen Sie sich unsere Leistungen für LLM-Entwicklung und -Beratung an.