Jev est un modèle de décision développé par TypeSafe AI, une start-up de San Francisco. Il n'écrit pas de texte : vous lui envoyez un état (un ticket de support, une trace d'agent ou un objet JSON, par exemple) accompagné d'un ensemble de questions typées, et il renvoie des réponses structurées assorties de probabilités que votre code peut exploiter directement. En octobre 2026, la version en cours est Jev 1.13, servie par l'API de TypeSafe et plusieurs passerelles au prix de 0,042 $ par million de tokens en entrée, les tokens en sortie étant gratuits.

Cet article s'appuie sur la documentation de TypeSafe, sur celle des partenaires LangChain, Vercel, Cloudflare et Pydantic, et sur la presse. Nous n'avons pas utilisé Jev dans un projet client : chaque chiffre de performance ci-dessous est attribué à celui qui l'a mesuré.

Qui a créé Jev ?

TypeSafe AI se présente comme un laboratoire d'IA qui « construit une infrastructure d'intelligence native pour les machines, au service de l'automatisation ». Sa page équipe cite trois fondateurs : Diogo Almeida (CEO), Sasha Sheng (COO, ancienne ingénieure de recherche chez Meta/FAIR) et Erik Gafni (CTO, fondateur en série de Ravel et l'un des premiers employés d'Invitae et de Freenome). Selon l'entreprise, Diogo Almeida « a co-inventé le RLHF et InstructGPT » et a travaillé chez OpenAI et Google Brain ; TechCrunch rapporte qu'il a quitté OpenAI il y a deux ans pour lancer TypeSafe.

TypeSafe est sortie du mode furtif le 15 septembre 2026 avec environ 40 millions de dollars de financement d'amorçage, tour mené par DCVC. Le communiqué de lancement indique 2024 comme année de création et ne nomme aucun autre investisseur. Les chiffres de valorisation qui circulent en ligne sont de seconde main et n'ont pas été confirmés par l'entreprise.

Jev est-il un LLM ?

Selon TypeSafe, non. Dans sa documentation, Jev est « le modèle phare de TypeSafe et le premier modèle System One », et un modèle System One « évalue un état et renvoie des réponses typées et des probabilités » (page de concept System One). La même page dit clairement ce qu'il ne fait pas : ces modèles « ne rédigent pas de réponses, ne produisent pas de code et ne génèrent pas d'explications de leur raisonnement ».

Le terme vient de Système 1 / Système 2 : les deux vitesses de la pensée (Thinking, Fast and Slow) de Daniel Kahneman, où le Système 1 est rapide et intuitif, le Système 2 lent et réfléchi. Le nom Jev est un clin d'œil à l'économiste William Stanley Jevons et au paradoxe de Jevons.

TechCrunch qualifie Jev de « nouveau modèle à base de transformer » qui « n'est pas un grand modèle de langage ». TypeSafe n'a publié ni l'architecture ni le nombre de paramètres, et les hypothèses extérieures selon lesquelles il reposerait sur un LLM open-weight ne sont pas confirmées. Pour l'entraînement, la documentation cite une méthode appelée Reinforcement Learning for Calibrated Decisions (RLCD), et Diogo Almeida a déclaré à TechCrunch que le modèle est entraîné « exclusivement sur des données synthétiques ».

Comment fonctionne Jev ?

Une requête contient deux éléments : un state (chaîne, objet JSON ou tableau) et une table de questions nommées et typées. Chaque question est évaluée « en parallèle et de manière isolée sur le même état », et TypeSafe affirme qu'ajouter des questions « ne change presque pas le temps de réponse ». L'entrée est uniquement textuelle : images, audio et vidéo ne sont pas pris en charge.

Voici l'exemple Python du quickstart officiel, reproduit tel que publié :

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

Dans l'exemple de réponse de la même page, department revient avec la valeur technical, avec des probabilités de 0,85 pour technical et 0,15 pour billing, et une confiance de 0,78. L'appel complet a consommé 392 tokens en entrée. Il n'y a rien à parser, et les probabilités indiquent à votre code à quel point le modèle est sûr de lui.

Quels sont les types de questions de Jev ?

Il y en a trois, combinables dans un même appel (référence de l'API).

Choice choisit une option dans un ensemble que vous définissez et renvoie l'option retenue, la distribution de probabilités complète et une valeur de confiance. Un Choice peut contenir jusqu'à 255 options. Au-delà, il faut passer par un processus en deux étapes, plus lent.

Score évalue l'état sur une grille ordonnée comptant au moins deux et au plus 10 niveaux. Il renvoie un score pondéré par les probabilités, qui peut tomber entre deux niveaux, une legend, les probabilités et une confiance. La documentation déconseille de lire des valeurs exactes dans un score.

Noul est le type oui/non. Il renvoie dans un champ noul la probabilité que la réponse soit oui, entre 0 et 1, et accepte des descriptions facultatives criteria.true et criteria.false. Noul n'a pas de champ confidence. TypeSafe n'a pas expliqué ce nom, et l'API de la passerelle Vercel appelle ce même type boolean.

La valeur confidence de Choice et de Score dépend de la forme de la distribution : 1 quand toute la probabilité porte sur un seul résultat, 0 quand elle est répartie uniformément. TypeSafe ajoute une mise en garde pour qui fixe des seuils : « La calibration se mesure sur des groupes de prédictions ; elle ne garantit pas qu'une réponse individuelle soit correcte. »

Jev hallucine-t-il ?

La page d'accueil annonce « Zero Hallucinations ». Le billet de lancement est plus prudent : le chiffre de 0 % d'erreurs de type et d'hallucinations repose sur les garanties du schéma et « n'est pas une mesure empirique ». Concrètement, Jev ne peut pas renvoyer une option que vous n'avez pas définie ni une réponse mal formée. Il peut en revanche choisir la mauvaise option. Armin Ronacher, CTO d'Earendil, l'a résumé ainsi pour TechCrunch : « Au bout du compte, il délègue un peu le problème des hallucinations à l'utilisateur. »

Quelle est la vitesse de Jev ?

Tout dépend de qui mesure. Le billet de lancement de TypeSafe donne 70 à 500 ms de bout en bout, mesurées depuis les ordinateurs portables de l'équipe sur la côte ouest des États-Unis, et une vitesse « 40 à 200 fois supérieure à celle des modèles de pointe » sur des requêtes au format System One. Le communiqué de presse parle de « moins de 100 millisecondes », et la page d'accueil revendique un modèle 193,6 fois plus rapide et 444,6 fois moins cher que les LLM sur les propres workflows de l'entreprise.

Les tests indépendants aboutissent à des multiplicateurs plus faibles. AY Automate a mesuré une médiane de 0,33 s contre 1,17 s pour GPT-5.6 Terra, soit environ 3,6 fois plus rapide. Une étude résumée par Beri.net a mesuré 239 ms depuis la France contre 687 ms pour Claude Haiku 4.5. Cloudflare, qui vend un modèle concurrent, a mesuré une médiane de 524,1 ms et un p95 de 536,0 ms. Lecture raisonnable : des médianes de quelques centaines de millisecondes, et un modèle environ 2 à 6 fois plus rapide que les LLM rapides dans les tests externes, pas 200 fois.

Combien coûte Jev ?

TypeSafe facture 0,042 $ par million de tokens en entrée, soit 42 $ par milliard, et ne facture pas les tokens en sortie (page des modèles). L'API renvoie toujours usage.output_tokens, mais ce volume n'est pas facturé. Cloudflare et Vercel affichent le même prix en entrée. Les offres entreprise passent par l'équipe commerciale.

Au prix catalogue, l'appel de 392 tokens du quickstart coûte environ 0,000016 $ : un dollar couvre donc environ 60 000 appels de cette taille. Dans son billet de lancement, TypeSafe reconnaît aussi qu'elle « ne peut pas prouver que ses prix ne sont pas subventionnés » et s'attend à ce qu'ils baissent.

Comment accéder à Jev ?

Jev a été lancé avec une liste d'attente, et la demande a brièvement saturé l'API, selon TechCrunch. Vers le 20 septembre, TypeSafe a publié sur X : « Jev est désormais accessible à tous. Plus de liste d'attente. » Le quickstart actuel décrit la marche à suivre : créer un compte sur console.typesafe.ai, récupérer une clé d'API dans le tableau de bord et tester des questions dans le Playground.

Quelques détails opérationnels tirés de la page des modèles :

  • Les limites de débit sont de 100 000 tokens par seconde et 80 requêtes par seconde, avec l'avertissement qu'elles « peuvent changer sans préavis ». Les offres entreprise donnent accès à des limites plus élevées.
  • L'identifiant de modèle jev-1.13.0 est la version en cours, et les alias jev-latest et jev-preview pointent vers elle. La documentation conseille de figer la version une fois les seuils ajustés.
  • Jev est uniquement hébergé. Les mêmes poids servent tous les comptes, sans fine-tuning sur les données des clients, et il n'existe ni poids ouverts ni édition auto-hébergée.
  • « Jev n'est pas entraîné sur les requêtes ni sur les réponses des clients », et la conservation zéro des données (zero data retention) est proposée aux clients entreprise.
  • La limite de contexte est de 64k tokens par requête, dont 32k pour l'état plus la question la plus longue. Cloudflare et Vercel indiquent 32 000.

Quels SDK et intégrations existent ?

TypeSafe publie un SDK Python (typesafe-sdk, Python 3.10 ou supérieur), un SDK JavaScript/TypeScript (@typesafe-ai/sdk, Node 20 ou supérieur), une API HTTP simple sur POST https://api.typesafe.ai/v1/systemone et un skill d'agent pour Claude Code et d'autres agents de code. Par défaut, les SDK relancent les erreurs 429 et 529 avec un backoff exponentiel.

Côté partenaires, on trouve le package langchain-typesafe en alpha, avec un middleware de routage expérimental, typesafe-ai/jev sur Vercel AI Gateway, typesafe/jev sur Cloudflare Workers AI, TypeSafeModel dans Pydantic AI, ainsi que des références sur DigitalOcean et OpenRouter. La place de ces intégrations dans le choix des outils et le routage des modèles d'un agent est détaillée dans notre guide du routage d'agents avec Jev.

Où Jev échoue-t-il ?

TypeSafe le documente elle-même sur sa page Jev 1.13 jaggedness, revue pour la dernière fois le 2 octobre 2026. Son résumé : « Il peut avoir du mal avec les tâches qui demandent des niveaux d'indirection supplémentaires. Sa compréhension peut être assez littérale. Il a du mal avec les tâches qui exigent une précision numérique. » Parmi les modes d'échec listés : les mathématiques (« Jev n'est pas une calculatrice »), le comptage, la comparaison de dates et d'heures, les états longs remplis de détails inutiles (« Jev souffre de context rot »), les instructions contradictoires, une tendance à privilégier la première option d'un Choice, et le contenu malveillant. Sur ce dernier point, la documentation dit sans détour que l'état est une donnée et que Jev « ne le considère pas comme hostile par défaut ».

Ce dernier point a été testé. VentureBeat a rapporté un test d'Octomind dans lequel un faux champ « pre-approved » dans l'état faisait passer la probabilité que Jev bloque rm -rf ~/.ssh de 0,76 à 0,48. L'anglais est par ailleurs la principale langue d'entraînement ; les autres langues « sont prises en charge, mais pas aussi bien ».

Côté précision, les évaluations de workflows de TypeSafe donnent à Jev une moyenne de 67,8 %, au niveau de Claude Sonnet 5 et derrière GPT-5.6 Sol à 74,1 %, avec des labels de référence issus du consensus de deux LLM de pointe et non d'annotateurs humains. Nous détaillons ces chiffres et les tests indépendants dans Jev vs LLM.

FAQ

Que signifie « noul » dans Jev ?

Noul est le nom que TypeSafe donne à son type de question oui/non, qui renvoie la probabilité que la réponse soit oui. TypeSafe n'a publié aucune explication du mot. L'API de la passerelle Vercel expose ce même type sous le nom boolean.

Jev est-il open source ?

Non. TypeSafe ne propose Jev que sous forme de modèle hébergé, via son API et les passerelles partenaires, sans poids ouverts ni édition on-premise. Des alternatives open source existent : Cloudflare a publié Clef sous licence Apache 2.0 et le présente comme « entièrement compatible avec l'API Jev », et AWS a publié Strands Decider 2B.

Jev est-il gratuit ?

Pas entièrement. Les tokens en sortie sont gratuits, mais l'entrée coûte 0,042 $ par million de tokens, au même tarif sur Cloudflare et Vercel. Les offres entreprise avec des limites de débit plus élevées se négocient avec l'équipe commerciale de TypeSafe.

Jev peut-il rédiger des réponses ou des résumés ?

Non. La documentation précise qu'il n'est « pas entraîné à générer du texte ». Jev renvoie des choix, des scores et des probabilités ; si votre workflow a besoin d'une réponse, d'un résumé ou de code, c'est toujours un LLM qui les écrit.

Qui sont les fondateurs de TypeSafe AI ?

Diogo Almeida (CEO), Sasha Sheng (COO) et Erik Gafni (CTO), selon la page équipe de l'entreprise. TypeSafe a été fondée en 2024 et est basée à San Francisco.

La place de Jev dans un système réel

Jev est un outil étroit : bon marché, assez rapide pour des décisions en ligne, et ouvertement faible en mathématiques et sur l'indirection. Sa rentabilité dépend du nombre de décisions que prend votre système et de la facilité avec laquelle elles se découpent en questions atomiques testables sur des données labellisées. AI Superior conçoit et développe des applications LLM et des agents IA pour des clients B2B, y compris le travail d'évaluation et de maîtrise des coûts qui détermine quel modèle traite quelle étape. Si vous préparez ce type d'architecture, consultez nos services de développement et de conseil LLM.