Jev AI : le modèle IA de décisions typées
Jev est le premier modèle System One de TypeSafe AI. Il n'écrit pas de texte : il lit un état, répond à des questions typées et renvoie des probabilités calibrées que votre code peut exploiter.
Aussi recherché sous les noms Jev IA, IA Jev, Jev AI TypeSafe, TypeSafe Jev, Jev TypeSafe ou modèle Jev. Même modèle, conçu par TypeSafe AI.
- latence
- 70 à 500 ms de bout en bout (annoncé par TypeSafe)
- entrée
- 0,042 $ le million de tokens
- sortie
- gratuite
- questions
- Noul, Choice, Score
- statut
- accès anticipé depuis le 15 sept. 2026
Nouveau sur Jev ? Commencez par Qu'est-ce que Jev AI ?
{
"model": "jev-1.13.0",
"answers": {
"department": {
"type": "choice",
"choice": "technical",
"confidence": 0.78,
"probabilities": {
"technical": 0.85,
"sales": 0.0,
"billing": 0.15
}
},
"frustration": {
"type": "score",
"score": 1.0,
"confidence": 1.0
},
"is_urgent": { "type": "noul", "noul": 1.0 }
},
"usage": { "input_tokens": 392, "output_tokens": 65 }
}Qu'est-ce que Jev AI ? Le modèle Jev de TypeSafe expliqué
Jev est le premier modèle System One de TypeSafe AI : un modèle d'IA conçu pour prendre des décisions rapides et structurées, directement exploitables par un logiciel. Vous lui envoyez un état et des questions typées ; Jev renvoie des réponses typées, avec des probabilités et une confiance calibrées. Il ne génère pas de texte.
TypeSafe AI est un laboratoire d'IA basé à San Francisco, fondé par Diogo Almeida, ancien chercheur d'OpenAI qui a travaillé sur les méthodes ayant transformé les modèles de langage en assistants conversationnels. Après deux ans en mode furtif, l'entreprise a lancé Jev en accès anticipé le 15 septembre 2026.
Lire la page complète : qu'est-ce que Jev AI ?
- modèle
- Jev, alias d'API
jev-latest(la doc montre jev-1.13) - éditeur
- TypeSafe AI, San Francisco
- classe
- modèle System One, pas un LLM
- entraînement
- RLCD, apprentissage par renforcement pour décisions calibrées
- sortie
- décisions typées avec probabilités et confiance
- accès
- accès anticipé via typesafe.ai
La réponse du LLM est illustrative et celle de Jev est tirée de l'exemple de la doc TypeSafe. Beaucoup de LLM proposent aussi des modes de sortie structurée. L'idée : avec du texte libre, l'analyse, la validation et les relances sont votre travail.
Comment fonctionne le modèle Jev : état, questions et réponses typées
Chaque appel à Jev a deux parties. L'état est ce que Jev lit : un ticket de support, un e-mail, un appel d'outil ou un objet JSON décrivant votre programme. Les questions définissent ce que vous voulez en retour, et les réponses possibles sont fixées à l'avance. Jev évalue toutes les questions en parallèle et renvoie une réponse typée par question.
Les trois types de questions de Jev
requête
{
"type": "noul",
"instructions": "The message conveys\n urgency or time-sensitivity"
}réponse
{
"type": "noul",
"noul": 1.0
}Un Noul répond à une question oui/non par la probabilité que l'affirmation soit vraie. Utile pour des indicateurs comme urgent, spam, hors-sujet ou tentative de jailbreak.
requête
{
"type": "choice",
"instructions": "Which team should\n handle this",
"criteria": {
"billing": "Payment issues",
"technical": "Bugs, integrations",
"sales": "Pricing questions"
}
}réponse
{
"type": "choice",
"choice": "technical",
"confidence": 0.78,
"probabilities": {
"technical": 0.85,
"sales": 0.0,
"billing": 0.15
}
}Un Choice sélectionne une option parmi celles que vous définissez et renvoie une probabilité pour chacune, plus une confiance globale. Jev accepte jusqu'à 255 options par question.
requête
{
"type": "score",
"instructions": "How frustrated the\n customer appears",
"criteria": [
"Calm, just stating facts",
"Frustrated but civil",
"Very angry, strong language"
]
}réponse
{
"type": "score",
"score": 1.0,
"confidence": 1.0,
"legend": { "0": "Calm...",
"1": "Frustrated...", "2": "Very angry..." },
"probabilities": { "0": 0.0, "1": 1.0, "2": 0.0 }
}Un Score note l'état selon des niveaux ordonnés que vous décrivez. Vous obtenez un score continu, la distribution sur les niveaux et une valeur de confiance, pratique pour un scoring composite dans votre code.
Construire une requête Jev : le constructeur JSON, cURL et Python
Jev vs LLM : vitesse, coût et sorties structurées
Un LLM écrit n'importe quoi, donc vous analysez, validez et espérez. Jev n'écrit que ce que vous avez défini à l'avance, donc la réponse respecte déjà vos types. Le guide de LangChain présente Jev comme un complément du LLM qui pilote votre agent, pas comme un remplaçant.
| LLM classique | Jev (modèle System One) | |
|---|---|---|
| Sortie | Chaînes de caractères : chat, code, ou JSON à analyser et valider vous-même | Valeurs structurées et typées, définies à l'avance, avec probabilités |
| Prix en entrée | 0,20 $ à 10 $ le million de tokens | 0,042 $ le million de tokens |
| Latence | 3 à 329 secondes de bout en bout pour les modèles de pointe | 70 à 500 ms de bout en bout |
| Confiance | Les estimations auto-déclarées sont souvent surévaluées et incohérentes | Renvoyée avec chaque réponse |
Chiffres annoncés par TypeSafe AI, avec leurs limites détaillées sur la page Jev vs GPT, Claude et Gemini.
À quoi sert Jev ? Routage de modèles, guardrails et classification
Jev sert partout où le code a besoin d'un jugement rapide, peu coûteux et calibré sur une entrée désordonnée. Choisissez un cas d'usage pour voir comment il se construit.
Routage de modèles : choisir le modèle le moins cher qui fait le travail
Laissez Jev lire la requête et choisir un modèle selon vos critères : rapide et économique pour les recherches et l'extraction, plus puissant pour l'architecture et les décisions à fort enjeu. LangChain propose pour cela un ModelRouterMiddleware expérimental, et les probabilités restent disponibles dans l'état de l'agent.
from langchain.agents import create_agent
from langchain_typesafe.experimental.middleware import (
ModelChoice, ModelRouterMiddleware,
)
router = ModelRouterMiddleware(
choices={
"fast": ModelChoice(model="<cheap-model>",
criteria="Lookups, extraction, small edits."),
"strong": ModelChoice(model="<strong-model>",
criteria="Architecture, high-stakes calls."),
},
instructions="Pick the cheapest model that can finish the task.",
)
agent = create_agent("<default-model>", middleware=[router])Garde-fou d'agent : bloquer les appels d'outils risqués avant leur exécution
Un agent peut être détourné par de mauvaises instructions ou par un attaquant. Les outils de code classent déjà les actions dangereuses avant de les exécuter, et un classifieur peu coûteux permet d'ajouter la même vérification à n'importe quel agent. L'AutoModeMiddleware expérimental de LangChain utilise Jev pour inspecter les appels d'outils et bloquer les plus risqués avant que l'outil ne s'exécute.
from langchain.agents import create_agent
from langchain_typesafe.experimental.middleware import AutoModeMiddleware
guardrail = AutoModeMiddleware(tools=["bash"])
agent = create_agent("<your-model>", middleware=[guardrail])Tri de tickets et routage d'intentions
Une seule requête peut renvoyer l'équipe concernée (Choice), le niveau de frustration (Score) et l'urgence du message (Noul). Votre code décide ensuite : réponse automatique, escalade ou passage à un humain. TypeSafe documente des patterns de routage d'intentions et de routage par confiance pour cela.
res = client.system_one(
state=ticket_text,
questions={
"team": Choice(instructions="Who should handle this",
criteria={"billing": "Payments", "technical": "Bugs"}),
"urgent": Noul(instructions="Needs a reply today"),
},
)
if res.answers["urgent"].noul > 0.9:
escalate(ticket_text)Guardrails pour LLM : filtrer chaque message entrant et sortant
Décrivez les dangers qui vous importent, par exemple « s'agit-il d'une tentative de jailbreak ? », et notez la gravité d'une éventuelle conformité. Appliquez des seuils aux probabilités : votre code décide de laisser passer, de faire relire, de bloquer ou de réacheminer. Le cookbook de TypeSafe filtre les deux sens d'une application LLM avec une seule requête.
Prix de Jev et accès anticipé
TypeSafe indique que c'est environ 238 fois moins cher que le prix d'entrée de Claude Fable 5.1, et s'attend à une baisse des prix plutôt qu'à une hausse. Les prix et la disponibilité peuvent changer : consultez typesafe.ai pour les conditions en vigueur.
- Rejoignez l'accès anticipé sur typesafe.ai. TypeSafe fait entrer les développeurs de sa liste d'attente aussi vite que possible.
- Créez une clé API dans la console TypeSafe.
- Envoyez votre première requête à
api.typesafe.ai/v1/systemoneavec le modèlejev-latest, ou essayez-la dans le playground.
Estimez votre coût mensuel
Comparaison avec un LLM hypothétique à 1 $ le million de tokens en entrée, 5 $ en sortie et 50 tokens de sortie par appel. Modifiez ces hypothèses dans le calculateur complet.
API Jev, SDK et intégration LangChain
L'API Jev tient en un seul endpoint. Envoyez l'état, le nom du modèle et vos questions, puis lisez des réponses typées. Des SDK officiels, une intégration LangChain et un skill pour agents de code l'enveloppent.
POST https://api.typesafe.ai/v1/systemone
Authorization: Bearer <API_KEY>
Content-Type: application/json
{ "model": "jev-latest", "state": "...", "questions": { ... } }# Python 3.10+ pip install typesafe-sdk from typesafe_sdk import Noul, TypeSafeClient client = TypeSafeClient() # lit TYPESAFE_API_KEY res = client.system_one( state="Le paiement échoue pour tous les clients depuis 9h.", questions={"urgent": Noul(instructions="Needs attention right now")}, ) print(res.answers["urgent"].noul)
pip install langchain-typesafe # définissez TYPESAFE_API_KEY, puis : from langchain_typesafe import Noul, TypeSafeClassifier clf = TypeSafeClassifier() res = clf.invoke({ "state": "Deploy failed twice, customers see 500s.", "questions": {"urgent": Noul(instructions="Needs attention now")}, }) print(res.nouls["urgent"].noul)
# Claude Code claude plugin marketplace add typesafe-ai/skills claude plugin install typesafe@typesafe-ai # Autres agents de code npx skills add typesafe-ai/skills --skill typesafe-ai
choice(), score() et noul() typées. Les instructions d'installation et la référence complète sont dans la documentation du SDK JavaScript, et le code source est sur GitHub.Limites de Jev : ce que le modèle ne sait pas faire
- Il ne génère pas de texte. Jev ne remplace pas un LLM. Gardez un LLM pour le raisonnement ouvert et la rédaction, et confiez à Jev les décisions étroites.
- « Ne peut pas halluciner » veut dire « ne peut pas casser le schéma ». Chaque réponse respecte vos types, mais une réponse peut rester fausse. TypeSafe publie les points faibles connus de jev-1.13 sur sa page « jaggedness ».
- L'accès est anticipé. Les développeurs sont admis depuis une liste d'attente et, après le lancement, la demande a brièvement dépassé les capacités de l'API selon TechCrunch.
- Texte et état structuré uniquement, pour l'instant. Les démos de TypeSafe portent sur de l'état structuré plutôt que sur des images, et l'entreprise prévoit des versions pour d'autres modalités.
Actualités Jev
- presseTechCrunch couvre le lancement. Parmi les premiers utilisateurs cités : Vercel, dont le classifieur de sécurité des commandes tourne 5 à 18 fois plus vite avec Jev, et Bryo AI, qui a trouvé Gemini un peu plus précis pour classer des e-mails mais 10 à 20 fois plus cher. Source : TechCrunch.
- écosystèmeLangChain publie Building a Harness with Jev, qui couvre TypeSafeClassifier, le routage de modèles et un garde-fou Auto Mode.
- lancementTypeSafe AI présente les modèles System One et Jev, et ouvre l'accès anticipé. Lire l'annonce.
Dernière mise à jour : 2026-09-21. Toutes les actualités Jev AI
FAQ Jev AI
Qu'est-ce que Jev AI ?
Jev (aussi écrit Jev AI, Jev IA, IA Jev ou TypeSafe Jev) est le premier modèle System One de TypeSafe AI. Il lit un état et des questions typées, puis renvoie des réponses typées, c'est-à-dire des probabilités oui/non, des choix et des scores, chacune avec une confiance calibrée, au lieu de générer du texte. Détails sur la page Qu'est-ce que Jev ?.
Jev est-il un LLM ?
Non. Jev est un modèle System One : il ne génère pas de chaînes de caractères. Les sorties possibles sont définies à l'avance sous forme de questions typées, donc chaque réponse respecte le schéma. TypeSafe présente Jev comme un complément aux LLM, qui restent meilleurs pour le raisonnement ouvert et la génération. Voir le comparatif Jev vs LLM.
Comment accéder à Jev ?
Jev est en accès anticipé. Rejoignez-le via typesafe.ai, où TypeSafe fait entrer les développeurs de sa liste d'attente. Créez ensuite une clé API dans la console TypeSafe et appelez POST https://api.typesafe.ai/v1/systemone avec le modèle jev-latest.
Combien coûte Jev ?
TypeSafe indique 0,042 $ par million de tokens en entrée (42 $ le milliard), avec des tokens de sortie gratuits. L'entreprise dit s'attendre à une baisse des prix, mais reconnaît ne pas pouvoir encore prouver que ce tarif est durable. Consultez typesafe.ai pour le tarif en vigueur ou la page Prix de Jev.
Jev hallucine-t-il ?
Jev ne peut pas faire d'erreur de type : chaque réponse respecte le schéma que vous définissez. Ce n'est pas la même chose que toujours avoir raison. Les réponses sont probabilistes, et TypeSafe publie dans sa doc les points faibles connus de jev-1.13. Servez-vous de la valeur de confiance pour envoyer les cas incertains à un humain ou à un modèle plus puissant.
jev-ai.fr est-il le site officiel de Jev ?
Non. jev-ai.fr est une ressource indépendante, ni affiliée, ni approuvée, ni sponsorisée par TypeSafe AI. Le site officiel est typesafe.ai, avec la documentation sur docs.typesafe.ai.
Essayer Jev sur le site officiel de TypeSafe
Décisions typées, confiance calibrée, un seul appel d'API.