Qu'est-ce que Jev AI ?
Jev est un modèle d'IA de TypeSafe AI qui ne génère pas de texte : il répond à des questions typées avec des probabilités calibrées. Voici ce qu'il est, comment il fonctionne et ce qu'il ne fait pas.
Jev AI en bref : définition du modèle Jev
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.
- Entrée : un état (texte ou données structurées) et des questions.
- Sortie : des réponses typées, avec probabilités et confiance.
- Usage : des décisions dans le code : classer, router, noter, extraire, vérifier.
- 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
Qui est derrière Jev ? TypeSafe AI et son fondateur
TypeSafe AI est un laboratoire d'IA basé à San Francisco. Il a été fondé il y a deux ans par Diogo Almeida, ancien chercheur d'OpenAI, qui a travaillé sur les méthodes d'apprentissage à partir de retours humains (RLHF) à l'origine de ChatGPT. Après deux ans en mode furtif, l'entreprise a présenté Jev le 15 septembre 2026, en accès anticipé.
Son constat : les modèles de conversation sont excellents avec les humains, mais un logiciel a besoin d'une interface sur laquelle il peut s'appuyer. Selon TechCrunch, Jev est entraîné uniquement sur des données synthétiques, et TypeSafe prévoit d'autres versions pour d'autres modalités. Les SDK officiels de l'entreprise sont publiés sur GitHub sous licence MIT.
Qu'est-ce qu'un modèle System One ?
« System One » emprunte au « système 1 » de Daniel Kahneman (« Thinking, Fast and Slow ») : la pensée rapide et intuitive, par opposition à la réflexion lente du « système 2 ». Un modèle System One évalue un état et renvoie des réponses typées avec des probabilités, sans passer par la génération de texte.
TypeSafe a construit pour cela une pile dédiée : une nouvelle architecture, un échantillonneur parallèle et une méthode d'entraînement appelée RLCD (Reinforcement Learning for Calibrated Decisions, en français apprentissage par renforcement pour décisions calibrées). Là où les LLM sont optimisés pour la préférence humaine (RLHF) ou pour des récompenses vérifiables (RLVR), Jev est optimisé pour que ses probabilités soient honnêtes : quand il annonce une confiance élevée, la précision doit suivre.
Jev est-il un LLM ? Ce qui change concrètement
Non : Jev ne génère pas de chaînes de caractères. Ce choix change quatre choses dans votre code.
- Sortie : des valeurs typées, définies à l'avance, au lieu d'un texte à analyser et valider.
- Échantillonnage : parallèle, toutes les réponses en une requête, au lieu d'un token après l'autre.
- Coût : seuls les tokens d'entrée sont facturés, les tokens de sortie sont gratuits.
- Confiance : chaque réponse arrive avec sa confiance, au lieu d'une estimation auto-déclarée.
Détails et chiffres : Jev vs GPT, Claude et Gemini.
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 un appel Jev : état, questions et réponses
Un appel Jev contient un état (ce que Jev lit) et des questions de trois types : Noul (oui/non), Choice (choisir parmi des options) et Score (noter sur des niveaux). Toutes les questions sont évaluées en parallèle.
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.
Jev AI, Jev IA, TypeSafe Jev : de quoi parle-t-on ?
Plusieurs graphies désignent le même modèle : « Jev AI », « Jev IA » ou « IA Jev » en français, « TypeSafe Jev » ou « Jev TypeSafe » quand on cite l'éditeur, ou simplement « modèle Jev ». Dans tous les cas, il s'agit de Jev, le modèle de TypeSafe AI.
À ne pas confondre avec les projets au nom voisin, comme la bibliothèque Typesafe Config de l'écosystème Scala/JVM, qui n'a, à notre connaissance, aucun lien avec TypeSafe AI.
Le nom Jev rend hommage à l'économiste William Stanley Jevons : selon TypeSafe, chaque baisse d'un ordre de grandeur du coût de l'intelligence débloque des ordres de grandeur d'usages en plus.
Jev peut-il halluciner ? 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.
- Les grands ensembles de candidats demandent une astuce. Un Choice accepte jusqu'à 255 options. La démo de wikiracing de TypeSafe note d'abord les liens, puis fait un choix explicite.
- Les chiffres sont ceux de l'entreprise. Benchmarks, vitesse et prix sont auto-déclarés, et TypeSafe dit ne pas pouvoir encore prouver que son tarif est durable.
Pour aller plus loin sur Jev AI
Essayer Jev sur le site officiel de TypeSafe
Décisions typées, confiance calibrée, un seul appel d'API.