Jev : ce que c'est et comment l'utiliser

Guide pratique du premier modèle System One de TypeSafe · pour @aizvestia · septembre 2026

Ce que c'est

Jev est le premier modèle public System One de TypeSafe. Ce n'est ni un modèle de chat, ni « une LLM de plus avec un mode JSON » : Jev ne génère aucun texte. Vous envoyez un state (contexte : texte, JSON ou tableau) et une liste de questions typées, et vous recevez des décisions prêtes pour la machine : l'option choisie, un score sur une échelle, ou la probabilité d'un « oui » - avec, pour chaque réponse, la distribution de probabilités et le confidence. Ses créateurs le résument d'une phrase : « smart if-statements » - des if-else intelligents pour votre code. L'exemple le plus clair : l'e-mail. Jev survole chaque message et tranche « spam, sûr à 94 % », « réponse nécessaire », « peut attendre ». Il n'écrit rien - il trie : 1 700 e-mails pour 18 cents.

Le nom System One vient de Kahneman (« Système 1 / Système 2 ») : le modèle est taillé pour des jugements intuitifs rapides, pas pour le raisonnement lent. Détail amusant : le cofondateur de TypeSafe, Diogo Almeida, a co-inventé le RLHF - la méthode même qui a entraîné ChatGPT. Aujourd'hui, il parie que l'automatisation exige une autre méthode d'entraînement.

En quoi ça diffère des « choses d'avant »

Le post-entraînement des modèles de langage a connu trois approches :

L'intérêt de la calibration : quand le modèle dit 0.8, sur une longue série environ 80 % de ces réponses seront justes. La probabilité devient un chiffre sur lequel bâtir de la logique.

Différence pratique avec une LLM « forcée » de cracher du JSON :

• La sortie est typée par construction. Le modèle ne peut physiquement pas répondre hors de vos options - pas 99.99 %, mais 100 %. Zéro parsing, zéro retry sur du JSON cassé.
• Chaque réponse est une distribution de probabilités, pas juste un choix. On voit quand une option gagne haut la main et quand le modèle hésite entre deux quasi-égales.
• Les questions sont évaluées en parallèle et indépendamment : ajouter une dizaine de questions ne change presque rien au temps de réponse (latence sub-seconde) et ne crée pas de « context rot ».
• Moins cher et plus rapide : la page d'accueil de la console annonce 20-200x plus rapide et 40-1000x moins cher que les LLM (affirmation de l'entreprise, mais facile à vérifier).

Les trois primitives

Des nuances qui font gagner des heures :

• Noul n'a pas de confidence séparé - la valeur elle-même est la probabilité. 0.5 veut dire « je ne sais pas », pas « niveau moyen ». Pour mesurer un niveau, écrivez un Score avec des niveaux décrits.
• Dans Choice, ajoutez une option « other » / « none of the above » au cas où la liste ne couvre pas tout.
• L'ID de la question est pour votre code ; le modèle ne le voit pas. Écrivez la question complète dans instructions.
• Si le state est du JSON, pointez les chemins exacts entre backticks : `ticket.messages[0].text`.
• Une question = un jugement rapide. « Analyse ça et propose un plan » est une mauvaise question. « Ce message exprime-t-il l'urgence ? » est une bonne question.

Démarrer en 5 minutes

0. Sans liste d'attente : Jev est déjà sur le Vercel AI Gateway sous le nom typesafe-ai/jev (0.042 $/1M tokens d'entrée) - si vous êtes sur Vercel, appelez-le directement via le paquet ai, sans attendre la liste TypeSafe. Également sur OpenRouter : ~typesafe/jev-latest (API compatible OpenAI).

1. Le Playground. Ouvrez console.typesafe.ai/playground, collez n'importe quel texte comme state, ajoutez des questions, cliquez Run. (L'entrée vous accueille avec un quiz « Peut-on discuter avec Jev ? » - la bonne réponse est No.)

2. L'API en direct. Prenez la clé dans la console, un seul endpoint :

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "Trying to connect my Stripe for 3 days, keeps failing. Help ASAP.",
    "model": "jev-latest",
    "questions": {
      "department": {
        "type": "choice",
        "instructions": "Which team should handle this",
        "criteria": {
          "billing": "Payment or subscription issues",
          "technical": "Bugs or integration problems"
        }
      },
      "is_urgent": { "type": "noul", "instructions": "The message conveys urgency" }
    }
  }'

Dans la réponse, chaque question donne la valeur choisie, les probabilités de toutes les options et le confidence.

3. SDK Python (3.10+) : le client lit TYPESAFE_API_KEY tout seul et appelle jev-latest par défaut :

pip install typesafe-sdk

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

client = TypeSafeClient()
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",
            },
        ),
        "is_urgent": Noul(instructions="The message conveys urgency"),
    },
)
print(response.answers["department"].choice)   # "billing"
print(response.answers["is_urgent"].noul)      # 0.999

Pour JS il y a @typesafe-ai/sdk, et pour les agents (Claude Code, Codex, etc.) un skill prêt : npx skills add typesafe-ai/skills --skill typesafe-ai. Le skill apprend aux agents à envoyer les questions en lot - les agents adorent brûler une requête par question.

Quatre patterns clés

1. Speculative fan-out. Toutes les questions qui partagent un state vont dans une seule requête, y compris les « spéculatives » dont vous n'avez pas toujours besoin. Une question en plus coûte des centimes, le temps de réponse bouge à peine. Cookbook TypeSafe : 13 questions en un appel sont ~12x moins chères et ~10x plus rapides que 13 appels, réponses identiques.
2. Confidence-gated routing. La réponse dit « quoi », le confidence dit « faut-il agir ». Trois zones : haute - agissez automatiquement ; moyenne - confirmez ou signalez pour relecture ; basse - passez à un humain ou à un modèle de raisonnement. Les seuils dépendent du risque : montrer le mauvais écran passe à 0.6 ; exécuter un paiement, plutôt à 0.9+.
3. Composite scoring. Découpez un jugement complexe en Scores atomiques et combinez-les avec des poids dans le code. Priorité du ticket = severity * 0.5 + frustration * 0.3 + actionability * 0.2. Les priorités ont changé ? Vous ajustez un coefficient, pas le prompt.
4. Intent routing. Classez la requête entrante et routez-la : code déterministe, modèle pas cher, modèle de raisonnement cher, ou humain.

Prix et limites (jev-1.13.0)

• 0.042 $ par million de tokens d'entrée ($42/Btok) ; les tokens de sortie sont gratuits.
• Limites : 250k tokens/s, 1200 requêtes/min (dynamiques, susceptibles de changer).
• Contexte : 64k tokens par requête ; state + la plus longue question - jusqu'à 32k (environ 150 000 caractères de texte anglais).
• Texte uniquement : chaîne, objet JSON ou tableau. Pas d'images, d'audio ni de vidéo.
• Le serveur est en us-west - depuis l'Europe, la latence est plus élevée que depuis les États-Unis.
• jev-latest est un alias vers la version courante. Si vous avez réglé des seuils sur une version, épinglez jev-1.13.0 explicitement : l'alias bougera à la prochaine release.
• L'anglais est la langue principale d'entraînement ; les autres langues fonctionnent moins bien. Testez à part sur du contenu français et surveillez le confidence.
• Pas de fine-tuning - votre domaine se définit via le state et les critères des questions.

Points faibles (honnêtement, tirés de leurs docs)

jev-1.13 a une page publique « jaggedness » - une liste honnête de ce que le modèle ne sait pas faire :

• Ce n'est pas un générateur de texte. N'écrivez pas de textes avec, ne cherchez pas à obtenir de la génération en enchaînant des Choices.
• Compte mal. Arithmétique, dénombrement, intervalles de dates - dans le code. Le modèle répond à des questions de sens, pas de calcul.
• Lit les dates comme du texte. « Quelle date vient avant ? » n'est pas fiable. Extrayez les composants avec des Choices (mois - 12 options + « non précisé »), assemblez la date et comparez dans le code.
• Répond au pied de la lettre - à la question écrite, pas à celle que vous vouliez dire. Évitez négations et doubles détours.
• Context rot. Le superflu dans le state fait baisser la précision : filtrez avant d'envoyer.
• Les invariants ne sont pas garantis. Noul « demande un remboursement » et Noul « demande autre chose qu'un remboursement » peuvent donner 0.72 et 0.47 - somme 1.19, et c'est normal. Ne transposez pas les seuils entre types de questions.
• Le contenu adversarial peut déplacer les réponses - pour le modèle, le state est une donnée, pas une menace. Testez les cas limites avant la prod.

Où l'appliquer

RAG rerankLLM guardrailscitation checkjailbreak detectticket routingmoderationcomplianceML featurescatalog matchingresume scoringlead scoring

Exemple vivant : un terminal BUY/SELL/HOLD Bitcoin sur Jev - jev-terminal.vercel.app. L'API rend des probabilités honnêtes, la décision arrive en une fraction de seconde.

Autre exemple - UI générative instantanée : l'expérience json-render + jev - Jev choisit parmi vos composants, actions et design system, et l'interface s'affiche en millisecondes.

Liens

• Console et Playground : console.typesafe.ai
• Docs : docs.typesafe.ai
• Manifeste : typesafe.ai/manifesto