Mi az a Jev?
A Jev a TypeSafe AI első nyilvános System One Model modellje. Nem szabad szöveget generál, hanem előre meghatározott döntési formákban ad vissza valószínűségeket és strukturált eredményeket. A célt úgy érdemes megjegyezni: „decisions, not strings”.
A Jev azt kérdezi: „A megadott lehetőségek közül melyik döntés a legvalószínűbb?”
Egy hagyományos generatív modell tokenről tokenre építi fel a választ. A Jev ezzel szemben olyan kimeneti szerződést kap, amelyben a lehetséges válaszok típusa előre ismert. A szoftvernek így nem kell egy bekezdést újra értelmeznie, JSON-t javítania vagy szövegből döntést kinyernie.
Nem chatbot
Nem arra készült, hogy beszélgessen, cikket írjon, kódot generáljon vagy kreatív választ adjon.
Döntési modell
Kategorizál, pontoz, valószínűséget ad, routol és segít eldönteni, mi legyen egy workflow következő lépése.
Szoftvernek készült
A kimenet gép által közvetlenül használható. A környező programkód határozza meg, hogy mi történjen az eredménnyel.
System One vs „System Two”
A név Daniel Kahneman gyors és lassú gondolkodásának analógiájára épül. A TypeSafe szerint a Jev a gyors, gépi döntési réteget célozza, míg a generatív LLM-ek erőssége a nyelvi, nyitott végű, hosszabb reasoning és tartalomgenerálás.
Hagyományos LLM
Jev
Choice
Egy opció kiválasztása az általad definiált lehetőségek közül. A válasz tartalmazza a nyertes opciót, a confidence értéket és az egyes opciók valószínűségét.
Score
Egy rendezett skálán értékel. Például: sürgősség, kockázat, minőség. Az API súlyozott pontszámot és teljes valószínűségi eloszlást ad.
Noul
Igen/nem típusú kérdés, de nem pusztán true/false. A válasz 0 és 1 közötti „igen” valószínűség, így küszöbértékkel lehet automatikusan dönteni.
Support ticket automatikus triage
JEV vs LLM
Nem ugyanannak a feladatnak két változata. Inkább két különböző AI-primitív: az egyik embernek kommunikál, a másik szoftvernek dönt.
| Szempont | Jev / System One | Generatív LLM |
|---|---|---|
| Fő cél | strukturált döntés | szöveg és tartalom generálása |
| Kimenet | Choice, Score, Noul, valószínűségek, confidence | tokenekből felépített szabad szöveg, kód vagy strukturált output |
| Válaszformátum | előre korlátozott, típussal garantált | rugalmas, emiatt további validációra szorulhat |
| Mintavételezés | a TypeSafe szerint párhuzamos outputok | tipikusan autoregresszív, tokenről tokenre |
| Bizonytalanság | minden döntéshez valószínűségek / confidence | kérhető confidence, de nem feltétlen jól kalibrált |
| Szövegírás | nem | igen, ez az egyik fő erőssége |
| Beszélgetés | nem erre való | igen |
| Routing / scoring | elsődleges felhasználás | megoldható, de gyakran túldimenzionált és drágább |
| Latency | TypeSafe szerint 70–500 ms | frontier modelleknél gyakran másodpercek, reasoningnél több |
| Árazás | $0.042 / 1M input token, output jelenleg ingyenes [1][2] | szolgáltatótól és modelltől függ, output tipikusan drágább |
| Sémahiba | a deklarált output típus megsértése konstrukció szerint kizárt [1] | structured output sokat javít, de implementációfüggő |
| Tárgyi tévedés | lehetséges | lehetséges |
| Multimodalitás | a publikus induláskori demo strukturált szöveges állapotot használ, képet még nem [1] | sok modern modell natívan kezel képet, hangot, videót |
| Legjobb helye | backend, agent routing, guardrail, triage, döntési workflow | chat, írás, elemzés, coding, kreatív feladatok, hosszabb reasoning |
Miért ennyivel gyorsabb?
A válasz röviden: mert sokkal kevesebbet vállal. Nem kell hosszú szöveget generálnia, nincs tokenről tokenre épülő válaszfolyam, és a döntési tér előre korlátozott.
sebességelőny és 444.6× költségelőny szerepel a TypeSafe főoldalán meghatározott System One workflow-k esetén.
gyorsabb futás a vizsgált rubric-judge feladatsorokban három flash-tier LLM-hez képest, miközben az LLM-ek 29–325× többe kerültek.
Miért kapták fel ennyire?
Egyszerre talált el három trendet: az agentek backendjeinek költségproblémáját, az LLM-es automatizálás megbízhatósági gondjait és azt az igényt, hogy ne minden AI-funkció legyen chatbot.
Az üzenet radikálisan egyszerű: „kevesebb chat, több döntés.”
A TypeSafe két év stealth után jelentette be a Jevet. A launch nem azt próbálta bizonyítani, hogy jobb regényt ír vagy okosabban beszélget, hanem azt, hogy bizonyos automatizálási döntésekhez maga a generatív szöveg a felesleges overhead.
A Financial Times néhány nappal a launch után 40 millió körüli launch-videó megtekintésről, valamint a céget potenciálisan 10 milliárd dollár fölé értékelő befektetői érdeklődésről írt. Ez nem végleges finanszírozási érték, hanem sajtóban közölt tárgyalási szint. [6]
Hackathonok, Discord, agentek, játékdemók
A Business Insider szeptember 29-i riportja szerint a Jev rövid idő alatt a San Franciscó-i fejlesztői közösség egyik legforróbb témája lett, több mint 100 ezer Discord-taggal és hackathonos integrációkkal. [7]
Azonnal demonstrálható. Egy fejlesztő könnyen megmutathatja, hogy ugyanazt a routingot vagy risk gate-et egy olcsó, száz milliszekundumos hívás is elvégzi.
„The Bitterest Lesson”
A TypeSafe nyilvánosan elkezdi felépíteni azt az érvet, hogy nem csak a compute és az algoritmus számít, hanem maga a helyesen megválasztott ML-feladat is. [9]
Jev és System One modellek bejelentése
Early access, új architektúra, parallel sampler, RLCD, döntésközpontú API. [1]
Pokémon Red befejezése
Egy Jev-alapú döntési rendszer kevesebb mint egy hét alatt végigjátszotta a Pokémon Redet. Fontos caveat: Claude Opus 5 logokat figyelt és „coachként” segített a holtpontoknál, a harness pedig sok iteráción ment át. [8]
Megjelenik egy független arXiv vizsgálat
Rubric judge feladatokon nagy sebesség- és költségelőnyt mér, miközben a pontossági kép árnyaltabb. [5]
FT és Business Insider
A technológiai sajtó már nem csak modellként, hanem új AI-kategória és új fejlesztői trend jelöltjeként kezdi tárgyalni. [6][7]
„A Jev nem hallucinál.” Tényleg?
Itt nagyon fontos szétválasztani a formátumhibát és a tartalmi tévedést.
Amit valóban meg lehet garantálni
Ha a kérdésed Choice, Score vagy Noul típusú, a modell nem fog hirtelen verset, fél JSON-t vagy egy nem létező enum értéket visszaadni. A válasz alakja a szerződés része.
Amit nem lehet garantálni
A Jev továbbra is kiválaszthatja a rossz kategóriát, adhat rossz pontszámot, vagy lehet túl magabiztos egy hibás döntésben. A „0 hallucination” ezért nem egyenlő a „0 error” állítással.
Hol van értelme használni?
A Jev ott érdekes, ahol a bemenet „fuzzy”, de a következő programlépés véges és jól definiálható.
Nem Jev vagy LLM, hanem Jev és LLM.
Ez a hibrid felépítés kihasználja az LLM nyelvi rugalmasságát, miközben a sok apró backend döntést olcsóbb és szűkebben kontrollált réteg kezeli.
Hogy néz ki a gyakorlatban?
A publikus OpenAPI szerint a /v1/systemone végpont egy state mezőt, egy modellt és névvel ellátott kérdéseket kap. Egy hívásban keverhető Choice, Score és Noul. [3]
{
"model": "jev-latest",
"state": {
"message": "I was charged twice. Please help.",
"plan": "pro"
},
"questions": {
"billing": {
"type": "noul",
"instructions": "Is this about billing?"
},
"route": {
"type": "choice",
"criteria": {
"refund": "Needs a refund flow",
"support": "General support",
"fraud": "Potential unauthorized activity"
}
}
}
}
Hol nem jó a Jev?
A specializáció az előny és egyben a korlát. A Jev attól gyors, hogy rengeteg dolgot szándékosan nem csinál.
Tartalomgenerálás
Cikk, e-mail, marketing copy, fordítás, kód, esszé, párbeszéd: marad az LLM terepe.
Nyitott végű reasoning
Ha nincs előre definiálható kimeneti tér, a Jev döntési felülete nem illeszkedik természetesen a problémához.
Teljes belső átláthatóság
A modell zárt. A „new architecture” állítás részletei nem auditálhatók úgy, mint egy nyílt súlyú modellnél.
A Jev valódi tétje: kell-e minden „intelligenciának” szöveget generálnia?
Az elmúlt évek AI-boomja szinte mindent a chatbot és az LLM szemüvegén keresztül nézett. A Jev azt mondja: rengeteg szoftveres döntéshez nem kell mondat. Kell egy jól definiált döntési tér, valószínűség, confidence és egy kódréteg, amely tudja, mit kezdjen vele.
Ha ez az irány beválik, a legfontosabb változás nem az lesz, hogy a Jev „leváltja” a ChatGPT-szerű modelleket. Inkább az, hogy az AI-stack szétválik: generatív modellek kommunikációra és komplex gondolkodásra, döntési modellek a gyors, nagy volumenű gépi ítéletekre.
Röviden: az LLM beszél. A Jev dönt. A legerősebb rendszerek pedig valószínűleg mindkettőt használni fogják.
Gyakori kérdések a Jevről
A legtöbbször feltett kérdések röviden, a cikk forrásai alapján.
Mi az a Jev?
A Jev a TypeSafe AI 2026. szeptember 15-én bejelentett első nyilvános System One modellje. Nem szöveget generál, hanem előre definiált döntési formákban (Choice, Score, Noul) ad vissza valószínűségeket és strukturált eredményt, amelyet a szoftver közvetlenül fel tud használni. A jelmondata: decisions, not strings.
Mi a különbség a Jev és egy LLM között?
Egy LLM tokenről tokenre szabad szöveget ír, ezért rugalmas: beszélget, magyaráz, kódot és tartalmat generál. A Jev csak a megadott lehetőségek közül dönt, a válasz formája típussal garantált, és a TypeSafe szerint 70–500 ms alatt ad választ. Az LLM az embernek kommunikál, a Jev a szoftvernek dönt.
Mennyibe kerül a Jev?
A TypeSafe közlése szerint az input tokenek ára 42 dollár egymilliárd tokenenként (0,042 dollár millió tokenenként), az output tokenek jelenleg díjmentesek. Egy független arXiv-vizsgálatban az LLM-es hívások 29–325-ször drágábbak voltak ugyanarra a feladatra.
Mire lehet használni a Jevet?
Ott érdemes, ahol a bemenet homályos, de a következő programlépés véges: AI-ügynökök routingja, kockázati kapu tool callok előtt, ügyfélszolgálati jegyek osztályozása, lead scoring, moderáció, modell-routing, számlák és dokumentumok döntési útvonala, ügynökfutások felügyelete.
Hallucinál a Jev?
Formai értelemben nem: a Choice, Score vagy Noul kérdésre nem adhat vissza nem létező opciót vagy hibás JSON-t. Tartalmilag viszont tévedhet: rossz kategóriát választhat, rossz pontszámot adhat, vagy túl magabiztos lehet. A független arXiv-tanulmány is talált hibákat, a 0 hallucináció tehát nem jelent 0 hibát.
Leváltja a Jev a ChatGPT-t?
Nem erre készült. Cikkíráshoz, magyarázathoz, kódoláshoz és beszélgetéshez továbbra is LLM kell. A valószínű jövő a hibrid felépítés: az LLM értelmez és kommunikál, a Jev-féle döntési modell pedig a gyors, nagy volumenű gépi döntéseket hozza.
Honnan vannak az adatok?
Elsődlegesen a TypeSafe saját dokumentációját és launch anyagait használtam, mellé független kutatást és friss sajtóforrásokat tettem. A cég saját benchmarkjait mindenhol külön jelöltem.
- TypeSafe AI: Introducing System One Models & Jev, 2026.09.15.
- TypeSafe AI főoldal, aktuális pricing és workflow benchmark állítások.
- TypeSafe API OpenAPI 3.1 specifikáció, SystemOneRequest, Choice, Score, Noul.
- TypeSafe Workflow Evals, security incidents, invoice processing, customer service, agent observability.
- Rao, D. & Callison-Burch, C.: JEV vs. LLMs as Rubric Judges, arXiv, 2026.09.24.
- Financial Times: The cheap new AI model taking aim at OpenAI and Anthropic, 2026.09.25.
- Business Insider: Jev hackathon és San Francisco-i developer hype, 2026.09.29.
- Tom's Hardware: Jev és Pokémon Red, 2026.09.27.
- TypeSafe AI: The Bitterest Lesson, 2026.09.10.
Pontossági megjegyzés: a Jev nagyon friss termék. A pricing, hozzáférés, modellek és benchmark eredmények gyorsan változhatnak. A cikk 2026. szeptember 29-i állapotot tükröz.