innFactory AI Consulting aus Rosenheim beobachtet Jev, weil das Modell eine Lücke adressiert, die wir in Automatisierungsprojekten täglich sehen: Die meisten Entscheidungen in einem Workflow brauchen keinen Text, sondern einen Wert, auf den Software reagieren kann. Eine ausführliche Einordnung, wie sich Jev von einem LLM unterscheidet, finden Sie in unserem Blogbeitrag Jev von TypeSafe: Das KI-Modell, das keinen Text schreibt. Diese Seite fasst die Fakten aus dem Ankündigungsbeitrag und der Dokumentation von TypeSafe AI zusammen. Stand: 30. September 2026.
Was ist Jev?
Jev ist das erste System One Model von TypeSafe AI, gegründet von Diogo Almeida, der nach eigenen Angaben bei OpenAI an den Verfahren zur Instruktionsbefolgung mitgearbeitet hat. Der Name „System One“ geht auf Daniel Kahnemans Unterscheidung zwischen schnellem, intuitivem Urteil (System 1) und langsamem Nachdenken (System 2) zurück: Reasoning-Modelle sind System 2, Jev soll System 1 sein.
Die Kurzformel des Herstellers: ein Funktionsaufruf mit Frontier-Intelligenz. Unstrukturierter Zustand hinein, typisierte, probabilistische Entscheidungen heraus. Jev erzeugt keinen einzigen Token Text, deshalb entfällt das sequenzielle Generieren, und alle Fragen eines Aufrufs werden parallel beantwortet.
So funktioniert ein Aufruf
Ein Request an POST /v1/systemone enthält einen State (Text, JSON-Objekt oder Text-Array), das Modell (jev-latest) und eine Map aus Fragen. Für die Fragen gibt es genau drei Typen:
| Typ | Beantwortet | Rückgabe | Limit |
|---|---|---|---|
| Choice | Welche dieser Optionen trifft zu? | gewählte Option, Wahrscheinlichkeit je Option, Konfidenz | bis 255 Optionen |
| Score | Welche Stufe auf einer geordneten Skala? | Wert, Wahrscheinlichkeit je Stufe, Konfidenz | 2 bis 10 Stufen |
| Noul | Stimmt diese Aussage? | Wahrscheinlichkeit für „Ja“ zwischen 0 und 1 |
Die Antwort trägt dieselben Schlüssel wie die Fragen, dazu das Feld model mit der tatsächlich genutzten Version (aktuell jev-1.13.0) und usage mit Input- und Output-Token. Anpassung passiert nicht über Fine-Tuning, sondern über State, Instructions und Kriterien im Request. Fehlercodes: 401 (Key), 422 (Validierung), 429 (Rate-Limit), 529 (Überlast).
Preise, Limits und Verfügbarkeit
- Preis: 0,042 USD pro 1 Million Input-Token; Output-Token werden nicht berechnet (laut Doku „too cheap to meter“).
- Kontext: 64.000 Token kombiniert je Anfrage, davon maximal 32.000 für den Zustand plus die längste Frage. Eingabe nur als Text.
- Rate-Limits: 100.000 Token pro Sekunde und 40 Anfragen pro Sekunde, laut Doku dynamisch und ohne Ankündigung änderbar; höhere Limits über Enterprise-Pläne.
- Latenz: laut Hersteller 70 bis 500 ms Ende-zu-Ende; TypeSafe nennt 40- bis 200-mal schnellere Verarbeitung als Frontier-LLMs bei vergleichbaren System-One-Aufgaben und in einem Workflow-Beispiel den Faktor 193,6 (Zeit) beziehungsweise 444,6 (Kosten). Das sind Herstellerangaben ohne unabhängige Messung.
- Zugang: Early Access mit Warteliste seit 15. September 2026; SDKs für Python und JavaScript, ein Agent-Skill für Claude Code, Codex und andere Agent-Umgebungen.
- Sprachen: Englisch als Hauptsprache; weitere Sprachen inklusive CJK laut Doku mit variabler Genauigkeit.
Datenschutz und Betrieb
Jev gibt es ausschließlich als gehostete API. Eine EU-Region ist nicht dokumentiert; laut TypeSafe wird der Dienst von der US-Westküste aus betrieben. Für die DSGVO-Bewertung heißt das: Drittlandübermittlung. TypeSafe stellt eine Data Processing Agreement mit EU-Standardvertragsklauseln bereit, erklärt in der Doku, Jev werde nicht mit Kundenanfragen oder -antworten trainiert, und bietet Enterprise-Kunden Zero Data Retention. Sicherheitszertifizierungen wie SOC 2 nennt die öffentliche Doku nicht. Vor einem produktiven Einsatz mit personenbezogenen Daten gehören DPA, Speicherfristen und der Zweck der Verarbeitung in die Datenschutz-Folgenabschätzung.
Einordnung: Klassifizierer statt LLM
Jev kann keinen Wert außerhalb des Schemas erfinden, in diesem Sinn gibt es keine Halluzination und keinen Typfehler. Falsch liegen kann das Modell trotzdem, es wählt dann die falsche Option. TypeSafe schreibt selbst, dass Kalibrierung über viele Vorhersagen gemessen wird und keine Garantie für die einzelne Antwort ist. Die mitgelieferte Konfidenz gehört deshalb in jede Entscheidungslogik: hohe Konfidenz automatisieren, niedrige an Menschen eskalieren.
Geeignet ist Jev für schnelle, eng gefasste Urteile in Software: klassifizieren, routen, bewerten, prüfen, Guardrails setzen, große Datenmengen in Merkmale verwandeln. Nicht geeignet ist es für alles, was Text als Ergebnis braucht. Dafür bleiben LLMs wie GPT, Claude oder Gemini zuständig; in vielen Architekturen sitzt ein System-One-Modell als Router vor dem teuren Reasoning-Modell.
Offene Alternativen: Laya und Clef
Wer die Idee eines System-One-Modells nutzen, die Daten aber in der EU halten will, hat zwei offene Optionen mit Jev-kompatiblem Endpunkt. Laya von Convai Innovations ist ein kleines Encoder-Modell (322 bis 421 Millionen Parameter) unter Apache 2.0, das für gute Ergebnisse meist Fine-Tuning braucht. Clef und Clef-flash von Cloudflare (seit 1. Oktober 2026, 27 und 9 Milliarden Parameter auf Qwen-Basis, ebenfalls Apache 2.0) verarbeiten zusätzlich Bilder und Video, laufen gehostet auf Workers AI oder selbst betrieben und liegen laut Cloudflare bei 7 von 10 Entscheidungs-Benchmarks vor Jev; bei Wissens-Benchmarks führt Jev. Details und die jeweils vom Hersteller veröffentlichten Vergleichswerte stehen auf den Modellseiten.
Unsere Empfehlung
Jev lohnt sich dort, wo heute ein LLM als Klassifizierer, Judge oder Router missbraucht wird und Latenz oder Kosten stören. Prüfen Sie vor dem Einsatz drei Punkte: ob die Eingaben ohne personenbezogene Daten auskommen oder die Vertragslage (DPA, ZDR) für eine US-Verarbeitung reicht, ob Ihre Sprache ausreichend gut abgedeckt ist, und ob der Antwortraum sich wirklich vorab als Choice, Score oder Noul festlegen lässt. Wenn Sie wissen wollen, welche Entscheidungen in Ihren Workflows sich so auslagern lassen, sprechen Sie uns an.