AnswersPublished14 sources
Wat is Jev? Het AI-model van TypeSafe voor snelle softwarebeslissingen
Jev is het System One model van TypeSafe AI, sinds 15 september 2026 in early access. Een vooraf bepaald uitvoerschema voorkomt ongeldige velden en vrije tekst, maar garandeert niet dat het model inhoudelijk de juiste beslissing neemt of zijn zekerheid goed inschat.
Gepubliceerd doorBewerkt met GPT-5.6 TerraAfbeeldingen gegenereerd met GPT Image 2
Research answer
Key takeaways
- Jev is het System One model van TypeSafe AI, sinds 15 september 2026 in early access.
- Een vooraf bepaald uitvoerschema voorkomt ongeldige velden en vrije tekst, maar garandeert niet dat het model inhoudelijk de juiste beslissing neemt of zijn zekerheid goed inschat.
- Vercel meldt dat bijna 13% van de betalende AI Gateway teams Jev binnen 24 uur gebruikte.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is TypeSafe AI’s newly public Jev model—launched September 15 by San Francisco startup TypeSafe AI, founded by former OpenAI researcher. Article summary: Jev is TypeSafe AI’s first “System One” decision model: a transformer built to turn text or JSON state into typed, calibrated answers for software, rather than generate prose for people. TypeSafe launched it in early acc. Topic tags: general, general web, user generated, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks,
Jev is het eerste System One-model van TypeSafe AI: een model voor software dat snel gestructureerde beslissingen neemt, in plaats van tekst voor mensen te schrijven. De start-up uit San Francisco bracht Jev op 15 september 2026 uit in early access. TypeSafe AI is opgericht door oud-OpenAI-onderzoeker Diogo Almeida, samen met Erik Gafni en Sasha Sheng. 2
16
Geen gegenereerde tekst, maar een beslissing die code kan gebruiken
Een groot taalmodel (LLM) genereert tekst token voor token. Daardoor zijn LLM's breed inzetbaar: ze kunnen uitleg geven, teksten schrijven, plannen maken, code produceren en open vragen beantwoorden. Maar software moet die uitvoer vervolgens vaak nog ontleden of een gegenereerd JSON-antwoord valideren voordat het veilig bruikbaar is.
Jev is gemaakt voor een beperkter doel. Een applicatie stuurt een state mee — een tekenreeks, JSON-object of lijst met tekst — plus getypeerde vragen. Het model geeft per vraag een gestructureerd antwoord terug waar de code direct op kan vertakken. Volgens de API-documentatie beoordeelt Jev een state aan de hand van een verzameling vragen en retourneert het één gestructureerd antwoord per vraag. 17
De ondersteunde vormen zijn:
- Boolean: schat de kans dat een stelling waar is, bijvoorbeeld of een opdracht veilig uitgevoerd kan worden.
- Choice: kiest uit opties die de ontwikkelaar vooraf heeft opgegeven.
- Score: beoordeelt iets volgens een geordende rubric of numerieke schaal.
Daarom positioneert TypeSafe Jev als bouwsteen voor onder meer routing, classificatie, het filteren van zoekresultaten, risicoscores en veiligheidscontroles rond AI-agents — niet als chatassistent. De documentatie noemt onder andere modelrouting, semantische informatieophaling, classificatie van traces en controle van uitvoer van andere AI-systemen. 18
Wat betekent ‘System One’?
De naam verwijst naar het onderscheid van psycholoog Daniel Kahneman tussen snel, intuïtief Systeem 1-denken en trager, weloverwogen Systeem 2-redeneren. TypeSafe gebruikt de term voor modellen die zijn gericht op snelle, afgebakende beoordelingen, niet op open redeneren of formuleren. 16
Dat betekent niet dat Jev algemeen redeneren heeft opgelost. Het product kiest simpelweg voor een andere interface: geef de relevante context en een goed omschreven beslissing, en krijg een begrensd resultaat met een kansverdeling in plaats van een alinea.
Waarom begrensde uitvoer nuttig kan zijn voor automatisering
Bij Jev bepaalt de applicatie vooraf de vorm van het antwoord. Bij een keuzevraag bepaalt zij ook welke antwoorden zijn toegestaan. Daarmee verdwijnt een bekend integratieprobleem bij generatieve modellen: Jev kan geen onverwacht veld teruggeven, geen toolnaam verzinnen en geen vrije uitleg produceren waar een programma een vaste waarde verwacht.
Dat is een structurele garantie, geen garantie dat de inhoud klopt. Een model met begrensde beslissingen kan nog steeds de verkeerde toegestane optie kiezen, context verkeerd begrijpen of een zekerheid rapporteren die in de praktijk slecht gekalibreerd blijkt. Vercel maakt dat onderscheid expliciet: schemaconformiteit gaat over de antwoordstructuur; inhoudelijke juistheid moet nog altijd worden geëvalueerd.
Voor productiegebruik is het verstandig om drempels voor zekerheid als te testen beleidsregels te behandelen, niet als automatisch bewijs van betrouwbaarheid. Een praktische aanpak is om beslissingen met hoge zekerheid en laag risico te automatiseren, en twijfelgevallen of beslissingen met grote gevolgen door te sturen naar een LLM, regelsysteem of menselijke beoordelaar.
Training en kalibratie: wat TypeSafe stelt
TypeSafe zegt dat Jev uitsluitend op synthetische data is getraind met Reinforcement Learning for Calibrated Decisions (RLCD). Het beoogde doel is dat gerapporteerde waarschijnlijkheden beter aansluiten op de feitelijk waargenomen juistheid, in plaats van dat het model optimaliseert voor een tekstantwoord dat mensen prettig vinden.
Dat zou bijzonder nuttig zijn in automatisering: een waarschijnlijkheid van 0,9 zou ontwikkelaars in beginsel in staat moeten stellen een zinvolle drempel voor menselijke controle in te stellen. RLCD is echter nog niet breed publiek bevestigd via onafhankelijk onderzoek. In de beschikbare materialen staat geen uitgebreide externe audit van Jevs kalibratie, robuustheid tegen adversariële invoer of nauwkeurigheid in verschillende domeinen. Organisaties moeten die claims dus testen op hun eigen data en voor hun eigen beslisbeleid.
Prijs, contextvenster en snelheid
TypeSafe vermeldt voor Jev 1.13 een prijs van US$ 0,042 per miljoen invoertokens (US$ 42 per miljard); uitvoertokens zijn gratis. Tegen dat tarief is US$ 5 goed voor ongeveer 119 miljoen invoertokens, exclusief belastingen of eventuele accountspecifieke voorwaarden. De modeldocumentatie noemt een contextvenster van 64.000 tokens per verzoek, waaronder maximaal 32.000 tokens voor de state plus de langste vraag.
Het bedrijf en vroege berichtgeving noemen een vertraging van grofweg 70 tot 500 milliseconden, afhankelijk van de taak. Dat is een nuttig vertrekpunt voor evaluatie, maar de werkelijke latency varieert met de grootte van het verzoek, het ontwerp van de vragen, de regio en de toestand van de dienst.
Vroege adoptie via Vercel
Vercel voegde Jev toe aan AI Gateway. Ontwikkelaars kunnen het daar aanroepen als typesafe-ai/jev via de experimentele evaluation-API.
Volgens Vercel bereikte Jev binnen 24 uur bijna 13% van de betalende AI Gateway-teams. Dat was meer dan twee keer zoveel betalende teams als bij eerdere modellanceringen in dezelfde periode. Het is een opvallend signaal van interesse en experimenten onder ontwikkelaars, maar op zichzelf geen bewijs voor langdurig gebruik, betrouwbaarheid op productieschaal of betere prestaties voor alle taken.
Vroege experimenten betroffen onder meer classificatie van de veiligheid van opdrachten en e-mailclassificatie. Ze illustreren het soort begrensde taken waarop Jev mikt, maar vervangen geen onafhankelijke, gecontroleerde benchmarkresultaten. Teams die Jev naast een LLM willen leggen, doen er goed aan nauwkeurigheid, kalibratie, ernst van fouten, latency en totale workflowkosten op representatieve eigen data te vergelijken.
Waar Jev wel past — en waar niet
Jev kan goed passen wanneer een applicatie al weet welke beslissing nodig is en de antwoordruimte duidelijk kan specificeren. Voorbeelden zijn:
- bepalen of een agent moet doorgaan, opnieuw moet proberen, om verduidelijking moet vragen of moet stoppen;
- opdrachten of toolcalls classificeren voor een veiligheidscontrole;
- urgentie, relevantie of risico scoren;
- kiezen uit kandidaatwaarden die deterministische code al heeft gevonden;
- grote hoeveelheden tekst filteren of labelen vóór een duurdere modelaanroep.
Jev vervangt geen LLM wanneer een product open schrijfwerk, uitleg, brainstormen, codegeneratie, brede planning of antwoorden buiten een vooraf gedefinieerd schema nodig heeft. De kwaliteit van een Jev-integratie hangt ook af van de formulering van vragen, de gekozen invoer, kandidaatopties, drempels en teststrategie. TypeSafe adviseert ontwikkelaars om voorwaarden precies te formuleren, context waar mogelijk vooraf te filteren en integraties grondig te testen.
Modaliteiten en roadmap
Jev accepteert momenteel uitsluitend op tekst gebaseerde state: tekenreeksen, JSON-objecten en lijsten met tekst. Afbeeldingen, audio en video worden niet ondersteund. TypeSafe markeert die modaliteiten als ‘nog niet ondersteund’, maar de beschikbare documentatie bevat geen openbare planning voor multimodale modellen.
De praktische conclusie
De stelling achter Jev is niet dat alle AI moet ophouden met taal genereren. Wel dat veel softwareworkflows überhaupt geen taalproductie nodig hebben. Voor een afgebakende classificatie-, routing- of beleidsbeslissing kan een getypeerd waarschijnlijkheidsantwoord eenvoudiger te integreren, goedkoper uit te voeren en sneller bruikbaar zijn dan een chatantwoord.
De keerzijde is minstens zo belangrijk: gestructureerde uitvoer vermindert fouten in het uitvoerformaat, niet per se fouten in de beslissing zelf. De werkelijke waarde van Jev hangt af van de vraag of de nauwkeurigheid en zekerheidsinschattingen overeind blijven in onafhankelijk geteste, domeinspecifieke toepassingen. Tot die tijd is het vooral een veelbelovend gespecialiseerd hulpmiddel voor duidelijk afgebakende softwarebeslissingen — geen algemene vervanger voor LLM's.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Wat is Jev? Het AI-model van TypeSafe voor snelle softwarebeslissingen"?
Jev is het System One model van TypeSafe AI, sinds 15 september 2026 in early access.
What are the key points to validate first?
Jev is het System One model van TypeSafe AI, sinds 15 september 2026 in early access. Een vooraf bepaald uitvoerschema voorkomt ongeldige velden en vrije tekst, maar garandeert niet dat het model inhoudelijk de juiste beslissing neemt of zijn zekerheid goed inschat.
What should I do next in practice?
Vercel meldt dat bijna 13% van de betalende AI Gateway teams Jev binnen 24 uur gebruikte.
Sources
theaugustdispatch.comI Got Early Access to TypeSafe AI's Jev. Here's What It Actually Does. - The August Dispatch
foundedceo.substack.comChatGPT Co-Creator Launches a New AI Model That's Up to ...
docs.typesafe.aiAPI reference - TypeSafe AI
aiwiki.aiDiogo Almeida - AI Wiki