TypeSafe AI lance Jev, un LLM à sortie numérique

Jev, lancé par TypeSafe AI, traite un « état » textuel et répond par des nombres plutôt que par des textes. Le modèle facture uniquement les tokens d’entrée, avec une sortie gratuite et un prix annoncé de 0,042 $ par million de tokens. En quelques jours, la communauté a multiplié expérimentations, détournements et tentatives de réimplémentation, sur fond d’alertes concernant l’opacité et les biais.

Des nombres sans justification et des biais difficiles à isoler

Jev accentue le caractère « boîte noire » de l’apprentissage automatique, car il ne fournit que des valeurs numériques sans explication sur la décision prise. Des réserves sont émises concernant les biais potentiels, notamment la recommandation de ne pas utiliser Jev pour classer des candidatures à l'emploi et la difficulté à identifier d'éventuels biais cachés. Lors d'un test, Jev a attribué les meilleurs scores à Cupertino et les plus faibles à East Palo Alto pour la question « Est-ce une bonne ville ? » appliquée aux villes de la baie de San Francisco. Dans ce contexte, il est jugé nécessaire de recourir à des évaluations et protocoles expérimentaux structurés. Le faible coût du service permet de réaliser des centaines ou des milliers de requêtes expérimentales pour quelques centimes.

Ce que Jev sait faire : classification, tri et reranking

Le cadre des modèles de décision s'applique à des tâches de classification, telles que la détection de spam, la suggestion d'étiquettes, la priorisation ou le classement. Une expérimentation a consisté à récupérer 100 documents candidats avec un algorithme comme BM25, puis à demander à Jev de noter ces 100 propositions selon leur pertinence pour la requête initiale.

Entrée texte, sorties probabilistes et évaluation en parallèle

Jev prend en entrée un « état » qui peut être une chaîne, un tableau de chaînes ou des paires nom–valeur décrivant par exemple un article ou un client, accompagné d’une ou plusieurs questions. Le modèle fournit pour chacune un score sous forme numérique. Trois types de questions sont disponibles : les questions binaires, désignées sous le terme « Noul », dont le PDG de TypeSafe AI indique que l’appellation fait référence à la distribution de Bernoulli ; les questions à choix multiples, qui génèrent une option choisie, un niveau de confiance ainsi qu’une distribution de probabilité sur l’ensemble des options ; et les questions de score, pour lesquelles la réponse correspond à un nombre à virgule flottante compris dans une plage prédéfinie. L’API prend en charge un document d’état et autant de questions que la fenêtre de contexte le permet, en traitant ces questions simultanément afin que l’envoi en lot n’augmente pas sensiblement le délai de réponse.

Un modèle facturé uniquement à l’entrée, à 0,042 $ le million de tokens

Contrairement aux LLM classiques facturés sur les tokens d’entrée et de sortie, avec des sorties souvent plus chères, Jev ne facture que l’entrée et rend la sortie gratuite. Le prix annoncé pour son premier modèle est de 0,042 $ par million de tokens, ce qui est inférieur au tarif de 0,05 $ par million de tokens pour GPT-5 Nano d’OpenAI. Le service est également présenté comme rapide et peu coûteux.

Des utilisateurs détournent Jev pour créer des usages inédits

Dans les jours qui ont suivi le lancement, la communauté a multiplié les usages détournés. Kyle Pena a transformé Jev en modèle de chat en prédisant le « symbole suivant » à chaque étape, une approche comparée par un utilisateur de Hacker News à « Morty parlant avec le cristal de la mort ». Fatih Kadir Akın a implémenté left-pad via une question de choix bornée entre « 0 espaces nécessaires » et « 10 espaces nécessaires », et Andy Gayton a utilisé Jev pour jouer au jeu 2048. Parallèlement, des tentatives de réimplémentation avec des modèles à poids ouverts ont émergé : Kev, basé sur Qwen 3.5, propose des variantes de 0,8B, 4B et 9B paramètres, tandis qu’un fil Hacker News référence JevBench, un benchmark dédié à ces « modèles de décision de classe Jev ». Jev a été dévoilé il y a une semaine par TypeSafe AI comme « modèle Système Un », une désignation que certains préfèrent appeler « modèle de décision ».