TypeSafe AI's Jev en "System One Models": wat er daadwerkelijk is uitgebracht

Wat TypeSafe AI heeft uitgebracht

TypeSafe AI is een AI-lab opgericht door Diogo Almeida — eerder werkzaam bij OpenAI, waar hij werkte aan het onderzoek naar het opvolgen van instructies dat leidde tot ChatGPT — samen met Erik Gafni en Sasha Sheng. Na ongeveer twee jaar in stealth-modus te hebben geopereerd, publiceerde het bedrijf zijn lanceringsbericht op 15 september 2026, samen met een seed-ronde van $ 40 miljoen geleid door DCVC. DataCamp en diverse vakmedia deden er de daaropvolgende dagen verslag van.

De invalshoek in het lanceringsbericht is eerder een vraag dan een benchmark: modellen presteren al jaren op bovennatuurlijk niveau bij chat, dus waar blijft alle automatisering? Het antwoord van TypeSafe is dat de knelpunt nooit de pure intelligentie was — het is dat een model dat in proza antwoordt een onhandig onderdeel is om software op te bouwen. Het bedrijfsmanifest verwoordt het nog scherper: de huidige AI is getraind op de aanname dat er een mens aan de andere kant zit.

Jev is het eerste model dat vanuit die veronderstelling is gebouwd. De naam is afgeleid van William Stanley Jevons, wiens paradox stelt dat dalende kosten leiden tot stijgende consumptie; System One is een knik naar Daniel Kahneman's snelle, intuïtieve Systeem 1-denken, te onderscheiden van het trage, weloverwogen Systeem 2-redeneren.

Wat een "System One Model" daadwerkelijk is

Tussen de types van AI models die je in productie zou gebruiken, wordt deze gedefinieerd door wat hij opgeeft. Een chatmodel retourneert een string, en een string kan van alles zijn — een antwoord, een weigering, een alinea met redeneringen of een misvormd element waar je parser op vastloopt. Jev retourneert helemaal geen strings.

In plaats daarvan definieer je vooraf de structuur van het antwoord: welke velden je wilt en welke waarden elk veld mag aannemen. Het model retourneert die ingevulde velden, elk voorzien van een waarschijnlijkheid. TypeSafe omschrijft het resultaat als een frontier-intelligence functie-aanroep — ongestructureerde status erin, getypeerde probabilistische beslissingen eruit. In de praktijk gedraagt het zich minder als een chatbot en meer als een ai decision engine die je kunt aanroepen vanuit één regel code.

Drie eigenschappen volgen uit dat ontwerp:

• Parallelle sampling. Elk veld wordt in één run gegenereerd in plaats van token voor token, wat de claim over snelheid verklaart.
• Schema-conformiteit door constructie. Omdat mogelijke outputs vooraf zijn opgesomd, is een typefout niet alleen onwaarschijnlijk — het is onmogelijk. TypeSafe merkt op dat dit triviaal te weerleggen zou zijn met een enkel tegenvoorbeeld.
• Gecalibreerd vertrouwen bij elk antwoord. Elke output bevat een waarschijnlijkheid, en het trainingsdoel — door TypeSafe Reinforcement Learning for Calibrated Decisions (RLCD) genoemd — optimaliseert voor het eerlijk zijn van die waarschijnlijkheden, in plaats van voor menselijke voorkeur (RLHF) of programmeerbaar verifieerbare beloningen (RLVR).

Een chat-LLM bouwt zijn antwoord token voor token op; een System One model vult elk veld van een vast schema in één run in, elk met een betrouwbaarheidsscore.

Die derde eigenschap is degene die het meest waarschijnlijk wordt onderschat. Om een model dat 95% van de tijd gelijk heeft, maar je niet kan vertellen welke aanroepen in de overige 5% vallen, kun je geen automatisering bouwen. Een model dat eerlijke onzekerheid rapporteert maakt dat wel mogelijk — je vertakt op basis van de betrouwbaarheidsscore en leidt de gevallen met een lage score door naar een mens of een groter model.

Hoe het verschilt van een chat-LLM

Een praktische limiet die het vermelden waard is: Jev ondersteunt een cardinaliteit van maximaal 255 opties per keuze. Daarboven gebruikt TypeSafe een tweestapsbenadering — kandidaten onafhankelijk scoren en vervolgens een expliciete keuze maken — waarvan het bedrijf erkent dat deze trager is.

Wat verifieerbaar is en wat een claim van de leverancier is

Dit is het deel waar we langer bij stil moeten staan, omdat de lanceringscijfers buitengewoon groot zijn en het bewijs erachter uitzonderlijk op zichzelf staat. TypeSafe verdient de eer dat hun bericht eigen "nuance"-notities onder elk resultaat bevat, waar het meeste van het volgende vandaan komt.

Vandaag onafhankelijk te controleren:

• Prijzen. Openlijk gepubliceerd. Wat niet geverifieerd kan worden is of het duurzaam is in plaats van gesubsidieerd — TypeSafe zegt dit zelf ook en verwacht dat de prijzen zullen dalen in plaats van stijgen.
• Schema-conformiteit. Een garantie over outputstructuur is te weerleggen met een enkel slechte respons, en TypeSafe's cijfer van 0% typefouten is afgeleid van de constructie in plaats van gemeten.
• Latentie per aanroep. Iedereen met vroege toegang kan dit timen, met de kanttekening dat gepubliceerde runs afkomstig waren van de eigen laptops van het team aan de Amerikaanse westkust.
• De lancering zelf. Financiering, achtergrond van de oprichters en beschikbaarheid worden allemaal bevestigd door onafhankelijke persdekking.

‍Zelfgerapporteerd en nog niet onafhankelijk gereproduceerd:

• De cijfers van 193.6x sneller / 444.6x goedkoper. Deze zijn afkomstig uit TypeSafe's eigen workflow-evaluaties — een nieuw evaluatieformaat dat het bedrijf heeft ontworpen, waarin elk model dezelfde reken-graph uitvoert en wordt beoordeeld op basis van referentiewaarschijnlijkheden afgeleid van het gemiddelde van GPT-6 Astra en Fable 5.1. TypeSafe geeft zelf drie beperkingen aan: de workflows zijn gebouwd door hun eigen model-capabilities team, de keuze voor referentiemodellen beïnvloedt de resultaten ten gunste van OpenAI en Anthropic, en concurrerende LLM's draaien via TypeSafe's eigen System One adapter.
• Intelligentiepariteit met frontier-modellen. De claim betreft pariteit specifiek op System One-achtige taken, voornamelijk gemeten ten opzichte van GPT-5.6 Terra. Het is geen claim over algemene capaciteit en moet niet zo gelezen worden.
• De hallucinatievergelijking. De LLM-cijfers in die grafiek komen van OpenRouter-verkeer, waarvan TypeSafe opmerkt dat het waarschijnlijk vertekend is omdat moeilijkere queries naar betere modellen worden geleid.

Nog onbekend: prestaties op openbare benchmarks, gedrag bij taken die niet zuiver de vorm van een beslissing hebben, nauwkeurigheid bij domeinspecifiek werk in de handen van anderen, en alles over productiebetrouwbaarheid op schaal. Vroege toegang is pas deze week geopend.

Er is ook een formulering die precisie vereist, omdat deze in samenvattingen vervlakt zal worden. TypeSafe zegt dat Jev niet kan hallucineren, en in engere zin is dat terecht: een model dat nooit vrije tekst genereert, kan geen bronvermelding of toolnaam verzinnen. Maar llm hallucination en juistheid zijn niet hetzelfde probleem. Een model dat beperkt is tot drie toegestane categorieën kan nog steeds vol vertrouwen de verkeerde kiezen — wat geëlimineerd is, is de misvormde respons, niet het verkeerde oordeel. Kalibratie is het antwoord van TypeSafe daarop, en kalibratie is precies de claim die onafhankelijk getest moet worden. Teams die al structured outputs met JSON schema gebruiken, zullen het onderscheid herkennen: het beperken van de vorm van een antwoord heeft nooit garanties geboden voor de inhoud ervan.

Waar een beslissingsmodel past in een productie-stack

Laat de specifieke lancering even terzijde, want de vorm ervan is interessanter dan de cijfers. Wat TypeSafe stelt — en waar een toenemend aantal teams onafhankelijk van elkaar op uitkomt — is dat één generiek model dat elke aanroep afhandelt een prototyping-patroon is, geen productie-patroon.

Een productie-stack bevat uiteindelijk meerdere modeltypen tegelijk, waarbij de routinglaag bepaalt welke een specifieke aanroep afhandelt. 

De beslissingen binnen een draaiend systeem zijn meestal klein en repetitief: is dit ticket urgent, in welke wachtrij hoort het, overtreedt deze respons het beleid, welke van deze velden is het factuurnummer. Elk daarvan naar een frontier chatmodel sturen werkt, en teams doen het, maar het betekent dat je generatieprijzen en generatielatentie betaalt voor iets dat dichter bij een zoekopdracht ligt. Dat is dezelfde afweging achter het kiezen wanneer je een klein model specialiseert in plaats van een groot model te prompten, en het is de reden waarom verificatie-achtig werk — scoren, beoordelen, jailbreak-detectie, agent guardrails — de use case is waarmee TypeSafe vooroploopt. Guardrails moeten bij elke aanroep draaien, waardoor kosten en latentie de doorslaggevende beperking worden in plaats van pure capaciteit.

Het gevolg voor iedereen die AI in productie draait is een ai orchestration probleem in plaats van een modelselectieprobleem. Als het juiste antwoord een chat-LLM is voor sommige aanroepen, een snel beslissingsmodel voor andere, en een gefinetuned klein model voor een derde set, dan moet de laag vóór hen degene zijn die stabiel is — één aanroeppad, consistente auth en logging, en de vrijheid om te veranderen welk model een specifieke taak afhandelt zonder de applicatie te herschrijven. Dat is het uitgangspunt achter auto-routing op de TrueFoundry AI Gateway, en dat is de reden waarom een lancering als deze interessanter is als architectuursignaal dan als benchmark.

Vooralsnog is Jev een gesloten gehoste API in vroege toegang, dus er valt niets te deployen en geen integratie te evalueren. Dat kan veranderen. Het patroon dat het vertegenwoordigt zal dat vrijwel zeker niet.

Conclusie

TypeSafe AI's Jev is een echt andere aanpak: dat de nuttige volgende stap niet een slimmer chatmodel is, maar een betrouwbaar model dat software kan aanroepen zoals elke andere functie. Het ontwerp is coherent, de staat van dienst van de oprichter is reëel, en de doelstellingen voor prijs en latentie zijn agressief genoeg om te veranderen wat het automatiseren waard is. De benchmark-multiples zijn echter zelf beoordeeld op een formaat dat het bedrijf zelf heeft bedacht, en de sterkste claim in het bericht — kalibratie — is degene die nog door geen enkele externe partij is getest. Beide dingen kunnen waar zijn.

Wat de lancering wel bevestigt is een richting: productie-stacks bewegen naar een mix van modeltypen die per taak worden gekozen, niet één enkel model dat per bedrijf wordt gekozen. Als dat de vorm van jouw systeem is, is de laag vóór de modellen de laag die je goed moet inrichten.

Bekijk hoe de TrueFoundry AI Gateway routeert over verschillende modeltypen →