System-One-Modelle und Jev: Intelligenz als Funktionsaufruf
TypeSafe AI hat am 2026-09-15 sein erstes System-One-Modell Jev angekündigt: keine String-Generierung, nur typsichere strukturierte Werte mit kalibrierten Wahrscheinlichkeiten. Der offizielle Beitrag nennt für Input $0.042/MTok, Output kostenlos, bei einer End-to-End-Latenz von 70ms-500ms. Hier erfahren Sie, was es tatsächlich ist, was der Anbieter selbst belegt und wie Sie diese Art von Aufgaben heute erledigen, da QCode es nicht anbietet.
Aktualisiert 2026-09-20
Vier überprüfbare Zahlen
Input-Preis (Anbieter-Liste)
Die Preiszeile des Blogs: Input $0.042/MTok ($42 pro Milliarde Tokens), Output kostenlos, weil er „zu billig zum Messen“ sei. Das ist die eigene Zahl von TypeSafe, kein QCode-Tarif.
End-to-End-Latenz (Angabe des Anbieters)
Dieselbe Seite setzt Frontier-LLMs bei 3 bis 329 Sekunden an und behauptet eine 40x-200x Beschleunigung; auch die Werte der Startseite (193.6x schneller / 444.6x günstiger) sind Anbieterzahlen, und der Beitrag selbst sagt, dass diese am oberen Ende der realen Gewinne liegen.
paralleles Sampling, nicht Token für Token
Laut dem Beitrag: Bestehende Modelle erzeugen jeweils ein Token, abhängig vom vorherigen; System One erzeugt alle Outputs in einer einzigen Abfrage mit einem parallelen Sampler und reduziert so eine strukturierte Entscheidung auf einen Aufruf.
Typfehler (konstruktionsbedingt)
Die Menge der möglichen Outputs und ihre Form stehen vor dem Aufruf fest, daher sagt der Beitrag, das Modell könne keine Typfehler machen – und merkt zugleich an, dass die 0 % in diesem Diagramm nicht gemessen, sondern konstruktionsbedingt garantiert sind.
Was ein „System-One-Modell“ sein soll
Die Definition von TypeSafe: eine Klasse von Modellen für schnelle, strukturierte Entscheidungen, die Software direkt verwenden kann, trainiert mit RLCD (Reinforcement Learning for Calibrated Decisions) statt mit der RLHF- / RLVR-Linie. Die Vergleichstabelle des Anbieters behält unstrukturierten Text als Eingabe bei – gewichtet in Richtung Programmzustand –, erzwingt aber, dass jeder Output ein typsicherer strukturierter Wert mit kalibrierter Wahrscheinlichkeit ist, parallel gesampelt. Der Kompromiss wird offen benannt: Jev verzichtet auf String-Generierung und ist daher kein Chat- oder Code-Schreibmodell. Das erste öffentliche Modell, Jev, startete am 2026-09-15 in den Early Access.
Release-Rhythmus und Stand des Zugangs
Der Beitrag vom 2026-09-15 kündigte Jev mit Early Access am selben Tag an und lieferte eine Website zur Workflow-Evaluierung (Beispiele, Abweichungen, vollständige Abfragen). Er gibt außerdem an, die veröffentlichten Evals seien überwiegend „von unseren Laptops an der Westküste“ gelaufen und die Preise ließen sich nicht als unsubventioniert belegen – die Zeit werde zeigen, ob sie tragfähig sind. Zum Prüfzeitpunkt dieser Seite (2026-09-20) läuft der Zugang weiterhin über die eigene Warteliste / den Early Access von TypeSafe, nicht über einen API-Katalog Dritter.
Zeitplan
2026-09-15: TypeSafe AI veröffentlicht „Introducing System One Models & Jev“, unterzeichnet von Gründer Diogo Almeida; das erste öffentliche Modell Jev startet in den Early Access.
Derselbe Beitrag vom 2026-09-15 nennt Preise und Latenz: Input $0.042/MTok, kostenloser Output, 70ms-500ms End-to-End, gegenüber einer Tabelle, die Frontier-LLMs bei $0.20-$10/MTok und 3-329 Sekunden ansetzt. Die Dokumentation ergänzt die Betriebsparameter: Modell-ID jev-1.13.0, ein Endpunkt POST /v1/systemone, der über das Feld model gewählt wird, 64k Kontext pro Anfrage (32k für den Zustand plus die längste Frage), Rate Limits von 250,000 Tokens/Sekunde und 1,200 Anfragen/Minute mit 429 bei Überschreitung eines der beiden, nur Texteingabe.
Prüfdatum dieser Seite (2026-09-20): Die Suche im öffentlichen Modellkatalog von QCode nach Jev / TypeSafe / System One liefert keinen Treffer, daher behauptet nichts auf dieser Seite, das Modell sei hier nutzbar.
Bestätigt vs. behauptet
Selbst überprüfbar
Das Datum 2026-09-15, der Autor, die Preis- und Latenzangaben, der Name des Trainingsverfahrens (RLCD), jede Zeile der Anbietervergleichstabelle und die drei Einschränkungen, die der Anbieter selbst nennt (auf Laptops durchgeführte Evals, LLM-Zahlen von OpenRouter, die Faktoren 193.6x/444.6x liegen wahrscheinlich am oberen Ende), stehen alle im Blogbeitrag und lassen sich dort direkt nachlesen.
Noch nicht als Tatsache belegbar
Stand 2026-09-20 sind „Cannot hallucinate“, „two orders of magnitude faster“ und „444.6x cheaper“ Behauptungen des Anbieters: Es gibt keine veröffentlichte unabhängige Wiederholung, und die Referenzantwort in den Workflow-Evals ist der Durchschnitt aus GPT-6 Astra und Fable 5.1, was laut dem Beitrag selbst eine Verzerrung zugunsten der Modelle von OpenAI und Anthropic mit sich bringt. Enterprise-Tauglichkeit, Kontingente, SLA, offene Gewichte und regionale Verfügbarkeit: Nichts davon steht im Launch-Beitrag, während die Dokumentation Rate Limits und Preise separat behandelt – diese Seite schließt nicht auf den Rest.
Jev im Vergleich zu strukturierter Ausgabe mit einem allgemeinen Modell
Jev (laut Anbieter)
Die Ausgaben sind typsichere strukturierte Werte mit kalibrierten Wahrscheinlichkeiten, erzeugt in einem einzigen parallelen Sampling-Durchlauf; angegeben sind 70ms-500ms, $0.042/MTok Input ($42/Btok in der Dokumentation), kostenloser Output, ein Endpunkt, 64k Kontext, Limits von 250k Tokens/s sowie 1,200 Anfragen/min (Werte aus der Dokumentation, die laut Anbieter dynamisch an Nachfrage und GPU-Deals angepasst werden), nur Texteingabe. Der Preis dafür: Es gibt nie Strings aus, daher sind Chat und Codegenerierung nicht abgedeckt.
Allgemeine Frontier-Modelle (einschließlich der bei QCode angebotenen Tarife)
Dieselbe Frage lässt sich in einem ausgereiften Ökosystem mit JSON-Schema oder Tool Calling beantworten, mit langem Kontext und Fließtext, den Sie protokollieren können; der Preis dafür sind autoregressive Latenz und Abrechnung pro Output-Token, die Konfidenz muss selbst angegeben oder näherungsweise ermittelt werden, und null Typfehler sind nicht garantiert.
Die „intelligente If-Anweisung“ heute bei QCode umsetzen
Zerlegen Sie die Aufgabe in mehrere kleine, unabhängig beantwortbare Fragen, lassen Sie das Modell Enums und Scores per Schema oder Tool Calling als JSON zurückgeben, und überlassen Sie dem umgebenden Code die Typprüfung, das Anwenden von Schwellenwerten und Wiederholungsversuche. Strukturell entspricht das der Form von TypeSafe selbst – ein Endpunkt plus ein deklariertes Schema –, nur dass das Schema hier per Tool Calling oder response_format an ein allgemeines Modell geht. Preissensible Pfade können Klassifizierungs- und Routing-Aufgaben an die günstigsten Stufen der Familie auslagern und anspruchsvolles Reasoning auf der obersten Stufe belassen; wenn Sie ein Signal für „Kann ich diesem Aufruf vertrauen“ benötigen, nähern Sie es über die Übereinstimmung mehrerer Stichproben oder einen günstigen Judge-Aufruf an, statt eine selbst angegebene Konfidenz als kalibriert zu behandeln. Aktuelle Stufen und Preise finden Sie unter /pricing und im Live-Katalog.
Die tatsächliche Lage bei QCode
QCode bietet weder Jev noch irgendein TypeSafe-Modell an: Die Prüfung des öffentlichen Modellkatalogs vom 2026-09-20 liefert keinen Treffer für Jev / TypeSafe / System One. Diese Seite ist kein Kaufweg und nennt Anbieterpreise nicht als unsere eigenen. Für die oben beschriebenen strukturierten Entscheidungsaufgaben steht bei QCode ein allgemeines Modell mit Schema/Tool Calling und externer Validierung zur Verfügung, abgerechnet zum offiziellen Preis mal unserem Servicesatz; was aktuell im Angebot ist, sehen Sie unter /pricing und im Modellkatalog.
Fragen
Ist Jev ein Chatbot?
Nein. Laut der Definition des Blogs gibt es nur vorab deklarierte strukturierte Werte mit Wahrscheinlichkeiten aus und erzeugt keine Strings, sodass es nicht als Konversations- oder Schreibmodell dienen kann.
Warum behauptet es, schneller und günstiger zu sein?
Aus zwei Gründen: ein paralleler Sampling-Durchlauf statt Token-für-Token-Generierung und der Verzicht auf String-Ausgabe. Die angegebenen Werte sind 70ms-500ms, $0.042/MTok Input, kostenloser Output – und der Beitrag selbst sagt, dass er nicht belegen kann, dass der Preis nicht subventioniert ist.
Sollte ich „it cannot hallucinate“ glauben?
Nach Darstellung des Anbieters bedeutet das: keine Typfehler. Die Wertemenge steht vor dem Aufruf fest, was konstruktionsbedingt garantiert ist. Ob der Entscheidungsinhalt stimmt und die Wahrscheinlichkeiten kalibriert sind, beruht auf den eigenen Workflow-Evals von TypeSafe, ohne bislang unabhängige Replikation.
Kann ich es über QCode aufrufen?
Nein. Die Katalogprüfung vom 2026-09-20 enthält kein solches Modell, und QCode bietet keinen TypeSafe-Dienst an. Die entsprechende Arbeit erledigen Sie hier mit einem allgemeinen Modell plus strukturierter Ausgabe.
Ist es dasselbe wie eine kleine Stufe wie GPT-5.6 Mini oder Nano?
Nein. Kleine Stufen sind weiterhin autoregressive allgemeine Modelle, deren Ausgabe ein String ist (auf JSON eingrenzbar); Jev folgt einem anderen Design: paralleles Sampling, typisierte Ausgaben, kalibrierte Wahrscheinlichkeiten und keine Textgenerierung.
Gibt es Rate Limits?
Ja: Die Dokumentation nennt 250,000 Tokens/Sekunde und 1,200 Anfragen/Minute, bei Überschreitung eines der beiden Werte folgt 429 Too Many Requests. Dieselbe Seite ergänzt den eigenen Vorbehalt des Anbieters: Diese Limits werden dynamisch angepasst und können sich ohne Vorankündigung ändern, solange die Nachfrage hoch ist und große GPU-Deals zustande kommen. Die Modell-ID lautet jev-1.13.0, und alles läuft über POST /v1/systemone. Der Zugang bleibt Early Access / Warteliste; eine allgemeine Verfügbarkeit ist nicht angegeben.
Quellen
TypeSafe-AI-Blog, „Introducing System One Models & Jev“, 2026-09-15, https://typesafe.ai/blog/introducing-system-one-models-and-jev (für diese Seite abgerufen am 2026-09-20); Preis, Modell-ID, Endpunkt, Kontext und Rate Limits stammen von https://docs.typesafe.ai/models.md (am selben Tag). Preise, Latenz, Geschwindigkeits-/Kostenfaktoren und die Methodik der Workflow-Evals stammen alle von dieser Seite, einschließlich der eigenen Einschränkungen des Anbieters: auf Laptops durchgeführte Evals, von OpenRouter übernommene LLM-Zahlen und die Angaben 193.6x/444.6x, die wahrscheinlich am oberen Ende liegen.
Kein Versprechen „Jev sofort verfügbar“
QCode bietet Jev nicht an. Um dieselbe Art strukturierter Entscheidungen umzusetzen, nutzen Sie ein von uns angebotenes allgemeines Modell plus Schema/Tool Calling, abgerechnet zum offiziellen Preis mal unserem Servicesatz.
Als Nächstes lesen
Leitfaden zur GPT-5.6-Familie
Wie die von uns angebotenen allgemeinen Modelle Stufen, Kontext und strukturierte Ausgabe handhaben.
Leitfaden zu Claude Haiku 4.5
Eine kleine Stufe mit niedriger Latenz, nützlich, um Klassifizierungs- und Routing-Aufgaben auszulagern.
Eval-Reife für KI-Agenten
Prüfbare Evaluierungen für intelligente If-Anweisungen aufbauen, statt sich auf eine einzelne Demo zu verlassen.
Nicht mit TypeSafe AI verbunden. Alle hier genannten Preise, Geschwindigkeiten und Benchmark-Werte geben lediglich das öffentliche Material des Anbieters wieder und wurden von uns nicht erneut geprüft; QCode bietet Jev nicht an, und nichts auf dieser Seite ist ein Verfügbarkeitsversprechen.