TypeSafe AI a lancé Jev en septembre 2026 : un modèle qui ne génère pas de texte mais renvoie des décisions typées avec une probabilité calibrée. On regarde ce qu'il fait, ce qu'il coûte, ce qu'il ne fait pas, et quand ça vaut le coup de l'intégrer dans ton app.
Tu as déjà branché un LLM dans ton app pour une tâche bête : classer un message, router un ticket, noter un contenu. Et tu connais la douleur. C'est lent, tu paies les tokens de sortie, et surtout le modèle répond avec le même aplomb qu'il ait raison ou qu'il se trompe. Tu te retrouves à parser du JSON et à prier pour que le format tienne. Jev s'attaque exactement à ce problème.
Jev est le premier modèle « System One » de TypeSafe AI, une start-up de San Francisco qui l'a ouvert en accès anticipé le 15 septembre 2026, le jour où elle annonçait une levée d'amorçage de 40 millions de dollars menée par DCVC. Derrière le projet : Diogo Almeida, un ancien chercheur d'OpenAI, co-inventeur du RLHF. La particularité du truc : Jev ne génère pas de texte. Tu lui donnes un contexte et des questions fermées typées, il renvoie des valeurs typées accompagnées de probabilités et d'un score de confiance. La sortie est faite pour être consommée directement par ton code, pas lue par un humain.
Un LLM te répond. Jev décide. La différence, c'est qu'il te dit aussi à quel point il est sûr de lui.
Choice (choisir parmi des candidats que tu définis), Score (renvoyer une note) et Noul (un booléen, oui/non). Tu peux empiler plusieurs questions dans une seule requête sur le même contexte, et Jev te renvoie une distribution de probabilités pour chacune. En pratique, tu décris ta décision une fois, de façon typée, et tu récupères une réponse déjà structurée.Sois lucide : ce n'est pas un remplaçant de LLM, c'est un outil différent. Si tu as besoin de générer du texte, de résumer ou de raisonner à voix haute, Jev n'est pas pour ça, point. La langue principale est l'anglais, les autres ne sont que partiellement prises en charge, et le modèle est propriétaire, donc tu acceptes une dépendance à un fournisseur et à son API. Les chiffres de vitesse et de prix viennent de l'éditeur au lancement : à vérifier sur ton propre cas avant de bâtir dessus. TypeSafe publie d'ailleurs sa propre liste de limites connues, ce qui est plutôt bon signe, mais ça reste une techno jeune.
POST sur https://api.typesafe.ai/v1/systemone avec la route de modèle jev-latest, et des SDK officiels Python et JavaScript. C'était d'abord une liste d'attente, levée le 20 septembre 2026. Le plus simple pour tester sans t'engager : un petit prototype sur une tâche de tri ou de notation que tu fais déjà avec un LLM, et tu compares le couple vitesse/coût/fiabilité sur tes vraies données.# Appel illustratif : le schema exact du corps est dans la doc TypeSafe
curl -X POST https://api.typesafe.ai/v1/systemone \
-H "Authorization: Bearer $TYPESAFE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "jev-latest",
"state": "<ton contexte>",
"questions": [
{ "type": "Choice", "candidates": ["spam", "legitime"] }
]
}'Au fond, Jev acte l'apparition d'une catégorie à part : des modèles qui décident plutôt que de rédiger, posés à côté des LLM et pas à leur place. Si une partie de ton app passe son temps à classer, router ou scorer, ça mérite un prototype cette semaine.
4 MIN DE LECTURE
Le code Next.js qui plante en prod, c'est rarement la logique — c'est ce qu'on oublie de gérer. error.tsx, loading.tsx, états vides, échecs de Server Actions : le guide pour livrer un vrai produit.
Lire l'article10 MIN DE LECTURE
Tutoriel Tailwind CSS pour débuter de zéro : installation, premières classes, un bouton, une carte produit et le responsive sans media query. Avec exemples de code.
Lire l'article