Apa Itu Jev? Model System One dari TypeSafe AI Dijelaskan

Pada 15 September 2026, startup Amerika TypeSafe AI membuka akses awal untuk Jev, model AI yang sama sekali tidak menghasilkan teks. Anda mengirim keadaan program beserta pertanyaan bertipe, lalu menerima keputusan bertipe beserta probabilitasnya. Perusahaan ini dipimpin Diogo Almeida, salah satu penulis makalah InstructGPT yang menjadi fondasi ChatGPT. Artikel ini merangkum Jev dan kategori baru yang diusulkan perusahaan tersebut, yaitu model System One, berdasarkan dokumentasi resminya.

Apa itu Jev

Jev adalah model yang khusus mengambil keputusan, dirilis sebagai "model System One pertama". Versi saat ini adalah jev-1.13. Perbedaan terbesarnya dari model bahasa besar (LLM) terletak pada format keluaran.

• LLM: menghasilkan teks untuk dibaca manusia. Bahkan ketika Anda butuh data terstruktur, Anda tetap harus memintanya menulis teks lalu mengurainya di dalam kode
• Jev: tidak menghasilkan teks. Ia menerima keadaan program (state) dan pertanyaan bertipe (questions), lalu mengembalikan nilai bertipe, distribusi probabilitas, dan tingkat keyakinan

TypeSafe menjelaskan desain ini sebagai perbaikan atas ketidakcocokan: memaksa sistem penghasil teks untuk mengeluarkan keputusan terstruktur. Dengan Jev tidak ada yang perlu diurai dan tidak ada yang perlu diulang; nilai yang kembali langsung masuk ke percabangan, pengurutan, atau perutean Anda.

Arti System One

Namanya berasal dari pemikiran cepat dan lambat milik Daniel Kahneman. Penalaran panjang dan penulisan adalah wilayah sistem 2, tempat LLM unggul; penilaian sekejap adalah sistem 1, dan untuk itulah Jev dibuat. Gambaran yang berguna: segala hal yang bisa diputuskan seorang ahli bidang dalam lima detik, tetapi harus dijalankan dalam jumlah besar dan dengan latensi rendah.

Tiga jenis pertanyaan (primitif)

Jev menerima tiga jenis pertanyaan dan Anda bisa mencampurnya dalam satu panggilan API. Semua pertanyaan dievaluasi secara paralel dan terpisah terhadap keadaan yang sama, dan menurut dokumentasi, menambah pertanyaan hampir tidak mengubah waktu respons.

• Choice (pilihan): memilih satu opsi dari himpunan yang ditentukan. Mengembalikan opsi terpilih, distribusi probabilitas seluruh opsi, dan tingkat keyakinan. Cocok untuk mengarahkan tiket atau mengklasifikasi jenis dokumen. Dokumentasi menyarankan menyertakan opsi "lainnya" bila daftar mungkin belum mencakup semua kemungkinan
• Score (skor): menempatkan keadaan pada tingkatan berurutan (misalnya: tenang dan netral, terganggu tetapi sopan, sangat marah). Skornya bisa jatuh di antara dua tingkat. Cocok untuk tingkat keparahan, kepuasan, atau tingkat keterampilan
• Noul (benar atau salah): menjawab sebuah pernyataan dengan probabilitas antara 0 dan 1. Dekat 1,0 berarti "ya" yang kuat, sekitar 0,5 berarti model tidak dapat memutuskan. Cocok untuk "apakah ini laporan bug" atau "apakah ini permintaan pengembalian dana"

Setiap jawaban juga membawa nilai keyakinan (confidence) yang menunjukkan seberapa terpusat distribusinya. Inilah tuas untuk mengirim hanya kasus yang tidak pasti kepada manusia atau LLM.

Kecepatan dan harga (angka dari perusahaan)

• Waktu respons ujung ke ujung 70 hingga 500 ms, yang menurut perusahaan 40 hingga 200 kali lebih cepat daripada model terdepan pada tingkat kecerdasan setara untuk kelas tugas ini
• Harga 0,042 dolar per satu juta token masukan (42 dolar per satu miliar token). Token keluaran gratis; penagihan hanya atas masukan
• Batas laju 250.000 token per detik dan 1.200 permintaan per menit, yang menurut perusahaan disesuaikan secara dinamis mengikuti permintaan
• Konteks maksimum 64.000 token per permintaan, dengan keadaan ditambah pertanyaan terpanjang maksimum 32.000 token
• Masukan hanya berupa teks (string, objek JSON, atau larik teks). Tidak menerima gambar, audio, atau video

TechCrunch melaporkan Vercel mengukur hasil 5 hingga 18 kali lebih cepat dengan akurasi lebih baik pada tugas klasifikasi, dan Bryo AI menemukan Jev 10 hingga 20 kali lebih murah daripada Gemini untuk klasifikasi email. Semuanya angka dari penyedia dan penggunanya, jadi bacalah sebagai alasan untuk mengukur dengan data Anda sendiri, bukan sebagai hasil yang pasti.

Cara membaca klaim "tidak bisa berhalusinasi"

Jev dipasarkan sebagai model tanpa kesalahan tipe dan tanpa halusinasi. Yang dijamin adalah bentuk keluarannya: Anda tidak akan menerima nilai di luar daftar opsi maupun JSON yang rusak, sehingga kode penguraian dan pengulangan permintaan menjadi tidak perlu.

Namun itu tidak berarti penilaiannya selalu benar. Yang dikembalikan adalah probabilitas terkalibrasi, dan jawaban 0,7 memang akan salah sekitar 30% dari waktu. Dokumentasinya sendiri menyarankan perutean berdasarkan keyakinan. Memisahkan "tidak mengarang fakta" dari "selalu benar" adalah hal terpenting saat menilai model ini.

Kelemahan yang diumumkan TypeSafe

TypeSafe mendokumentasikan titik lemah jev-1.13. Untuk keputusan adopsi, halaman itu paling berguna.

• Aritmetika dan penghitungan tidak dapat diandalkan: jumlah karakter, jumlah kemunculan, atau jumlah item daftar makin melenceng seiring bertambahnya masukan. Dokumentasi menyatakan tegas bahwa Jev bukan kalkulator
• Perbandingan tanggal dan waktu lemah: tanggal mana yang lebih dulu, apakah masuk dalam suatu rentang, berapa jaraknya, semuanya tidak stabil
• Penalaran berlapis lemah: pertanyaan yang menelusuri properti dari properti, serta kalimat dengan negasi ganda, menurunkan akurasi
• Informasi tak relevan menurunkan akurasi: makin banyak isi yang tidak berkaitan dengan keputusan di dalam keadaan, makin buruk hasilnya
• Tidak bisa menghasilkan teks: merangkai pilihan untuk menyusun teks berjalan lambat dan hasilnya buruk
• Instruksi dibaca secara literal: ia menjawab pertanyaan yang Anda tulis, bukan yang Anda maksudkan, jadi kasus batas harus dituliskan pada kriteria
• Ketahanan terhadap masukan bermusuhan tidak dijamin: instruksi yang disisipkan dalam keadaan dapat menggeser keluaran
• Bahasa Inggris lebih dulu: perusahaan menyatakan bahasa lain, termasuk bahasa Asia, "ditangani tetapi tidak sebaik bahasa Inggris"

Jika konten Anda bukan bahasa Inggris, pendekatan realistisnya adalah menulis instruksi dan penjelasan kriteria dalam bahasa Inggris, menyisakan hanya materi yang dinilai dalam bahasa aslinya, lalu mengukur akurasinya sebelum berkomitmen.

Di mana Jev cocok dipakai

• Perutean berdasarkan maksud: mengklasifikasi permintaan masuk dan mengarahkannya ke bagian atau alur yang tepat
• Penentuan prioritas dan keparahan: memberi skor tingkat urgensi untuk menentukan urutan penanganan
• Guardrail dan pemantauan: memeriksa dalam hitungan milidetik apakah masukan dan keluaran agen melanggar kebijakan; ada tim yang memakainya untuk mendeteksi upaya jailbreak
• Perutean model: permintaan mudah ke model murah, permintaan sulit ke model berperforma tinggi
• Pengurutan ulang dan penunjang pencarian: menyusun ulang kandidat, menilai relevansi
• Keputusan percabangan agen: menjaga keputusan "apa langkah berikutnya" tetap ada di kode Anda

Pakai bersama LLM, bukan sebagai pengganti

Karena Jev tidak bisa menulis, pola yang produktif menempatkannya sebelum atau sesudah LLM, bukan menggantikannya.

• Jalankan keputusan bervolume tinggi lewat Jev dan naikkan hanya kasus berkeyakinan rendah ke LLM atau manusia (gerbang keyakinan)
• Uraikan penilaian rumit menjadi pertanyaan-pertanyaan kecil yang disusun ulang di dalam kode, bukan satu pertanyaan besar
• LLM menulis, Jev memutuskan

Cara memulai

• Layanan tersedia sebagai akses awal: buat kunci API di konsol, di console.typesafe.ai
• Tersedia SDK Python, SDK JavaScript dan TypeScript, serta HTTP API. Alias model bawaan adalah jev-latest, yang saat ini mengarah ke jev-1.13.0
• Autentikasi memakai variabel lingkungan TYPESAFE_API_KEY. Tersedia pula agent skill untuk Claude Code dan Codex
• Dokumentasi hanya dalam bahasa Inggris, dan harga, batas laju, serta syarat layanan dapat berubah, jadi periksa halaman resmi sebelum membangun di atasnya

Ringkasan

Jev bukan "LLM generasi berikutnya", melainkan komponen lain yang menangani bagian yang selama ini lemah pada LLM. Ia menguntungkan untuk keputusan yang tidak memerlukan teks — klasifikasi, pengarahan, pemberian skor, guardrail — dalam volume besar dengan latensi rendah, sementara aritmetika, penanganan tanggal, penghasilan teks, dan nuansa halus pada konten non-Inggris menuntut pengujian yang hati-hati. Langkah pertama yang realistis: temukan titik pada alur kerja Anda saat ini di mana LLM hanya melakukan klasifikasi, gantikan dengan Jev, lalu ukur latensi, biaya, dan akurasinya terhadap kondisi sekarang.

Sumber: blog resmi TypeSafe AI, dokumentasi resmi, TechCrunch (18 September 2026). Isi artikel ini berdasarkan informasi publik yang diverifikasi pada 19 September 2026.