Jev et les modèles System One : des décisions typées pour les agents plutôt que du texte généré

Ce que c'est

Selon la documentation de TypeSafe AI, Jev est le premier modèle d'une catégorie que le fournisseur appelle modèles System One. Il ne produit pas de texte, mais répond à des questions typées portant sur un état transmis (une chaîne, un objet JSON ou un tableau de texte). Il existe trois types de questions : Choice sélectionne une option parmi un ensemble prédéfini (255 au maximum) et fournit l'option choisie, une probabilité par option et une confiance ; Score classe l'état sur deux à dix niveaux décrits et fournit une valeur pondérée par probabilité, pouvant se situer entre deux niveaux, accompagnée de la distribution et de la confiance ; Noul répond à une question par oui ou non avec la probabilité du oui, sans confiance propre. Toutes les questions d'une requête sont évaluées en parallèle et indépendamment les unes des autres par rapport au même état.

Le fournisseur documente (en date de septembre 2026, accès anticipé, modifications possibles sans préavis) : le modèle jev-1.13.0 derrière les alias jev-latest et jev-preview, le point d'accès POST https://api.typesafe.ai/v1/systemone, un prix de 0,042 dollar américain par million de tokens en entrée avec des tokens de sortie gratuits, des limites de débit de 250 000 tokens par seconde et 1 200 requêtes par minute, 64 000 tokens par requête pour l'état plus toutes les questions et 32 000 pour l'état plus la question la plus longue, une entrée exclusivement textuelle, l'anglais comme langue d'entraînement principale avec une précision documentée comme inférieure dans les autres langues.

Pourquoi c'est important

Les agents portent en permanence de petits jugements : quel gestionnaire prend en charge une requête, un passage de texte trouvé est-il pertinent, un résultat d'outil contient-il une instruction, quel candidat correspond à un enregistrement donné. Avec un modèle conversationnel, cela signifie générer du texte puis le reparser. Un modèle dont la sortie est restreinte aux options définies par l'appelant évite ce reparsing et fournit au code une distribution sur laquelle il peut se ramifier, trier ou fixer des seuils. Le fournisseur nomme sa procédure d'entraînement Reinforcement Learning for Calibrated Decisions et précise que la calibration se mesure sur des groupes de prédictions et ne garantit aucune réponse individuelle.

Comment l'appliquer

• N'utiliser que pour un espace de réponses fermé : routage, classification, pertinence, classement, sélection parmi des candidats énumérés, filtres oui/non.
• Garder le calcul, le comptage et les comparaisons de dates dans le code ; la page consacrée aux faiblesses connues de jev-1.13 cite explicitement le comptage, les représentations numériques et les comparaisons de dates comme peu fiables.
• Filtrer l'état avant l'appel ; du contenu hors sujet réduit la précision selon le fournisseur.
• Lire les probabilités, pas seulement l'option gagnante ; une distribution plate signifie « ne sait pas ».
• Journaliser l'identifiant de modèle versionné présent dans chaque réponse et figer la version après la fixation des seuils, car les alias évoluent.

Pièges

Les indications de vitesse et de coût proviennent du fournisseur et n'avaient pas été répliquées de façon indépendante au moment de la rédaction de cet article. La conformité au schéma n'est pas la justesse : le modèle ne peut pas fournir une valeur hors des options, mais il peut choisir la mauvaise option avec une probabilité élevée. Selon le fournisseur, l'état n'est pas considéré comme hostile ; des instructions injectées peuvent déplacer la réponse. Le modèle est incapable de générer du texte.