Jev: TypeSafe'in Asla Hayal Ürünü Üretmeyen System One Modeli

2026’daki çoğu yapay zeka duyurusu, OpenAI’nin GPT-6 Astra’sı ve Anthropic’in Fable 5.1’inde görüldüğü gibi, sohbet ve muhakemede zirve yarışıydı.

TypeSafe farklı bir yaklaşım benimsiyor. 15 Eylül 2026’da şirket, hiç metin üretmeyen bir model duyurdu.

Modelin adı Jev ve TypeSafe’in System One modelleri adını verdiği yeni bir yapay zeka kategorisine ait.

Jev, bir seferde bir token üreterek stringler döndürmek yerine, girdi olarak yapılandırılmamış program durumunu alır ve tek bir paralel geçişte türlendirilmiş, olasılıkçı kararlar verir.

TypeSafe’in öne çıkan iddiaları, Jev’in karşılaştırılabilir görevlerde sınır LLM’lerden 40x-200x daha hızlı çalıştığı, milyon giriş tokenı başına maliyetinin $0,042 olduğu ve çıktının ücretsiz olduğu; ayrıca matematiksel olarak hayal ürünü (hallucination) üretmesinin ya da tür hatası yapmasının mümkün olmadığı yönünde.

Bu yazıda, System One modelinin gerçekte ne olduğunu, Jev’in standart bir LLM’den nasıl ayrıştığını, iş akışı kıyaslamalarının diğer modellere karşı ne gösterdiğini ve gerçek bir yığında nereye oturduğunu ele alacağım.

Jev’in karşılaştırıldığı modellerin daha derin incelenmesi için Jev vs GPT-6 Astra, GPT-5.6 Terra vs Claude Sonnet 5 ve Claude Opus 5 vs GPT-5.6 Sol karşılaştırmalarımıza bakın. Ayrıca Jev alternatifleri rehberimizi ve Jev API eğitimimizi de öneririm. 

Özet

• Jev, TypeSafe’in ilk System One modeli: metin değil, kalibre edilmiş olasılıklarla türlendirilmiş kararlar döndürür.
• Geçerli çıktılar şemada önceden tanımlandığı için hayal ürünü üretmesi veya tür hatası yapması mümkün değildir.
• TypeSafe’in 4 iş akışlı kıyaslamasında ~%68 doğruluk yakalıyor; GPT-5.6 Terra gibi orta seviye LLM’lere yakın, ancak 40-400x daha ucuz ve 20-200x daha hızlı.
• Sohbet, kod üretimi veya yazılı açıklama gerektiren işler için uygun değildir.
• Jev, olası yanıtların en baştan bilindiği ortak bir durum üzerinde yüksek hacimli, tekrarlanan kararlar gerektiğinde kullanılır.

System One Model Nedir?

System One modeli, metin yerine türlendirilmiş olasılıkçı kararlar döndüren bir sınır yapay zeka modelidir.

Modele bir durum bloğu ve türlendirilmiş soru seti verirsiniz; bunların tümünü paralel olarak değerlendirir ve kalibre edilmiş güven puanlarıyla yapılandırılmış yanıtlar döndürür; string üretimi yoktur ve ayrıştırılacak bir şey kalmaz. TypeSafe bu kategori adını, Eylül 2026’daki ilk halka açık sürümü olan Jev ile ortaya koydu.

Jev Nedir?

Jev, yazılımın doğrudan tüketebileceği, ayrıştırma veya doğrulama adımı gerektirmeyen hızlı, yapılandırılmış kararlar vermek için tasarlanmış bir sınır modeldir.

Eylül 2026 itibarıyla erken erişimde bulunan TypeSafe’in System One sınıfındaki ilk halka açık sürümdür ve ekonomist William Stanley Jevons’tan esinlenilmiştir.

Ad, Daniel Kahneman’ın Hızlı ve Yavaş Düşünme kitabından gelir.

Kahneman’ın Sistem 1’i hızlı ve sezgiseldir; Sistem 2 yavaş ve muhakemeye dayalıdır.

Mevcut LLM’ler, düşünce zinciri ve birkaç saniyelik akıl yürütme izleriyle, net şekilde Sistem 2 alanında yer alır.

TypeSafe kurucusu ve OpenAI’de ChatGPT’nin ortak mucidi olan Diogo Almeida, otomasyon açığının, çoğu yazılım kararının hızlı bir Sistem 1 yanıtı istediği yerde herkesin Sistem 2 modelleri inşa etmesinden kaynaklandığını savunuyor.

Mimari açıdan Jev, bir transformer LLM’den gerçek bir kopuş.

Otokorelasyonlu olarak değil, tüm çıktıları tek bir sorguda üreten paralel bir örnekleyiciye sahip yeni bir model mimarisi ve TypeSafe’in Kalibre Edilmiş Kararlar için Pekiştirmeli Öğrenme (RLCD) adını verdiği bir eğitim yöntemi kullanır.

GPT-5.6 ve Opus 5, insan tercihine uygun metin üretmek için RLHF ve doğrulanabilir ödüllerle eğitilirken, RLCD yapılandırılmış kararlarda kalibre edilmiş olasılıkları optimize eder.

TypeSafe’in paylaştığı rakamlara göre sonuç, %0 yapılandırılmış çıktı hata oranı ve uçtan uca 70-500 ms gecikmedir.

RLCD eğitim yöntemi hakkında bir not: TypeSafe bunu doğrudan RLHF ve RLVR’ın karşısına konumluyor. RLHF, insan değerlendiricilerin tercih ettiği sohbet yanıtlarını, RLVR ise bir programın doğrulayabildiği çıktıları optimize ederken, RLCD karar görevlerinde epistemik açıdan dürüst olasılıkları optimize eder. Bu nedenle kalibrasyon, istemlerle sonradan eklenen bir unsur değil, Jev’in birinci sınıf bir özelliğidir.

Jev ve Standart Bir LLM: Kısa Karşılaştırma

Farkın nesirde kaybolması kolay olduğundan, çekirdek mimari zıtlığı bir tabloda özetleyelim.

Jev’in Temel Özellikleri

Buradaki tüm özellikler tek bir tasarım tercihinden doğar: Jev, metin üretimini tamamen bırakır.

Hız, fiyat ve tür garantileri bu çıkarımın karşılığıdır.

Metin yerine türlendirilmiş kararlar

Jev, olası çıktıları çağrıdan önce şemanızda tanımlanan, tür güvenli yapılandırılmış değerler döndürür.

API, küçük bir soru tipi kümesi sunar:

• Choice kategorik sınıflandırma için
• Score sayısal veya rubrik puanlama için,
• Noul evet/hayır olasılıkları için.

Bunu bir sınır zekâ fonksiyon çağrısı gibi düşünün: yapılandırılmamış durum içeri, türlendirilmiş olasılıkçı kararlar dışarı.

Bir destek talebini yönlendiriyorsanız, {billing, technical, sales, spam} üzerinde bir Choice ve 0’dan 100’e kadar bir aciliyet Score’u tanımlayabilir ve Jev her ikisini de tek geçişte doldurur. Ayrıştırılacak JSON yoktur ve modelin sapıp bir paragraf yazma riski bulunmaz.

Aşikâr çekince, bunun yalnızca geçerli yanıt uzayının sınırlı ve en baştan bilindiği durumlarda işe yaramasıdır. Jev, açık uçlu üretim için işe yaramaz ve şemayı sizin yerinize yazmaz.

Her çıktıda kalibre edilmiş güven

Her Jev çıktısı, kalibre edilmiş bir olasılıkla gelir; yani daha yüksek güven, gerçekten daha yüksek doğruluğa karşılık gelir.

Pratikte en faydalı özellik bu gibi görünüyor.

Standart LLM’ler, kendilerinden açıkça olasılık isteseniz bile, meşhur şekilde aşırı güvenlidir.

Bir model bir şeyi %95 doğrulukla sınıflandırabiliyor ama hangi %5’te emin olmadığını söyleyemiyorsa, etrafında güvenli otomasyon kuramazsınız.

Jev’in kalibrasyonu, bir güven eşiği belirleyip yalnızca bu eşiğin üzerindekileri otomatikleştirmenize, belirsiz vakaları ise bir insana veya daha yavaş bir LLM’e yönlendirmenize olanak tanır.

Belirtmeye değer sınırlama, Jev’in size bir sayı vermesi, bir gerekçe vermemesidir.

Neden belirli bir vakayı o şekilde puanladığına dair doğal dilde bir açıklama yoktur; bu da hata ayıklama ve düzenlenmiş alanlarda denetimler için önemlidir.

Hayal ürünü yok ve tür hatası yok

Jev’in çıktıları şemayla sınırlandığı için geçersiz bir değer veya tür hatası üretmesi matematiksel olarak mümkün değildir.

TypeSafe, %0 yapılandırılmış çıktı hata oranı ve %0 araç çağrısı hata oranı bildiriyor.

Karşılaştırma için, TypeSafe’in yapılandırılmış çıktı testinde OpenAI’nin luna ve terra’sı %0,58’de, Anthropic’in Opus 5’i %5,73’te ve Claude Haiku 4.5 %45,5’te yer aldı.

Araç çağrılarında GPT-5.6 Sol %17,0 ile en kötüydü.

Hayal ürünü bir araç çağrısı etkileşimli bir ajan içinde can sıkıcı olabilir ama gecikme garantileriyle birkaç katman derinde gömülü olduğunda gerçek bir sorundur.

Gerçek zamanlı hız için paralel örnekleme

Jev, çıktısının tamamını bir seferde, paralel bir sorguyla üretir; bir seferde bir token yaymaz.

70-500 ms gecikme buradan gelir.

Bu hız, token token üreten LLM’lerin dokunamayacağı kullanım alanlarını açar.

TypeSafe’in kendi demosunda Jev, yapılandırılmış oyun durumuna (metin olarak sağlanan) tepki vererek saniyede yaklaşık 10 kez Doom oynuyor; çıkarım maliyeti yaklaşık $7/saat.

Buradaki nokta Jev’in Doom’u iyi oynaması değil; betikli bir bot onu yenerdi. Mesele, 3-30 saniyelik bir LLM çağrısının imkânsız olduğu gerçek zamanlı bir döngü içinde tepkisel kararlar verebilmesi.

Büyük veri üzerinde haritalama

Jev’in vaka başına yaklaşık $0,0004 maliyeti, bir büyük veri kümesinin her satırı üzerinde karar çalıştırmayı, sınır bir LLM ile maliyet engeli olan bir şeyi, mümkün kılar.

TypeSafe bunu, kararları üzerinde haritalayıp indirgeme yaparak petabaytlarca ham veriyi özelliklere ve içgörülere dönüştürmek olarak pazarlıyor.

Somut bir örnek, 50 milyon satırlık bir tabloda her ürün incelemesini duygu ve politika ihlali açısından puanlamak; bildirilen hızda Jev ile karar çağrıları yaklaşık $20 tutacaktır; token bazlı bir LLM ile ise binlerce dolar.

Jev Kıyaslamalarda Nasıl Performans Gösteriyor?

Kısacası Jev, doğrulukta orta seviye sınır LLM’lerin olduğu yere yakın iniyor; maliyet ve gecikmede ise her şeyi bir-iki büyüklük mertebesiyle geride bırakıyor.

Aşağıdaki sayıların tümü TypeSafe’in kendi değerlendirme tablolarından geliyor; henüz büyük ölçekli bağımsız bir tekrar üretilmedi, bu yüzden tedarikçi raporu olarak değerlendirin.

Üretim iş akışlarında karar doğruluğu

TypeSafe, 4 iş akışı (güvenlik olay müdahalesi, ajan iz gözlemlenebilirliği, fatura işleme ve müşteri hizmetleri) üzerinde özel bir değerlendirme oluşturdu ve her modeli GPT-6 Astra ile Anthropic’in Fable’ının ortalama tahminlerine göre puanladı.

Jev, referans yanıtlara %67,8 ortalama uyum sağlıyor.

Aynı iş akışlarında sınır LLM’lere karşı durum şöyle:

Desen tutarlı: Jev, en iyi modellere karşı birkaç puan doğruluk kaybını, devasa maliyet ve gecikme tasarruflarıyla değiş tokuş ediyor.

Jev, doğrulukta Terra ile fiilen başa baş; vaka başına maliyette yaklaşık 1/76’sı ve 25 kat daha hızlı.

En yüksek doğruluklu modeller olan Sol (%74,1) ve Opus 5 (%73,1), 5-6 puanlık gerçek bir üstünlüğü koruyor; dolayısıyla düşük hacimli bir görevde en yüksek doğruluk gerekiyorsa LLM hâlâ kazanır.

Yapılandırılmış çıktı ve araç çağrısı güvenilirliği

Güvenilirlik grafiklerinde Jev, hem yapılandırılmış çıktı hem araç çağrılarında %0 hata ile oturuyor; bu da şemayla sınırlandırılmış tasarımın tam da amacı.

Sınır LLM’lerin hepsi burada az da olsa bir hata oranı taşıyor.

İki sayı öne çıkıyor: Claude Haiku 4.5, %45,5 yapılandırılmış çıktı hata oranı; GPT-5.6 Sol ise %17,0 araç çağrısı hata oranı bildiriyor.

Bunlar uç senaryolar değil; hacimde çalışır çalışmaz gözetimsiz bir hattı kıracak türden arızalar.

Yorumlanabilirlik ve denetim sınırlamaları

Jev olasılıklar döndürür ama doğal dilde gerekçe vermez; bu da değerlendiricilerin hata ayıklama ve düzenlenmiş alanlardaki denetimler için gerçek bir kısıt olarak işaretlediği bir durumdur.

Bir uyum ekibinin bir kredi başvurusunun neden o şekilde puanlandığını bilmesi gerekiyorsa, tek başına bir güven puanı onları tatmin etmeyecektir.

Pratik geçici çözüm, Jev’i yüksek hacimli yönlendirme katmanına ayırmak ve işaretlenen veya düşük güvenli vakaları yazılı açıklama üretebilen bir modele yükseltmektir.

Bu, yasal olarak gerektiğinde denetim izi korurken, throughput avantajlarını muhafaza eder.

Rakamların not düşülmesi gereken yerleri

TypeSafe, kendi değerlendirmelerindeki önyargılar konusunda ferahlatıcı biçimde açık.

İş akışları kendi model yetenekleri ekibi tarafından yazıldı; bu yüzden bir miktar önyargı olabilir ve referans yanıtlar OpenAI ve Anthropic modellerinden geliyor; bu da muhtemelen Jev’in ve DeepSeek’in modellerinin göreli performansını olduğundan düşük gösteriyor.

Bu testlerdeki LLM’ler, API ile uyumlu yapılandırılmış kararlar üretmeye zorlayan TypeSafe’in açık kaynaklı System One adaptörü üzerinden çalıştırılıyor.

TypeSafe, kararları bir LLM’den bu şekilde almak en doğru yöntem diyor; ancak modelin olasılıksız yanıt vermesine kıyasla daha yavaş ve daha pahalı.

Tarafsız bir çerçevede bağımsız bir paket bunu yeniden üretene kadar, doğruluk paritesini nihai değil, umut verici olarak okumak gerekir.

Jev vs Sınır LLM’ler: Ne Zaman Hangisi?

Jev, GPT-5.6 veya Opus 5 ile aynı işlere talip değil; bu yüzden faydalı soru hangi sınıf modele yönelmek gerektiği.

Ayrım, görevinizin sınırlı bir karar mı yoksa açık uçlu bir yanıt mı gerektirdiğine dayanıyor.

• Karar tekrar eden, yüksek hacimli ve olası yanıtlar en baştan biliniyorsa Jev gibi bir System One modele yönelin.
• Üretilmiş metin, kod, yazılı gerekçe veya tek seferlik karmaşık akıl yürütme gerekiyorsa bir sınır LLM’e yönelin.

Pratikte ikisi birlikte iyi çalışır: Jev’i sınıflandıran, puanlayan ve yönlendiren hızlı karar katmanı olarak kullanın; zor veya açık uçlu küçük dilimi Terra veya Opus 5 gibi bir modele devredin. Bu devri temiz yapan şey Jev’in kalibrasyonudur; çünkü bir güven eşiğine göre yönlendirme yapabilirsiniz.

Jev Fiyatlandırma ve Erişilebilirlik

Jev’in fiyatlandırması, sunumun iddialılaştığı yer.

Girdi tokenları milyon başına $0,042 (milyar başına yaklaşık $42) ve çıktı tokenları ölçülmez; model uzun metin yerine yapılandırılmış kararlar döndürdüğü için TypeSafe bunu ölçülemeyecek kadar ucuz olarak tanımlıyor.

Ölçek için, bu girdi oranı, GPT-5.6 Terra’nın milyon girdi tokenı başına $2,00’ının yaklaşık 1/48’i; üstelik Terra milyon çıktı tokenı başına $12,00 da faturalandırır.

İş akışı düzeyinde, TypeSafe’in dahili değerlendirmeleri Jev’i vaka başına yaklaşık $0,0004 olarak; Terra için $0,0304 ve Sol için $0,0836 olarak koyuyor.

TypeSafe, fiyatlandırmanın sübvanse edilmediğini kanıtlayamayacağını, uzun vadede sürdürülebilirliğin kendini göstermesi gerekeceğini, ancak fiyatların artmaktan ziyade düşmesini beklediklerini açıkça belirtiyor.

Jev, 15 Eylül 2026 itibarıyla erken erişimdedir; bir bekleme listesinin arkasındadır ve geliştiriciler zamanla buradan çekilmektedir. Lansman materyallerinde açık bir ücretsiz kredi veya deneme programı görmedim.

Jev’e Nasıl Erişim Sağlanır?

Jev, TypeSafe’in HTTP API’si üzerinden erişilebilen, tescilli ve barındırılan bir modeldir. Ancak, erişim için bekleme listesine katılmanız ve TypeSafe AI Blog’daki topluluğu takip etmeniz gerekir.

Uç nokta POST https://api.typesafe.ai/v1/systemone ve erken erişim model rotası jev-latest olarak belirtiliyor.

TypeSafe, ham HTTP API’nin yanında Python ve JavaScript için resmi SDK’lar sağlar.

Şemada soru tiplerinizi (Choice, Score, Noul) tanımlar ve program durumunuzu girdi olarak geçirirsiniz; yanıt, kalibre edilmiş olasılıklarla türlendirilmiş değerler olarak döner.

İşte sunucusuz rotaya yapılan bir isteğin en yalın biçimi:

import requests

response = requests.post(
    "https://api.typesafe.ai/v1/systemone",
    headers={"Authorization": "Bearer YOUR_KEY"},
    json={
        "model": "jev-latest",
        "state": "Customer emailed twice this week about a failed refund...",
        "questions": {
            "category": {"type": "choice", "options": ["billing", "technical", "sales"]},
            "urgency": {"type": "score", "min": 0, "max": 100},
        },
    },
)
print(response.json())Altyapı:

Tam şema başvurusu ve SDK kurulumu için TypeSafe’in kendi dokümanları nihai kaynaktır. 

Son Düşünceler

TypeSafe, insanların şu anda LLM’lerden istediklerinin önemli bir bölümünün aslında sohbet kılığına girmiş yapılandırılmış karar verme olduğuna stratejik bir bahis yapıyor.

Eğer bu doğruysa, Jev’in 40-400x maliyet avantajı ve %0 tür hatası garantisi, GPT-5.6 ve Opus 5’in fiyatla yakalayamayacağı şekilde yüksek hacimli otomasyonun ekonomisini yeniden tanımlar.

Dürüst değerlendirmem, Jev’in hızlı bir karar ve korkuluk (guardrail) katmanı olarak gerçekten kullanışlı göründüğü; kalibrasyon hikâyesinin ise üzerine gerçekten inşa edeceğim kısım olduğu yönünde.

Açık sorular, bağımsız bir kıyaslamanın doğruluk paritesini teyit edip etmeyeceği ve sübvansiyon bittiğinde fiyatlandırmanın sürüp sürmeyeceği.

Jev’in tasarlandığı karar problemlerini anlamak istiyorsanız, AI Fundamentals yetenek yolumuz alttaki sınıflandırma ve kalibrasyon kavramlarını kapsar.