Letzte Woche stellte Type Safe AI Jev vor, ihr erstes Beispiel einer neuen Modellkategorie, die sie „System One Modelle“ nennen – auch bekannt als „Entscheidungsmodelle“. Jev ist eine LLM-Variante, die Texteingaben akzeptiert, aber Gleitkommazahlen für Kategorien, Ja/Nein-Fragen, Bewertungen und Konfidenzwerte zurückgibt. Type Safe beschreibt Jev als „Frontier-Intelligence-Funktionsaufruf: unstrukturierter Zustand rein, typisierte probabilistische Entscheidungen raus“.

Er ist schnell und günstig und berechnet nur 0,042 $ pro Million Eingabetoken – günstiger als OpenAIs GPT-5 Nano bei 0,05 $/Million. Jev ermöglicht es Benutzern, Fragen zu Text oder semi-strukturierten Daten zu stellen, indem sie ein Zustandsobjekt erstellen und es mit mehreren parallel bewerteten Fragen an ihre API senden. Das Modell unterstützt drei Fragetypen: Noul (Ja/Nein-Konfidenzwerte 0-1), Auswahlfragen mit Wahrscheinlichkeitsverteilungen und Bewertungsfragen mit numerischen Bereichen.

Dieser Ansatz eignet sich hervorragend für Klassifikationsaufgaben wie Spam-Erkennung, Labeling und Search-Reranking. Allerdings stellt Jev eine Regression zu Black-Box-Systemen dar – er liefert keine Erklärungen für Entscheidungen, was Bedenken hinsichtlich versteckter Voreingenommenheit aufwirft, insbesondere bei sensiblen Anwendungen wie Einstellungen. Angesichts der Undurchsichtigkeit des Modells ist eine umfangreiche Evaluierung entscheidend.