---
title: "Jev für Entwickler: Systemmodell und LLM im Vergleich"
locale: de
category: knowledge_base
category_name: "Wissensdatenbank"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/jev-system-one-model-llm-comparison
published_at: 2026-09-22T04:13:16+09:00
---

# Jev für Entwickler: Systemmodell und LLM im Vergleich

> Jev ist ein von TypeSafe AI entwickeltes Modell für strukturierte Entscheidungen. Dabei werden Auswahlwerte und Wahrscheinlichkeiten mit Code verknüpft. Bei der praktischen Einführung müssen Ausgabeformat und Entscheidungsgenauigkeit getrennt betrachtet werden.

## Key Points

- Jev gibt statt freier Erklärungstexte vorab definierte Antworten und Wahrscheinlichkeiten zurück.
- Choice und Score enthalten Konfidenzwerte, bei Noul gibt es jedoch kein separates Konfidenzfeld.
- Der am 15. September 2026 bekannt gegebene Preis für Eingaben beträgt 0.042 Dollar pro 1 Million Token.
- Der veröffentlichte Geschwindigkeitsvergleich beruht auf Ergebnissen für eine bestimmte Aufgabe und Messumgebung.
- Validieren Sie bei Aufgaben auf Koreanisch anhand realer Fälle die Genauigkeit und die Kriterien für die Weiterleitung zur Überprüfung.

Jev ist ein von TypeSafe entwickeltes Modell für softwaregestützte Entscheidungen. Statt erläuternder Texte gibt es Auswahlwerte und Wahrscheinlichkeiten zurück. Es wurde für Klassifizierungen und die Verzweigung von Arbeitsabläufen entwickelt. Auch bei einem korrekten Ausgabeformat kann die Entscheidung falsch sein.

Die Angaben zu Preisen und Geschwindigkeit basieren auf der Mitteilung von TypeSafe vom 15. September 2026.

## Was Jev und System One Model bedeuten

Jev ist eine AI, die Entscheidungsergebnisse liefert, die direkt von Code verwendet werden können. Der offizielle Produktname lautet Jev. TypeSafe bezeichnet diese Modellfamilie als System One Model.

Die Eingabe enthält den zu beurteilenden `state` und die `questions`, also die Fragen. Der `state` umfasst die für die Entscheidung erforderlichen Informationen, etwa eine Kundenanfrage oder einen Geschäftsvorgang. In den Fragen werden die zulässigen Antworten und die Bewertungskriterien festgelegt.

Der Name System One leitet sich von schnellem und intuitivem Denken ab. Das Unternehmen beschreibt damit die Rolle des Produkts. Es kann auch Eingaben in natürlicher Sprache verstehen. Das Konzept und der Eingabebereich sind in der [System One-Dokumentation von TypeSafe](https://docs.typesafe.ai/concepts/system-one) beschrieben.

## Was ist der Unterschied zu einem LLM?

Der entscheidende Unterschied liegt im Bereich der möglichen Ausgaben. Ein LLM erzeugt freie Inhalte wie erläuternde Texte und Code. Jev trifft Entscheidungen innerhalb des vom Entwickler festgelegten Antwortbereichs.

| Vergleichspunkt | Typische Nutzung eines LLM | Nutzung von Jev |
| --- | --- | --- |
| Hauptsächliches Ergebnis | Erläuterungen, Zusammenfassungen, generierter Code | Auswahlwerte, Bewertungspunkte, Wahrscheinlichkeiten |
| Antwortbereich | Freie Generierung oder strukturierte Ausgabe | In der Frage vorab festgelegter Bereich |
| Anbindung an Software | Interpretation und Prüfung entsprechend dem Antwortformat | Verknüpfung der Rückgabewerte mit Bedingungen und Klassifizierungen |
| Erzeugung von Erklärungen | Entscheidungsgründe können als Sätze formuliert werden | Keine Unterstützung für frei erzeugte Erläuterungen |
| Geeignete Rolle | Dialog, Verfassen von Texten, Lösung komplexer Probleme | Klassifizierung, Auswahl des zuständigen Bearbeitungswegs, Bewertung nach Kriterien |

Auch ein LLM kann so konfiguriert werden, dass es in einem strukturierten Format antwortet. Die JSON-Ausgabe an sich ist daher keine exklusive Funktion von Jev. Die Dokumentation von Vercel erläutert auch die Anbindung strukturierter LLM. Dasselbe Antwortformat bedeutet jedoch nicht dasselbe Bewertungsverhalten. Diese Unterscheidung wird in der [Erläuterung zu Jev von Vercel](https://vercel.com/i/what-is-jev) beschrieben.

In Software muss die Ausgabe den Vorgaben entsprechen, damit der nächste Arbeitsschritt ausgeführt werden kann. Für den Wert der zuständigen Abteilung wird beispielsweise ein zulässiger Name benötigt. Wenn darin erläuternder Text enthalten ist, ist ein zusätzlicher Interpretationsschritt erforderlich. Jev wurde dafür entwickelt, solche Entscheidungsergebnisse direkt zurückzugeben.

## Übersicht über Choice·Score·Noul nach Bedingungen

Wählen Sie den Typ entsprechend der Form der möglichen Antwort auf die Frage. Die grundlegenden Fragetypen von Jev sind Choice, Score und Noul. Unabhängige Fragen zum selben Zustand können in einem Aufruf gebündelt werden. Die Konfiguration ist in der [TypeSafe Introduction](https://docs.typesafe.ai/introduction) beschrieben.

| Benötigte Entscheidung | Fragetyp | Rückgabe | Anwendungsbeispiel |
| --- | --- | --- | --- |
| Auswahl aus festgelegten Optionen | Choice | Auswahlwert, Wahrscheinlichkeit je Option, Konfidenz | Weiterleitung einer Anfrage an die zuständige Abteilung |
| Bewertung anhand geordneter Kriterien | Score | Punktwert, Wahrscheinlichkeit je Stufe, Konfidenz | Bewertung des Schweregrads einer Störung |
| Entscheidung, ob eine Aussage zutrifft | Noul | Wert von 0-1 für die Wahrscheinlichkeit von „Ja“ | Erkennung, ob eine Erstattungsanfrage enthalten ist |

Die Zahl bei Score gibt die Position innerhalb der festgelegten Bewertungsstufen an. Sie entspricht nicht immer einem Prozentsatz. Noul ist ein Typ, der die Wahrscheinlichkeit für „Ja“ zurückgibt. Die Auslegung richtet sich jeweils nach der [Score-Dokumentation](https://docs.typesafe.ai/primitives/score) und der [Noul-Dokumentation](https://docs.typesafe.ai/primitives/noul).

Legen Sie für voneinander abhängige Fragen die Verarbeitungsreihenfolge fest. Wenn eine spätere Frage die Antwort auf eine frühere Frage benötigt, müssen sie im Code verknüpft werden. Fragen innerhalb desselben Aufrufs bewerten den gemeinsamen Zustand unabhängig voneinander.

## Wie sind die Zahlen im Beispiel zur Bedienung im Restaurant zu lesen?

Die Zahlen in der Demonstration zur Bedienung im Restaurant dürfen nicht als Genauigkeit des gesamten Produkts verstanden werden. In der Beschreibung des Einführungsvideos kommen die folgenden Werte vor. Die ursprüngliche API-Anfrage und die Messbedingungen konnten nicht überprüft werden.

| Vorgestellter Wert | Bedeutung laut Beschreibung | Bei der Auslegung zu prüfen |
| --- | --- | --- |
| 0.09 auf einer Skala von 0-1 | Bewertung der Rechtmäßigkeit des Verhaltens eines Gastes | Prüfen, ob es sich um einen Score oder die Wahrscheinlichkeit für „Ja“ handelt |
| Eignung einer Option von 94% | Wert für den Vorschlag, den Grund für die Zahlung zu erklären | Vorgegebene Optionen und Kriterien der Frage prüfen |
| Konfidenz von 92% | Angabe der Konfidenz für diese Entscheidung | Nicht als tatsächliche Trefferquote verstehen |
| Verarbeitungszeit von weniger als 0.1 Sekunden | In der Demonstration vorgestellte Antwortzeit | Prüfen, ob die Kommunikationszeit enthalten ist |

Dieses Beispiel dient dazu, das Ausgabeformat zu verstehen. Anhand der Zahlen allein lässt sich kein realer Streitfall entscheiden. Insbesondere ändert sich die Frage selbst, wenn die Auswahloptionen geändert werden.

## Häufige Fehler bei der Verwechslung von Wahrscheinlichkeit und Konfidenz

Wahrscheinlichkeit und Konfidenz sind unterschiedliche Werte. Die Wahrscheinlichkeiten bei Choice sind die den einzelnen Optionen zugewiesenen Werte. Die Konfidenz fasst zusammen, wie stark diese Wahrscheinlichkeitsverteilung konzentriert ist.

Eine Konfidenz von 92% darf daher nicht als Trefferquote von 92% verstanden werden. Die tatsächliche Trefferquote muss anhand von Fällen mit bestätigter richtiger Antwort gemessen werden. Bei Noul gibt es kein separates Feld `confidence`. Diese Unterscheidung ist in der [TypeSafe-Dokumentation zu Confidence](https://docs.typesafe.ai/confidence) festgehalten.

- **Verwechslung von Format und Genauigkeit:** Auch wenn eine zulässige Abteilung ausgewählt wird, kann es die falsche zuständige Abteilung sein.
- **Verwechslung von Score und Wahrscheinlichkeit:** Der Score-Wert kann die Position innerhalb der Bewertungsstufen darstellen.
- **Verwechslung von Konfidenz und Trefferquote:** Eine hohe Konfidenz allein garantiert nicht, dass eine einzelne Antwort richtig ist.
- **Fehlende Option:** Wenn die benötigte Antwort nicht unter den Auswahloptionen vorhanden ist, wird eine angemessene Entscheidung erschwert.

Kalibrierung bezeichnet das Konzept, mehrere Vorhersagen zu sammeln und die Beziehung zwischen Wahrscheinlichkeiten und Ergebnissen zu bewerten. Sie ist kein Verfahren, das die Richtigkeit einer einzelnen Antwort garantiert. Prüfen Sie die Einhaltung des Ausgabeformats und die inhaltliche Richtigkeit getrennt voneinander.

## Bedingungen für den Vergleich öffentlicher Preise und Geschwindigkeiten

Die öffentlichen Preise werden anhand der Eingabetokens berechnet. Tokens sind die Einheiten, in denen das Modell Text verarbeitet. In der Mitteilung vom 15. September 2026 wurde angegeben, dass Ausgabetokens kostenlos sind.

| Punkt | Öffentliche Angabe | Geltungsbereich |
| --- | --- | --- |
| Eingabepreis | 0.042 Dollar pro 1 Million Tokens | Preise von TypeSafe zum Zeitpunkt der Mitteilung |
| Ausgabepreis | Kostenlos | Preise von TypeSafe zum Zeitpunkt der Mitteilung |
| Antwortzeit | 70-500 Millisekunden | Vom Unternehmen mitgeteilter Messbereich |
| Messumgebung | Hauptsächlich Laptops im Westen der USA | In der Mitteilung des Unternehmens genannte Testumgebung |

Diese Zahlen stellen keine Leistungsgarantie für alle Anfragen dar. Die Bewertung des Unternehmens enthält einen Vergleich, bei dem die Vorhersagen externer Modelle als Referenz verwendet wurden. Dies kann nicht mit der Trefferquote bei tatsächlichen Arbeitsaufgaben gleichgesetzt werden. Die Messbedingungen sind in der [Mitteilung von TypeSafe zur Veröffentlichung](https://typesafe.ai/blog/introducing-system-one-models-and-jev) veröffentlicht.

### Beispielrechnung mit dem öffentlichen Preis

Der Grundpreis für die Nutzung von 1 Milliarde Eingabetokens beträgt 42 Dollar. Die Berechnung lautet `1,000,000,000 ÷ 1,000,000 × 0.042`. Dies ist ein Beispiel für die Umrechnung des öffentlichen Preises.

Der Preis pro Entscheidung hängt von der Länge der Eingabe ab. Die tatsächlichen Kosten werden auch durch erneute Versuche oder nachfolgende Modellaufrufe beeinflusst. Die aktuellen Preise finden Sie in der [TypeSafe-Dokumentation zu Models](https://docs.typesafe.ai/models).

## Welchen Anwendungsbereich die Doom-Demonstration zeigt

Die Doom-Demonstration zeigt die Auswahl einer Aktion anhand eines strukturierten Spielzustands. Es handelt sich nicht um eine Demonstration, bei der das Bild des Spielbildschirms direkt verstanden wurde. TypeSafe erklärt, dass Zustandsdaten in Textform verwendet wurden. Diese Bedingung ist in der [Beschreibung von Doom in der Mitteilung zur Veröffentlichung](https://typesafe.ai/blog/introducing-system-one-models-and-jev) aufgeführt.

Für den Einsatz in Arbeitsabläufen kommen Stellen infrage, an denen wiederholt Entscheidungen getroffen werden. Die folgende Tabelle enthält auf den Funktionen basierende Designbeispiele. Die Leistung muss für jeden einzelnen Arbeitsablauf gesondert geprüft werden.

| Arbeitsbedingung | Mögliche Rolle | Zusätzlich erforderliche Verarbeitung |
| --- | --- | --- |
| Klassifizierung von Anfragen in festgelegte Abteilungen | Auswahl des zuständigen Bearbeitungswegs mit Choice | Prüfweg für mehrdeutige Anfragen |
| Bewertung von Dokumenten anhand gemeinsamer Kriterien | Rückgabe eines Score für jedes Kriterium | Klare Definition der Bewertungskriterien |
| Prüfung, ob eine bestimmte Anfrage enthalten ist | Bewertung der Aussage mit Noul | Code zur Entscheidung über die Ausführung |
| Verfassen von Erläuterungen für Benutzer | Anbindung an ein generatives Modell | Weitergabe der ursprünglichen Belege und der genehmigten Entscheidung |

## Grenzen bei koreanischen Arbeitsaufgaben und der Verarbeitung von Zahlen

Für Arbeitsaufgaben auf Koreanisch ist eine eigene Validierung erforderlich. TypeSafe weist darauf hin, dass Englisch die hauptsächliche Trainingssprache ist. Das Unternehmen erklärt, dass die Leistung in anderen Sprachen nicht gleich ist. Die Bedingungen der Sprachunterstützung sind in der [Dokumentation zu Models](https://docs.typesafe.ai/models) beschrieben.

Die Rückgabe von Zahlen bedeutet nicht, dass auch Berechnungen korrekt sind. Dies geht aus der am 17. September 2026 geprüften Dokumentation zu Einschränkungen hervor. Darin wird empfohlen, Berechnungen im Code auszuführen.

> Jev is not a calculator.

Dieser Wortlaut stammt aus [Jev 1.13 jaggedness](https://docs.typesafe.ai/model-jaggedness/jev-1.13).

| Bekannte Einschränkung | Maßnahme bei der Entwicklung |
| --- | --- |
| Genaue Berechnung von Mengen | Anzahl der Elemente im Code berechnen |
| Vergleich von Datum und Uhrzeit | Extrahierte Werte in Datumsdatentypen umwandeln und vergleichen |
| Lange, nicht relevante Eingaben | Nur die für die Entscheidung benötigten Inhalte auswählen |
| Komplexe Verneinungen und indirekte Bedingungen | In klare, kurze Fragen aufteilen |
| Mehrdeutige oder widersprüchliche Bewertungskriterien | Bedeutung von Fragen und Auswahloptionen aufeinander abstimmen |

Nehmen Sie reale Formulierungen aus den Arbeitsabläufen in die koreanischen Validierungsdaten auf. Auch Höflichkeitsformen und ausgelassene Subjekte sollten geprüft werden. Die Antworten des Modells können mit Fällen verglichen werden, deren Verarbeitungsergebnis feststeht.

## Vergleich der Zugangswege über API und SDK

Neben dem direkten Zugriff auf TypeSafe wurden auch Zugangswege über Gateways bestätigt. In der Mitteilung zur Veröffentlichung wurde für die anfängliche Nutzung auf eine Warteliste verwiesen. Prüfen Sie bei den jeweiligen Diensten, ob der Zugriff für Ihr Konto verfügbar ist.

| Zugangsweg | Bestätigte Bereitstellungsform | Zu prüfende Dokumentation |
| --- | --- | --- |
| TypeSafe | Konsole, API, Client-SDK | Quick start |
| Vercel AI Gateway | Anbindung von Jev-Bewertungsanfragen | Evaluation |
| OpenRouter | Registrierung des Modells Jev 1.13 | Modellseite zu Jev 1.13 |

Der [Quick start](https://docs.typesafe.ai/introduction/quickstart) von TypeSafe beschreibt das Verfahren für direkte Aufrufe. Die grundlegende Reihenfolge für diesen Zugangsweg lautet wie folgt.

1. Prüfen Sie in der Konsole die Zugriffsberechtigung Ihres Kontos.
2. Testen Sie im Playground den zu beurteilenden Inhalt und die Fragen.
3. Erstellen Sie im Dashboard einen API-Schlüssel.
4. Senden Sie die Anfrage über das SDK oder die HTTP-API.
5. Verknüpfen Sie die Rückgabewerte und Wahrscheinlichkeiten mit den Verarbeitungsregeln im Code.

Die [Evaluation-Dokumentation](https://vercel.com/docs/ai-gateway/modalities/evaluation) von Vercel enthält ein Beispiel für die Anbindung. Fragen mit Ja oder Nein werden über diesen Zugangsweg als Boolean dargestellt. Das Modell ist auch auf der [Seite zu Jev 1.13 von OpenRouter](https://openrouter.ai/typesafe/jev-1.13/) zu finden. Richten Sie sich bei Anfrageformaten und Limits nach der Dokumentation des jeweiligen Zugangswegs.

## Designkriterien für die Protokollierung von Entscheidungen

Protokollieren Sie zusammen mit den Ergebnissen der Automatisierung auch die Eingabegrundlagen, um sie überprüfen zu können. Wenn nur der Auswahlwert gespeichert wird, lässt sich die Ursache einer Fehlentscheidung nur schwer ermitteln. Die folgenden Punkte sind Designvorschläge auf Grundlage der offiziellen Schnittstelle.

| Protokollierter Punkt | Erkennbares Problem |
| --- | --- |
| Für die Entscheidung verwendeter Originaltext und Zeitpunkt | Veraltete oder fehlende Informationen |
| Version der Fragen und Auswahloptionen | Ergebnisunterschiede durch geänderte Kriterien |
| Tatsächliche ID des antwortenden Modells | Auswirkungen eines Modellwechsels |
| Antwort und Wahrscheinlichkeitsverteilung | Grund für die Verarbeitung mehrdeutiger Fälle |
| Vom Code ausgeführte Aktion | Abweichung zwischen Entscheidung und Ausführung |
| Von Menschen geprüftes Ergebnis | Tatsächliche Fehler und Korrekturen |

Ein Alias für einen Modellnamen kann so geändert werden, dass er auf eine neue Version verweist. Eine validierte Version kann über die Modell-ID fest vorgegeben werden. Dieses Betriebsverfahren ist in der [TypeSafe-Dokumentation zu Models](https://docs.typesafe.ai/models) beschrieben.

Legen Sie die Kriterien für die Weiterleitung zur Prüfung anhand realer Fälle fest. Bewerten Sie sowohl die Kosten einer Fehlklassifizierung als auch den Aufwand der menschlichen Prüfung. Es gibt keinen allgemein gültigen Schwellenwert für die Konfidenz. Hinweise zum Validierungsverfahren finden Sie in der [Dokumentation zu Confidence](https://docs.typesafe.ai/confidence).

## FAQ

### Welche Art von KI ist Jev?
Es ist ein von TypeSafe AI entwickeltes Modell für Softwareentscheidungen. Es gibt vordefinierte Antworten und Wahrscheinlichkeiten zurück.

### Was bedeutet System One Model?
So bezeichnet TypeSafe ein Modell für schnelle Entscheidungen in einem festgelegten Bereich. Der Name leitet sich vom Konzept des schnellen, intuitiven Denkens ab.

### Ersetzt Jev alle dialogorientierten LLMs?
Jev erzeugt keine frei formulierten Erklärungstexte. Wenn Dialoge und das Verfassen von Texten erforderlich sind, ist eine Konfiguration möglich, bei der zusätzlich ein generatives Modell verwendet wird.

### Was ist der Unterschied zur JSON-Ausgabe eines LLM?
Auch LLMs können strukturierte Ausgaben unterstützen. Jev ist ein Modell, das dafür entwickelt wurde, Entscheidungen innerhalb einer festgelegten Auswahl von Antworten zu treffen. Selbst bei demselben Antwortformat kann sich das Bewertungsverhalten unterscheiden.

### Wie unterscheiden sich Choice und Score?
Wenn aus ungeordneten Antwortoptionen eine ausgewählt wird, ist es Choice. Wenn ein geordnetes Kriterium wie von niedrig bis hoch bewertet wird, ist es Score.

### Bedeutet ein niedriger Noul-Wert, dass die Konfidenz gering ist?
Noul gibt die Wahrscheinlichkeit für Ja an. Liegt der Wert nahe bei 0, fällt die Entscheidung eher in Richtung Nein aus. Ein separates Konfidenzfeld gibt es nicht.

### Bedeutet eine Konfidenz von 92%, dass die Genauigkeit 92% beträgt?
So kann das nicht interpretiert werden. Die Konfidenz ist ein Wert, der die Wahrscheinlichkeitsverteilung der Antworten zusammenfasst. Die tatsächliche Genauigkeit muss anhand von Fällen gemessen werden, bei denen die richtige Antwort bekannt ist.

### Wie hoch sind die Nutzungskosten für Jev?
Der am 15. September 2026 angekündigte Preis beträgt 0.042 Dollar pro 1 Million Eingabetoken. Damals wurden Ausgabetoken als kostenlos angegeben. Die aktuellen Preise finden Sie in der Dokumentation zu TypeSafe Models.

### Erfolgt die Antwort immer innerhalb von 0.1 Sekunden?
Eine für alle Anfragen geltende Garantie wurde nicht bestätigt. Der in der Einführungsankündigung des Unternehmens genannte Bereich beträgt 70-500 Millisekunden. Messen Sie die tatsächliche Latenz mit Ihren Eingaben und in Ihrer Verbindungsumgebung.

### Wurde bei der Doom-Demonstration der Spielbildschirm direkt analysiert?
TypeSafe erklärt, dass ein in Textform dargestellter Spielzustand verwendet wurde. Es war keine Demonstration, bei der das Bild selbst als Eingabe diente.

### Kann ich auch Koreanisch eingeben?
Auch nicht englische Eingaben wie Koreanisch können verarbeitet werden. Die offizielle Dokumentation weist jedoch darauf hin, dass die Genauigkeit bei Englisch am höchsten ist. Validieren Sie es separat für Anwendungsfälle auf Koreanisch.

### Kann es für Zahlenberechnungen und Datumsvergleiche verwendet werden?
In der Dokumentation zu den Einschränkungen von Jev 1.13 wird erklärt, dass es Schwächen bei exakten Berechnungen gibt. Auch der Vergleich der zeitlichen Reihenfolge von Datumsangaben ist eine bekannte Einschränkung. Es wird empfohlen, Berechnungen und Vergleiche per Code durchzuführen.

### Kann es auch über Vercel und OpenRouter genutzt werden?
Vercel erläutert in der Evaluierungsfunktion des AI Gateway, wie die Verbindung hergestellt wird. Auch bei OpenRouter gibt es eine Modellseite für Jev 1.13. Prüfen Sie die Nutzungsbedingungen und das Anfrageformat für jeden Zugangsweg.

### Kann sich das Modell im laufenden Betrieb ändern?
Ein Alias, der auf die neueste Version verweist, kann auf ein neues Modell umgestellt werden. Es gibt die Möglichkeit, die geprüfte Modell-ID festzuschreiben. Protokollieren Sie auch die in der Antwort enthaltene tatsächliche Modell-ID.

## Sources

- [TypeSafe AI, Introducing System One Models & Jev, 15. September 2026](https://typesafe.ai/blog/introducing-system-one-models-and-jev)
- [TypeSafe AI-Dokumentation, System One](https://docs.typesafe.ai/concepts/system-one)
- [TypeSafe AI-Dokumentation, Introduction](https://docs.typesafe.ai/introduction)
- [TypeSafe AI-Dokumentation, Score](https://docs.typesafe.ai/primitives/score)
- [TypeSafe AI-Dokumentation, Noul](https://docs.typesafe.ai/primitives/noul)
- [TypeSafe AI-Dokumentation, Confidence](https://docs.typesafe.ai/confidence)
- [TypeSafe AI-Dokumentation, Models](https://docs.typesafe.ai/models)
- [TypeSafe AI-Dokumentation, Jev 1.13 jaggedness, geprüft am 17. September 2026](https://docs.typesafe.ai/model-jaggedness/jev-1.13)
- [TypeSafe AI-Dokumentation, Quick start](https://docs.typesafe.ai/introduction/quickstart)
- [Vercel, What is Jev, TypeSafe AI's System One model?, 18. September 2026](https://vercel.com/i/what-is-jev)
- [Vercel AI Gateway-Dokumentation, Evaluation](https://vercel.com/docs/ai-gateway/modalities/evaluation)
- [OpenRouter, TypeSafe: Jev 1.13](https://openrouter.ai/typesafe/jev-1.13/)

## Images

![Frau prüft Diagramme und Daten auf einem Tablet an einem Restauranttresen](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjEwNTYsInB1ciI6ImJsb2JfaWQifX0=--e6b978aedcb8b8e82ef1491cad6918fb7c29680e/ai-92117be8.webp)
![Frau prüft Diagramme auf einem Tablet in einem Café, daneben Symbole für einen Systemablauf](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjEwNjMsInB1ciI6ImJsb2JfaWQifX0=--595ff001fb75deadb34c8a35159d13264fa08279/ai-2475489e.webp)