Tech • IA • Robotique • Jeu
JEV vient de casser Internet : c’est un nouveau genre d’IA
5/10INTRO
Typesafe AI a lancé Jev, un modèle non-LLM basé sur des transformers, conçu pour renvoyer rapidement des probabilités typées pour l’automatisation logicielle, en pariant que des systèmes de décision natifs pour les machines peuvent surpasser les modèles de chat à l’intérieur du code.
POINTS CLÉS
Du chat à l’automatisation
Diego Almeida, ancien chercheur chez OpenAI ayant contribué au développement du RLHF, a soutenu que l’IA moderne a été optimisée pour le langage humain plutôt que pour les systèmes logiciels. Selon lui, les modèles de chat sont devenus surhumains en conversation il y a des années, sans pour autant apporter une automatisation généralisée, car les ordinateurs ont besoin de sorties structurées, et non de texte libre.
Une nouvelle classe de modèles
Après avoir quitté OpenAI il y a deux ans, Almeida a cofondé Typesafe AI, qui a levé 40 millions de dollars et a désormais dévoilé Jev. L’entreprise le présente comme un modèle de system one pour des décisions structurées rapides: un état non structuré entre, des décisions probabilistes typées sortent, sans qu’aucune réponse en langage naturel ne soit nécessaire.
Comment fonctionne Jev
Les entrées peuvent être du JSON ou du texte brut, comme une plainte client. Les développeurs interrogent le modèle avec des primitives comme choice, score et null, qui renvoient des sorties fixes telles que des catégories classées, des probabilités ou des jugements oui-non. Dans un exemple d’acheminement de support, Jev a attribué un ticket à technical avec une probabilité de 0.85 et une confiance de 0.82, ce qui permet au code de bifurquer directement sur ce résultat.
La sûreté de type plutôt que la génération de texte
Contrairement à un LLM, qui émet une chaîne pouvant contenir une réponse utile, un refus, une structure invalide ou une hallucination, Jev est conçu pour que ses sorties ne puissent pas sortir d’un schéma prédéfini. Typesafe AI affirme donc qu’aucune couche de parsing ou de validation n’est nécessaire et que les incompatibilités de schéma sont mathématiquement impossibles dans la conception du système.
Promesses de vitesse et de coût
L’entreprise affirme que Jev répond en 70 à 500 millisecondes, contre 3 à 329 secondes pour des modèles de langage de pointe dans des tests de flux comparables. Dans une démonstration, Jev a répondu en 0.114 seconde alors qu’un modèle de référence a mis 8.566 secondes. La tarification est aussi nettement plus basse: 0.042 dollar par million d’unités d’entrée, soit 42 dollars par milliard, avec sortie gratuite, contre des prix de LLM grand public allant de quelques centimes à plusieurs dizaines de dollars par million de tokens.
Entraînement et architecture
Jev repose sur des transformers, mais ce n’est pas un LLM et il ne génère pas du texte token par token. Typesafe AI indique qu’il utilise une architecture d’échantillonnage parallèle et une méthode d’entraînement appelée RLCD, pour reinforcement learning for calibrated decisions. L’objectif est de produire des probabilités non seulement exactes, mais aussi bien calibrées, afin qu’un niveau de confiance élevé corresponde réellement à la justesse.
La confiance comme fonctionnalité produit
L’argument central est que l’automatisation dépend moins de la précision brute que de la capacité à savoir quand le modèle est incertain. Typesafe AI soutient que si un modèle réussit une tâche 95% du temps mais ne peut pas repérer les 5% risqués, il est dangereux à automatiser. En renvoyant des estimations explicites de confiance, Jev vise à permettre aux logiciels d’agir sur les signaux forts et d’escalader les cas ambigus vers des humains.
Preuves et réserves
L’entreprise a publié des évaluations fondées sur des workflows plutôt que des scores sur benchmarks publics, estimant que les tâches de production sont composées de nombreuses petites décisions guidées par des probabilités. Elle a signalé des gains de 193.6 fois plus rapide et 444.6 fois moins cher sur certains workflows, même si les tests ont été conçus par sa propre équipe et que des critiques notent qu’ils peuvent favoriser le produit. L’entreprise reconnaît aussi que certaines démonstrations étaient simplifiées et que les tests de vitesse dépendent en partie de la géographie et des conditions de déploiement.
Première traction chez les développeurs
La demande a bondi immédiatement après le lancement. Vercel a déclaré que Jev était devenu le modèle adopté le plus rapidement de l’histoire de son AI Gateway, atteignant près de 13% des équipes payantes en 24 heures, soit plus du double du niveau de la famille GPT 5.6 et plus de six fois celui de Fable 5.1 sur la même période. Cet afflux a brièvement mis sous tension la capacité API de Typesafe AI.
Cas d’usage et limites
Les développeurs testent le modèle pour la sécurité des commandes, la classification d’e-mails professionnels, le routage de modèles, le scoring de risque et le contrôle d’agents. Vercel a indiqué que remplacer un classifieur de sécurité des commandes par Jev avait donné des résultats 5 à 18 fois plus rapides et plus précis, tandis qu’un autre utilisateur a jugé Gemini légèrement plus précis sur des tâches d’e-mail mais 10 à 20 fois plus coûteux. Les LLMs devraient toutefois continuer à dominer les chatbots, copilotes, agents de code et tâches de raisonnement ouvertes, tandis que Jev vise ce que Typesafe AI appelle des if-statements intelligents.
CONCLUSION
Jev reflète une fracture croissante dans l’IA entre les modèles conçus pour la conversation humaine et ceux conçus pour l’exécution logicielle. Son importance à long terme dépendra de la capacité de décisions rapides, calibrées et bornées par schéma à prouver plus de valeur en production qu’une génération de texte toujours meilleure.
Poser une question