Nº 4 · Octobre 2026 · Le magazine qui remonte jusqu’aux textes

Technologie · Intelligence artificielle · Bouclé le 7 octobre 2026

L’IA qui ne parle pas

Jev, de la jeune entreprise californienne TypeSafe AI, ne répond pas par des phrases mais par des probabilités. Trois semaines après sa sortie, Vercel et Netlify le proposent à leurs clients, OpenAI et Amazon lancent des produits semblables, et l’entreprise négocierait une valorisation de 10 milliards de dollars. Nous avons vérifié ses promesses.

Temps moyen pour traiter un dossier dans quatre tâches d’entreprise (alertes de sécurité, factures, service client, contrôle d’agents). Mesures publiées par TypeSafe, non reproduites par un tiers.

Édito

Une IA qui ne dit pas un mot

Une IA qui ne fait pas de phrases ? C’est le pari de Jev, présenté le 15 septembre par la jeune entreprise californienne TypeSafe AI1. Pas de blabla : il répond avec des nombres, des probabilités, et c’est tout.

En trois semaines, ça s’est emballé : les hébergeurs Netlify et Vercel le proposent déjà1817, Amazon a publié un modèle inspiré de Jev36, et l’entreprise discuterait d’une valorisation de plus de 10 milliards de dollars38. Ça fait beaucoup de bruit en très peu de temps.

Alors on a fait le tri entre les promesses et ce qui se vérifie. Et on t’explique comment ça marche, sans jargon.

La rédaction de SOURCE

Avant de lire

Une IA pour les logiciels, pas pour les humains

ChatGPT, Claude ou Gemini écrivent des phrases pour des humains. Jev reçoit un texte et des questions fermées, et renvoie des nombres : une probabilité, un choix, une note. Pas un mot de plus5.

TypeSafe AI l’a présenté le 15 septembre 2026 comme le premier « modèle Système 1 », fait pour décider vite à l’intérieur d’un programme1. Exemple : trier le message d’un client vers le bon service, en une fraction de seconde et pour presque rien.

  • Rapide70 à 500 millisecondes par réponse, selon TypeSafe1.
  • Bon marché0,042 dollar par million de jetons envoyés ; les réponses sont gratuites9.
  • Prévisible et mesuréIl ne peut répondre qu’une des options prévues, avec des probabilités censées dire à quel point il est sûr de lui18.

Qui est derrière

Le fondateur

Diogo Almeida

  • Ex-chercheur d’OpenAI, coauteur principal d’InstructGPT (2022), l’ancêtre de ChatGPT22. Parti il y a deux ans fonder TypeSafe34.
L’entreprise

TypeSafe AI, San Francisco

  • Cofondée avec Erik Gafni et Sasha Sheng3. 40 millions de dollars levés auprès du fonds DCVC, selon la presse38.

Comment ça marche

Un état, des questions, des probabilités

Le programme envoie un « état », c’est-à-dire le texte ou les données à juger, et une liste de questions typées. Jev répond à toutes en même temps.

L’état envoyé à Jev

Au secours ! Mes versements échouent depuis 3 jours.

  1. Noul · oui ou nonis_urgent

    Ce message exprime-t-il une urgence ?

    oui0,95

    La probabilité, entre 0 et 1, que la réponse soit oui6.

  2. Choice · un choixdepartment

    Quelle équipe doit s’en occuper ?

    facturation0,88
    technique0,12
    ventes0,00

    Une option parmi une liste fixée, jusqu’à 255. Choix retenu : facturation, avec une confiance de 0,8112.

  3. Score · une notefrustration

    À quel point le client est-il frustré ?

    calme0,00
    frustré0,95
    très en colère0,05

    Une échelle de 2 à 10 niveaux décrits en mots. Ici 1,05 entre 0 (calme) et 2 (très en colère) : la note peut tomber entre deux niveaux. Confiance : 0,9212.

Trois exemples de la documentation de l’API de TypeSafe, sur le même message, traduits de l’anglais (modèle jev-1.13.0). La documentation pose chaque question séparément ; on peut aussi les poser ensemble, en un seul appel126.

Pourquoi c’est si rapide

Un LLM

écrit mot après mot

  • Chaque morceau de mot (un « jeton ») dépend du précédent. Il faut ensuite lire et vérifier le texte produit pour s’en servir dans un programme1.
  • Entraîné surtout pour plaire à des évaluateurs humains (RLHF) ou réussir des tâches vérifiables. Prix d’entrée : 0,20 à 10 dollars par million de jetons, et la sortie coûte environ cinq fois plus, selon le relevé de TypeSafe1.
Jev

répond à tout d’un coup

  • Toutes les probabilités sortent en un seul passage. Ajouter des questions change à peine le temps de réponse16. Dans un exemple de TypeSafe, poser 13 questions sur l’article Wikipédia consacré au RGPD en un seul appel coûte 12,2 fois moins cher et va 10 fois plus vite qu’en 13 appels13.
  • Entraîné pour donner des probabilités honnêtes, avec une méthode maison baptisée RLCD, non publiée en détail1.

Chronologie

Cinq ans de recherche, trois semaines de folie

Jev descend d’une technique qui a rendu les chatbots aimables. Sa sortie a déclenché une course en quelques jours.

  1. Les racines

  2. Paul Christiano et cinq coauteurs montrent qu’on peut entraîner une IA à partir des préférences d’humains qui comparent deux comportements. C’est la base de ce qu’on appellera le RLHF20.

    Étude

  3. OpenAI publie InstructGPT : un modèle de 1,3 milliard de paramètres, affiné avec des retours humains, est préféré par les évaluateurs à GPT-3, cent fois plus gros. Diogo Almeida est l’un des six auteurs principaux22.

    Étude

  4. Almeida quitte OpenAI et fonde TypeSafe AI, déçu que des modèles si doués pour la conversation servent si peu à automatiser341.

    PresseDéclaration

  5. La sortie

  6. TypeSafe présente Jev, en accès anticipé sur liste d’attente1. Le même jour, l’annonce récolte 1 989 points et 520 commentaires sur Hacker News, le forum de référence des développeurs19.

    EntrepriseDonnée

  7. Netlify, grand hébergeur de sites web, ajoute Jev à sa passerelle d’IA. Son concurrent Vercel le propose aussi, et élargit l’accès le 21 septembre1817. Selon Vercel, cité par Arcturus Labs, aucun modèle n’y a été adopté aussi vite31.

    Entreprise

  8. TechCrunch rapporte que la demande a été si forte que TypeSafe a brièvement été incapable de servir ses clients34.

    Presse

  9. « Jev en 25 lignes de Python » : la société NobodyWho imite le principe avec un petit modèle gratuit. Le texte est très partagé30.

    Test

  10. Selon le site The Information, TypeSafe discute d’une levée de plus d’un milliard de dollars, sur la base d’une valorisation de plus de 10 milliards38.

    Presse

  11. La riposte

  12. OpenAI annonce son API Decisions, bâtie sur son modèle Luna : des réponses choisies parmi des options définies à l’avance, à partir de texte ou d’images14.

    Entreprise

  13. Amazon publie en libre accès Strands Decider 2B, un modèle de décision inspiré de Jev, né d’un projet personnel de l’ingénieur Marc Brooker36.

    Presse

  14. La société Musubi publie PolicyLM-1.7B, un modèle de décision ouvert dédié à la modération de contenus37.

    Presse

En chiffres

Rapide, bon marché, mais pas le plus juste

TypeSafe a publié ses propres tests : quatre tâches d’entreprise découpées en petites questions, soumises à Jev et à huit autres modèles. Voici ce qu’ils montrent, et ce qu’ils ne montrent pas.

Accord avec la référence67,8%Sol d’OpenAI fait 74,1 %
Temps par dossier0,4scontre 10,1 s pour le plus rapide des autres
Coût pour 1 000 dossiers0,40$contre 3,30 $ pour le moins cher des autres

Moyennes des quatre tâches, chaque modèle utilisé dans un circuit de questions découpées. Source : TypeSafe, page des évaluations consultée le 7 octobre 20264.

Qui donne les mêmes réponses que les meilleurs ?

Jev n’est pas le plus juste. Deux modèles bien plus chers, Sol d’OpenAI et Claude Opus 5 d’Anthropic, s’accordent plus souvent avec la référence. Jev fait jeu égal avec Terra et Claude Sonnet 54.

La référence n’est pas la vérité. TypeSafe ne compare pas les réponses à des étiquettes vérifiées par des humains, mais à la moyenne de deux modèles de pointe, GPT-6 Astra et Claude Fable 5.1. L’entreprise reconnaît que ce choix avantage les modèles d’OpenAI et d’Anthropic, et que les tâches ont été écrites par sa propre équipe41.

Découper aide tout le monde. Selon les mêmes tests, chaque modèle est plus juste, moins cher et plus rapide quand la tâche est découpée en petites questions que quand on lui donne tout d’un bloc4.

Là où Jev écrase la concurrence : le prix. À précision égale avec Terra d’OpenAI, il coûte environ 76 fois moins cher et va environ 25 fois plus vite. Calcul de SOURCE sur les valeurs arrondies publiées par TypeSafe4.

Ces écarts expliquent l’enthousiasme des développeurs : une question qui coûtait des centimes coûte désormais une fraction de centime. Un programme peut alors en poser des milliers par seconde.

Combien coûtent 1 000 dossiers ?

Vérification

Six phrases au crible

Les promesses de TypeSafe comme les objections de ses critiques, passées au même tamis.

Nos verdicts

  • VraiLes données le confirment.
  • À nuancerVrai dans un périmètre précis, pas en général.
  • ExagéréLe sens est juste, la formule est gonflée.
  • InvérifiableLes informations nécessaires ne sont pas publiques.

Nos types de sources

  • EntrepriseAnnonce, documentation ou prix publiés par l’entreprise.
  • Donnée publiqueChiffre consultable par tous.
  • Étude ou testRecherche, ou test publié avec sa méthode.
  • PresseArticle ou enquête journalistique.
  • DéclarationCe qu’une personne affirme, sans preuve publiée.

193,6 fois plus rapide, 444,6 fois moins cher.

À nuancer

Page d’accueil de TypeSafe

Ces chiffres viennent des tests maison de TypeSafe, qui les juge elle-même plutôt dans le haut de ce qu’on peut espérer en pratique21. Sa démonstration vidéo utilise une requête « très simplifiée » et un texte court, ce qui avantage son modèle, reconnaît-elle1. Des tiers confirment de gros écarts, plus modestes : 5 à 18 fois plus rapide que Luna d’OpenAI chez Vercel34.

Démonstration de TypeSafe0,114scontre 8,566 s pour le LLM comparé
Coût de la même requête0,000081$contre 0,013880 $

Zéro hallucination.

À nuancer

Page d’accueil de TypeSafe

Vrai au sens strict : Jev ne renvoie qu’une des réponses prévues, il ne peut pas inventer d’option. Le « 0 % » de TypeSafe n’est pas une mesure mais une conséquence de la construction, comme le dit l’annonce elle-même : « Notre chiffre n’est pas empirique » (traduit de l’anglais)12. Faux au sens courant : Jev peut choisir la mauvaise option. Sa documentation liste ses erreurs connues et rappelle qu’une bonne calibration ne garantit pas qu’une réponse isolée soit juste105.

typesafe.ai/blog/introducing-system-one-models-and-jev Capture de l'annonce de TypeSafe. Passage surligné : Our number is not empirical. Schema matching is guaranteed, thus we can confidently add 0% into the plots.
Annonce de TypeSafe, 15 septembre 2026, consultée le 8 octobre 2026. Surlignage de SOURCE1.

Un prix d’entrée 238 fois plus bas que Claude Fable 5.1.

Vrai

Page d’accueil de TypeSafe

Anthropic facture Claude Fable 5.1 10 dollars par million de jetons en entrée et 50 dollars en sortie16. Jev coûte 0,042 dollar en entrée, et rien en sortie9. Dix divisé par 0,042 donne bien 238.

Mais Fable écrit, raisonne et programme ; Jev ne fait que trancher entre des options11.

Claude Fable 5.110$par million de jetons en entrée
Jev 1.130,042$par million de jetons en entrée

Diogo Almeida a co-inventé le RLHF.

À nuancer

Site de TypeSafe, repris par TechCrunch

Le RLHF, l’apprentissage par renforcement à partir de retours humains, a été décrit en 2017 par Paul Christiano et ses collègues, puis appliqué aux résumés en 2020. Diogo Almeida ne signe aucun de ces articles2021. Il est en revanche l’un des six auteurs principaux d’InstructGPT (2022), qui a appliqué la méthode aux assistants et mené à ChatGPT22. TypeSafe dit qu’il a « co-inventé le RLHF et InstructGPT » : la seconde moitié tient mieux que la première3.

Christiano et al., 20176auteursAlmeida n’en fait pas partie
InstructGPT, 202220auteursAlmeida est 4e, parmi les auteurs principaux

TypeSafe vaut 10 milliards de dollars.

Invérifiable

Titres de presse, fin septembre

The Information parle de discussions, pas d’une levée bouclée ; Forbes estimait la valorisation initiale à environ 200 millions38. Aucun chiffre officiel n’a été publié.

Ses prix sont subventionnés.

Invérifiable

Soupçon répandu chez les développeurs

TypeSafe écrit qu’elle ne peut pas prouver le contraire et s’attend à ce que ses prix baissent1. Ses comptes ne sont pas publics.

La science

Une probabilité, ça se vérifie

Tout l’intérêt de Jev tient dans un mot : calibré. Quand un modèle bien calibré annonce 80 %, il doit avoir raison environ huit fois sur dix, et 20 % doit se réaliser environ deux fois sur dix8. Cela se mesure sur un grand nombre de réponses, jamais sur une seule5.

Les réseaux modernes sont trop sûrs d’eux

Le constat de départ.

Université Cornell. Les réseaux de neurones récents, contrairement à ceux d’il y a dix ans, sont mal calibrés. Une correction très simple, le « temperature scaling », suffit souvent à les remettre d’aplomb sur les jeux de données testés, des tâches de classement d’images et de textes23.

Solidité de la méthode Revue par les pairs, nombreux jeux de données Guo et al., ICML 2017

Plaire aux humains dégrade la calibration

L’ironie de l’histoire.

OpenAI. Avant son affinage, GPT-4 était très bien calibré sur un extrait d’un test de connaissances à choix multiples (MMLU). Après l’entraînement qui le rend agréable à utiliser, dont le RLHF, sa calibration est « nettement » dégradée, écrit OpenAI. C’est l’argument central de TypeSafe : la méthode qu’Almeida a contribué à populariser rend les modèles moins fiables pour décider241.

Solidité de la méthode Rapport d’entreprise, un seul jeu de test OpenAI, rapport technique GPT-4, 2023

InstructGPT

D’où vient le RLHF des chatbots.

OpenAI, 20 auteurs. Des humains classent les réponses d’un modèle, puis on l’entraîne à produire celles qu’ils préfèrent. Résultat sur les demandes testées : un modèle de 1,3 milliard de paramètres est préféré à GPT-3, qui en compte 175 milliards22.

Solidité de la méthode Prépublication détaillée, évaluations humaines Ouyang et al., arXiv, 2022

Système 1, Système 2

L’origine du nom « Système 1 ».

Daniel Kahneman, Prix Nobel d’économie mort en 2024, décrit deux façons de penser : un Système 1 rapide, intuitif et émotionnel, un Système 2 plus lent et plus logique27. TypeSafe reprend l’image et reconnaît que le Système 1 a la réputation de se tromper souvent ; elle promet de démontrer le contraire pour ses modèles1.

Solidité de la méthode Livre grand public, synthèse de travaux Kahneman, Thinking, Fast and Slow, 2011

Le paradoxe de Jevons

L’origine du nom « Jev ».

En 1865, l’économiste anglais William Stanley Jevons observe que des machines à vapeur plus économes n’ont pas réduit la consommation de charbon : « C’est le contraire qui est vrai. »25 TypeSafe parie qu’une IA cent fois moins chère sera utilisée bien plus de cent fois plus1. Une revue de 2009 rappelle que ce paradoxe est très difficile à tester : les preuves sont « loin d’être concluantes », même si l’effet rebond semble plus fort qu’on ne le pense d’habitude26.

Solidité de la méthode Revue critique, revue par les pairs Sorrell, Energy Policy, 2009

Face à face

Convaincus et sceptiques

Ceux qui l’ont essayé dans leurs programmes, ceux qui s’en méfient, et la réponse du fondateur.

Les convaincus

C’est le seul qui renvoie une vraie probabilité, ce qui le rend idéal pour automatiser des workflows

Nikhil Mudholkar, directeur technique de Bryo AI, cité par TechCrunch, 18 septembre 2026. Dans son test sur des courriels professionnels, Gemini était un peu plus juste mais 10 à 20 fois plus cher34.

Vercel utilisait Luna d’OpenAI pour vérifier la sûreté de commandes. En le remplaçant par Jev, l’entreprise a obtenu des résultats 5 à 18 fois plus rapides et plus justes. (propos résumés)

Pranit Sharma, ingénieur chez Vercel, cité par TechCrunch, 18 septembre 202634

Jev a jugé tout ce que j’ai écrit en 0,7 seconde

Mike Taylor, responsable des évaluations chez Every, titre de son test, 15 septembre 202628

Les sceptiques

Une régression encore plus poussée vers les systèmes d’apprentissage automatique en boîte noire

Simon Willison, développeur et blogueur, 21 septembre 2026. Il espère que personne ne s’en servira pour classer des candidats à l’embauche, à cause des biais invisibles29.

Tout le monde présente Jev comme la prochaine frontière de l’IA. « Nous ne le pensons pas vraiment. » Suit une imitation en 25 lignes. (propos résumés, sauf la citation)

NobodyWho, éditeur de logiciels d’IA locale, 22 septembre 202630

OpenAI utilise depuis des années ses modèles comme classificateurs implicites. Si elle reproduit l’entraînement, elle pourra copier Jev rapidement. (propos résumés)

Arcturus Labs, cabinet de conseil en IA, 21 septembre 202631

La réponse du fondateur Diogo Almeida, à TechCrunch, fin septembre 2026 « Rapide et pas cher, c’est très facile. Si vous voulez vraiment rapide et pas cher, prenez des dés. L’intelligence, c’est la partie difficile. »35 Pour lui, les copies viennent de spécialistes séduits par une architecture plus que d’équipes décidées à rendre l’intelligence utile. (propos résumés)36

Les phrases entre guillemets sont traduites de l’anglais par nos soins, au plus près du texte lu dans la source citée. Les propos résumés sont signalés.

La course

Les concurrents en trois semaines

Jev a créé une catégorie que TechCrunch appelle déjà les « modèles de décision ». Géants et petites équipes ont suivi en quelques jours37.

  • OpenAI, API DecisionsAnnoncée le 29 septembre, bâtie sur Luna. Elle accepte texte et images, ce que Jev ne fait pas, et répond environ 10 fois plus vite que l’API classique d’OpenAI, selon l’entreprise. En bêta publique au 7 octobre14159.
  • Amazon, Strands Decider 2BPublié en libre accès le 1er octobre, assez petit pour tourner sur un ordinateur. Il est bâti sur un modèle ouvert chinois, Qwen3.5-2B36.
  • Kev, projet ouvertUne famille de petits modèles sur la même base Qwen. Le plus gros serait à moins de trois points de Jev, ou devant, dans 9 catégories de tests sur 11, selon ses auteurs, qui précisent que la comparaison n’est pas contrôlée33.
  • Musubi, PolicyLM-1.7BPublié le 6 octobre, ouvert, spécialisé dans la modération de contenus37.

Le test d’une entreprise allemande

Privatemode, qui héberge des modèles d’IA en Europe, a transformé un modèle ouvert, GLM-5.3-Flash, en modèle de décision, puis l’a comparé à Jev sur 28 jeux de données publics. Attention : c’est un concurrent qui teste son propre produit32.

Précisionégalitéchacun meilleur sur 10 jeux ; écart médian de 0,7 point pour Jev, non significatif
Coût d’un million de décisions16€pour Jev, contre 62 € pour GLM-5.3-Flash

La distance compte

On peut refaire Jev en 25 lignes de code.

Exagéré

NobodyWho, 22 septembre 2026

Elles reproduisent la forme : un petit modèle ouvert dont on lit les probabilités pour chaque option30. Pas la qualité, qui dépend de l’entraînement. Des copies plus sérieuses s’en approchent, selon leurs auteurs3233.

Bon à savoir

Ce que Jev ne sait pas faire

TypeSafe publie la liste des faiblesses connues de sa version 1.13. Elle est plus franche que la page d’accueil10.

  • Compter et calculerJev ne compte pas de façon fiable, et l’erreur grandit avec ce qu’il faut compter. Conseil de TypeSafe : laisser le calcul au code10.
  • Comparer des datesMieux vaut lui faire extraire le jour, le mois et l’année, puis comparer dans le programme10.
  • Lire entre les lignesIl répond à la question écrite, pas à celle qu’on avait en tête. Les négations et les conditions implicites sont prises au pied de la lettre10.
  • Ignorer l’ordre des optionsChanger l’ordre des choix peut changer la réponse. TypeSafe conseille de vérifier en les mélangeant10.
  • Voir, écouter, écrireTexte uniquement : ni image, ni son, ni vidéo. Et aucune génération de texte : il ne remplace pas le modèle d’un assistant de programmation911.

Le saviez-vous ?

7 $

Le coût d’une heure de jeu pour une démonstration où Jev joue à Doom, à raison de 10 questions par seconde, selon TypeSafe1.

64 000

Le nombre maximal de jetons par requête, questions comprises. Au-delà, il faut découper9.

2012

L’année où une autre entreprise nommée Typesafe, fondée par les créateurs du langage Scala, levait 14 millions de dollars. Aucun lien avec TypeSafe AI39.

Astuce · Lire une réponse

La confiance n’est pas la probabilité

Pour un choix ou une note, Jev donne aussi une « confiance » calculée à partir des probabilités : 1 quand tout se concentre sur une option, 0 quand tout est réparti également7. Une confiance basse signale une question ambiguë ou un texte qui ne contient pas la réponse. C’est le moment de passer la main à un humain.

Astuce · Avant de l’adopter

Testez sur vos propres données

TypeSafe le recommande elle-même : commencer avec des seuils prudents, mesurer sur ses propres cas, puis ajuster7. Un test de Simon Willison montre pourquoi : interrogé sur le fait de savoir si chaque ville de la baie de San Francisco était une « bonne ville », Jev a placé la riche Cupertino en tête et East Palo Alto en dernier29.

Lexique

Huit mots pour suivre

LLM

Grand modèle de langage. Un programme entraîné sur d’immenses quantités de textes, qui produit du texte mot après mot : ChatGPT, Claude, Gemini.

Jeton

Le morceau de mot que lit un modèle. Les prix de l’IA se comptent en jetons, par million ou, pour Jev, par milliard9.

Calibration

L’accord entre les probabilités annoncées et la réalité : ce qui est annoncé à 80 % doit arriver environ 80 fois sur 1008.

Confiance

Chez TypeSafe, un indice entre 0 et 1 qui résume à quel point les probabilités d’une réponse sont concentrées7.

RLHF

Apprentissage par renforcement à partir de retours humains : on entraîne le modèle à produire les réponses que des humains préfèrent22.

RLCD

Le nom donné par TypeSafe à sa propre méthode d’entraînement, centrée sur des probabilités honnêtes. Elle n’est pas publiée en détail1.

Modèle ouvert

Un modèle dont les paramètres sont téléchargeables, comme Qwen. La plupart des copies de Jev en partent3336.

Effet rebond

Quand une ressource devient moins chère à utiliser, on en consomme davantage, ce qui grignote l’économie réalisée. Le paradoxe de Jevons en est la forme extrême26.

Angles morts

Ce qu’on ne sait pas encore

Méthode et sources

Comment ce numéro a été fait

  1. Nous avons lu l’annonce de TypeSafe, sa documentation technique et ses grilles de prix dans leur version du 7 octobre 2026. Ces pages évoluent vite.
  2. Les chiffres des graphiques « En chiffres » ont été relevés sur la page des évaluations de TypeSafe. Ce sont des mesures de l’entreprise, non reproduites.
  3. Pour le parcours de Diogo Almeida, nous sommes remontés aux articles scientifiques et à leur liste d’auteurs sur arXiv.
  4. Les tests de tiers ont été lus dans leur version originale. Quand leur auteur vend un produit concurrent, nous le signalons.
  5. Les citations sont traduites de l’anglais au plus près ; les autres propos sont résumés et signalés.
Limite de ce numéro

Quatre articles de Forbes, celui du Wall Street Journal du 4 octobre et celui de The Information du 24 septembre n’ont pas pu être lus, faute d’accès. Les montants de la levée et la valorisation sont donc cités d’après Sovereign Magazine, qui résume ces deux derniers médias. Le test d’Every n’a été lu qu’en partie, la suite étant réservée aux abonnés. Un billet du blog de TypeSafe ne s’affiche pas pour les lecteurs automatiques.

Documents des entreprises

  1. 1Almeida D., « Introducing System One Models & Jev », blog de TypeSafe AI, 15 septembre 2026. typesafe.ai
  2. 2TypeSafe AI, page d’accueil, consultée le 7 octobre 2026. typesafe.ai
  3. 3TypeSafe AI, page « Team », consultée le 7 octobre 2026. typesafe.ai/team
  4. 4TypeSafe AI, « Workflow evals », page des évaluations, consultée le 7 octobre 2026. evals.typesafe.ai
  5. 5Documentation TypeSafe, « System One ». docs.typesafe.ai
  6. 6Documentation TypeSafe, « Primitives (Questions) » et « Noul ». docs.typesafe.ai
  7. 7Documentation TypeSafe, « Confidence ». docs.typesafe.ai
  8. 8Documentation TypeSafe, « AI primer ». docs.typesafe.ai
  9. 9Documentation TypeSafe, « Models » (Jev 1.13 : prix, limites, contexte). docs.typesafe.ai
  10. 10Documentation TypeSafe, « Jev 1.13 jaggedness » (faiblesses connues). docs.typesafe.ai
  11. 11Documentation TypeSafe, « Jev with coding agents ». docs.typesafe.ai
  12. 12Documentation TypeSafe, « API reference ». docs.typesafe.ai
  13. 13Documentation TypeSafe, recette « Parallel questions » (13 questions sur l’article Wikipédia du RGPD). docs.typesafe.ai
  14. 14OpenAI, « DevDay 2026 Recap », 29 septembre 2026, rubrique API Decisions. openai.com
  15. 15OpenAI, documentation « Decisions », consultée le 7 octobre 2026. developers.openai.com
  16. 16Anthropic, « Pricing », documentation de la plateforme Claude, consultée le 7 octobre 2026. platform.claude.com
  17. 17Taneja R., Zheng J., « AI Gateway now supports TypeSafe clients and an HTTP API for Jev », Vercel, 21 septembre 2026. vercel.com
  18. 18Netlify, « TypeSafe Jev now available in AI Gateway », 17 septembre 2026. netlify.com

Donnée publique

  1. 19Hacker News, fil « Introducing System One Models and Jev », 15 septembre 2026 : points et commentaires relevés le 7 octobre 2026 via l’API publique. news.ycombinator.com

Études et ouvrages

  1. 20Christiano P., Leike J., Brown T. B., Martic M., Legg S., Amodei D. Deep reinforcement learning from human preferences. arXiv, 12 juin 2017. doi.org/10.48550/arXiv.1706.03741
  2. 21Stiennon N. et al. (9 auteurs). Learning to summarize from human feedback. arXiv, 2 septembre 2020. arxiv.org/abs/2009.01325
  3. 22Ouyang L., Wu J., Jiang X., Almeida D. et al. (20 auteurs). Training language models to follow instructions with human feedback. arXiv, 4 mars 2022. doi.org/10.48550/arXiv.2203.02155
  4. 23Guo C., Pleiss G., Sun Y., Weinberger K. Q. On Calibration of Modern Neural Networks. ICML 2017. doi.org/10.48550/arXiv.1706.04599
  5. 24OpenAI. GPT-4 Technical Report, 2023, figure 8 (calibration avant et après l’affinage). doi.org/10.48550/arXiv.2303.08774
  6. 25Jevons W. S. The Coal Question, Macmillan, 1865, chapitre 7 « Of the Economy of Fuel » (extraits publiés par Yale Energy History). energyhistory.yale.edu (PDF)
  7. 26Sorrell S. Jevons’ Paradox revisited: The evidence for backfire from improved energy efficiency. Energy Policy, 37 (4), 1456-1469, 2009 (résumé lu). doi.org/10.1016/j.enpol.2008.12.003
  8. 27Kahneman D. Thinking, Fast and Slow, Farrar, Straus and Giroux, 2011 (présentation de l’éditeur Penguin Random House). penguinrandomhouse.com

Tests et analyses de tiers

  1. 28Taylor M., « Mini-Vibe Check: TypeSafe’s Jev Judged Everything I’ve Written in 0.7 Seconds », Every, 15 septembre 2026 (lu en partie). every.to
  2. 29Willison S., « Jev introduces a new shape of LLM – System One, aka Decision Models », 21 septembre 2026. simonwillison.net
  3. 30O. Carmo D., « Jev in 25 lines of Python », NobodyWho, 22 septembre 2026. nobodywho.ai
  4. 31Arcturus Labs, « Will OpenAI Eat Jev’s Lunch? », 21 septembre 2026. arcturus-labs.com
  5. 32Hötter J., « Turn GLM-5.3-Flash into a Jev-like System One model », Privatemode, 24 septembre 2026. privatemode.ai
  6. 33Kev, « Small Jev-like decision models you can train and run yourself », dépôt GitHub, consulté le 7 octobre 2026. github.com/jaredpalmer/kev

Presse

  1. 34Fernholz T., « A new kind of AI model from a ChatGPT inventor is thrilling developers », TechCrunch, 18 septembre 2026. techcrunch.com
  2. 35Fernholz T., « OpenAI’s Jev clone could help the frontier lab stop its swarming agents », TechCrunch, 30 septembre 2026. techcrunch.com
  3. 36Fernholz T., « Amazon releases its own Jev clone as decision models flood the web », TechCrunch, 1er octobre 2026. techcrunch.com
  4. 37Brandom R., « How AI decision models could change content moderation », TechCrunch, 6 octobre 2026. techcrunch.com
  5. 38Nani D., « TypeSafe AI reportedly raising $1B at $10B valuation », Sovereign Magazine, 24 septembre 2026 (reprend The Information et Forbes, non lus). sovereignmagazine.com
  6. 39Rao L., « Typesafe Raises $14M From Shasta, Greylock, And Juniper To Commercialize Scala », TechCrunch, 22 août 2012. techcrunch.com