JevNedir?

Jev, 15 Eylül 2026'da San Francisco merkezli TypeSafe AI tarafından erken erişime açılan bir model. Çıkışıyla birlikte şirketin kurucusu Diogo Almeida'nın hikâyesi de dikkat çekti: Almeida, OpenAI'da talimat takibi ve insan geri bildirimiyle eğitim (RLHF) yöntemlerinin eş mucidi — yani ChatGPT'nin arkasındaki araştırmanın içindeydi. İki yıl sessizlikte çalıştıktan sonra çıkardığı soru şu: "Modeller yıllardır insandan iyi sohbet ediyor, peki otomasyon neden hâlâ yok?"

Cevabı, sohbet modellerinin üretim yazılımı için uygun olmaması: halüsinasyon görüyorlar, iki istek arasında yöntem değiştirebiliyorlar ve çıktıları kullanılmadan önce ayrıştırılıp doğrulanmak zorunda. TypeSafe bunun tersi yönde bir model sınıfı kuruyor: metin üretmeyen, sadece karar veren System One modelleri. İsim, Kahneman'ın "hızlı ve sezgisel" System 1 ayrımından; Jev adı ise Jevons paradoksundan geliyor — zekâ ucuzladıkça tüketimi artar.

Yazılımın İçine Gömülen Karar Katmanı

Jev'i bir API gibi düşünmek en doğrusu: girdi olarak serbest metin ya da JSON bir durum (state), yanında tanımlı sorular gönderiyorsun; model tek geçişte hepsini değerlendirip tipli cevap döndürüyor. Üç soru tipi var.

Noul evet/hayır tipi sorular: "Bu mesaj iade talebi mi?" Cevap 0-1 arası bir olasılık.

Choice tanımlı bir seçenek kümesinden seçim: "Bu talep hangi ekibe gitmeli?" Cevap seçim, her seçeneğin olasılığı ve güven skoru. Tek soruda en fazla 255 seçenek verilebiliyor; seçenek sayısı yükseldiğinde model iki aşamalı çalışıyor (önce seçenekleri tek tek puanlıyor, sonra seçiyor), bu yüzden bu tür sorular biraz yavaşlayabiliyor.

Score bir ölçek üzerinden puanlama: "Müşteri ne kadar sinirli?" Cevap puan, seviye dağılımı ve güven skoru.

Bu üç tipin hepsi tek çağrıda karıştırılabiliyor. Modelin asıl farkı burada: token üretmediği için bütün olasılıkları paralel hesaplıyor. Çıktı, tanımladığın şemaya uymak zorunda olduğundan tip hatası (şema dışı cevap) matematiksel olarak mümkün değil.

Temel Özellikler

Karar verme biçimi olasılık dağılımı üzerinden çalışıyor. Her Choice ve Score cevabı, seçeneklerin olasılık dağılımını ve bu dağılımdan hesaplanan 0-1 arası bir güven değerini taşıyor. Dağılım tek bir seçenekte yoğunlaşıyorsa model emin, yayılmışsa kararsız demek. Dokümantasyonun önerdiği kalıp üç bant: yüksek güvende kod kendi başına aksiyon alıyor, orta güvende kullanıcıdan onay isteniyor ya da incelemeye düşüyor, düşük güvende iş insana gidiyor. Yani güven skoru, "AI'ın nerede duracağını" kodun belirlemesini sağlıyor.

Paralel örnekleme sayesinde hız rakamları sohbet modellerinden kopuyor: uçtan uca yanıt süresi 70 ile 500 milisaniye arasında, şirketin frontier sohbet modelleri için verdiği aralık ise 3 ile 329 saniye. Şirketin ana sayfasındaki iddia, kendi iş akışlarında 193,6 kat hızlanma ve 444,6 kat ucuzlama.

Geliştirici tarafında Python (typesafe-sdk) ve JavaScript SDK'ları, bir playground ve console.typesafe.ai üzerinden API anahtarı var. SDK'lar hız sınırı (429), zaman aşımı (408) ve 5xx sunucu hatalarında geri çekilmeli denemeyi kendileri yönetiyor.

Kullanım Senaryoları

En olgun senaryo müşteri desteği: gelen talep önce Jev'e sınıflandırılıyor, sonra kod kendi kurallarıyla yönlendirme ve yetkilendirme kararını veriyor. Cevabı yazma işini ayrı bir model üstleniyor — yani Jev, LLM'in yerine değil önüne geçiyor.

Ajan kuranlar için doğrulama katmanı: bir ajanın bitirdiği işi, çıkardığı aracı ya da düşünce izini "insan bakmalı mı, ne kadar acil" diye puanlamak. Aynı şekilde prompt injection, jailbreak ve halüsinasyon denemelerini filtrelemek için kullanılıyor.

Veri tarafında ise map-reduce mantığı: çok büyük bir metin yığınını sabit etiketlere göre elemek, özellik çıkarmak ya da kayıt skorlamak. Girdi fiyatı bu ölçekte belirleyici olduğu için burada asıl satış argümanı hız değil maliyet.

Ve oyun/görsel demo tarafı: şirketin en çok konuşulan örneği, oyun durumunu yapı olarak okuyup saniyede 10 sorguyla tepki veren Doom botu — saatte yaklaşık 7 dolara çalışıyor. Amaç eğlence değil, "gerçek zamanlı arayüze gömülebilecek kadar hızlı" olduğunu göstermek.

Fiyatlandırma

Karşılaştırma için: şirketin referans aldığı frontier modellerin girdi fiyatı milyon token başına $0.20 ile $10 arasında, çıktı ise girdinin yaklaşık beş katı. Jev'de çıktı üretilmediği için o kalem hiç yok.

Örnek hesap: ortalama bin girdi tokenı olan bir milyon çağrı yaklaşık 42 dolar. Ücretsiz katman ya da deneme kredisi duyurulmadı. Şirket iki noktayı kendi açıklıyor: fiyatın sübvansiyonlu olmadığını henüz kanıtlayamıyorlar ve uzun vadede fiyatın düşmesini bekliyorlar.

Nasıl Başlanır?

typesafe.ai üzerinden bekleme listesine giriyorsun; TypeSafe ekibi geliştiricileri sırayla erken erişime alıyor. Erişim açıldığında konsolda API anahtarı oluşturup SDK'yı kuruyorsun: pip install typesafe-sdk ya da JavaScript paketi, ardından anahtarı ortam değişkenine koyup ilk çağrıyı yapıyorsun.

İlk denemeyi geniş bir soruyla yapmak anlamsız — dokümantasyonun kendi tavsiyesi şu: kararı küçük parçalara böl, "bu talebi analiz et" diye sormak yerine "bu talep fatura ile ilgili mi" gibi dar sorular sor ve birleştirmeyi kodda yap. Tip hatası ihtimali olmadığı için ilk entegrasyon hızlı; asıl iş güven eşiklerini kendi verinde ölçmekte.

Teknik Altyapı

Mimari, metin üretmeyi tamamen dışarıda bırakıyor: yeni bir model mimarisi, paralel örnekleyici ve şirketin RLCD (Reinforcement Learning for Calibrated Decisions) adını verdiği eğitim yöntemi. RLHF insan tercihine göre yazı üretmeyi optimize ederken RLCD kalibre edilmiş kararları optimize ediyor — yani model, verdiği olasılığın gerçekten tutması yönünde eğitiliyor.

Servis şu an tamamen bulutta ve şirketin Batı Yakası'ndaki altyapısında çalışıyor; indirilebilir ağırlık ya da yerel çalıştırma seçeneği yok. Bu, Avrupa ve Türkiye'den yapılan çağrılarda duyurulan 70-500 milisaniyenin üstüne ağ gecikmesi eklenmesi anlamına geliyor.

Kimler Geliştirdi?

TypeSafe AI, Diogo Almeida (CEO) tarafından Erik Gafni (CTO) ve Sasha Sheng (COO) ile kuruldu. Almeida OpenAI'da ve öncesinde Google Brain'de çalıştı; RLHF ve InstructGPT üzerine araştırması ChatGPT'nin temelini oluşturan işlerden. Gafni daha önce genom dizileme odaklı Ravel'in kurucusu, Invitae ve Freenome'da erken çalışan. Sheng Meta/FAIR'da araştırma mühendisi olarak News Feed ve AI deneyleri tarafında çalıştı.

Şirket 2024'te kuruldu, iki yıl sessizlikte geliştirme yaptı ve 15 Eylül 2026'da DCVC liderliğindeki 40 milyon dolarlık tohum turuyla birlikte görünür oldu. Ekip OpenAI, Google Brain, Meta/FAIR, Stripe, Airbnb, Plaid ve Docker geçmişinden geliyor; San Francisco'da ofiste çalışıyorlar.

Dikkat Edilecekler

Bu bir geliştirici aracı; son kullanıcıya bakan arayüzü yok. Türkçe dokümantasyon ve konsol desteği de yok, dokümanlar İngilizce.

Model gerekçe açıklamıyor. "Neden bu sınıfa koydun" sorusunun cevabı yok, sadece olasılık dağılımı var; bu da hata ayıklamayı klasik LLM alışkanlıklarından farklı kılıyor.

"Sıfır halüsinasyon" ifadesi yanlış okunmaya açık. Buradaki garanti şema uyumu: model seçenek listesinin dışına çıkamıyor ve tip hatası üretemiyor. Ama yanlış seçeneği seçmesi hâlâ mümkün — şirket de grafikteki %0'ın ampirik bir ölçüm değil, matematiksel bir sonuç olduğunu açıkça yazıyor.

Performans iddiaları bağımsız olarak doğrulanmadı. Değerlendirme iş akışlarını şirketin kendi ekibi kurdu, ölçümler servise yakın konumdan alındı ve referans cevaplar GPT-6 Astra ile Claude Fable 5.1'in ortalaması — yani kıyaslama rakip modellerin lehine çarpık olabilir. Açık ağırlık yayınlanmadı; ölçümleri bağımsız bir laboratuvar da henüz tekrarlamadı.

Ücretlendirmenin sürdürülebilirliği açık: şirketin kendisi "fiyatın sübvansiyonlu olmadığını kanıtlayamayız" diyor.

Ve son olarak, her proje için doğru araç değil. Karar alanı sabitse, iyi ayarlanmış bir sınıflandırıcı ya da gömme vektörü + sınıflandırma katmanı daha ucuz ve daha şeffaf olabilir. Jev'in iddiası, karar etiketlerinin çalışma anında değişebildiği ve genişlediği durumlarda bu farkı hak etmesi.