ChatGPT-pionier onthult Jev: razendsnelle AI voor programmeerlogica

Sophie Jansen · 2026-09-16

## ChatGPT-pionier onthult Jev: razendsnelle AI voor programmeerlogica Stel je voor: een AI die geen gesprekken voert, maar razendsnel beslissingen neemt in code. TypeSafe, opgericht door een van de breinen achter ChatGPT, heeft na twee jaar stilte hun model Jev onthuld. Dit model is ontworpen om programmeerbare logica te automatiseren met een parallelle sampling-architectuur. Geen tekstgeneratie, maar direct gestructureerde, type-veilige waarden. ### Wat is Jev en waarom is het bijzonder? Jev is een gespecialiseerd System One Model dat probabilistische beslissingen uitvoert binnen productiecode. Het is ontwikkeld door Diogo Almeida, een OpenAI-veteraan en mede-uitvinder van ChatGPT. In plaats van sequentiële tekst tokens te genereren, neemt Jev een ongestructureerde staat als input en geeft in één parallelle query type-veilige gestructureerde waarden terug. Dit voorkomt syntaxfouten en hallucinaties. > "Zie Jev als een frontier-intelligentie functieaanroep: ongestructureerde staat erin, getypeerde probabilistische beslissingen eruit." – Diogo Almeida, oprichter van TypeSafe ### Hoe werkt de hardware-aware parallelle sampling? TypeSafe gebruikt een alternatieve trainingsmethode: Reinforcement Learning for Calibrated Decisions (RLCD). Traditionele modellen trainen met RLHF of RLVR om menselijke voorkeuren of geïsoleerde checks te bevredigen. Jev wordt echter getraind om gekalibreerde waarschijnlijkheden te produceren, zodat de confidence scores direct correleren met de nauwkeurigheid. In plaats van autoregressieve token generatie, gebruikt Jev een hardware-aware parallelle sampler die alle gestructureerde waarden tegelijk evalueert en levert. Dit beperkt de output tot vooraf gedefinieerde schema's, waardoor parsing pipelines en guardrail wrappers overbodig worden. De sampler kan tot 255 discrete opties aan, met een tweestapsproces dat opties onafhankelijk scoort voordat er gekozen wordt. ### Prestaties en kosten Interne evaluaties vanaf servers aan de Westkust tonen end-to-end responstijden van 70–500 milliseconden, tegenover 3–329 seconden bij conversationele frontier deployments. Gepubliceerde workflow-evaluaties op vaste compute-graphs laten snelheden zien tot 193,6 keer sneller dan consensusbaselines van GPT-6 Astra en Fable 5.1. De kosten voor inputverwerking zijn $0,042 per miljoen tokens, vergeleken met $0,20 tot $10 per miljoen tokens bij standaard conversationele tarieven. Omdat parallelle sampling geen autoregressieve token generatie nodig heeft, rekent TypeSafe geen kosten voor output tokens. ### Van Doom-bots tot petabyte data: praktijktests Productiedemonstraties laten zien dat Jev vertakkingsregels oplost in razendsnelle game-states en web traversal trees. In dynamische stresstests bestuurden ingenieurs een real-time reactieve bot in Doom game-states met 10 queries per seconde, tegen een operationele kost van ongeveer $7 per uur. Een tweede Wikiracing-test evalueerde linkselectie in dichte encyclopedieën. Jev voltooide traversals in minder stappen dan externe non-reasoning modellen door opties te evalueren zonder hallucinerende doodlopende wegen. ### Toepassingen en beschikbaarheid Veldtests bevestigen primaire toepassingen in real-time feature extraction, petabyte-schaal dataworkflows, outputverificatielagen en geautomatiseerde vertakkingslogica waar handgeschreven regels broos blijken. TypeSafe heeft vandaag vroege toegang voor ontwikkelaars geopend en is begonnen met het onboarden van engineeringteams van hun wachtlijst. ### Conclusie Jev zou weleens de manier waarop we programmeerbare logica automatiseren kunnen veranderen. Door af te stappen van tekstgeneratie en te focussen op parallelle, type-veilige beslissingen, biedt het een blik op een toekomst waarin AI niet alleen praat, maar ook daadkrachtig handelt in code.