Der neue Jev-Modell des ChatGPT-Mitentwicklers verzichtet auf Text für 200-mal schnellere KI-Entscheidungen

Nachrichtenzusammenfassung

Ein Startup, das von einem der Forscher hinter ChatGPT gegründet wurde, hat ein KI-Modell auf den Markt gebracht, das natürliche Sprache vollständig überspringt und statt Text strukturierte probabilistische Entscheidungen zurückgibt – und frühe Tester sagen, dass es für die anvisierten Aufgaben dramatisch schneller und günstiger ist als gängige große Sprachmodelle. Das Modell namens Jev stammt von TypeSafe AI, einem Unternehmen, das von Diogo Almeida gegründet wurde, einem ehemaligen OpenAI-Forscher, der als Miterfinder des Reinforcement Learning from Human Feedback (RLHF) gilt – jener Trainingsmethode, die weithin dafür verantwortlich gemacht wird, dass ChatGPT und seine Nachfolger in großem Maßstab nutzbar wurden.

Was TypeSafe AI angekündigt hat

TypeSafe AI trat am Dienstag, dem 16. September 2026, US-Ostküstenzeit, nach zwei Jahren Arbeit im Verborgenen hervor und enthüllte, was das Unternehmen ein „System-One-Modell“ nennt. Statt wie GPT-artige große Sprachmodelle konversationellen Text Token für Token zu erzeugen, ist Jev darauf ausgelegt, direkt von anderer Software konsumiert zu werden: Es nimmt strukturierte Eingaben entgegen und gibt typisierte, mit Wahrscheinlichkeiten bewertete Ausgaben zurück – zum Beispiel die Klassifizierung einer Anfrage, die Bewertung eines Datensatzes oder das Markieren eines Richtlinienverstoßes –, ohne überhaupt Prosa zu erzeugen. Das Unternehmen gibt an, 40 Millionen US-Dollar an Finanzierung eingeworben zu haben, um das zu verfolgen, was Almeida als „einen alternativen Weg für die KI-Forschung, fokussiert auf maschinennative KI“ beschrieb.

Wie sich Jev von traditionellen LLMs unterscheidet

Jev wird mit einer Technik trainiert, die TypeSafe Reinforcement Learning for Calibrated Decisions (RLCD) nennt und die das Unternehmen als Nachfolger der RLHF- und RLVR-Methoden (Reinforcement Learning from Verifiable Rewards) positioniert, die den meisten aktuellen chat-orientierten Modellen zugrunde liegen. Statt Ausgaben sequenziell, Token für Token, vorherzusagen, sampelt Jev alle seine möglichen Ausgaben parallel innerhalb einer einzigen Abfrage. Da Entwickler im Voraus ein festes Ausgabeschema definieren, sagt TypeSafe, sei das Modell mathematisch daran gehindert, fehlerhafte oder „halluzinierte“ Ergebnisse zu produzieren – es kann nur Werte zurückgeben, die in das ihm gegebene Schema passen.

Almeida rahmte den Start als Antwort auf eine Lücke ein, die er in der Branche sieht: „Modelle sind seit Jahren übermenschlich gut im Chat, also wo bleibt all die Automatisierung?“ Das Versprechen lautet, dass die meiste Software für Entscheidungen wie das Weiterleiten von Anfragen, das Sortieren von Inhalten oder das Prüfen von Ausgaben auf Jailbreak-Versuche noch immer auf brüchige, handgeschriebene Regeln oder langsame, teure LLM-Aufrufe setzt – Aufgaben, die laut TypeSafe besser von einer zweckgebauten Entscheidungsmaschine als von einem Allzweck-Chatbot bedient werden.

Leistungs- und Preisversprechen

TypeSafe veröffentlichte Benchmark-Vergleiche, die zeigen, dass Jev in etwa 70 bis 500 Millisekunden antwortet, was das Unternehmen als 40- bis 200-mal schneller als führende Chat-Modelle bei vergleichbaren strukturierten Entscheidungsaufgaben beschreibt. In einer Demonstration ließ das Unternehmen Jev das klassische Videospiel Doom spielen, indem es ihm strukturierte Spielzustandsdaten statt Bilder zuführte; TypeSafe gab an, dass Jev in etwa 0,114 Sekunden antwortete, verglichen mit rund 8,566 Sekunden für ein vergleichbar positioniertes OpenAI-Modell im selben Testaufbau.

Bei der Preisgestaltung setzte TypeSafe die Eingabe-Token auf 0,042 US-Dollar pro Million Token fest, wobei Ausgabe-Token kostenlos angeboten werden – eine Struktur, die das Unternehmen der üblichen abgerechneten Eingabe-und-Ausgabe-Preisgestaltung konversationeller LLMs gegenüberstellt. TypeSafe verweist auf interne Workflow-Bewertungen, die behaupten, Jev sei etwa 193,6-mal schneller und 444,6-mal günstiger als vergleichbare Ansätze großer Sprachmodelle bei bestimmten produktionsreifen Automatisierungs-Workflows, wobei diese Zahlen jedoch aus dem eigenen Benchmarking des Unternehmens stammen und nicht aus unabhängigen Tests durch Dritte.

Reaktion der Entwickler

Die Reaktion früher Anwender war bemerkenswert enthusiastisch. Ingenieure bei Vercel berichteten, dass der Austausch eines konversationellen OpenAI-Modells gegen Jev in einem Teil ihrer Infrastruktur fünf- bis achtzehnmal schnellere Ergebnisse bei gleichbleibender oder verbesserter Genauigkeit erbrachte. Ingenieure bei Bryo AI sagten, sie hätten Jev als etwa zehn- bis zwanzigmal günstiger als vergleichbare Angebote aus der Gemini-Familie von Google empfunden, während es zugleich echte kalibrierte Wahrscheinlichkeitswerte lieferte, die es einfacher machten, zuverlässige Workflow-Automatisierungslogik zu bauen, statt Freitextantworten nach Signalen zu durchsuchen.

Die Nachfrage nach der Ankündigung war so stark, dass TypeSafe angab, seine API habe kurzzeitig mit dem eingehenden Verkehr nicht Schritt halten können – ein Ausfall, den das Unternehmen direkt dem Umfang des Entwicklerinteresses zuschrieb und nicht einer geplanten Kapazitätsbeschränkung.

Warum die Einordnung wichtig ist

TypeSafes Name für Jev spielt auf den Ökonomen William Stanley Jevons aus dem 19. Jahrhundert an, dessen Paradoxon besagt, dass mit sinkenden Kosten für die Nutzung einer Ressource der Gesamtverbrauch dieser Ressource tendenziell steigt statt fällt. Almeida hat diese Idee bemüht, um seine Vision davon zu beschreiben, wohin die KI-Entscheidungsfindung steuert: nicht eine kleinere Anzahl sehr großer Allzweck-Chat-Modelle, die jede Aufgabe übernehmen, sondern eine viel größere Anzahl kleiner, schneller, kostengünstiger Entscheidungsmodelle, die in der gesamten Softwareinfrastruktur eingebettet sind. „Wir denken, dass es einfach überall intelligente Software geben wird, auf eine Weise, die emergent und verteilt ist“, sagte Almeida und beschrieb System-One-Modelle als Ergänzung – nicht als Ersatz – für die großen Sprachmodelle, die konversationelle KI-Produkte antreiben.

Was als Nächstes kommt

TypeSafe hat Jev in erster Linie für Backend- und Infrastrukturanwendungsfälle positioniert: Modell-Routing, Inhaltsmoderation und Sicherheitsprüfung, Workflow-Automatisierung und Datenklassifizierung im großen Maßstab, statt für verbraucherorientierte Chat-Anwendungen. Da die Ausgaben des Modells schema-beschränkt statt offenem Text entsprechen, ist es nicht darauf ausgelegt, direkt mit Chatbots oder Schreibassistenten zu konkurrieren. Unabhängige Forscher und konkurrierende Labore haben noch keine Drittanbieter-Benchmarks veröffentlicht, die die Leistungsbehauptungen von TypeSafe bestätigen, und wie die System-One-Kategorie über ein breiteres Spektrum realer Produktionslasten abschneidet – jenseits der Anwendungsfälle, die TypeSafe selbst hervorgehoben hat –, bleibt abzuwarten, während mehr Entwickler das Modell in Produktion bringen.