TypeSafe AI lance Jev, un modèle qui renvoie des chiffres plutôt que du texte
TypeSafe AI a dévoilé la semaine dernière Jev, un modèle qu'elle qualifie de «System One» et qui, à la différence des LLM classiques, retourne des scores en virgule flottante plutôt que du texte libre.
👁 118 lectures
TypeSafe AI a dévoilé la semaine dernière Jev, un modèle présenté comme une nouvelle catégorie baptisée «System One» - ou «decision models» selon la formulation préférée de plusieurs observateurs du secteur. Contrairement à un LLM classique, Jev accepte du texte en entrée mais ne produit aucun texte en sortie : il retourne des nombres en virgule flottante représentant des catégories, des réponses oui/non, des scores et leurs indices de confiance associés.
- Jev accepte du texte en entrée mais renvoie uniquement des nombres (scores de confiance, distributions de probabilité) pour des tâches de classification.
- Le tarif d'entrée est de 0,042 $ par million de tokens - la sortie est gratuite - soit moins que GPT-5 Nano d'OpenAI (0,05 $/million).
- Le modèle soulève des questions sur les biais : sans explication textuelle, impossible de savoir pourquoi il prend une décision.
TypeSafe décrit son produit comme «un appel de fonction à intelligence frontière : un état non structuré en entrée, des décisions probabilistes typées en sortie». Le positionnement vise clairement les développeurs qui intègrent de la classification dans leurs pipelines sans avoir besoin de réponses en langage naturel.
Sur le plan tarifaire, Jev facture uniquement les tokens d’entrée - la sortie est gratuite - à 0,042 $ par million de tokens. Ce prix est inférieur à celui de GPT-5 Nano d’OpenAI, annoncé à 0,05 $ par million. La rapidité d’exécution est également mise en avant : plusieurs questions envoyées simultanément sur un même document sont évaluées en parallèle, ce qui signifie que le temps de réponse reste sensiblement identique qu’on pose une question ou cinquante.
L’API repose sur un objet «state» - une chaîne de caractères, un tableau ou un ensemble de paires nom-valeur décrivant un article, un client ou tout autre type d’enregistrement. L’utilisateur y associe une ou plusieurs questions de trois types : des questions oui/non (appelées «Noul», abréviation de Bernoulli selon le PDG de TypeSafe confirmé sur Hacker News), des questions à choix multiple avec distribution de probabilité, et des questions de score sur une échelle définie par l’utilisateur.
Google · Vos sourcesPromptif plus haut dans Google - en un clicAjouter aux sources préférées →Des usages concrets, mais une opacité préoccupante
Les cas d’usage les plus évidents sont la détection de spam, la suggestion de labels, la priorisation de contenu et le reclassement de résultats de recherche (reranking). Cette dernière application consiste à récupérer une centaine de candidats via un algorithme léger comme BM25, puis à les faire noter par Jev pour leur pertinence par rapport à une requête initiale.
Cette conception soulève néanmoins une critique de fond : Jev représente un recul vers les systèmes d’apprentissage automatique dits «boîtes noires». Un LLM peut au moins fournir une justification textuelle de ses décisions, même imparfaite. Jev ne propose rien de tel - seul un nombre sort du modèle, sans aucune explication sur les signaux qui l’ont influencé. La question des biais algorithmiques est donc particulièrement aiguë : utiliser ce type de score pour évaluer des candidatures à un emploi, par exemple, poserait des problèmes éthiques et juridiques sérieux, difficiles à détecter précisément parce que le modèle ne justifie jamais ses sorties.
Le filigrane de texte IA SynthID-Text peut affaiblir les garde-fous de sécurité des modèlesActualités
Slack lance Slackforce Surfaces : des tableaux de bord et rapports interactifs générés par IA directement dans les chatsActualités
Suno lance v6, son premier modèle musical entraîné avec des données de l’industrie du disqueActualitésMore on this from PROMPTIF
