Jev Nedir? TypeSafe AI’ın Metin Üretmeyen Yapay Zeka Modeli

Sohbet modelleri yıllardır çok yetenekli. Peki beklenen otomasyon nerede? TypeSafe AI’ın kurucusu Diogo Almeida, son dört yılını bu soruya adadığını söylüyor. Yazılım içinde güvenilir otomasyon kurmak hâlâ zor. Almeida’nın yanıtı alışılmışın dışında: metin üretmeyen bir yapay zeka modeli.

Bu yazı Jev’in ne olduğunu, nasıl çalıştığını ve LLM’lerden nerede ayrıldığını anlatıyor. Sonunda asıl soruya geliyor: altyapınızı bir AI agent (yapay zeka agent’ı) yönetiyorsa Jev size ne kazandırır?

Jev nedir?

Jev, TypeSafe AI’ın ilk modeli. San Francisco merkezli şirket 15 Eylül 2026’da 40 milyon USD seed yatırımla kendini duyurdu. Almeida daha önce OpenAI’da, ChatGPT’nin arkasındaki araştırmaya dönüşen yöntemler üzerinde çalıştı (duyuru yazısı).

Jev sohbet etmez, kod yazmaz, metin üretmez. Ona bir durum bilgisi ve tipli sorular verirsiniz: yanıtın biçimi baştan bellidir. Jev soruların hepsini paralel değerlendirir ve kalibre güven skorlarıyla yapısal yanıtlar döndürür.

Modelin adı ekonomist William Stanley Jevons’tan geliyor. Jevons, buhar makinesi verimli hale geldikçe kömür talebinin düşmediğini, arttığını göstermişti. TypeSafe aynı şeyi zeka için öngörüyor: maliyet düştükçe kullanım alanları artar.

System One modeli ne demek?

TypeSafe, Jev’i "System One" adını verdiği yeni bir model sınıfına yerleştiriyor. İsim, Daniel Kahneman’ın hızlı ve sezgisel Sistem 1 ile yavaş ve temkinli Sistem 2 düşünme ayrımına dayanıyor.

En sade anlatımla Jev akıllı bir if ifadesidir. Klasik kod, hesaplayabildiği değerlere göre dallanır. Koşul bir yargıya dönüştüğünde ise tıkanır: bu destek mesajı öfkeli mi, bu e-posta faturayla mı ilgili? Jev bu tür yargıları kodun doğrudan kullanabileceği değerlere çevirir.

Kavram bu kadar. Şimdi bir isteğin nasıl göründüğüne bakın.

Jev nasıl çalışır?

Jev’e iki şey gönderirsiniz: bir state (bağlam) ve o state hakkında sorular. Üç soru tipi var:

• Choice: Seçenekler arasından seçim yapar, her seçenek için olasılık döndürür.

• Score: Girdiyi düşük, orta, yüksek gibi sıralı seviyelere göre puanlar.

• Noul: Evet-hayır sorusunda yanıtın evet olma olasılığını döndürür.

Bir monitoring alarmı üzerinden örnek istek:

{
  "model": "jev-latest",
  "state": "web-01 sunucusunda disk kullanımı %94. Son 10 dakikada 3 kez 502 hatası döndü.",
  "questions": {
    "acil_mi": {
      "type": "noul",
      "instructions": "Durum hemen müdahale gerektiriyor mu?"
    },
    "musteri_etkisi": {
      "type": "noul",
      "instructions": "Son kullanıcılar bu sorundan etkileniyor mu?"

{
  "model": "jev-latest",
  "state": "web-01 sunucusunda disk kullanımı %94. Son 10 dakikada 3 kez 502 hatası döndü.",
  "questions": {
    "acil_mi": {
      "type": "noul",
      "instructions": "Durum hemen müdahale gerektiriyor mu?"
    },
    "musteri_etkisi": {
      "type": "noul",
      "instructions": "Son kullanıcılar bu sorundan etkileniyor mu?"

{
  "model": "jev-latest",
  "state": "web-01 sunucusunda disk kullanımı %94. Son 10 dakikada 3 kez 502 hatası döndü.",
  "questions": {
    "acil_mi": {
      "type": "noul",
      "instructions": "Durum hemen müdahale gerektiriyor mu?"
    },
    "musteri_etkisi": {
      "type": "noul",
      "instructions": "Son kullanıcılar bu sorundan etkileniyor mu?"

Yanıtın answers alanı her soru için bir olasılık içerir:

{
  "model": "jev-latest",
  "answers": {
    "acil_mi": { "type": "noul", "noul": 0.97 },
    "musteri_etkisi": { "type": "noul", "noul": 0.91 }
  },
  "usage": { "input_tokens": 118, "output_tokens": 39 

{
  "model": "jev-latest",
  "answers": {
    "acil_mi": { "type": "noul", "noul": 0.97 },
    "musteri_etkisi": { "type": "noul", "noul": 0.91 }
  },
  "usage": { "input_tokens": 118, "output_tokens": 39 

{
  "model": "jev-latest",
  "answers": {
    "acil_mi": { "type": "noul", "noul": 0.97 },
    "musteri_etkisi": { "type": "noul", "noul": 0.91 }
  },
  "usage": { "input_tokens": 118, "output_tokens": 39 

Uygulamanız bu değerlere göre dallanır. Örneğin 0,90 üzerinde otomatik alarm açar, 0,60 ile 0,90 arasında bir insana sorar.

Jev soruları paralel değerlendirdiği için yeni soru eklemek yanıt süresini neredeyse değiştirmez, yalnızca ek token maliyeti getirir. Çıktı yapısı baştan tanımlı olduğu için model type error (tip hatası) üretmez. TypeSafe eğitimde Reinforcement Learning for Calibrated Decisions (RLCD) adını verdiği yeni bir yöntem kullanıyor.

Peki bu tasarım bir LLM’e göre ne fark yaratıyor?

Jev ile LLM arasındaki farklar

Tablodaki değerleri TypeSafe’in kendi karşılaştırmasından aldık.

Fiyatı somutlaştıralım: çağrı başına ortalama 1.000 input token ile bir milyon çağrı 42 USD tutuyor (The Rundown). Şirketin Doom demosunda saniyede 10 sorgu yapan bot saatte yaklaşık 7 USD’ye mal oldu.

Jev nerelerde kullanılır?

TypeSafe, Jev’i hızlı yargılar için konumlandırıyor: talepleri sınıflandırma, kayıtları puanlama ve yapay zeka çıktılarını jailbreak girişimlerine karşı tarama. Örnek iş akışları arasında müşteri hizmetleri, fatura işleme, güvenlik alarmları ve tamamlanmış agent çalışmalarının incelenmesi var.

Geliştiriciler açısından iki kullanım öne çıkıyor (LangChain rehberi):

• Model routing: LangChain’in ModelRouterMiddleware bileşeninde Jev isteği değerlendirir ve sizin belirlediğiniz kriterlere göre model seçer. Basit işler hızlı ve ucuz modele, karmaşık işler büyük modele gider.

• Risk kontrolü: AutoModeMiddleware, Jev ile tool çağrılarını riskli kararlar açısından denetler ve tool çalışmadan önce çağrıyı engelleyebilir.

İkinci kullanım, altyapı yöneten agent’lar için asıl konu.

Yapay zeka agent’larının altyapısında Jev’in yeri

Jev bir LLM’in yerine geçmiyor. Tek başına bir repository’yi incelemez, tool çağırmaz, dosya düzenlemez, agent döngüsü çalıştırmaz. LangChain’in önerdiği iş bölümü şu: açık uçlu akıl yürütme ve üretim için LLM, yol boyunca hızlı ve yapısal kararlar için Jev.

Bu ayrım, altyapısını agent’larla yöneten ekipler için önemli. Bir agent MCP üzerinden sunucu kurabiliyor, firewall kuralı değiştirebiliyor ve uygulamanızı yayına alabiliyorsa (deploy), her adımda "bu işlem güvenli mi?" sorusunun hızlı ve ucuz bir yanıtı gerekir. Örnek senaryolar:

• Agent bir sunucuyu silmeden veya firewall kuralını değiştirmeden önce işlemin risk kontrolü

• Monitoring alarmlarının önem derecesine göre sıralanması

• Deploy log’larının sınıflandırılması ve hatalı release’in erken yakalanması

Bu senaryoları bugün LLM çağrılarıyla da kurarsınız. Ancak her kontrol saniyeler sürdüğünde ve ayrıca ücretlendiğinde denetimi her adıma koymak pahalıya gelir. Milisaniyeler içinde yanıt veren bir karar katmanı, denetimi her adıma yaymayı mümkün kılıyor.

Bu katman yetki sınırlarının yerini tutmaz, onları tamamlar. tten MCP Server’da agent’ınıza hangi yetkileri vereceğinizi 60’tan fazla seçenek arasından belirlersiniz. Silme gibi kritik işlemler onayınızdan geçer ve her işlem log kaydına düşer. Protokolün kendisini MCP nedir yazımızda, yetki tarafını Yapay zekaya sunucu yetkisi vermek güvenli mi? yazımızda anlattık.

Sınırlar ve soru işaretleri

TypeSafe iddialarını temkinle paylaşıyor, siz de öyle okuyun:

• Ana sayfadaki 193,6 kat hız ve 444,6 kat ucuzluk değerleri şirketin kendi iş akışı testlerinden geliyor. Şirket bu değerlerin gerçek kullanımdaki kazancın üst ucunda kalmasını bekliyor.

• Şirket testleri genellikle servisin bulunduğu ABD Batı Yakası’ndan çalıştırdı. Türkiye’den erişimde yanıt süresinin daha yüksek çıkması beklenir.

• Şirket, fiyatın sübvanse olmadığını kanıtlayamayacağını kabul ediyor. Sürdürülebilirliği zaman gösterecek.

• Test iş akışlarını şirketin kendi ekibi hazırladı, bu nedenle bir miktar yanlılık olabilir.

• Sürüş ve drone demoları simülatörde çalışıyor, gerçek donanımda doğrulanmış bir performans yok (MindStudio).

• Modelin emin olduğu yanıtların ne sıklıkla doğru çıktığını kendi verinizde test edin ve eşikleri temkinli belirleyin (The Rundown).

Sık sorulan sorular

Jev ChatGPT gibi sohbet edebilir mi?

Hayır. Jev metin üretmez, yalnızca önceden tanımlanmış sorulara tipli yanıtlar ve olasılıklar döndürür.

Jev küçük bir LLM mi?

Hayır. Jev autoregression kullanmaz: kararı token token üretmek yerine bütün olasılıkları paralel döndürür. Eğitim yöntemi de farklıdır, TypeSafe RLCD adını verdiği yeni bir yöntem kullanıyor.

Jev bir yapay zeka agent’ının yerini alır mı?

Hayır. Jev tek başına tool çağırmaz, dosya düzenlemez ve agent döngüsü çalıştırmaz. Agent’ın içinde, LLM’in yanında çalışan hızlı bir karar katmanıdır.

Jev’in fiyatı nedir?

Milyon input token başına 0,042 USD. Output token ücretsiz.

Jev’e nasıl erişilir?

Model erken erişimde ve TypeSafe geliştiricileri bekleme listesinden sırayla alıyor. LangChain kullanıyorsanız langchain-typesafe paketini kurun ve TYPESAFE_API_KEY değişkenini tanımlayın.

Tek istekte kaç seçenek sorulabilir?

Bir Choice sorusu 255’e kadar seçenek destekliyor. Yüksek seçenek sayılarında iki aşamalı bir puanlama devreye girdiği için zaman zaman yavaşlama oluyor.

Sonuç

Jev, LLM’lere rakip değil, onların yanına eklenen hızlı bir karar katmanı. İddialar bağımsız testlerle doğrulanana kadar temkinli olun. Yine de yön açık: agent’lar altyapıda daha fazla iş üstlendikçe her adımı ucuz ve hızlı denetleyen bir katmana ihtiyaç artıyor.

Agent’ınızın çalışacağı altyapıyı bugünden hazırlayın. tten MCP Server ile sunucularınızı Claude, ChatGPT ya da MCP’yi destekleyen kendi agent’ınıza bağlayın. Agent’ınıza hangi yetkileri vereceğinizi siz seçersiniz.

Ücretsiz deneyin

Kaynaklar

• Introducing System One Models & Jev, TypeSafe AI Blog

• Building a Harness with Jev, LangChain Blog

• TypeSafe launches Jev for AI decisions inside software, The Rundown AI

• Jev Explained, MindStudio

• A deep dive into Jev, Flavio Copes

• TypeSafe dokümantasyonu