Pointez une zone de dessin, demandez une forme, puis dites de la déplacer ou d'en changer la couleur. Donnez à un modèle l'état d'un simulateur de conduite et laissez ses décisions guider la voiture. Des gens font déjà ça avec Jev, et je trouve ça franchement génial.
TypeSafe a présenté Jev le 15 septembre. Ce qui m'enthousiasme, c'est tout ce qu'on peut faire avec de l'IA quand les petites décisions deviennent rapides et peu chères. Dans un éditeur. Dans une simulation. Dans ces petites interactions qui rendent une application naturelle à utiliser.
Ce que les gens font déjà avec
Dans jev-canvas, la reconnaissance vocale et le suivi des doigts permettent de créer, déplacer, redimensionner et recolorer des formes en parlant et en pointant. Jev choisit l'action, la cible et l'emplacement ; l'application modifie le dessin. C'est le genre d'interface que j'ai envie de pousser plus loin.
JevPilot l'intègre à un simulateur de conduite. Jev reçoit des informations sur la route, le trafic et les trajectoires possibles, puis choisit où aller et à quelle vitesse. Le simulateur gère les commandes du véhicule et le freinage anticollision.
Je crée des systèmes interactifs, alors forcément, ça me parle. En combinant beaucoup de petites décisions, on peut complètement changer la façon d'utiliser un logiciel. Je pense tout de suite à des personnages qui réagissent à un apprenant, ou à des outils créatifs qui comprennent ce qu'on leur montre du doigt.
Des questions précises, des réponses exploitables
Jev est le premier modèle « System One » de TypeSafe. Vous lui fournissez des informations et des questions précises ; il renvoie des décisions et des probabilités que votre code peut exploiter.
Il existe trois types de questions :
| Type | Votre question | La réponse |
|---|---|---|
| Choice | Quel problème dans cette liste ? | Une option, les probabilités des options et un indicateur de confiance |
| Score | Quelle urgence, selon ces niveaux décrits ? | Un score pondéré par les probabilités, les probabilités des niveaux et un indicateur de confiance |
| Noul | Ce message demande-t-il un remplacement ? | Une probabilité entre 0 et 1, sans champ de confiance distinct |
Prenez ce message d'un client : « La bouilloire est arrivée cassée et vous m'avez facturé deux fois. Vous pouvez m'en renvoyer une ? » Des questions séparées peuvent identifier l'article endommagé, la double facturation et la demande de remplacement. Le code vérifie la commande et transmet chaque problème au bon endroit. Le client peut expliquer ce qui lui arrive avec ses propres mots.
Vous pouvez poser plusieurs questions indépendantes ensemble, donc faire ces vérifications en un seul appel. Chaque question utilise les mêmes informations, indépendamment des autres ; les étapes qui dépendent des réponses restent dans le code.
Assez peu cher pour l'intégrer partout dans une app
TypeSafe affiche actuellement Jev 1.13 à 0,042 $ par million de tokens en entrée, sans facturation des tokens de sortie. Il accepte du texte, y compris des données structurées ; photos et audio nécessitent un prétraitement.
Par exemple, 10 000 requêtes de 1 000 tokens facturables en moyenne coûteraient 0,42 $ pour les tokens envoyés à Jev. Ce total inclut les questions et les options ; la recherche d'informations, les autres modèles et les nouvelles tentatives s'y ajoutent.
Ça change ce que j'ai envie de construire. Une boîte de réception qui repère le mail de l'école auquel il faut répondre. Un assistant qui vérifie qu'un brouillon répond bien à la demande. Un outil qui choisit une prochaine action utile pendant qu'on travaille. À ce prix, j'ai envie d'intégrer ces décisions à beaucoup plus d'endroits.
Tout ça se combine
La démo domotique de TypeSafe montre comment : Jev identifie l'appareil et l'action, tandis qu'un LLM gère la conversation et décompose les demandes multiples. Chacun fait ce pour quoi il est adapté.
C'est comme ça que je construirais avec Jev : Jev pour l'interprétation courante, du code pour les règles et les actions, un modèle de raisonnement pour les analyses difficiles, et un modèle génératif quand quelqu'un a besoin d'une réponse rédigée.
On dispose aussi de mesures utiles sur ces rôles. Le benchmark de routage de LiteLLM mesure un temps médian de classification de 126,81 ms pour Jev 1.13 contre 688,40 ms pour Claude Haiku 4.5, soit environ 5,43 fois plus rapide. Il utilise 80 prompts rédigés pour l'occasion, répétés trois fois, et mesure les décisions de routage plutôt que les réponses finales.
LangChain a utilisé Jev pour évaluer des exécutions d'agents. Sur cinq traces d'un agent météo évaluées 100 fois chacune, il a donné à chaque fois les mêmes verdicts de réussite ou d'échec que les humains, avec des scores stables. Ça donne aux développeurs un exemple concret d'évaluateur sur lequel s'appuyer ; les cinq exemples du jeu de données délimitent la portée du résultat.
Ce que je garderais dans le code
Je garderais les calculs, les comparaisons de dates et les contrôles d'autorisation dans le code. TypeSafe documente des faiblesses avec les nombres, les dates, le raisonnement indirect et les entrées trompeuses. Jev choisit parmi les options que vous lui donnez, ce qui l'empêche d'en inventer, mais il peut encore se tromper d'option.
Son champ confidence résume la répartition des probabilités pour Choice et Score. Je m'en servirais pour orienter les cas incertains vers un autre modèle ou une personne, avec des seuils vérifiés sur des exemples réels. Ce n'est pas une garantie d'exactitude.
Ce que j'ai envie de construire
Si vous dirigez une équipe : regardez les petites décisions que les gens prennent toute la journée. Quel message mérite de l'attention ? Qui peut résoudre cette demande ? Commencez par un processus utile et mesurez le temps gagné et les corrections nécessaires.
Si vous codez : créez une interaction que vous auriez envie d'utiliser. Laissez quelqu'un pointer, parler ou décrire ce qu'il veut, puis utilisez Jev pour choisir parmi les actions que votre app sait faire. Comparez la réactivité et les erreurs avec votre approche actuelle.
J'ai envie d'utiliser ça dans des outils interactifs et des simulations de formation. Voir ce que les gens ont déjà construit me donne envie de m'y mettre.
Sources liées dans le texte. Vérifiées le 22 septembre 2026. Les descriptions des projets viennent de leurs créateurs, les tarifs de TypeSafe et les résultats des benchmarks des auteurs cités. Mes idées d'utilisation et le calcul de coût sont illustratifs.