Die Jevons-Wette: Ein Sprachmodell, das nur noch ankreuzt

Kurzfassung

Jev ist ein Sprachmodell, das nur noch ankreuzt. Das Start-up TypeSafe AI hat es am 15. September 2026 vorgestellt.¹ Jev erhält einen Text und Fragen mit festen Antwortmöglichkeiten und gibt für jede Antwort eine Wahrscheinlichkeit zurück, nach 70 bis 500 Millisekunden und für gut drei US-Cent pro tausend Entscheidungen.¹² Unter der Haube arbeitet nach allem, was bekannt ist, ein Transformer, die Bauart, für die das T in ChatGPT steht.³⁴ Neu sind die Schnittstelle, der Preis und ein Training, das die Wahrscheinlichkeiten verlässlich macht.

Der Trick liegt im Weglassen. Ein Chatbot liest die Eingabe und schreibt dann Wort für Wort eine Antwort. Jev hört nach dem Lesen auf und rechnet seinen inneren Zustand direkt in Wahrscheinlichkeiten um. TypeSafe wettet darauf, dass derart billige Entscheidungen massenhaft in Software wandern. Der Name verweist auf das Jevons-Paradox: Wird eine Ressource effizienter nutzbar, steigt ihr Verbrauch.⁵

Weil der Motor bekannt ist, lässt sich Jev leicht nachbauen. Am 1. Oktober haben Amazon und Cloudflare eigene Versionen veröffentlicht. Die unabhängige Rangliste JevBench vergleicht inzwischen 112 Systeme, die meisten davon Nachbauten.⁶⁷² Die besten liegen fast gleichauf mit Jev. Für schnelle, eng umrissene Entscheidungen in Software ist die neue Modellklasse ein echter Fortschritt. Sobald eine Entscheidung Zwischenschritte verlangt, fällt sie deutlich hinter Sprachmodelle mit Denkschritten zurück.

1. Ankreuzen statt schreiben

Chatbots antworten mit Text. Soll Software mit dieser Antwort weiterarbeiten, muss sie den Text erst zerlegen und prüfen. Modelle mit Denkschritten schreiben vor der eigentlichen Antwort oft Hunderte Wörter Überlegungen.

Jev arbeitet wie ein Prüfling im Multiple-Choice-Test. Eine Anfrage besteht aus einem Text, bei TypeSafe State genannt, und einer Liste von Fragen. Jede Frage hat einen von drei Typen: Auswahl aus bis zu 255 Optionen, Einstufung auf einer Skala oder Ja/Nein.⁸ Ein Beispiel aus Amazons Dokumentation ist ein Support-Ticket, in dem jemand über seit drei Tagen fehlschlagende Auszahlungen klagt. Amazons Nachbau Strands Decider ordnet es mit 85 Prozent der Abrechnung zu, mit 9 Prozent dem Handel und mit 6 Prozent dem Vertrieb. Dass die Nachricht dringend ist, hält er zu 83 Prozent für wahr.⁶ Ab welcher Wahrscheinlichkeit gehandelt wird, legt der Programmcode fest.

TypeSafe nennt diese Modellklasse System One, nach Daniel Kahnemans Unterscheidung zwischen schnellem, intuitivem und langsamem, abwägendem Denken.⁹ Jede Frage soll ein Urteil sein, das ein kundiger Mensch in wenigen Sekunden fällen könnte.⁸

Weil kein Text entsteht, ist Jev schnell. TypeSafe gibt 70 bis 500 Millisekunden pro Anfrage an, für große Sprachmodelle 3 bis 329 Sekunden.¹ In TypeSafes Vorführung mit einem kurzen Text antwortete Jev nach 0,11 Sekunden, OpenAIs GPT-5.6 Terra nach 8,6 Sekunden.¹⁰ Zusätzliche Fragen zum selben Text kosten kaum Zeit, weil Jev den Text nur einmal verarbeitet. In einer unabhängigen Messung kamen selbst 1.500 Fragen nach wenigen Zehntelsekunden zurück.⁴

Der Preis folgt derselben Logik. TypeSafe verlangt 4,2 US-Cent pro Million eingelesener Tokens, also Wortbausteine; die Ausgabe ist kostenlos.¹¹ Umgerechnet auf typische Anfragen sind das gut drei Cent pro tausend Entscheidungen.² Für den Preis eines Kaffees trifft Jev rund 100.000 Entscheidungen.

Den Namen hat TypeSafe beim britischen Ökonomen William Stanley Jevons entlehnt.¹ Jevons beobachtete 1865, dass Englands Kohleverbrauch stieg, nachdem die Dampfmaschinen sparsamer geworden waren. Arbeit aus Kohle wurde billiger und fand immer mehr Verwendungen.⁵ TypeSafe erwartet dasselbe für maschinelle Entscheidungen: Sind sie billig genug, steckt man sie in jede Software.

2. Unter der Haube: ein Transformer

TypeSafe spricht von einer neuen Architektur und nennt Jev „weder klein noch ein LLM“.¹ Gewichte, Bauplan oder Fachaufsatz hat das Unternehmen nicht veröffentlicht. TechCrunch beschreibt Jev nach Gesprächen mit Gründer Diogo Almeida, der bei OpenAI an den Trainingsmethoden hinter ChatGPT mitgearbeitet hat, trotzdem als Transformer-basiertes Modell. Gemeint ist die Bauart, die Google 2017 vorgestellt hat und auf der praktisch alle großen Sprachmodelle beruhen. Beobachter vermuten ein offenes Sprachmodell als Grundlage.³ Beides verträgt sich, denn TypeSafe versteht unter einem LLM einen Textgenerator.

Der Unterschied liegt am Ende der Rechnung. Ein Sprachmodell arbeitet in zwei Phasen. Zuerst liest es die Eingabe, alle Wörter gleichzeitig. Das geht schnell. Dann schreibt es die Antwort Wort für Wort, und jedes Wort wartet auf das vorige. Das dauert. Nach der ersten Phase steckt das Verständnis des Textes bereits im Modell. Jev lässt die zweite Phase weg und gibt die Wahrscheinlichkeiten aller Antworten auf einmal aus.¹ Das Schlagwort „nicht autoregressiv“ meint genau diesen Schritt: Das Modell erzeugt keine Wortfolge. Über die Bauart des Modells sagt der Begriff nichts.

Der australische Entwickler Archer Hume hat Jev mit rund 10.000 Anfragen von außen vermessen.⁴ Die Antwortzeit wächst mit der Länge des Textes, kaum mit der Zahl der Antwortoptionen. Das spricht gegen versteckte Texterzeugung. Fragen derselben Anfrage sehen einander nicht, greifen aber auf denselben Text zu. Humes Rekonstruktion: ein Transformer, der den Text einmal einliest, jede Frage getrennt dagegen prüft und die Wahrscheinlichkeiten direkt ausliest.

Die offenen Nachbauten folgen demselben Rezept. Sie nehmen ein frei verfügbares Sprachmodell von Alibaba (Qwen) oder Google (Gemma) und ersetzen den Teil, der das nächste Wort auswählt, durch einen kleinen Bewertungskopf. Dieser gleicht jede Antwortoption mit dem gelesenen Text ab und gibt ihr eine Zahl. Bei Amazons Strands Decider hat der Kopf rund eine Million Parameter, also einstellbare Zahlenwerte, das Basismodell knapp zwei Milliarden.⁶ Anschließend wird das Modell auf Entscheidungsaufgaben nachtrainiert. Die wichtigsten Varianten im Überblick:^6712132

Der Ansatz hängt nicht an einer bestimmten Art, Text zu erzeugen. Er funktioniert auch mit Diffusions-Sprachmodellen wie Googles DiffusionGemma, die ihren Text in mehreren Durchgängen als Ganzes verfeinern.² Entscheidend ist, was das Basismodell weiß.

3. Neu ist die Verlässlichkeit

Am interessantesten an Jev sind seine Wahrscheinlichkeiten. Fragt man einen Chatbot, wie sicher er sich ist, antwortet er mit Text, etwa „zu 90 Prozent“. Solche Selbstauskünfte fallen bei Sprachmodellen systematisch zu hoch aus.¹⁴ Software kann darauf keine Regeln bauen.

Jev ist darauf trainiert, dass seine Zahlen stimmen. Fachleute nennen das Kalibrierung. Der Maßstab ist derselbe wie beim Wetterbericht: Sagt ein gut kalibrierter Dienst an hundert Tagen 80 Prozent Regen voraus, regnet es an etwa achtzig davon. TypeSafe nennt sein Trainingsverfahren Reinforcement Learning for Calibrated Decisions (RLCD), legt die Einzelheiten aber nicht offen.¹⁵

Unabhängige Messungen stützen den Anspruch. In Humes Test mit 1.200 Wissensfragen lagen Jevs Wahrscheinlichkeiten und seine tatsächliche Trefferquote im Mittel gut drei Prozentpunkte auseinander.⁴ Bei neu erzeugten zweistufigen Textaufgaben lag Jev nur in 32 Prozent der Fälle richtig, gab im Mittel aber auch nur 30 Prozent Sicherheit an. Jev wusste also, wann es riet.

Ein Kontrollversuch auf JevBench zeigt, was das Training bringt. Die Rangliste misst Treffsicherheit und Kalibrierung jeweils auf einer Skala von 0 bis 100; bei der Treffsicherheit steht 0 für Raten. Ein unverändertes Qwen-Modell mit vier Milliarden Parametern, direkt ausgelesen, erreicht 54 Punkte Treffsicherheit. Die stärksten eigens trainierten Nachbauten gleicher Größe liegen bei 50 bis 62 Punkten, also im selben Bereich. Bei der Kalibrierung trennen sie sich: 53 Punkte für das unveränderte Modell, bis zu 89 für die Nachbauten.² Das Training verbessert vor allem die Wahrscheinlichkeiten, kaum das Wissen. Ganz sauber ist der Vergleich nicht, weil die meisten Nachbauten auf der neueren Qwen-Generation 3.5 aufsetzen.

Verlässliche Wahrscheinlichkeiten machen Automatisierung steuerbar. Die Software handelt selbst, wenn das Modell sicher ist, und reicht unsichere Fälle an einen Menschen oder ein größeres Modell weiter. Jared Palmer, der mit Kev selbst einen Nachbau entwickelt, hat das auf Datensätzen gemessen, die seine Modelle im Training nie gesehen haben. Bei höchstens fünf Prozent Fehlern ließen sich mit Jev 70 Prozent der Entscheidungen automatisieren, mit den größeren Kev-Modellen 52 bis 69 Prozent.¹²

TypeSafe beschreibt Jev deshalb als „smart if-statement“: eine Programmverzweigung, die über die Bedeutung eines Textes entscheidet, etwa ob eine Nachricht eine Erstattung verlangt.¹ Der Programmcode behält die Kontrolle, das Modell beantwortet eng umrissene Teilfragen. Damit setzt TypeSafe einen Gegenpol zu KI-Agenten, die ganze Abläufe selbst steuern.

4. Dutzende Nachbauten in gut zwei Wochen

Entwickler griffen sofort zu. Nach Angaben von Vercel nutzten 24 Stunden nach dem Start fast 13 Prozent der zahlenden Teams auf Vercels Modellplattform AI Gateway das neue Modell. Das ist doppelt so viel wie bei OpenAIs GPT-5.6-Familie und mehr als sechsmal so viel wie bei Anthropics Fable 5.1.¹⁶ Zeitweise konnte TypeSafe nicht alle Anfragen bedienen.³

Dann kamen die Nachbauten. Am 1. Oktober veröffentlichten Amazon und Cloudflare eigene Entscheidungsmodelle mit offenen Gewichten, also frei herunterladbar.⁶⁷ Dazu kommen Dutzende Projekte einzelner Entwickler und kleiner Firmen. Die Rangliste JevBench des Vergleichsportals Benchmark Heaven führt am 2. Oktober 112 Systeme, die meisten davon Nachbauten.² Mehrere übernehmen TypeSafes Schnittstelle gleich mit: Wer Jev nutzt, kann seine Software mit wenigen Änderungen auf Kev oder Clef umstellen.¹²⁷

Das Rezept ist kurz: offenes Basismodell, kleiner Bewertungskopf, Nachtraining auf Entscheidungsaufgaben. Amazons Strands Decider lässt sich auf acht Hochleistungs-Grafikprozessoren in gut einer Stunde neu trainieren, auf einer einzelnen Gaming-Grafikkarte in elf Stunden.⁶ Cygnet kommt sogar ohne Training aus und liest ein unverändertes Gemma-Modell direkt aus.²

Die besten Nachbauten liegen fast gleichauf. Auf JevBench führt Jev bei Treffsicherheit und Kalibrierung zusammen mit 80,0 Punkten, knapp vor Winnow-12B mit 79,3 und Cygnet mit 79,0, beide auf Basis von Gemma.² Rechnet man Tempo und Kosten ein, liegen Cygnet und Winnow-12B vorn und Jev auf Platz drei. Die Abstände an der Spitze liegen laut JevBench im Bereich der Messunsicherheit. Palmer misst auf neuen Datensätzen für sein größtes Modell Kev-27B 85,1 Prozent Treffer, für Jev 85,7 Prozent.¹²

Einen Vorsprung hat Jev beim Wissen. Im schweren Wissenstest MMLU-Pro erreicht Jev 84 Prozent, Kev-27B 67,5 Prozent.¹² Dieses Wissen stammt aus dem Basismodell. Hier liegt, was sich schwer kopieren lässt: ein großes, gut vortrainiertes Modell und die Trainingsdaten, die TypeSafe nach eigenen Angaben vollständig selbst erzeugt.³

Ein Klassifikator alter Schule reicht dagegen nicht. Kleine Modelle aus der BERT-Familie, mit denen Firmen seit Jahren Texte sortieren, landen auf JevBench auch als eigens trainierte Nachbauten nahe am Zufallsniveau.² Klassische Klassifikatoren lernen feste Kategorien vorab aus Tausenden Beispielen. Jev erfährt die Kategorien erst mit der Frage und bringt das Weltwissen eines großen Sprachmodells mit. Der Vorwurf, Jev sei „nur ein Klassifikator“, trifft deshalb nur zur Hälfte.¹⁷

5. Wo Ankreuzen nicht reicht

Jev entscheidet in einem einzigen Rechendurchgang und kann keine Zwischenergebnisse festhalten. Aufgaben mit mehreren Schritten liegen ihm deshalb nicht. TypeSafe listet die Schwächen selbst auf: Jev zählt unzuverlässig, vergleicht Datumsangaben schlecht, verliert bei Fragen über mehrere Ecken den Faden und lässt sich von irrelevantem Text ablenken.¹⁸ Rechnungen und Datumsvergleiche gehören nach TypeSafes eigenem Rat in den Programmcode.

Sprachmodelle mit Denkschritten treffen deutlich besser. Auf JevBench erreicht OpenAIs GPT-6 Luna mit mittlerem Denkaufwand 96 Punkte Treffsicherheit, Jev 72. Dafür kostet GPT-6 Luna das 3,5-Fache und braucht 2,5-mal so lange.² Ein offenes Qwen-Modell mit 27 Milliarden Parametern kommt als gewöhnlicher Chatbot ebenfalls auf 96 Punkte, allerdings zum 67-fachen Preis und mit zehnfacher Wartezeit. Jev tauscht Treffsicherheit gegen Tempo und Preis.

TypeSafes Spitzenwerte, bis zu 194-mal schneller und 445-mal billiger, beruhen auf einem anderen Vergleich. Dort müssen große Spitzenmodelle ihre Wahrscheinlichkeiten über eine Zwischenschicht von TypeSafe liefern, was sie langsamer und teurer macht. Als Maßstab für richtige Antworten dient der Durchschnitt aus GPT-6 Astra und Fable 5.1. Die getesteten Abläufe hat TypeSafes eigenes Team gebaut, und das Unternehmen hält die Werte selbst für das obere Ende des Erreichbaren.¹

Auch bei einfachen Aufgaben hat Jev Eigenheiten:

• Reihenfolge. Dreht man die Antwortoptionen um, steigt die Wahrscheinlichkeit derselben Antwort in Humes Messung von 0,84 bis 0,89 auf 0,93 bis 0,96.⁴ Liegt die Schwelle bei 0,9, kippt die Entscheidung.
• Wörtlichkeit. Jev nimmt Fragen beim Wort. Verneinungen und unausgesprochene Bedingungen liest es so, wie sie dastehen.¹⁸
• Widersprüche. Eine Frage und ihre Verneinung ergeben zusammen nicht zwingend 100 Prozent. In TypeSafes eigenem Beispiel kommen 72 und 47 Prozent heraus.¹⁸
• Manipulation. Text, der das Modell gezielt lenken soll, kann die Antwort verschieben.¹⁸ Ausgerechnet das Erkennen solcher Angriffe bewirbt TypeSafe als Einsatzzweck.
• Eingabe. Jev versteht nur Text, am besten auf Englisch.¹¹

Auch das Versprechen, Jev könne nicht halluzinieren, ist schmaler, als es klingt. Jev kann keine Antwort außerhalb der vorgegebenen Liste erfinden. Danebenliegen kann es trotzdem, auch mit hoher Sicherheit: In Palmers Messung setzte Jev bei 3,7 Prozent der Fragen mindestens 90 Prozent Wahrscheinlichkeit auf eine falsche Antwort.¹² Außerdem gilt Kalibrierung nur für die Daten, auf denen sie gemessen wurde. Amazon rät beim eigenen Nachbau ausdrücklich, Schwellenwerte erst am eigenen Datenverkehr zu prüfen.⁶

6. Fortschritt oder Spielerei?

Jev ist ein Fortschritt der Ingenieurskunst. TypeSafe hat einen vorhandenen Motor für eine eng umrissene Aufgabe zugeschnitten: kurze Entscheidungen mit vorgegebenen Antworten, verlässliche Wahrscheinlichkeiten und ein Preis, bei dem sich Hunderte Fragen pro Dokument lohnen. Die Parallele zu Jevons trägt weiter als der Name. Auch James Watt verbesserte eine bestehende Maschine, die Dampfmaschine von Thomas Newcomen, und gerade diese Sparsamkeit trieb den Kohleverbrauch.⁵

Spielerei sind die Vorführungen, in denen Jev den Ego-Shooter Doom spielt oder sich durch Wikipedia-Links hangelt.¹ Ernst wird es dort, wo Software heute ein teures Sprachmodell für eine einfache Ja/Nein-Frage aufruft: beim Sortieren von Tickets, bei Prüfungen vor und nach jedem Modellaufruf, beim Durchkämmen großer Datenmengen.

Klarer beantworten lässt sich nach gut zwei Wochen die Frage nach der Bauart: Alles spricht für einen Transformer mit neuer Ausgabe und neuem Trainingsziel. Offen bleiben drei Fragen:

• Hält die Kalibrierung im Alltag? Gemessen ist sie bisher auf Benchmarks. Entscheidend sind Messungen auf echten Firmendaten, die sich mit der Zeit verändern.
• Bleibt die Modellklasse eigenständig? Jevs Vorsprung beim Wissen hängt am Basismodell. Die nächste Generation offener Modelle von Alibaba und Google zeigt, ob er schrumpft. Bauen OpenAI, Anthropic oder Google einen vergleichbaren Entscheidungsmodus in ihre Schnittstellen ein, wird aus der Modellklasse eine Funktion.
• Geht die Jevons-Wette auf? Vercel nennt die nächste Prüfung selbst: ob die frühe Nutzung anhält.¹⁶ Steigt die Zahl der Entscheidungen pro Anwendung mit sinkendem Preis, behält Jevons recht. Bleibt es bei Tests, war Jev vor allem gut verpackt.

Quellen und weiterführende Literatur

Die Angaben zu Jev stammen aus TypeSafes Ankündigung und Dokumentation sowie aus Berichten von TechCrunch, The Register und Vercel. Die Rekonstruktion der Architektur von außen stammt von Archer Hume. Vergleichswerte liefern die Rangliste JevBench von Benchmark Heaven und die Dokumentationen der Nachbauten von Amazon, Cloudflare, Jared Palmer und Mapika.