20 alternatives à Jev : les modèles de décision qui défient TypeSafe en 2026

TypeSafe a lancé Jev le 15 septembre 2026. Il s'agit d'un modèle de décision, pas d'un chatbot. Vous définissez les réponses autorisées, et Jev renvoie une étiquette, un score ou une probabilité oui/non. En environ 4 semaines, au moins 20 alternatives à Jev sont arrivées. Elles proviennent de Cloudflare, OpenAI, Perplexity, Liquid AI, des Strands Labs d'AWS et de développeurs indépendants. Ce guide compare chacune d'elles sur la taille, la licence, le matériel, les tarifs, la compatibilité avec l'API de Jev et les benchmarks publiés.

TL;DR

• Gamme de tailles : 287M (GLiNER2.5-multi-Decide) à 35B-A3B (Mapika Decider). La taille de Jev n'est pas divulguée.
• Fonctionne sur : Des encodeurs comme Von et Laya fonctionnent sur CPU. Les adaptateurs 4B tiennent sur un GPU de 24 Go ou un Mac de 32 Go.
• Performances : La plupart des modèles open source restent derrière Jev sur le raisonnement difficile. Plusieurs l'égalent ou le dépassent sur la classification étroite.
• Meilleur : Cloudflare Clef obtient un F1 de 94.20 sur BANKING77 contre 79.74 pour Jev, selon la propre exécution de Cloudflare.
• Pire : Von 1.2 obtient une précision de 0.422 dans l'exécution de Respan, contre 0.932 pour Jev.

Qu'est-ce que Jev, et pourquoi chercher des alternatives ?

Jev est le premier modèle « System One » de TypeSafe. Vous envoyez un état, comme un ticket ou une ligne de log. Vous envoyez aussi des questions typées : Choice, Score ou Noul (oui/non). Jev évalue chaque question en une seule passe parallèle et ne génère aucun texte.

La documentation de TypeSafe indique 0.042 $ par 1M de tokens d'entrée, avec une sortie gratuite. Le contexte est de 64k tokens par requête. L'entrée est en texte uniquement. Les poids sont fermés, et l'accès passe par une liste d'attente. Les workflow evals de TypeSafe placent Jev à 67.8 % d'accord et 0.4 s par cas.

Cela laisse 4 lacunes que les développeurs soulèvent sans cesse : pas d'images, pas d'auto-hébergement, pas de taille publiée et pas de fine-tuning. Les 20 modèles ci-dessous comblent tout ou partie de ces lacunes.

Comment lire ces benchmarks ?

La plupart des chiffres ci-dessous sont auto-déclarés. Les suites diffèrent : JevBench, Decision Index, typed-decisions et le benchmark comportemental de Respan. Les scores entre suites ne sont pas comparables. Le seul tableau multi-modèles tiers provient de Respan, qui vend un modèle concurrent.

API de décision hébergées

1. Cloudflare Clef et Clef-flash

Cloudflare a annoncé Clef le 1er octobre 2026. Clef est un 27B sur Qwen3.8-27B avec un encodeur de vision. Clef-flash est un 9B sur Qwen3.5-9B. Tous deux sont sous Apache-2.0 sur Hugging Face et servis sur Workers AI. Ils acceptent le texte, le JSON et jusqu'à 4 images par requête.

Workers AI pricing est de $0.24 (Clef) et $0.038 (Clef-flash) par 1M de tokens d'entrée. Cloudflare qualifie l'API de entièrement compatible Jev. Dans sa propre évaluation, Clef a obtenu un score de 94.20 BANKING77 F1 contre 79.74 pour Jev. Jev gagne toujours sur GPQA Diamond, 78.3 contre 48.0.

2. Liquid AI d1

La famille d1 de Liquid AI propose d1 et d1-ultra hébergés, plus 2 modèles ouverts. d1-3B (3.1B) fonctionne sur LFM2.5-VL-3B. d1-omni-600M (587M) ajoute des clips audio jusqu'à 30 s. Les poids ouverts utilisent la LFM Open License.

Le guide de Liquid appelle d1 via le SDK propre de TypeSafe avec une URL de base différente. Liquid rapporte d1-3B à 48.57 sur Decision Index 0.2.1. Il indique également une latence de 8 ms sur un RTX 4090. Les nombres de paramètres hébergés et les tarifs payants ne sont pas divulgués.

3. OpenAI Decisions API

OpenAI a publié la Decisions API en bêta publique le 6 octobre 2026. Elle ne fonctionne que sur gpt-6-luna. Elle accepte le texte plus des images en base64. Les types de questions sont predicate, choice et score.

La tarification est de $0.10 par 1M de tokens d'entrée, la sortie n'étant pas facturée. Le schéma est celui d'OpenAI, il n'est donc pas compatible Jev. OpenAI revendique des réponses environ 10x plus rapides que l'API Responses. Aucun benchmark n'est publié.

4. Perplexity pplx-decider

Le modèle pplx-decider-v1-27b de Perplexity est un fine-tune de Qwen3.8-27B sous Apache-2.0. Il lit le texte, le JSON et jusqu'à 8 images par question. L' API autorise 128 questions et 255 options par requête.

La tarification actuelle est de $0.02 par 1M de tokens d'entrée pour v1.2 (27B). Un 4B flash-v1.2 coûte $0.01. Sur le panel de 11 tâches de Perplexity, il a obtenu 85.71% contre 84.51% pour Jev. Jev a tout de même remporté BBH, 94.27 contre 82.80.

5. meraGPT Decider 1

meraGPT a annoncé Decider 1 le 22 septembre 2026. Il s'agit d'un modèle hébergé, à poids fermés, textuel uniquement. Il accepte jusqu'à 10 étiquettes Choice et un contexte de 4,096 tokens. La page du modèle indique $0.04 par 1M de tokens d'entrée.

Il expose /v1/systemone et fonctionne avec le SDK TypeSafe. Lors de l'exécution typed-decisions de meraGPT, il a obtenu 0.768 contre 0.727 pour Jev. Une revue indépendante signale que son ECE de 0.180 est inférieur au 0.144 de Jev.

6. Respan Span-01

Span-01 est un modèle de notation de comportement, et non un modèle de décision général. Il renvoie des probabilités present, absent ou not_observable. Il coûte $0.02 par 1M de tokens d'entrée. Span-01 Lite est gratuit.

Respan revendique un F1 global de 0.843 sur son Behavior Benchmark. Son propre tableau de blog en montre un plus faible, 0.806, avec GPT-6 Sol en tête à 0.885. La taille, le modèle de base et la licence ne sont pas divulgués.

7. Standard Thinking Standard One

Standard One est proposé en modèles 3B et 8B, à la fois open et hébergés. Le 8B est un LoRA sur Ministral-3-8B sous Apache-2.0. Il lit le texte et les images, avec un contexte de 32,768 tokens. Il sert /v1/systemone.

La tarification du texte hébergé est de $0.018 (3B) et $0.035 (8B) par 1M de tokens. Sur JevBench public hard, le 8B a obtenu 54.95% contre 72.07% pour Jev. Il a mené sur realistic transfer, 90.83% contre 86.67%. Les deux exécutions ont été mesurées par l'éditeur.

Alternatives Jev open-weight que vous pouvez auto-héberger

8. Together AI Tev1-4B-experimental

Together a entraîné Tev1 comme un SFT LoRA de Qwen3.5-4B. Cela a coûté environ $17 et 25 minutes sur 37,840 exemples. Il choisit parmi 2 à 24 options. La fiche du modèle indique que la licence des poids est encore en cours de finalisation.

Il répond via les chat completions, et non via un endpoint Jev natif. Respan a mesuré une précision de 0.901 et un ECE de 0.031, le meilleur ECE de son tableau. Together avertit que ses logprobs ne sont pas des confiances calibrées.

9. Fastino GLiNER2.5-Decide

GLiNER2.5-Decide de Fastino est un encodeur DeBERTa-v3-large de 340M sous Apache 2.0. Il gère les décisions, l'extraction de spans et les relations en une seule passe. Il existe aussi une variante de 1B et une variante multilingue de 287M.

Sur l'ensemble à 17 domaines de Fastino, la fiche modèle indique 60.2% d'exact match. La latence p50 est de 167.3 ms sur un Xeon à 48 vCPU. Il n'est pas compatible avec l'API Jev.

10. Strands Labs Strands Decider 2B

Strands Labs d'AWS a présenté Strands Decider le 1er octobre 2026. Il compte environ 1.9B : Qwen3.5-2B-Base plus une tête de pointage. Le dépôt publie 246,678 lignes d'entraînement et la recette complète. Une RTX 3090 l'entraîne en environ 11 heures.

Il sert un endpoint local /v1/systemone sous Apache-2.0. Le checkpoint v1 a obtenu 180 sur 231 (77.9%) sur JevBench public. La latence médiane est de 115 ms sur une RTX 3090.

11. Kev (Jared Palmer)

Kev existe en tailles 0.8B, 4B, 9B et 27B sur Qwen3.5 et Qwen3.8. Kev-4B est un LoRA plus une tête de pointage sous Apache-2.0. Il prend en charge 255 options. Le SDK TypeSafe fonctionne avec lui sans modification.

Kev-4B tient sur un GPU de 24 GB ou un Mac Apple Silicon de 32 GB. Respan a mesuré une précision de 0.833 et un taux de bascule de 0.060. Le MMLU-Pro auto-déclaré est de 0.565 contre 0.840 pour Jev. L'ordre des options peut changer ses réponses.

12. Famille Mapika Decider

Decider de Mapika propose des variantes de 0.8B à 35B-A3B sur Qwen3.5 et Gemma 4. Un modèle decider-2b-vision ajoute les images. Tout est sous Apache-2.0, avec un contexte de 32k et /v1/systemone.

Sur le palier difficile public du JevBench, decider-12b v1 a égalé Jev à 0.730. Le 4B GGUF Q4_K_M fait 2.7 GB et fonctionne sur CPU. L'ECE du 4B est de 0.184 sur les éléments difficiles, attendez-vous donc à un excès de confiance.

13. Bespoke Labs Bespoke-Nimble-9B

Bespoke-Nimble-9B est un LoRA de 165 MiB sur Qwen3.5-9B, Apache-2.0 sur Hugging Face. La fiche actuelle liste 255 choix et 8,192 tokens. Il ne lit que du texte en anglais.

Sur l'ensemble de test réservé de 324 exemples de Bespoke, Nimble a obtenu 90.12 % contre 93.21 % pour Jev. La latence est d'environ 106 ms sur un H100. Il n'a été entraîné que sur 2,676 exemples, et ses probabilités ne sont pas calibrées.

14. Convai Innovations Laya

Laya est une famille basée sur ModernBERT avec des checkpoints de 421M en anglais et de 322M multilingues. Elle est sous licence Apache-2.0 et texte uniquement. Le serveur laya-serve expose un point de terminaison /v1/systemone de forme Jev.

Le checkpoint typed-decisions a obtenu 0.766 contre 0.727 pour Jev. Sur Banking77, il a obtenu 0.425 contre 0.870. Respan a mesuré une précision de 0.542 et un taux d'injection de 0.396. La latence p50 est de 32.8 ms sur un T4.

15. Von (wfzyx)

Von est un encodeur ModernBERT-large de 395M avec une tête de marqueurs d'options. Il évalue toutes les options en une seule passe bidirectionnelle. Il est sous Apache-2.0 avec un contexte de 8,192 tokens.

Le dépôt signale 0.096 s p50 sur 4 vCPUs et 0.023 s sur un A10G. Respan a mesuré Von 1.2 à 0.422 de précision, le plus bas de son tableau. Sa calibration est réglée sur JevBench et peut induire en erreur hors domaine.

16. Open-Jev-9B (Zefan Cai)

Open-Jev propose des adaptateurs 2B, 9B et 27B sur des bases Qwen3.5. Open-Jev-9B ajoute une tête scalaire et tient sur un seul GPU de 16 GB. Il correspond au format de requête /v1/systemone mais ne revendique aucune parité.

Sur un sous-ensemble de JevBench de 231 tâches, le projet signale 77.49 % pour le 9B et 85.28 % pour le 27B v1.1. Chaque candidat est plafonné à 4,096 tokens. Les tâches numériques et temporelles sont faibles.

17. OpenJev sur DiffusionGemma (razorback16)

Ce OpenJev lit les décisions depuis le DiffusionGemma 26B-A4B de NVIDIA (4B actifs). Il accepte du texte plus jusqu'à 8 images. Il utilise la même API filaire, donc les SDK Jev fonctionnent sans modification.

Le projet signale 87.4 % sur JevBench public et 30 ms p50 à 49 tokens. Un point de terminaison hébergé gratuit donne 100M tokens par compte. L'auto-hébergement nécessite un GPU NVIDIA d'au moins 24 GB.

18. InnerJev-4B et InnerJev-27B

InnerJev provient d'une équipe de Fudan, Tongji et King's College London. Il distille le raisonnement de LLM en une décision en une seule passe. L'article introduit également JEVal : 11,257 instances réparties sur 36 jeux de données.

Sur JEVal, InnerJev-27B a obtenu 79.24 % contre 78.38 % pour Jev. Son ECE était de 0.0149 contre 0.0532 pour Jev. InnerJev-4B a obtenu 71.92 %. Le code est sur GitHub; la licence n'est pas indiquée.

19. SemIf

SemIf lit des décisions typées à partir de LLM ouverts existants, avec Qwen3.5-4B par défaut. Une démo WebGPU exécute des modèles quantifiés dans le navigateur. Le code est sous MIT.

Sur un sous-ensemble TypeSafe de 102 lignes, SemIf a obtenu une précision équilibrée de 0.845 contre 0.883 publiés par Jev. Sur une RTX 3090, les logits directs ont pris 1.023 s contre 5.332 s pour la génération JSON. Il n'a pas de point de terminaison compatible avec Jev.

20. Rizzo Flow

Rizzo Flow de Rizzo AI Academy est un LoRA sur Spark-X2.5-4B sous Apache-2.0. Il sert un /v1/decisions natif et un /v1/systemone compatible avec Jev. Le choix est plafonné à 26 options.

Sur 400 cas de décisions typées, il a obtenu 0.648 contre 0.574 pour le modèle de base. La figure de la carte de jeu de données de Jev est 0.727. Il n'est pas calibré par défaut.

Que montre la seule exécution tierce multi-modèles ?

Respan a utilisé son juge Span-01 pour évaluer 11 modèles. Plus la valeur est basse, mieux c'est pour chaque colonne sauf la précision.

Source : Respan, 16 octobre 2026. Tev1 a surpassé Jev en résistance à l'injection et en calibration. Jev a mené en précision et en cohérence.

Tableau comparatif des alternatives à Jev

Quelle alternative à Jev devriez-vous choisir ?

• Besoin d'images : Clef, pplx-decider, Standard One ou le DiffusionGemma OpenJev.
• Besoin d'un remplacement direct de Jev : Clef, Kev, Decider, meraGPT ou Laya exposent /v1/systemone.
• Besoin de CPU ou d'edge : Von, Laya, GLiNER2.5-Decide ou le d1-omni-600M de Liquid.
• Besoin d'entraîner le vôtre : Strands Decider et le Tev1 de Together publient des recettes complètes.
• Besoin de l'appel hébergé le moins cher : le flash-v1.2 de Perplexity à 0,01 $ par 1M de tokens d'entrée.

Quoi que vous choisissiez, testez-le d'abord sur vos propres données étiquetées. Les modèles de décision peuvent renvoyer une réponse valide qui est néanmoins erronée.

Points clés

• 20 alternatives à Jev ont été publiées dans les 4 semaines environ suivant le lancement de Jev.
• Clef, pplx-decider et Standard One ajoutent l'entrée d'images qui manque à Jev.
• Le flash-v1.2 de Perplexity est moins cher que Jev à 0,01 $ par 1M de tokens d'entrée.
• Dans l'exécution de Respan, Jev conserve la meilleure précision à 0.932.
• Presque tous les scores proviennent des fournisseurs eux-mêmes, faites donc votre benchmark sur vos propres données.

L'article 20 alternatives à Jev : les modèles de décision qui défient TypeSafe en 2026 est applu en premier sur MarkTechPost.