TypeSafe가 출시한 Jev는 2026년 9월 15일자 결정 모델로, 챗봇이 아닙니다. 허용되는 답변을 정의하면 Jev는 레이블, 점수 또는 예/아니요 확률을 반환합니다. 약 4주 만에 최소 20가지 Jev 대안이 출시되었습니다. 이들은 Cloudflare, OpenAI, Perplexity, Liquid AI, AWS의 Strands Labs 및 독립 개발자들에서 나왔습니다. 이 가이드는 크기, 라이선스, 하드웨어, 가격, Jev API 호환성 및 공개 벤치마크를 기준으로 각각을 비교합니다.
요약(TL;DR)
- 크기 범위: 287M(GLiNER2.5-multi-Decide)부터 35B-A3B(Mapika Decider)까지. Jev의 크기는 공개되지 않았습니다.
- 실행 환경: Von, Laya 같은 인코더는 CPU에서 실행됩니다. 4B 어댑터는 24 GB GPU 또는 32 GB Mac에 들어갑니다.
- 성능: 대부분의 오픈 모델은 어려운 추론에서 Jev에 뒤집니다. 몇몇은 좁은 분류 작업에서 Jev와 동등하거나 능가합니다.
- 최고: Cloudflare의 자체 실행 결과에 따르면 Cloudflare Clef는 94.20 BANKING77 F1을 기록했으며, 이는 Jev의 79.74보다 높습니다.
- 최악: Respan의 실행 결과에서 Von 1.2는 0.422 정확도를 기록했으며, Jev는 0.932였습니다.
Jev란 무엇이며, 왜 대안을 찾아야 할까요?
Jev는 TypeSafe의 첫 번째 ‘System One’ 모델입니다. 티켓이나 로그 라인 같은 상태를 보냅니다. 또한 유형화된 질문을 보냅니다: Choice, Score 또는 Noul(예/아니요). Jev는 모든 질문을 하나의 병렬 패스로 평가하며 텍스트를 생성하지 않습니다.
TypeSafe의 문서 에 따르면 입력 토큰 1M당 $0.042이며 출력은 무료입니다. 컨텍스트는 요청당 64k 토큰입니다. 입력은 텍스트만 가능합니다. 가중치는 비공개이며, 접근은 대기자 명단을 통해 이루어집니다. TypeSafe의 워크플로우 평가 에서 Jev는 67.8% 일치율과 사례당 0.4초를 기록했습니다.
개발자들이 계속 제기하는 4가지 공백이 남아 있습니다: 이미지 미지원, 셀프 호스팅 불가, 공개된 크기 없음, 파인튜닝 불가. 아래의 20가지 모델은 이 중 일부 또는 전부를 채웁니다.
이 벤치마크를 어떻게 읽어야 할까요?
아래 수치 대부분은 자체 보고된 것입니다. 스위트가 서로 다릅니다: JevBench, Decision Index, typed-decisions 및 Respan의 행동 벤치마크. 스위트 간 점수는 비교할 수 없습니다. 다중 모델 서드파티 표는 경쟁 모델을 판매하는 Respan에서 나온 것 하나뿐입니다.
호스티드 결정 API
1. Cloudflare Clef 및 Clef-flash
Cloudflare가 Clef를 발표했습니다 2026년 10월 1일. Clef는 Qwen3.8-27B 기반의 27B 비전 인코더 탑재 모델입니다. Clef-flash는 Qwen3.5-9B 기반의 9B입니다. 둘 다 Hugging Face에서 Apache-2.0으로 공개되어 Workers AI를 통해 제공됩니다. 요청당 텍스트, JSON, 최대 4개의 이미지를 입력받습니다.
Workers AI 가격 은 $0.24(Clef)이며 $0.038(Clef-flash) 1M 입력 토큰당입니다. Cloudflare는 이 API가 Jev와 완전히 호환된다고 밝혔습니다. 자체 평가에서 Clef는 Jev의 79.74 대비 BANKING77 F1 94.20을 기록했습니다. GPQA Diamond에서는 Jev가 78.3 대 48.0으로 여전히 앞서 있습니다.
2. Liquid AI d1
Liquid AI의 d1 계열 은 호스티드 d1, d1-ultra에 더해 오픈 모델 2개를 보유하고 있습니다. d1-3B (3.1B)는 LFM2.5-VL-3B 기반에서 동작합니다. d1-omni-600M(587M)은 최대 30초 길이의 오디오 클립을 지원합니다. 오픈 가중치는 LFM Open License를 사용합니다.
Liquid의 가이드 는 다른 베이스 URL을 사용해 TypeSafe 자체 SDK를 통해 d1을 호출합니다. Liquid는 Decision Index 0.2.1에서 d1-3B가 48.57점을 기록했다고 보고했습니다. RTX 4090에서 8ms 지연 시간도 보고했습니다. 호스티드 파라미터 수와 유료 요율은 공개되지 않았습니다.
3. OpenAI Decisions API
OpenAI는 2026년 10월 6일 Decisions API 를 퍼블릭 베타 2026년 10월 6일에 출시되었습니다. gpt-6-luna에서만 동작합니다. 텍스트와 base64 이미지를 입력받습니다. 질문 유형은 predicate, choice, score입니다.
가격은 1M 입력 토큰당 $0.10이며 출력은 과금되지 않습니다. 스키마는 OpenAI 자체 규격이므로 Jev 호환이 아닙니다. OpenAI는 Responses API보다 약 10배 빠른 응답을 제공한다고 주장합니다. 공개된 벤치마크는 없습니다.
4. Perplexity pplx-decider
Perplexity의 pplx-decider-v1-27b 는 Apache-2.0 라이선스의 Qwen3.8-27B 파인튜닝 모델입니다. 질문당 텍스트, JSON, 최대 8개의 이미지를 처리합니다. 이 API 는 요청당 128개의 질문과 255개의 옵션을 허용합니다.
그 현재 가격 v1.2(27B)의 가격은 1M 입력 토큰당 $0.02입니다. 4B flash-v1.2는 $0.01입니다. Perplexity의 11개 과제 패널에서는 Jev의 84.51% 대비 85.71%를 기록했습니다. 그럼에도 Jev는 BBH에서 94.27 대 82.80으로 승리했습니다.
5. meraGPT Decider 1
meraGPT가 Decider 1을 발표했다 2026년 9월 22일에 발표되었습니다. 호스팅형, 클로즈드 웨이트, 텍스트 전용 모델입니다. 최대 10개의 Choice 라벨과 4,096토큰의 컨텍스트를 지원합니다. 이 모델 페이지 1M 입력 토큰당 $0.04를 책정하고 있습니다.
/v1/systemone을 노출하며 TypeSafe SDK와 함께 작동합니다. meraGPT의 typed-decisions 실행에서 0.768을 기록해 Jev의 0.727보다 높았습니다. An 독립 검토 ECE 0.180이 Jev의 0.144에 뒤처진다는 점을 지적합니다.
6. Respan Span-01
스팬-01 은 행동 점수화 모델이지, 범용 의사결정 모델이 아닙니다. present, absent 또는 not_observable 확률을 반환합니다. 비용은 입력 토큰 1M당 $0.02입니다. Span-01 Lite 무료입니다.
Respan은 자사의 Behavior Benchmark에서 전체 F1 0.843을 주장합니다. 그러나 자체 블로그 표에는 더 낮은 0.806이 표시되어 있으며, GPT-6 Sol이 0.885로 앞서 있습니다. 크기, 베이스 모델 및 라이선스는 공개되지 않았습니다.
7. 표준적 사고 표준 1
표준 1 3B 및 8B 모델로 제공되며, 오픈 모델과 호스팅 모델 모두입니다. 이 8B Ministral-3-8B 기반의 Apache-2.0 라이선스 LoRA입니다. 텍스트와 이미지를 읽을 수 있으며, 32,768 토큰의 컨텍스트를 지원합니다. /v1/systemone 엔드포인트로 서비스됩니다.
호스팅 텍스트 가격은 1M 토큰당 $0.018(3B) 및 $0.035(8B)입니다. JevBench public hard에서 8B는 54.95%를 기록했으며 Jev의 72.07%와 비교됩니다. 현실적인 transfer 항목에서는 90.83% 대 86.67%로 앞섰습니다. 두 실행 결과 모두 게시사가 측정한 것입니다.
직접 호스팅할 수 있는 오픈 웨이트 Jev 대안들
8. Together AI Tev1-4B-experimental
같이 Tev1을 학습시켰다 Qwen3.5-4B의 LoRA SFT로서 학습되었습니다. 37,840개의 예시에 대해 약 17달러와 25분이 소요되었습니다. 2개에서 24개의 선택지 중에서 고릅니다. The 모델 카드 가중치 라이선스가 아직 확정되는 중이라고 말했습니다.
채팅 완료(chat completions)를 통해 응답하며, 네이티브 Jev 엔드포인트가 아닙니다. Respan은 0.901의 정확도와 0.031의 ECE를 측정했으며, 이는 해당 표에서 가장 좋은 ECE입니다. Together는 이 모델의 logprobs가 보정된 신뢰도가 아니라고 경고합니다.
9. Fastino GLiNER2.5-Decide
Fastino의 GLiNER2.5-Decide 는 Apache 2.0 라이선스의 340M DeBERTa-v3-large 인코더입니다. 한 번의 패스로 결정, 스팬 추출 및 관계를 처리합니다. 1B 및 287M 다국어 변형도 존재합니다.
Fastino의 17개 도메인 세트에서 모델 카드는 60.2% 정확 일치를 기록하고 있습니다. p50 지연 시간은 48-vCPU Xeon에서 167.3 ms입니다. Jev API와는 호환되지 않습니다.
10. Strands Labs Strands Decider 2B
AWS의 Strands Labs는 2026년 10월 1일 Strands Decider를 2026년 10월 1일에 공개했습니다. 약 1.9B 규모로, Qwen3.5-2B-Base에 포인터 헤드를 추가한 것입니다. 해당 저장소에는 246,678개의 학습 행과 전체 레시피가 게시되어 있습니다. RTX 3090 한 장으로 약 11시간 만에 학습할 수 있습니다.
Apache-2.0 라이선스로 로컬 /v1/systemone 엔드포인트를 제공합니다. v1 체크포인트는 JevBench public에서 231점 중 180점(77.9%)을 기록했습니다. RTX 3090에서 중간 지연 시간은 115 ms입니다.
11. Kev (Jared Palmer)
Kev는 Qwen3.5와 Qwen3.8 기반으로 0.8B, 4B, 9B, 27B 크기로 제공됩니다. Kev-4B 는 Apache-2.0 라이선스의 LoRA에 포인터 헤드를 결합한 모델입니다. 255개의 옵션을 지원합니다. TypeSafe SDK는 수정 없이 그대로 작동합니다.
Kev-4B는 24 GB GPU 또는 32 GB Apple Silicon Mac에 적재됩니다. Respan은 0.833의 정확도와 0.060의 플립률을 측정했습니다. 자체 보고된 MMLU-Pro는 0.565로 Jev의 0.840에 비해 낮습니다. 옵션 순서에 따라 답변이 달라질 수 있습니다.
12. Mapika Decider 계열
Mapika의 Decider는 Qwen3.5와 Gemma 4 기반으로 0.8B에서 35B-A3B 변형까지 제공됩니다. decider-2b-vision 모델은 이미지도 처리합니다. 모든 것이 Apache-2.0이며, 32k 컨텍스트와 /v1/systemone을 지원합니다.
JevBench public hard 티어에서 decider-12b v1은 Jev와 0.730으로 동률을 이뤘습니다. 4B GGUF의 Q4_K_M은 2.7 GB이며 CPU에서 실행됩니다. 4B의 ECE는 어려운 항목에서 0.184이므로 과신을 예상해야 합니다.
13. Bespoke Labs Bespoke-Nimble-9B
Bespoke-Nimble-9B는 Qwen3.5-9B 기반의 165 MiB LoRA로, Hugging Face에서 Apache-2.0 라이선스로 공개되었습니다. 현재 카드는 255개의 선택지와 8,192 토큰을 명시하고 있습니다. 영어 텍스트만 읽을 수 있습니다.
Bespoke의 324개 예제로 구성된 홀드아웃 세트에서, Nimble가 확보했다 90.12% 대 Jev의 93.21%. H100에서 지연 시간은 약 106 ms입니다. 단 2,676개의 예제만으로 학습되었으며, 확률이 보정(calibration)되어 있지 않습니다.
14. Convai Innovations Laya
Laya 421M 영어 및 322M 다국어 체크포인트를 갖춘 ModernBERT 기반 모델 패밀리입니다. Apache-2.0 라이선스이며 텍스트 전용입니다. laya-serve 서버는 Jev 형태의 /v1/systemone 엔드포인트를 제공합니다.
typed-decisions 체크포인트는 0.766을 기록한 반면 Jev는 0.727을 기록했습니다. Banking77에서는 0.425 대 0.870을 기록했습니다. Respan은 0.542의 정확도와 0.396의 주입 성공률을 측정했습니다. p50 지연 시간은 T4에서 32.8 ms입니다.
15. Von (wfzyx)
폰 옵션 마커 헤드를 갖춘 395M ModernBERT-large 인코더입니다. 하나의 양방향 패스로 모든 옵션에 점수를 매깁니다. 8,192토큰 컨텍스트를 지원하는 Apache-2.0 라이선스입니다.
이 repo 4 vCPU에서 p50 0.096초, A10G에서 0.023초를 보고합니다. Respan은 Von 1.2를 0.422 정확도로 측정했으며, 이는 표에서 가장 낮은 수치입니다. 이 보정은 JevBench에 맞춰져 있어 도메인 외부에서는 오해를 일으킬 수 있습니다.
16. Open-Jev-9B (Zefan Cai)
Open-Jev Qwen3.5 베이스 모델 위에 2B, 9B, 27B 어댑터를 출시합니다. Open-Jev-9B 스칼라 헤드를 추가하며 16 GB GPU 한 대로 학습할 수 있습니다. /v1/systemone 요청 형식과 일치하지만 동등성(parity)은 주장하지 않습니다.
231개 작업으로 구성된 JevBench 하위 집합에서 이 프로젝트는 9B의 경우 77.49%, 27B v1.1의 경우 85.28%를 보고합니다. 각 후보는 4,096 토큰으로 제한됩니다. 수치 및 타임라인 작업은 약합니다.
17. DiffusionGemma에서의 OpenJev (razorback16)
이 OpenJev NVIDIA의 DiffusionGemma 26B-A4B(활성 파라미터 4B)의 결정을 읽어들입니다. 텍스트와 최대 8개의 이미지를 함께 입력받을 수 있습니다. 동일한 wire API를 사용하므로 Jev SDK는 변경 없이 그대로 작동합니다.
이 프로젝트는 JevBench 공개 벤치마크에서 87.4%, 49 토큰 기준 p50 30 ms를 보고합니다. 계정당 100M 토큰을 제공하는 무료 호스팅 엔드포인트가 있습니다. 자체 호스팅에는 최소 24 GB의 NVIDIA GPU가 필요합니다.
18. InnerJev-4B 및 InnerJev-27B
InnerJev 푸단대학교, 퉁지대학교 및 King’s College London 팀의 연구 결과입니다. 이 연구는 LLM 추론을 단일 패스(single-pass) 의사결정으로 증류합니다. 논문에서는 36개 데이터셋에 걸쳐 11,257개 인스턴스로 구성된 JEVal도 소개합니다.
JEVal에서 InnerJev-27B는 79.24%를 기록해 Jev의 78.38%를 앞섰다. ECE는 0.0149로 Jev의 0.0532보다 낮았다. InnerJev-4B는 71.92%를 기록했다. 코드는 GitHub에 있습니다; 라이선스가 명시되어 있지 않습니다.
19. SemIf
SemIf 기존 오픈 LLM이 생성한 타이핑된 결정을 읽어들이며, 기본 모델은 Qwen3.5-4B입니다. WebGPU 데모는 양자화된 모델을 브라우저에서 실행합니다. 코드는 MIT 라이선스입니다.
102행 TypeSafe 서브셋에서 SemIf는 균형 정확도 0.845를 기록했으며, Jev의 공개된 수치는 0.883이었습니다. RTX 3090에서 직접 로짓 방식은 1.023초가 걸린 반면 JSON 생성은 5.332초가 걸렸습니다. Jev 호환 엔드포인트는 없습니다.
20. Rizzo Flow
Rizzo Flow Rizzo AI Academy의 제품으로, Apache-2.0 라이선스의 Spark-X2.5-4B 기반 LoRA입니다. 네이티브 /v1/decisions 와 Jev 호환 /v1/systemone 을 제공하며, 선택지는 최대 26개로 제한됩니다.
400건의 타입 지정 의사결정 사례에서 기본 모델의 0.574 대비 0.648을 기록했습니다. Jev의 데이터셋 카드 수치는 0.727입니다. 기본값으로는 보정되어 있지 않습니다.
유일한 멀티 모델 서드파티 실행 결과는 무엇을 보여주는가?
Respan은 자체 Span-01 저지를 사용하여 11개 모델을 평가했습니다. 정확도를 제외한 모든 열에서는 수치가 낮을수록 좋습니다.
| 모델 | 정확도 | 쌍별 뒤집기 비율 | 인젝션 ASR | ECE |
|---|---|---|---|---|
| Jev 1.13.0 | 0.932 | 0.021 | 0.063 | 0.045 |
| Tev1 4B | 0.901 | 0.052 | 0.042 | 0.031 |
| Kev 4B | 0.833 | 0.060 | 0.078 | 0.070 |
| Decider 2B v10 | 0.747 | 0.128 | 0.208 | 0.074 |
| Laya | 0.542 | 0.298 | 0.396 | 0.092 |
| Von 1.2 | 0.422 | 0.242 | 0.297 | 0.071 |
출처: Respan, 2026년 10월 16일. Tev1은 injection 저항성과 calibration에서 Jev를 이겼습니다. Jev는 정확도와 일관성에서 앞섰습니다.
Jev 대안 비교 표
| # | 모델 | 기관 | 크기 | 라이선스 | 입력 | Jev API | 가격 (1M 입력당) | 주요 결과 (출처) |
|---|---|---|---|---|---|---|---|---|
| 참조 | Jev 1.13 | TypeSafe | 미공개 | 클로즈드 | 텍스트 | 네이티브 | $0.042 | 0.932 정확도 (Respan) |
| 1 | Clef / Clef-flash | Cloudflare | 27B / 9B | Apache-2.0 | 텍스트, 이미지 | 예 | $0.24 / $0.038 | 94.20 BANKING77 F1 (벤더) |
| 2 | d1 family | Liquid AI | 587M개에서 3.1B개 공개; 호스팅 규모는 미공개 | LFM Open | 텍스트, 이미지, 오디오 | TypeSafe SDK 경유 | 공개되지 않음 | 48.57 Decision Index (벤더) |
| 3 | Decisions API | OpenAI | 공개되지 않음 | 비공개 | 텍스트, 이미지 | 아니오 | $0.10 | 게시되지 않음 |
| 4 | pplx-decider | Perplexity | 27B / 4B flash | Apache-2.0 | 텍스트, 이미지 | 아니오 | $0.02 / $0.01 | 85.71% vs Jev 84.51% (벤더) |
| 5 | Decider 1 | meraGPT | 공개되지 않음 | 비공개 | 텍스트 | 예 | $0.04 | 0.768 typed-decisions (벤더) |
| 6 | Span-01 | Respan | 공개되지 않음 | 명시되지 않음 | 텍스트 | 명시되지 않음 | $0.02 (Lite 무료) | 0.843 F1 (벤더) |
| 7 | Standard One | Standard Thinking | 3B / 8B | Apache-2.0 | 텍스트, 이미지 | /v1/systemone | $0.018 / $0.035 | 54.95% JevBench hard (벤더) |
| 8 | Tev1-4B-experimental | Together AI | 4B | 최종 확정 중 | 텍스트 | 아니요 | $0.042 (OpenRouter) | 0.901 정확도 (Respan) |
| 9 | GLiNER2.5-Decide | Fastino | 340M | Apache 2.0 | 텍스트 | 아니요 | 미공개 | 60.2% 정확 일치 (벤더) |
| 10 | Strands Decider | Strands Labs (AWS) | ~1.9B | Apache-2.0 | 텍스트 | /v1/systemone | 무료, 로컬 | 77.9% JevBench public (프로젝트) |
| 11 | Kev-4B | Jared Palmer | 0.8B to 27B | Apache-2.0 | 텍스트 | 예 | 무료, 로컬 | 0.833 acc (Respan) |
| 12 | Decider 계열 | Mapika | 0.8B to 35B-A3B | Apache-2.0 | 텍스트, 이미지 (2B) | 예 | 무료, 로컬 | 0.730 JevBench hard, 12B (프로젝트) |
| 13 | Bespoke-Nimble-9B | Bespoke Labs | 9B | Apache-2.0 | 텍스트 | 명시되지 않음 | 무료, 로컬 | 90.12% vs Jev 93.21% (벤더) |
| 14 | Laya | Convai Innovations | 322M / 421M | Apache-2.0 | 텍스트 | 예 | 무료, 로컬 | 0.542 acc (Respan) |
| 15 | Von | wfzyx | 395M | Apache-2.0 | 텍스트 | 미명시 | 무료, 로컬 | 0.422 acc (Respan) |
| 16 | Open-Jev-9B | Zefan Cai | 2B에서 27B | Apache-2.0 | 텍스트 | 요청 형태만 | 무료, 로컬 | 77.49% JevBench subset (프로젝트) |
| 17 | OpenJev (DiffusionGemma) | razorback16 | 26B-A4B | Apache-2.0 (코드) | 텍스트, 이미지 | 예 | 무료 티어, 100M 토큰 | 87.4% JevBench public (프로젝트) |
| 18 | InnerJev | 학술 팀 | 4B / 27B | 미명시 | 텍스트 | 미명시 | 무료, 로컬 | 79.24% vs Jev 78.38% JEVal (저자) |
| 19 | SemIf | TheoLeeCJ | 0.6B to 4B (base LLMs) | MIT (code) | Text | No | Free, local | 0.845 vs Jev 0.883 (author) |
| 20 | Rizzo Flow | Rizzo AI Academy | 4B / 1.7B | Apache-2.0 | Text | Yes | Free, local | 0.648 typed-decisions (author) |
어떤 Jev 대안을 선택해야 할까요?
- 이미지가 필요한 경우: Clef, pplx-decider, Standard One 또는 DiffusionGemma OpenJev.
- Jev를 즉시 대체할 수 있는(drop-in) 솔루션이 필요한 경우: Clef, Kev, Decider, meraGPT 또는 Laya는 /v1/systemone을 제공합니다.
- CPU 또는 엣지가 필요한 경우: Von, Laya, GLiNER2.5-Decide 또는 Liquid의 d1-omni-600M.
- 직접 학습시키고 싶은 경우: Strands Decider와 Together의 Tev1은 전체 레시피를 공개했습니다.
- 가장 저렴한 호스팅 호출이 필요한 경우: Perplexity의 flash-v1.2는 1M 입력 토큰당 $0.01입니다.
어떤 것을 선택하든 먼저 자신의 레이블링된 데이터로 테스트하세요. 결정 모델은 유효해 보이지만 여전히 잘못된 답을 반환할 수 있습니다.
핵심 요약
- Jev 출시 후 약 4주 이내에 20개의 Jev 대안이 출시되었습니다.
- Clef, pplx-decider, Standard One은 Jev에 없는 이미지 입력 기능을 추가합니다.
- Perplexity의 flash-v1.2는 1M 입력 토큰당 $0.01로 Jev보다 저렴합니다.
- Respan의 실행에서 Jev는 여전히 0.932로 정확도 1위입니다.
- 거의 모든 점수는 벤더가 실행한 것이므로, 자체 데이터로 직접 벤치마크하세요.
이 글 20 Jev Alternatives: The Decision Models Taking On TypeSafe in 2026 은 다음에서 처음 게시되었습니다 MarkTechPost.