TypeSafe AI

Un modèle qui ne génère pas de texte

TypeSafe AI sort de deux ans de stealth le 15 septembre 2026 avec Jev, son premier modèle. Le contrat d'API tient en une phrase : un état non structuré en entrée, des décisions typées et probabilisées en sortie. Jev ne produit aucune phrase — ni code, ni explication, ni conversation. Il reçoit un état (un texte, un document, un message client, l'état d'un programme) et une ou plusieurs questions typées, qu'il évalue en parallèle sur ce même état.

L'API expose trois primitives : Choice (choisir dans une liste fermée), Score (noter selon une rubrique) et Noul (estimer entre 0 et 1 la probabilité qu'une affirmation soit vraie). Chaque réponse porte une valeur structurée, une distribution de probabilités et un score de confiance. Le format est imposé par l'architecture, en amont de toute génération : selon l'éditeur, le modèle n'a aucun moyen de renvoyer une option hors liste ou un JSON malformé.

L'entreprise est cofondée par Diogo Almeida, ancien chercheur d'OpenAI passé par InstructGPT et ChatGPT, avec Erik Gafni et Sasha Sheng. Elle annonce une levée de 40 millions de dollars en seed menée par DCVC.

RLCD : entraîner la calibration plutôt que la préférence

La méthode d'entraînement revendiquée s'appelle RLCD, pour Reinforcement Learning for Calibrated Decisions. La documentation de l'éditeur la distingue du RLHF, qui optimise la préférence humaine, et du RLVR, qui optimise des récompenses vérifiables. L'objectif affiché est la calibration : quand le modèle annonce 80 % de confiance, l'événement devrait se produire environ 80 % du temps sur un grand nombre de prédictions.

L'acronyme est homonyme d'un RLCD publié par Meta en 2023 (Reinforcement Learning from Contrastive Distillation), sans rapport. L'implémentation précise de la méthode TypeSafe n'est pas documentée publiquement, pas plus que la taille du modèle, son architecture exacte ou ses données d'entraînement.

Ce qui reste à vérifier

Les gains annoncés — 20 à 200× en vitesse, 40 à 400× en coût face aux LLM sur des tâches de décision — sont mesurés par l'éditeur sur ses propres évaluations. Aucune évaluation indépendante n'existe à la date de publication de cette fiche. La tarification affichée est de 0,042 $ par million de tokens en entrée, les tokens de sortie étant annoncés gratuits.

Le modèle reste accessible sur liste d'attente. Almeida situe lui-même Jev à « un solide 8,5/10 » sur les tâches auxquelles il est destiné, et exclut explicitement qu'il serve de modèle généraliste. Le nom vient du paradoxe de Jevons : l'éditeur parie que des décisions très bon marché créeront des usages que personne ne déploie aux tarifs actuels.