TypeSafe AI가 2026년 9월 15일 공개한 Jev는 문장을 생성하지 않는 모델이다. 미리 정의해둔 타입의 값과 그 값의 확률을 내놓는다. 분류나 라우팅처럼 결과만 필요한 작업에서 대규모 언어 모델(LLM)을 대체할 수 있고, 글을 써야 하는 작업에는 쓸 수 없다.
Jev는 정확히 무엇을 출력하나
Jev는 타입이 보장된 구조화된 값과 보정된 확률을 출력한다. TypeSafe AI는 이걸 비정형 상태를 넣으면 타입 안전한 확률적 결정이 나오는 구조로 설명한다. 회사 표현으로는 프런티어 지능을 가진 함수 호출에 가깝다.
고객 지원 라우팅이 표준 예시다. "물건이 파손돼서 왔고 환불해달라"는 문의가 들어왔을 때, 보통의 대규모 언어 모델은 상황 설명 문단을 생성하고 코드가 그 문단을 파싱한다. Jev는 queue=billing, priority=high, refund_review=true 같은 값을 확률과 함께 바로 돌려준다.
TypeSafe AI는 이 부류를 System One Model이라고 부른다. 이름은 대니얼 카너먼의 "생각에 관한 생각"에 나오는 빠르고 직관적인 시스템 1과 느리고 숙고적인 시스템 2 구분에서 왔다. 모델 이름 Jev는 경제학자 윌리엄 스탠리 제번스에서 따왔다. 지능 가격이 한 자릿수 내려갈 때마다 수요가 그보다 더 크게 늘어난다는 제번스 역설을 염두에 둔 작명이다.
누가 만들었나
디오고 알메이다가 만들었다. OpenAI 연구자 출신이고 인간 피드백 기반 강화학습(RLHF)과 ChatGPT의 공동 개발자 중 한 명이다. 2년간 스텔스 상태였고 펀딩은 4천만 달러 규모다 (The Register, 2026).
훈련법은 새로 만들었다. 보정된 결정을 위한 강화학습(RLCD, Reinforcement Learning for Calibrated Decisions)이라고 부르고, 모델이 내놓는 확률값이 실제 적중률과 맞아떨어지게 만드는 것이 목표다. 알메이다는 Jev가 합성 데이터만으로 학습됐고 데이터를 직접 만들기로 한 초기 결정이 회사 최고의 선택이었다고 말했다 (TechCrunch, 2026).
성능 주장은 믿을 만한가
숫자는 전부 회사 자체 평가이고 제3자 검증은 아직 없다. TypeSafe AI가 공개한 값은 종단 응답시간 70ms에서 500ms, 입력 100만 토큰당 0.042달러, 출력 토큰 무료다. 홈페이지의 193.6배 빠름과 444.6배 저렴은 자체 워크플로 평가에서 나왔고, 정답 기준은 GPT-6 Astra와 Claude Fable 5.1 답변의 평균이다 (TypeSafe AI, 2026).
회사가 스스로 붙인 단서를 같이 읽어야 한다. TypeSafe AI는 타입 에러 0%가 실측치가 아니라 스키마가 보장하는 값이라고 명시했고, 평가용 워크플로를 자사 모델 역량팀이 만들었으므로 편향이 있을 수 있다고 적었다. 속도 측정도 서비스가 위치한 미국 서부에서 돌린 결과라고 밝혔다.
반대 의견도 있다. 개발자 션 괴데케는 Jev가 구조화 출력을 쓰는 평범한 대규모 언어 모델과 근본적으로 다르지 않으며 진짜 가치는 인터페이스에 있다고 봤다 (Sean Goedecke, 2026). TechCrunch는 외부 관측자들이 Jev를 오픈웨이트 언어 모델 위에 올린 구조로 추정한다고 전했고, 알메이다는 아키텍처를 공개하지 않고 있다.
실제로 어디에 쓰나
TypeSafe AI가 제시하는 용도는 워크플로 분기, 대용량 데이터 분류, 실시간 애플리케이션, 그리고 다른 AI의 입출력 검증이다. 손으로 짠 if문이 너무 뻣뻣한 자리에 확률 기반 판단을 끼워 넣는 용법이다.
LangChain은 Jev를 에이전트 중간에 미들웨어로 넣는 예제를 공개했다. 요청 난이도를 Jev가 먼저 평가해서 쉬운 건 싸고 빠른 모델로, 어려운 건 좋은 모델로 보내는 모델 라우팅, 그리고 위험한 툴 호출을 실행 전에 걸러내는 검사 두 가지다 (LangChain, 2026).
데모 중에서는 Doom이 가장 많이 회자됐다. 게임 상태를 구조화된 데이터로 넣고 초당 10회씩 판단시키는 방식이고 비용은 시간당 약 7달러다. TypeSafe AI는 이미지가 아니라 텍스트 상태 기반이라고 단서를 달았다. 위키레이싱 데모는 수백에서 수천 개 링크 중 하나를 고르는 과제라 할루시네이션 없이 고카디널리티 선택을 하는 이점을 보여준다.
지금 당장 적용할 수 있는 것
Jev는 얼리액세스 웨이트리스트라 대부분 당장은 못 쓴다. 수요가 몰려 API 서빙이 잠시 중단되기도 했다.
대신 패턴은 오늘 쓰는 모델에 그대로 적용할 수 있다. 분류나 라우팅에 대규모 언어 모델을 쓰고 있다면 자유 서술을 시키지 말고 선택지를 미리 열거해 구조화 출력으로 받는다. 여기에 확신도를 같이 받아 임계값 아래는 사람에게 넘기면 Jev가 노리는 자동화 구조에 근사한다. TypeSafe AI는 이 목적의 System One 어댑터를 파이썬 오픈소스로 공개해뒀고, 워크플로 평가의 전체 쿼리와 불일치 사례는 평가 사이트에 있다.
내가 틀릴 수 있는 지점
속도와 비용 우위가 전부 자체 평가라는 점이 가장 약한 고리다. 독립 벤치마크에서 실제 프로덕션 워크로드 기준 격차가 한 자릿수 배수로 줄어든다면 새로운 모델 클래스라는 평가는 과하다고 봐야 한다. 반대로 경쟁사가 같은 형태의 모델을 내놓기 시작하면 이 방향이 맞았다는 신호로 읽으면 된다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.