타입세이프 Jev 공개, 시스템 원 모델과 4,000만 달러 시드

타입세이프가 9월 15일 시스템 원 모델 Jev를 공개하고 DCVC가 주도한 4,000만 달러 시드 투자를 발표했습니다. 글을 만들지 않고 타입이 정해진 결정만 내놓는 모델이며, 회사가 내세운 수치와 개발자들이 지적한 조건을 함께 정리했습니다.

타입세이프(TypeSafe AI)가 9월 15일 첫 시스템 원 모델 Jev를 공개하고 얼리 액세스를 열었습니다. 같은 날 DCVC가 주도한 4,000만 달러 시드 투자도 알리며 2년 만에 스텔스에서 나왔습니다. 회사를 세운 사람은 OpenAI에서 RLHF와 ChatGPT 연구에 참여한 디오고 알메이다(Diogo Almeida)이며, 에릭 가프니(Erik Gafni)와 사샤 셩(Sasha Sheng)이 공동 창업자입니다.

Jev의 특이한 점은 글을 만들지 않는다는 것입니다. 채팅 응답도 코드도 설명도 내놓지 않습니다. 개발자가 미리 정해둔 선택지 중 하나, 미리 정해둔 등급 사이의 점수, 예·아니오 확률만 돌려줍니다. 회사는 이 모델을 "프런티어 지능 함수 호출"이라고 부릅니다. 구조화되지 않은 상태를 넣으면 타입이 정해진 확률적 결정이 나온다는 뜻입니다.

70~500ms

요청 하나의 종단 응답 시간

$0.042

입력 100만 토큰당 가격 (출력은 무료)

64k

요청당 토큰 예산

$40M

DCVC 주도 시드 투자

문자열을 포기한 대신 타입을 보장합니다

기존 LLM은 토큰을 하나씩 순서대로 만듭니다. 앞 토큰이 다음 토큰의 조건이 되기 때문에 결정 하나를 받으려면 문장을 다 만들 때까지 기다려야 하고, 결과를 코드가 쓰려면 다시 파싱하고 검증해야 합니다. Jev는 출력 공간을 요청에서 미리 못 박습니다. 선택지가 세 개면 답은 그 세 개 중 하나이고, 등급이 0에서 2까지면 점수는 그 범위 안에 있습니다.

그래서 스키마를 벗어난 값이 나올 수 없습니다. 회사는 타입 오류가 수학적으로 불가능하다고 설명합니다. 반례 하나만 나오면 무너지는 주장이라는 점도 스스로 적었습니다. 학습 방법도 다릅니다. 사람의 선호를 맞추는 RLHF나 검증 가능한 보상을 쓰는 RLVR 대신, 확률을 실제 결과에 맞추는 RLCD(Reinforcement Learning for Calibrated Decisions)로 학습했다고 밝혔습니다.

항목	기존 LLM	Jev
학습 방법	RLHF / RLVR	RLCD
최적화 목표	사람이 선호하는 답, 검증 가능한 출력	확률이 실제 정확도와 맞는 결정
출력	문자열. 파싱과 검증이 필요	미리 정의된 타입의 값과 확률
샘플링	순차. 토큰 하나씩	병렬. 한 번의 질의에서 전부
응답 시간	3초에서 329초	70에서 500밀리초
입력 가격	100만 토큰당 0.20달러에서 10달러	100만 토큰당 0.042달러
출력 가격	입력의 5배 안팎	무료
확신도	물어봐도 과신하거나 일관성이 없음	모든 답에 확률과 확신도 포함

속도와 가격 구간은 타입세이프가 발표에서 비교 대상으로 제시한 범위입니다. 회사는 같은 시스템 원 작업에서 기존 프런티어 모델과 비슷한 수준의 지능을 내면서 40배에서 200배 빠르다고 주장합니다.

질문은 세 가지뿐입니다

Jev의 API는 평가할 상태(state)와 질문(questions)을 받습니다. 질문 종류는 셋입니다. 선택지 하나를 고르는 Choice, 등급 사이의 점수를 매기는 Score, 예·아니오 확률을 돌려주는 Noul입니다. 한 요청 안에서 세 종류를 섞을 수 있고, 모든 질문은 같은 상태를 보며 서로 독립적으로 병렬 평가됩니다. 질문을 늘려도 응답 시간이 거의 달라지지 않는다는 점이 이 설계의 핵심입니다.

응답은 코드가 곧바로 분기에 쓸 수 있는 모양으로 옵니다. Choice는 고른 값과 전체 확률 분포, 확신도를 함께 돌려줍니다.

json복사

{
  "model": "jev-latest",
  "answers": {
    "department": {
      "type": "choice",
      "choice": "technical",
      "probabilities": { "billing": 0.08, "technical": 0.85, "sales": 0.07 },
      "confidence": 0.82
    }
  },
  "usage": { "input_tokens": 312, "output_tokens": 48 }
}

확신도가 따로 오는 덕분에 자동 처리와 사람 검토를 코드에서 갈라놓을 수 있습니다. 공식 문서는 확신도 0.5 아래를 사람에게 넘기고, 되돌리기 어려운 작업은 0.9를 넘을 때에만 확인을 거쳐 실행하는 예를 듭니다.

“AI가 일하는 방식을 근본적으로 바꿀 것이라면 사람이 지능을 소비하는 유일한 주체일 수는 없습니다. 대부분의 지능은 결국 소프트웨어 안에서 조용히 돌아가야 합니다.”

— 디오고 알메이다타입세이프 공동 창업자 겸 CEO

회사가 내놓은 수치에는 조건이 붙습니다

발표에서 가장 큰 숫자는 워크플로 평가의 193.6배 빠름과 444.6배 저렴함입니다. 타입세이프는 이 평가를 직접 만들었습니다. 모델마다 같은 워크플로를 주고, GPT-6 Astra와 Claude Fable 5.1의 예측 평균을 참조 정답으로 삼아 비교했습니다. 회사도 이 수치가 실제 이득의 높은 쪽이라고 적었습니다.

회사가 함께 공개한 그래프를 보면 성격이 더 분명해집니다. 네 개 워크플로의 평균 정확도에서 Jev는 68% 근처이고, 같은 그래프의 OpenAI Sol과 Claude Opus 5는 그보다 높은 정확도를 기록했습니다. Jev가 정확도 1위라는 뜻은 아닙니다. 비용 대비 정확도를 잇는 경계선에서 가장 싼 자리를 차지했다는 그래프입니다.

조건을 더 보면 판단이 달라질 수 있는 지점이 몇 개 있습니다. 워크플로는 자사 모델 역량 팀이 만들었고 학습 분포에 없다고 밝혔지만 편향이 있을 수 있다고 인정했습니다. 비교 대상 LLM은 타입세이프의 시스템 원 래퍼로 구조화된 결정을 내도록 묶었는데, 회사 설명으로는 이 방식이 LLM에서 결정을 받는 가장 정확한 방법이면서 동시에 느리고 비싼 쪽입니다. 속도 측정도 미국 서부에서 노트북으로 돌린 결과라고 적혀 있습니다.

주의

독립 검증은 아직 없습니다

193.6배와 444.6배는 타입세이프가 자체 설계한 워크플로 평가의 결과입니다. 참조 정답이 다른 회사 모델의 평균이고 측정 환경도 회사 노트북이므로, 같은 조건을 다른 곳에서 재현한 공개 결과는 아직 나오지 않았습니다.

시연은 두 개가 공개됐습니다. 하나는 Jev가 초당 열 번 정도 호출을 받아 둠(Doom)을 플레이하는 영상입니다. 시간당 비용은 7달러 안팎이고, 게임 화면 이미지가 아니라 구조화된 게임 상태를 텍스트로 받아 판단합니다. 다른 하나는 위키레이싱입니다. 수백에서 수천 개의 링크 중 하나를 매번 고르는 작업이며, 회사는 선택지가 많을 때 환각이 없다는 점이 누적되어 유리하다고 설명합니다. Choice 질문 하나가 받을 수 있는 선택지는 255개까지입니다.

개발자들은 어디에서 걸렸나

발표 직후 올라온 해커뉴스 토론에는 9월 18일 확인 기준 1,864점과 491개 댓글이 달렸습니다. 반응은 둘로 갈렸습니다. 대량 분류와 라우팅에 쓰겠다는 실무자들이 대기명단에 이름을 올리는 사이, 기술적으로 새로운 것이 무엇인지 묻는 질문이 이어졌습니다.

가장 눈에 띄는 대목은 한 개발자가 "사실상 제로샷 분류기"라고 요약한 댓글입니다. 알메이다는 여기에 "정확히 맞습니다"라고 답했고, 여러 질문을 병렬로 처리한다는 점을 덧붙였습니다. 아키텍처는 당장 공개하지 않겠다고 밝히면서 논문 작성을 논의했다고만 언급했습니다. 댓글에서는 인코더 기반 분류 모델이나 GLiNER 계열, 텍스트 확산 모델을 후보로 꼽는 추측이 나왔습니다.

속도 비교를 두고도 논쟁이 있었습니다. LLM 쪽 기준이 긴 연쇄 사고를 생성하는 조건이라면 70밀리초와 329초를 나란히 놓는 것은 같은 일을 비교한 것이 아니라는 지적입니다. 환각을 못 한다는 표현도 정리가 필요합니다. 출력 형식을 벗어나지 않는다는 뜻이며 고른 답이 맞다는 보장은 아닙니다. 공식 문서도 확률의 보정은 예측 묶음 단위로 측정하는 성질이며 개별 답이 옳다는 보장은 아니라고 적어두었습니다.

이 밖에 실무에서 바로 걸리는 조건도 언급됐습니다. 가중치가 공개되지 않아 로컬에서 돌릴 수 없고, OpenRouter나 Bedrock 같은 중개 경로에도 아직 올라가지 않았습니다. 상태와 질문이 함께 쓰는 예산이 요청당 6만 4천 토큰이라 코드 리뷰처럼 긴 입력을 한 번에 넣기는 어렵습니다.

확인된 제약과 아직 모르는 것

공개된 모델은 jev-1.13.0이고 별칭 jev-latest가 이 버전을 가리킵니다. 입력은 텍스트만 받습니다. 문자열과 JSON 객체, 텍스트 배열이 가능하고 이미지와 오디오, 영상은 지원하지 않습니다. 영어가 주 학습 언어이며 한국어를 포함한 CJK 문자는 처리하지만 정확도가 같지 않다고 공식 모델 문서가 밝혔습니다. 한국어 업무에 붙이려면 자기 데이터로 먼저 시험해야 한다는 뜻입니다.

속도 제한은 초당 25만 토큰과 분당 1,200요청이지만, 회사는 수요가 많아 예고 없이 바뀔 수 있다고 경고했습니다. 얼리 액세스도 대기명단 순으로 열고 있어 지금 신청해서 바로 쓸 수 있는 상태는 아닙니다.

타입세이프는 모델의 약점을 정리한 문서를 함께 냈습니다. 지시문을 문자 그대로 읽는 성향, 세는 작업과 산술의 취약함, 날짜 비교의 불안정함, 큰 상태에 섞인 무관한 내용 때문에 정확도가 떨어지는 문제, 적대적 입력에 흔들릴 수 있다는 점을 스스로 적었습니다. 계산은 코드에서 하고 모델에는 판단만 맡기라는 것이 문서의 일관된 권고입니다.

남은 질문은 분명합니다. 아키텍처가 공개되지 않았고, 공개 벤치마크 결과도 없으며, 자체 평가 외의 독립 측정이 없습니다. 반대로 가격과 속도는 API 키만 있으면 누구나 확인할 수 있는 종류의 주장입니다. 얼리 액세스가 넓어지는 만큼 사용자 측정도 쌓일 항목입니다.

실제로 어떤 질문을 어떻게 던지고 확신도를 어디에서 끊어야 하는지는 타입세이프 Jev 가이드에 예제 코드와 함께 정리했습니다.