Modèles de décision system one : Jev, Decisions API, Cleaf et Ollama

🎥 Résumé analytique

🎯 Promesse cognitive

À la fin, on comprend : l’émergence des modèles de décision « system one », centrée sur Jev de TypeSafe, OpenAI Decisions API, Cleaf de Cloudflare et les modèles Ollama, leur usage dans les pipelines d’agents et les limites des comparaisons présentées.

🧩 Carte du contenu

Émergence des modèles de décision — Présente Jev comme un modèle structurant des décisions rapides et compare cette catégorie émergente aux offres d’OpenAI, Cloudflare et Ollama.
Applications pratiques et écosystème — Illustre des usages concrets comme le routage de modèles, les primitives pour agents, JevGrep, le plugin Hermes et le téléprompteur temps réel.

✅ Ce que la vidéo apporte en plus de la lecture de ce post

Le post suffit pour comprendre la catégorie, les principales offres et les limites éditoriales. L’original apporte surtout deux démonstrations concrètes : le routeur de modèles qui oriente une requête vers un petit ou grand LLM, et le téléprompteur temps réel fonctionnant pendant l’enregistrement. Au-delà de ces deux segments, l’apport est principalement l’explication orale et des démos rapides non déterminantes.

🕒 Niveau d’engagement recommandé

ecoute_passive
- La vidéo est utile comme signal IA sur une classe émergente de modèles de décision et des primitives d’agents.
- Elle reste un test informel et partiellement promotionnel ; les points clés sont captés par le post, avec éventuellement quelques démos ciblées.

Passages susceptibles de mériter l’original

12:09 — Routeur de modèles : la démonstration montre comment Jev classe la complexité d’une requête pour orienter vers un petit ou grand LLM.
12:47 — Intelliprompter : l’outil tourne en direct pendant l’enregistrement et illustre la boucle transcription/décision à haute fréquence.

🧰 Pistes d’exploitation et points de vigilance

1 idée à tester : Tester un routeur de modèles minimal qui utilise une API de décision pour classer la complexité d’une requête et router entre un petit modèle local et un plus grand, afin d’évaluer le gain réel en coût/latence.
1 notion à creuser : La position des modèles de décision comme primitive d’infrastructure pour agents, proche d’un « agent skill » utilisable sans comprendre le modèle sous-jacent.
1 limite / biais : Le modèle mis en avant est closed-weights et la plupart des métriques proviennent d’un test informel d’un seul créateur, avec un angle favorisant Jev/TypeSafe.

🔍 Déroulé détaillé et analyse critique

📄 Voir la synthèse détaillée

Déroulé structuré

Segment 1 — Émergence des modèles de décision

Statut : information rapportée et source tierce ; benchmarks informels, contexte partiellement promotionnel.

Jev, de TypeSafe, est présenté comme un modèle de décision closed-weights qui ne converse pas, n’appelle pas d’outils et ne recherche pas sur le web ; il renvoie un oui/non avec une confiance, un choix multiple ou un score.
Le cadrage « system one / system two » est associé par la vidéo à Daniel Kahneman : Jev correspondrait à une décision rapide, les LLM classiques à un raisonnement plus lent. Il s’agit d’une métaphore de positionnement.
NetworkChuck rapporte que Diogo Almeida, cofondateur de TypeSafe, a travaillé chez OpenAI sur InstructGPT avant de quitter l’entreprise.
La vidéo signale des offres concurrentes ou voisines : OpenAI Decisions API, annoncée selon lui lors du Dev Day, Cleaf de Cloudflare en local et des modèles Ollama, cités comme Nimble et Tev.
Sur un essai de 100 commentaires, NetworkChuck montre que Jev termine le classement plus rapidement que ChatGPT.
Sur un benchmark informel de 127 commentaires, Jev est présenté comme le plus précis et moins cher que l’API Decisions d’OpenAI, décrite comme 2,4 fois plus chère ; OpenAI serait un peu derrière et les modèles locaux moins précis, avec Cleaf 27B en meilleure option locale.
TypeSafe présente un « agent skill » permettant à des agents de codage de découvrir et d’utiliser Jev comme une primitive, sans que le développeur n’ait à comprendre le modèle sous-jacent.

Segment 2 — Applications pratiques et écosystème

Statut : démonstrations et informations rapportées ; métriques autodéclarées ou non vérifiées.

Le routeur de modèles utilise Jev avec OpenRouter : 2+2 vers un petit modèle, une requête BGP ou un haiku vers un modèle médian, la preuve de l’infini des nombres premiers vers un modèle plus grand.
L’intelliprompter combine transcription 11Labs et appels à Jev environ toutes les 0,5 seconde pour vérifier la couverture de points de script pendant l’enregistrement. NetworkChuck indique qu’une version LLM aurait coûté environ 30 $/heure, ce qui rendrait un show de 3 heures peu praticable, tandis que la version Jev est devenue « complètement raisonnable » selon lui.
Dans une démo Domino’s, un agent web utilisant Jev passe une commande en environ 15 secondes, contre environ 61 secondes avec Codex pour la même tâche.
JevGrep est décrit comme un projet communautaire utilisant Jev pour identifier les fichiers pertinents pour un agent de codage ; la vidéo évoque une réduction de coût de 40 % et 1 200 étoiles GitHub en 2 jours.
Un plugin Hermes achemine les décisions oui/non vers Jev ; un autre projet, réalisé par Ali de TypeSafe, fait jouer Jev à Doom.
Ali, de TypeSafe, compare l’émergence des modèles de décision aux débuts de Docker et d’AWS Lambda : des concepts initialement confus devenus des primitives d’infrastructure.

Points notables

La convergence multi-vendeurs (TypeSafe, OpenAI, Cloudflare, Ollama) est le signal le plus important : une classe de modèles émergente plutôt qu’un produit isolé.
Les trois types de sortie définissent un contrat d’intégration simple : oui/non avec confiance, choix multiple, score.
Le compromis coût/latence est le cœur de l’argumentaire, surtout pour la classification et le routage haute fréquence.
La meilleure option citée par la vidéo, Jev, est closed-weights, tandis que Cleaf et Ollama offrent des alternatives locales plus inspectables.
Le motif « agent skill » relie les modèles de décision à l’outiling agent : une primitive que l’agent peut appeler sans exposition aux détails du modèle.
Le cadrage Kahneman est utile pédagogiquement, mais ce n’est pas une taxonomie technique validée.

Limites & biais factuels

Source tierce unique : une vidéo YouTube avec benchmarks informels, sans comparaison indépendante.
Le segment Twingate est sponsorisé et promotionnel ; il est exclu de la lecture utile.
Jev est closed-weights et ses données d’entraînement ne sont pas connues.
Les allégations de coût et de performance (environ 30 $/heure, réduction de 40 % avec JevGrep, 15 s vs 61 s) sont autodéclarées ou non vérifiées.
Le cadrage « system one / system two » est une métaphore de positionnement, pas une taxonomie technique validée.