Architektur-Kostencheck
Jev vs GPT-5.4 Nano für Labels: Was kostet pro Million weniger?
Jevs Eingabepreis von $0.042 pro Million Tokens liegt sogar unter dem Batch-Eingabepreis jedes hier bepreisten kleinen LLM. Die Entscheidung hängt davon ab, was das LLM für das zusätzliche Geld liefert.
Direkte Antwort
Für ein reines Label ist Jev bei jeder von uns bepreisten Item-Größe günstiger. Bei 500 Tokens kostet es $21 pro Million Items, gegenüber $125 bei GPT-5.4 nano und $60 bei Claude Haiku 5.5 oder GPT-6 Luna. Selbst Batch-Luna kostet $30. Wählen Sie das LLM, wenn Sie eine Begründung oder mehrere Felder benötigen oder wenn Ihr Test die Genauigkeitslücke zeigt, die ein Test mit 77 Kategorien ergab: Jev 79.0% gegenüber 83.9% und 86.2% für zwei OpenAI-Modelle.
Entscheidungszusammenfassung
| Entscheidungsbereich | Worauf es ankommt |
|---|---|
| 300-token item | Jev $12.60 · Haiku 5.5 / Luna $40 (Batch $20) · nano $85 (Batch $42.50) |
| 500-token item | Jev $21 · Haiku 5.5 / Luna $60 (Batch $30) · nano $125 (Batch $62.50) |
| 2,000-Token-Item | Jev $84 · Haiku 5.5 / Luna $210 (Batch $105) · nano $425 (Batch $212.50) |
| Tarife (OpenRouter, 3 Nov 2026) | Jev $0.042 Input / $0 Output · Haiku 5.5 und Luna $0.10 / $0.50 · nano $0.20 / $1.25 · Batch halbiert die Preise jeweils |
| Context | Jev 262.144 · nano 400.000 · Haiku 5.5 1.000.000 · Luna 1.050.000 |
| Output | Jev: eine Auswahl plus Wahrscheinlichkeiten · LLMs: jeder Text, den Sie anfordern |
Die Rechnung für drei Item-Größen
Jede LLM-Zeile ist Eingabe-Tokens × Eingabepreis plus ein 20-Token-Label × Ausgabepreis, pro Million Elemente. Eine Million 20-Token-Labels sind 20 Millionen Ausgabe-Tokens. Das kostet $25 bei nano ($1.25 × 20) und $10 bei Haiku 5.5 oder Luna ($0.50 × 20). Jevs Antwort kostet nichts.
Bei 300 Tokens: Jev 300 × $0.042 = $12.60. Haiku 5.5 oder Luna $30 + $10 = $40. Nano $60 + $25 = $85. Bei 500 Tokens: Jev $21, Haiku oder Luna $50 + $10 = $60, nano $100 + $25 = $125. Bei 2,000 Tokens: Jev $84, Haiku oder Luna $200 + $10 = $210, nano $400 + $25 = $425.
Batch halbiert beide LLM-Preise. Dadurch ergeben sich für Haiku 5.5 oder Luna $20, $30 und $105 bei den drei Größen und für nano $42.50, $62.50 und $212.50. Jev liegt bei jeder Größe weiterhin niedriger, weil sein Eingabepreis von $0.042 unter dem Batch-Eingabepreis von $0.05 des günstigsten LLM liegt.
Was OpenTweets 2x-Zahl hier bedeutet
OpenTweets Rechenseite setzte GPT-5 nano auf etwa das Doppelte von Jevs Kosten für ein bloßes Label. Bei den Listenpreisen vom 3. November und unserer Annahme von 500 Tokens kommt GPT-5.4 nano auf fast das Sechsfache von Jev ($125 ÷ $21 = 5.95). Wir haben ihre Token- oder Preisannahmen nicht abgeglichen. Der Punkt gilt so oder so: allein beim Token-Preis ist das Entscheidungsmodell günstiger.
Wo das kleine LLM seine höhere Rechnung verdient
Ein Grund, den der Nutzer lesen wird. Jev liefert eine Auswahl und Wahrscheinlichkeiten, keinen Satz. Wenn ein Support-Agent "Abrechnung, weil der Kunde eine Doppelabbuchung erwähnt" braucht, erledigt das LLM das in einem Aufruf.
Mehrere Felder auf einmal. Eine Bestellnummer, ein Datum und einen Produktnamen aus einer Nachricht herauszuziehen ist Extraktion, keine Auswahl. Haiku 5.5 nach einem 150-Token-JSON-Objekt für ein 500-Token-Item zu fragen kostet $50 + $75 = $125 pro Million Items. Jev kann zu keinem Preis Freitextfelder zurückgeben.
Es ist bereits in deinem Stack. Wenn das Label bei einem Call mitläuft, den du ohnehin machst, sind die Grenzkosten die 20 zusätzlichen Output-Tokens: $10 pro Million Items auf Luna. Ein separater Jev-Call zu $21 kostet mehr als das.
Genauigkeit und was ein falsches Label wert ist
Kai Waehner zitiert einen unabhängigen Intent-Test mit 77 Kategorien, bei dem Jev 79.0% erreicht und zwei unbenannte OpenAI-Modelle 83.9% und 86.2%, und nennt den Abstand signifikant. Der Artikel gibt die Stichprobengröße nicht an. Eine Auswahl aus 77 Möglichkeiten ist für jedes kleine Modell schwer, daher ist dies der Fall, in dem ein LLM am ehesten gewinnt.
Wenn Ihr eigener Test einen Abstand von 4.9 Punkten zeigt (79.0% gegenüber 83.9%), sind das 49,000 mehr falsche Labels pro Million. Haiku 5.5 kostet $39 mehr als Jev pro Million 500-Token-Elemente ($60 − $21). $39 ÷ 49,000 sind etwa $0.0008. Wenn die Korrektur eines falschen Labels Sie mehr als das kostet, rechnet sich das teurere Modell. Bei nano sind es $104 ÷ 49,000, etwa $0.002.
- Ein falsches Label kostet eine Person 30 Sekunden: das genauere Modell verwenden
- Ein falsches Label schickt ein Ticket nur in die zweitbeste Warteschlange: Jevs Preis gewinnt wahrscheinlich
- Unsicher: Jevs Antworten mit niedriger Wahrscheinlichkeit an das LLM weiterleiten und den Rest behalten
Eine Aufteilung, die beide nutzt
Das günstigste Setup ist oft eine Kaskade. Jev labelt alles, und alles unterhalb deines Wahrscheinlichkeits-Schwellenwerts geht an Haiku 5.5. Wenn 15% der Items bei einer Größe von 500 Tokens unter den Schwellenwert fallen, beträgt die Rechnung pro Million Items $21 für Jev plus $9 für das LLM (15% von $60), oder $30.
Das kostet $9 mehr als Jev allein und $30 weniger als Haiku 5.5 allein. Das LLM sieht nur die schwierigen Fälle. Legen Sie den Schwellenwert anhand einer gelabelten Stichprobe fest, nicht nach dem Bauchgefühl der ersten Woche.
Ein Jahr Labels bei 10 Millionen pro Monat
Skalieren Sie die 500-Token-Zahlen für 10 Millionen Labels pro Monat um den Faktor zehn. Jev kostet $210 pro Monat oder $2,520 pro Jahr. Claude Haiku 5.5 oder GPT-6 Luna kosten $600 pro Monat oder $7,200 pro Jahr und $300 pro Monat bei Batch. GPT-5.4 nano kostet $1,250 pro Monat oder $15,000 pro Jahr und $625 pro Monat bei Batch.
Der Wechsel von nano zu Jev spart bei diesem Volumen also $12,480 pro Jahr und von Haiku 5.5 $4,680. Stellen Sie das den Kosten der zusätzlichen falschen Labels aus dem Genauigkeitsabschnitt gegenüber, bevor Sie wechseln.
Was sich in Ihrem Code ändert
Bei einem LLM lebt das Label-Set im Prompt, und ein Parser liest die Antwort. Bei Jev wird das Label-Set zur Optionsliste in einer typisierten Frage, und die Antwort kommt als Auswahl mit einer Wahrscheinlichkeit pro Option. Der Parser und sein Zweig für Wiederholung bei schlechtem Format entfallen.
Jev kann nur aus den Optionen auswählen, die Sie auflisten. Wenn Ihr LLM manchmal "keine davon" antwortet, fügen Sie das als Option hinzu, sonst werden diese Fälle in das nächstgelegene Label gezwungen. Führen Sie dann Ihr gelabeltes Set erneut aus und lesen Sie die Wahrscheinlichkeit bei jeder falschen Antwort ab. Das sagt Ihnen, wo Sie den Schwellenwert festlegen sollten, um einen Fall an das LLM zu senden.
Wichtige Erkenntnisse
- →Für ein bloßes Label ist Jev bei jeder von uns bepreisten Elementgröße günstiger. Bei 500 Tokens kostet es $21 pro Million Elemente, gegenüber $125 bei GPT-5.4 nano und $60 bei Claude Haiku 5.5 oder GPT-6 Luna. Selbst Batch-Luna kostet $30. Wähle das LLM, wenn du eine Begründung oder mehrere Felder brauchst oder wenn dein Test die Genauigkeitslücke zeigt, die ein Test mit 77 Kategorien ergab: Jev 79.0% gegenüber 83.9% und 86.2% für zwei OpenAI-Modelle.
- →Wenn du nur ein Label brauchst und ein falsches Label weniger als etwa ein Zehntel Cent kostet, wechsle zu Jev; andernfalls lass beide auf deinem gelabelten Datensatz laufen und bepreise die zusätzlichen Fehler.
- →Der Test mit 77 Kategorien nannte seine OpenAI-Modelle oder die Stichprobengröße nicht, daher solltest du seine Lücke als Grund zum Testen behandeln, nicht als gemessene Tatsache über nano.
What users report
Users split on whether a decision model beats a cheap small LLM: Jev wins on latency, but some find small LLMs accurate and cheap enough when speed doesn't matter.
Paraphrased from public posts, with the date and a link to each original. These are other people's accounts, not our tests, and we have not verified each one.
One user reported that Nano was unreliable on open-ended tasks but cheaper than larger models when the task was explicit and output rigidly structured, and usually faster.
Value · GPT-5.4 Nano · Hacker News, Sep 2026
A side-project developer said sorting a list into about 20 categories took 30-60 seconds on DeepSeek V4 Flash, while Jev did it in under a second at the same cost.
Switching · Jev · Hacker News, Sep 2026
A developer replaced a 5.6 Luna ranking sub-agent with Jev to filter retrieval results, reporting 5-10 seconds saved per round, no precision loss, and a slightly lower bill.
Switching · Jev · Hacker News, Oct 2026
One user said Luna still beat Jev on accuracy for their product; latency didn't matter to them and extra Luna tokens cost a negligible amount.
Quality · Jev · Hacker News, Oct 2026
A machine learning engineer said plain LLMs had already been cheap and serviceable zero-shot classifiers, so the excitement around Jev frustrated them.
Value · Decision models · Hacker News, Oct 2026
Wie diese Seite erstellt wurde
Die Preise auf dieser Seite stammen aus der Live-Models-API von OpenRouter, abgerufen am 3 November 2026. Die Kosten pro Entscheidung ergeben sich aus State-Tokens multipliziert mit der Input-Rate, da die Ausgabe bei jedem aufgeführten Entscheidungsmodell kostenlos ist; bei den Kosten für kleine LLMs wird die angegebene Label-Länge mit der Output-Rate des jeweiligen Modells hinzugerechnet. Die Credit-Gebühr von OpenRouter wird separat ausgewiesen, wo sie eine Rolle spielt. Für diese Seiten haben wir keinen eigenen Benchmark durchgeführt: Genauigkeits- und Latenzwerte werden dem Anbieter oder Dritten zugeschrieben, die sie gemessen haben, und Anbieterwerte sind als Anbieterangaben gekennzeichnet.
- Live-Models-API von OpenRouter (geprüft am 3 Nov 2026) ↗
- Live-Models-API von OpenRouter, alle Modelle (geprüft am 3 Nov 2026) ↗
- Kai Waehner — Wie System-One-Modelle wie Jev die Enterprise-KI-Architektur verändern (28 Sep 2026) ↗
- OpenTweet — Rechenbeispiel zu Jev vs. GPT-5 nano ↗
- OpenRouter — Modellseite typesafe/jev-1.14 ↗
Häufig gestellte Fragen
Ist Jev günstiger als GPT-5 nano?
Ja, für ein einzelnes Label. Bei einem Element mit 500 Tokens und einem Label mit 20 Tokens kostet GPT-5.4 nano $125 pro Million Elemente und Jev $21. Batch-nano kostet $62.50.
Ist Claude Haiku 5.5 günstiger als Jev?
Nein. Haiku 5.5 kostet $0.10 pro Million Eingabe-Tokens und $0.50 für die Ausgabe, also $60 pro Million Labels mit 500 Tokens oder $30 im Batch. Jev kostet $21.
Ist Jev so genau wie ein kleines LLM?
Nicht immer. Ein unabhängiger Test mit 77 Kategorien ergab für Jev 79.0% gegenüber 83.9% und 86.2% für zwei OpenAI-Modelle. Bei weniger, klareren Optionen kann die Lücke verschwinden. Teste mit deinen eigenen Fällen.
Kann Jev mir die Begründung für sein Label geben?
Nein. Es liefert nur Auswahlmöglichkeiten und Wahrscheinlichkeiten. Frage ein LLM nur dann nach einer Begründung, wenn jemand sie lesen wird.
Wann ändern Batch-Preise die Antwort?
Sie halbiert die LLM-Rechnung, lässt sie aber bei jeder von uns bepreisten Größe über Jev liegen, da der Batch-Input für Haiku 5.5 und Luna $0.05 pro Million beträgt gegenüber $0.042 bei Jev. Batch bedeutet außerdem, auf Ergebnisse zu warten.
Wie viel würde ich in einem Jahr sparen, wenn ich Labels von nano zu Jev verschiebe?
Bei 10 Millionen Labels mit 500 Tokens pro Monat kostet nano $15,000 pro Jahr und Jev $2,520, eine Ersparnis von $12,480. Bei Batch-nano beträgt die Ersparnis $7,500 - $2,520 = $4,980.