Revue des coûts d'architecture
Jev vs GPT-5.4 Nano pour les étiquettes : lequel coûte moins cher par million ?
Le taux d'entrée de Jev, $0.042 par million de tokens, est inférieur même au taux d'entrée en batch de chaque petit LLM tarifé ici. La décision revient à ce que le LLM vous apporte pour l'argent supplémentaire.
Réponse directe
Pour une simple étiquette, Jev est moins cher à chaque taille d'article que nous avons tarifée. À 500 tokens, cela coûte $21 par million d'articles, contre $125 sur GPT-5.4 nano et $60 sur Claude Haiku 5.5 ou GPT-6 Luna. Même Luna en batch coûte $30. Choisissez le LLM lorsque vous avez besoin d'une raison ou de plusieurs champs, ou lorsque votre test montre l'écart de précision qu'un test à 77 catégories a trouvé : Jev 79.0% contre 83.9% et 86.2% pour deux modèles OpenAI.
Résumé de la décision
| Zone de décision | Ce qui compte |
|---|---|
| 300-token item | Jev $12.60 · Haiku 5.5 / Luna $40 (lot $20) · nano $85 (lot $42.50) |
| 500-token item | Jev $21 · Haiku 5.5 / Luna $60 (lot $30) · nano $125 (lot $62.50) |
| Article de 2,000 tokens | Jev $84 · Haiku 5.5 / Luna $210 (lot $105) · nano $425 (lot $212.50) |
| Tarifs (OpenRouter, 3 Nov 2026) | Jev $0.042 en entrée / $0 en sortie · Haiku 5.5 et Luna $0.10 / $0.50 · nano $0.20 / $1.25 · le batch réduit chaque tarif de moitié |
| Context | Jev 262,144 · nano 400,000 · Haiku 5.5 1,000,000 · Luna 1,050,000 |
| Output | Jev : un choix plus des probabilités · LLM : tout texte que vous demandez |
Le calcul pour trois tailles d'articles
Chaque ligne LLM correspond à tokens d’entrée × tarif d’entrée plus un libellé de 20 tokens × tarif de sortie, pour un million d’éléments. Un million de libellés de 20 tokens représente 20 millions de tokens de sortie. Cela coûte $25 sur nano ($1.25 × 20) et $10 sur Haiku 5.5 ou Luna ($0.50 × 20). La réponse de Jev ne coûte rien.
À 300 tokens : Jev 300 × $0.042 = $12.60. Haiku 5.5 ou Luna $30 + $10 = $40. Nano $60 + $25 = $85. À 500 tokens : Jev $21, Haiku ou Luna $50 + $10 = $60, nano $100 + $25 = $125. À 2,000 tokens : Jev $84, Haiku ou Luna $200 + $10 = $210, nano $400 + $25 = $425.
Le mode Batch divise par deux les deux tarifs LLM. Cela donne Haiku 5.5 ou Luna à $20, $30 et $105 pour les trois tailles, et nano à $42.50, $62.50 et $212.50. Jev reste moins cher à chaque taille, car son tarif d’entrée de $0.042 est inférieur au $0.05 d’entrée en batch du LLM le moins cher.
Ce que le chiffre 2x d’OpenTweet signifie ici
La page de calcul d’OpenTweet estimait GPT-5 nano à environ deux fois le coût de Jev pour un libellé brut. Sur la base des prix catalogue du 3 novembre et de notre hypothèse de 500 tokens, GPT-5.4 nano ressort à près de six fois Jev ($125 ÷ $21 = 5.95). Nous n’avons pas réconcilié leurs hypothèses de tokens ou de prix. Le constat tient dans les deux cas : sur le seul prix des tokens, le modèle de décision est moins cher.
Là où le petit LLM justifie sa facture plus élevée
Une raison que l’utilisateur lira. Jev renvoie un choix et des probabilités, pas une phrase. Si un agent de support a besoin de « Facturation, parce que le client mentionne une double facturation », le LLM le fait en un seul appel.
Plusieurs champs à la fois. Extraire un numéro de commande, une date et un nom de produit d'un message est une extraction, pas un choix. Demander à Haiku 5.5 un objet JSON de 150 tokens sur un article de 500 tokens coûte $50 + $75 = $125 par million d'articles. Jev ne peut pas renvoyer de champs en texte libre à aucun prix.
Il est déjà dans votre pile. Si l'étiquette accompagne un appel que vous faites déjà, le coût marginal est les 20 tokens de sortie supplémentaires : $10 par million d'articles sur Luna. Un appel Jev séparé à $21 coûte plus que cela.
La précision, et ce que vaut un libellé erroné
Kai Waehner cite un test indépendant d’intention à 77 catégories, avec Jev à 79.0% et deux modèles OpenAI non nommés à 83.9% et 86.2%, et qualifie l’écart de significatif. L’article ne donne pas la taille de l’échantillon. Un choix à 77 options est difficile pour tout petit modèle, c’est donc le cas où un LLM a le plus de chances de l’emporter.
Si votre propre test montre un écart de 4.9 points (79.0% contre 83.9%), cela représente 49,000 libellés erronés de plus par million. Haiku 5.5 coûte $39 de plus que Jev par million d’éléments de 500 tokens ($60 − $21). $39 ÷ 49,000 donne environ $0.0008. Si corriger un libellé erroné vous coûte plus que cela, le modèle plus cher est rentable. Pour nano, le chiffre est $104 ÷ 49,000, soit environ $0.002.
- Un libellé erroné coûte 30 secondes à une personne : utilisez le modèle le plus précis
- Un libellé erroné envoie simplement un ticket vers la deuxième meilleure file : le prix de Jev l’emporte probablement
- Incertain : envoyez les réponses de Jev à faible probabilité au LLM et gardez le reste
Une répartition qui utilise les deux
La configuration la moins chère est souvent une cascade. Jev étiquette tout, et tout ce qui est en dessous de votre seuil de probabilité va à Haiku 5.5. Si 15% des articles tombent en dessous du seuil pour une taille de 500 tokens, la facture par million d'articles est de $21 pour Jev plus $9 pour le LLM (15% de $60), soit $30.
Cela coûte $9 de plus que Jev seul et $30 de moins que Haiku 5.5 seul. Le LLM ne voit que les cas difficiles. Fixez le seuil à partir d’un échantillon étiqueté, pas de l’intuition de la première semaine.
Une année de libellés à 10 millions par mois
Multipliez par dix les chiffres pour 500 tokens afin d’obtenir 10 millions de libellés par mois. Jev coûte $210 par mois, soit $2,520 par an. Claude Haiku 5.5 ou GPT-6 Luna coûtent $600 par mois, soit $7,200 par an, et $300 par mois en batch. GPT-5.4 nano coûte $1,250 par mois, soit $15,000 par an, et $625 par mois en batch.
Ainsi, passer de nano à Jev permet d’économiser $12,480 par an à ce volume, et depuis Haiku 5.5, $4,680. Comparez cela au coût des libellés erronés supplémentaires de la section sur la précision avant de migrer.
Ce qui change dans votre code
Avec un LLM, l’ensemble des libellés vit dans le prompt et un parseur lit la réponse. Avec Jev, l’ensemble des libellés devient la liste d’options d’une question typée, et la réponse arrive sous forme de choix avec une probabilité par option. Le parseur et sa branche de nouvelle tentative en cas de mauvais format disparaissent.
Jev ne peut choisir que parmi les options que vous listez. Si votre LLM répond parfois « aucune de ces options », ajoutez-la comme option, sinon ces cas seront forcés vers le libellé le plus proche. Relancez ensuite votre ensemble étiqueté et lisez la probabilité de chaque mauvaise réponse. Cela vous indique où fixer le seuil pour envoyer un cas au LLM.
Points clés à retenir
- →Pour une simple étiquette, Jev est moins cher à chaque taille d'élément que nous avons évaluée. À 500 jetons, il coûte $21 par million d'éléments, contre $125 sur GPT-5.4 nano et $60 sur Claude Haiku 5.5 ou GPT-6 Luna. Même Luna en batch coûte $30. Choisissez le LLM lorsque vous avez besoin d'une raison ou de plusieurs champs, ou lorsque votre test montre l'écart de précision qu'un test à 77 catégories a constaté : Jev 79.0% contre 83.9% et 86.2% pour deux modèles OpenAI.
- →Si vous n'avez besoin que d'une seule étiquette et qu'une étiquette erronée coûte moins d'environ un dixième de cent, passez à Jev ; sinon, exécutez les deux sur votre ensemble étiqueté et chiffrez les erreurs supplémentaires.
- →Le test à 77 catégories n'a pas nommé ses modèles OpenAI ni la taille de son échantillon, alors considérez son écart comme une raison de tester, et non comme un fait mesuré à propos de 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
Comment cette page a été préparée
Les prix de cette page proviennent de l'API live models d'OpenRouter, lue le 3 November 2026. Le coût par décision correspond aux jetons d'état multipliés par le tarif d'entrée, car la sortie est gratuite sur chaque modèle de décision répertorié ; les coûts des petits LLM ajoutent la longueur d'étiquette indiquée au tarif de sortie de ce modèle. Les frais de crédit d'OpenRouter sont indiqués séparément lorsque c'est pertinent. Nous n'avons exécuté aucun benchmark privé pour ces pages : les chiffres de précision et de latence sont attribués au fournisseur ou au tiers qui les a mesurés, et les chiffres des fournisseurs sont étiquetés comme des affirmations du fournisseur.
- API live models d'OpenRouter (vérifiée le 3 Nov 2026) ↗
- API live models d'OpenRouter, tous les modèles (vérifiée le 3 Nov 2026) ↗
- Kai Waehner — Comment les modèles System One comme Jev changent l'architecture d'IA d'entreprise (28 Sep 2026) ↗
- OpenTweet — Jev vs GPT-5 nano : arithmétique ↗
- OpenRouter — page du modèle typesafe/jev-1.14 ↗
Questions fréquemment posées
Jev est-il moins cher que GPT-5 nano ?
Oui, pour une seule étiquette. Pour un élément de 500 jetons avec une étiquette de 20 jetons, GPT-5.4 nano coûte $125 par million d'éléments et Jev $21. Le nano en batch coûte $62.50.
Claude Haiku 5.5 est-il moins cher que Jev ?
Non. Haiku 5.5 coûte $0.10 par million de jetons d'entrée et $0.50 en sortie, soit $60 par million d'étiquettes de 500 jetons, ou $30 en batch. Jev coûte $21.
Jev est-il aussi précis qu'un petit LLM ?
Pas toujours. Un test indépendant à 77 catégories a placé Jev à 79.0% contre 83.9% et 86.2% pour deux modèles OpenAI. Avec des options plus réduites et plus claires, l'écart peut disparaître. Testez sur vos propres cas.
Jev peut-il me donner la raison de son étiquette ?
Non. Il ne renvoie que des choix et des probabilités. Demandez une raison à un LLM uniquement si quelqu'un doit la lire.
Quand le tarif batch change-t-il la réponse ?
Il réduit de moitié la facture du LLM, mais la laisse au-dessus de Jev à chaque taille que nous avons évaluée, car l'entrée en batch pour Haiku 5.5 et Luna est de $0.05 par million contre $0.042 pour Jev. Le batch implique aussi d'attendre les résultats.
Combien économiserais-je en un an en passant les étiquettes de nano à Jev ?
Pour 10 millions d'étiquettes de 500 jetons par mois, nano coûte $15,000 par an et Jev $2,520, soit une économie de $12,480. En batch, l'économie est de $7,500 - $2,520 = $4,980.