Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com23. September 2026 · Q011001

Jev AI Claims 193.6x Faster. I Checked the Math and Got 1.19x

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor hält Jevs große Geschwindigkeits- und Kostenvorteile für stark vom gewählten Vergleich und von der Aufgabe abhängig: In einem DSPy-Beispiel stieg die Gesamtgeschwindigkeit nur auf etwa 1,19-fach, während die Kosten um rund 30 Prozent sanken. Ein externer Phishing-Test fiel für Jevs direkte Einstufung schwächer aus als für Claude Haiku; gezielte Einzelabfragen mit zusätzlicher Auswertung erzielten dagegen bessere Werte, jedoch mit klaren Datensatz- und Versuchsgrenzen.

Mittel

Der Bericht prüft TypeSafe AIs Behauptung, Jev sei 193,6-mal schneller und 444,6-mal günstiger als andere Modelle. Der Autor rekonstruiert die Multiplikatoren aus TypeSafes Benchmark: Die Geschwindigkeit scheint Sonnet 5 als Vergleich zu verwenden, die Kosten Opus 5. TypeSafe nenne diese Vergleichsmodelle laut Bericht nicht ausdrücklich. Gegen GPT-5.6 Terra, das bei ähnlicher Genauigkeit leicht besser abschneide, errechnet der Autor etwa 25-fache Geschwindigkeit und 76-fach niedrigere Kosten. Zudem beruhe der Benchmark auf Referenzantworten von zwei anderen Sprachmodellen, nicht auf unabhängig gesicherten Fakten.

Ein externer Phishing-Test mit 2.000 E-Mails ergab laut Bericht 62,6 Prozent Genauigkeit für Jevs direkte Einstufung gegenüber 81,3 Prozent für Claude Haiku 4.5. Jev war in diesem Test günstiger und schneller, aber weniger genau und schlechter kalibriert. Ein DSPy-Prototyp mit drei Support-Tickets senkte die Laufzeit von 2,329 auf 1,958 Sekunden, also um 15,9 Prozent beziehungsweise auf etwa 1,19-fache Gesamtgeschwindigkeit; die Kosten sanken um 30,1 Prozent. Der Autor betont die kleine Fallzahl und erklärt den begrenzten Zeitgewinn damit, dass Jev nur die Triage übernimmt, während ein Sprachmodell weiterhin die Zusammenfassung schreibt. Gezielte Einzelabfragen mit nachgelagerter logistischer Regression erzielten im Phishing-Test 95,1 Prozent Genauigkeit, allerdings mit Einschränkungen bei Datensatz, Labels und Promptvergleich. Die großen Multiplikatoren könnten vor allem für Aufgaben gelten, die fast nur aus Entscheidungen bestehen.

Ausführlich lesen

Der Bericht untersucht die Werbeaussage von TypeSafe AI, Jev sei 193,6-mal schneller und 444,6-mal günstiger als andere Modelle. Der Autor hält Jev für interessant, weil es keine Texte verfasst, sondern strukturierte Entscheidungen wie Ja/Nein-Wahrscheinlichkeiten, Auswahloptionen oder Bewertungen ausgibt. TypeSafe beschreibt diese Arbeitsweise als „System One“. Laut Bericht liefert Jev Ergebnisse parallel und mit geringer Latenz.

Als Grundlage der großen Multiplikatoren analysiert der Autor TypeSafes öffentliches Benchmark mit vier Szenarien. Jev und Sonnet 5 erreichen dort beide 67,8 Prozent Workflow-Genauigkeit; die Tabelle weist für Sonnet jedoch 78,1 Sekunden und 0,1174 US-Dollar pro Fall aus, gegenüber 0,4 Sekunden und 0,0004 US-Dollar bei Jev. Der Autor rekonstruiert daraus die 193,6-fache Geschwindigkeit. Die 444,6-fache Kostenersparnis scheint er aus dem Vergleich mit Opus 5 abzuleiten, dem teuersten Modell der Tabelle. TypeSafe nenne die jeweiligen Vergleichsmodelle laut Bericht nicht ausdrücklich; die Herleitung sei daher eine Rekonstruktion des Autors. Gegen GPT-5.6 Terra, das mit 67,9 Prozent geringfügig besser abschneide, ergebe sich demnach etwa der 25-fache Geschwindigkeits- und der 76-fache Kostenvorteil. Diese Werte seien deutlich kleiner als die Schlagzeilenzahlen. Außerdem würden die Referenzwerte des Benchmarks aus Antworten von GPT-6 Astra und Claude Fable 5.1 gebildet. Gemessen werde also Übereinstimmung mit anderen Sprachmodellen, nicht mit unabhängig gesicherten Fakten; der Bericht verweist auch auf eine mögliche Verzerrung zugunsten von OpenAI- und Anthropic-Modellen.

Ein externer Phishing-Test mit 2.000 E-Mails aus einem Datensatz mit URL-Reputationslabels liefert laut Bericht ein anderes Bild: Jevs direkte Phishing-Einstufung erreiche 62,6 Prozent Genauigkeit, Claude Haiku 4.5 dagegen 81,3 Prozent. Jev erkenne 43,2 Prozent der Phishing-Mails und markiere 18 Prozent der legitimen Mails fälschlich. Auch der Kalibrierungsfehler sei höher. Jev sei in diesem Versuch etwa zwölfmal günstiger und dreimal schneller gewesen. Der Autor betont, dass die Rangfolge damit gegenüber TypeSafes Benchmark umgekehrt sei.

Für die Wirkung in einer Anwendung betrachtet der Bericht einen DSPy-Prototyp mit drei Support-Tickets. Jev übernimmt dort fünf strukturierte Triage-Ausgaben; ein Sprachmodell erstellt weiterhin die Freitext-Zusammenfassung. Die mittlere Laufzeit sinke laut README von 2,329 auf 1,958 Sekunden: 15,9 Prozent weniger Zeit, entsprechend etwa 1,19-facher Gesamtgeschwindigkeit. Die modellierten Kosten pro Ticket fielen um 30,1 Prozent. Der Autor weist darauf hin, dass drei Fälle keine belastbare Benchmark-Größe seien.

Mit Amdahls Gesetz erklärt der Bericht die begrenzte Beschleunigung: Nur der Entscheidungsteil werde ersetzt, während die Zusammenfassung den Großteil der Laufzeit beanspruche. Aus den Messwerten schätzt der Autor, dass der beschleunigte Anteil zuvor rund 16 Prozent der Gesamtzeit ausmachte; selbst eine unendlich schnelle Entscheidungskomponente hätte den Gesamtgewinn kaum über 1,19-fach gehoben. Für reine Entscheidungsaufgaben könnten die großen Jev-Multiplikatoren eher relevant sein.

Ein weiterer Versuch im Phishing-Datensatz kombiniert fünf gezielte Jev-Wahrscheinlichkeiten mit logistischer Regression und erreicht laut Bericht 95,1 Prozent Genauigkeit. Der Autor sieht darin einen Hinweis, dass Jev eher als Merkmalsextraktor mit präzisen Einzelabfragen eingesetzt werden könnte. Er nennt zugleich Einschränkungen: synthetische E-Mail-Texte, Labels aus URL-Reputation, eine möglicherweise vorteilhafte Hosting-Variable und nur ein Haiku-Prompt. Offen blieben außerdem fehlende veröffentlichte Gewichte und Parameterangaben, eine mögliche Subventionierung des Preises sowie fehlende Begründungen für Jevs Wahrscheinlichkeiten. Die Schlussfolgerung des Autors: Die beobachtete Kostenersparnis könne nützlich sein, aber die Schlagzeilenwerte ließen sich nicht ohne Weiteres auf vollständige Anwendungen übertragen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung wurde gegen die Fassung „mittel“ geprüft, die kurze Fassung wird inhaltlich ebenso als treu bewertet. Die Einordnung stützt sich nur auf den Bericht; Lunas Stufen und Anteile wurden nicht übernommen.

Im Bericht, aber nicht in der Zusammenfassung

  • Amdahl-Argument: Der Zeitgewinn ist durch den Anteil der beschleunigten Teilaufgabe begrenzt; bei 193,6-facher Beschleunigung der Entscheidung läge die Obergrenze bei rund 1,19-fach
  • Der Autor hält 1,16-fach für eine falsche Angabe in der Berichterstattung; korrekt sei 1,19-fach
  • TypeSafe selbst nennt die Zahlen nur als Obergrenze realer Gewinne („higher end of real world gains“)
  • Die 193,6-fache und 444,6-fache Zahl steht nicht auf der Benchmark-Seite; sie ist eine Rekonstruktion des Autors
  • Jev liefert Wahrscheinlichkeiten ohne Begründung; das ist für Prüfungen und Erklärungen gegenüber Dritten problematisch

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 100 %kein Bezug
    • Luna 23 %Hintergrund, keine Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 20 %beantwortet teilweise oder widerspricht
    • amos 25 %nur am Rande erwähnt
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 28 %nur am Rande erwähnt
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 61 %einzelne zitierbare Belege
    • JEV 48 %beantwortet teilweise oder widerspricht
    • amos 31 %einzelne zitierbare Belege
    • SubQ 30 %gleiches Oberthema, hilft nicht
    • drex 28 %einzelne zitierbare Belege
    • d3-ultra 32 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen? Luna: Stufe 3 · 29 % · Hintergrund, keine Belege
    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 4 · 34 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 31 %gleiches Oberthema, hilft nicht
    • JEV 100 %kein Bezug
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 46 %gleiches Oberthema, hilft nicht
    • JEV 36 %umfangreiche Belege
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 66 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 38 %beantwortet teilweise oder widerspricht
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 38 %umfangreiche Belege
    • amos 26 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 4 · 38 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht

Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 59 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →