Julia-1 vs. Jev: Lokales oder Cloud-Decision-Modell (2026)
Julia-1 ist ein 144.3M-Parameter-Decision-Modell unter Apache-2.0-Lizenz auf Basis von mmBERT-small, das lokal auf der CPU für Klassifizierung und Routing läuft. Jev, das Cloud-Decision-Modell, das TypeSafe AI wenige Tage zuvor unter großer Medienaufmerksamkeit vorstellte, ist eine geschlossene API ohne veröffentlichte Parameterzahl. Beide bewerten eine feste Liste von Antwortmöglichkeiten, statt Text zu generieren — der Unterschied liegt darin, wo sie jeweils laufen.
Schnelle Antwort
Julia-1 und Jev sind beide "Decision-Modelle", die eine feste Liste von Antwortmöglichkeiten bewerten, statt freien Text zu generieren, stehen aber an entgegengesetzten Enden des Deployment-Spektrums. Julia-1 ist ein 144.3M-Parameter-Modell von Supersonic Labs unter Apache-2.0-Lizenz, das auf der CPU läuft, ohne API-Schlüssel oder Kosten pro Token. Jev ist TypeSafe AIs geschlossene Cloud-API, abgerechnet pro Input-Token, ohne veröffentlichte Parameterzahl oder offene Gewichte.
- ▸Julia-1: 144.3M Parameter, Apache 2.0, läuft lokal auf der CPU, ~550 MB auf der Festplatte
- ▸Jev: reine Cloud-API von TypeSafe AI, $0.042 pro Million Input-Token, Architektur nicht veröffentlicht
- ▸Beide bewerten feste Antwortmöglichkeiten statt Text zu generieren — dieselbe aufkommende Kategorie "Decision-Modell"
Wichtigste Punkte
- ✓Julia-1 (Supersonic Labs) ist ein 144.3M-Parameter-Decision-Modell unter Apache-2.0-Lizenz auf Basis von mmBERT-small — es läuft auf der CPU, braucht keinen API-Schlüssel und belegt ~550 MB auf der Festplatte
- ✓Jev (TypeSafe AI) ist ein geschlossenes, reines Cloud-Decision-Modell, das am September 15, 2026 mit großer Medienaufmerksamkeit startete — der Preis liegt bei $0.042 pro Million Input-Token, die Architektur ist nicht veröffentlicht
- ✓Beide bewerten eine feste Liste von 2–20 Antwortmöglichkeiten, statt Text zu generieren — dieselbe Kategorie "Decision-Modell", aber gegensätzliche Deployment-Modelle
- ✓Kein öffentlicher Benchmark hat Julia-1 und Jev bisher direkt auf derselben Aufgabe verglichen
Was ist Julia-1?
Julia-1 ist ein 144.3M-Parameter-Decision-Modell von Supersonic Labs, aufgebaut auf mmBERT-small, einem mehrsprachigen Encoder des Center for Language and Speech Processing (CLSP) der Johns Hopkins University. Bei einem Kontext, einer Frage und 2 bis 20 Antwortmöglichkeiten bewertet Julia-1 jede Option und gibt die beste zurück — es generiert keinen freien Text.
Das Modell übernimmt das Attention-Layout von mmBERT-small: Jede dritte Schicht achtet global auf die gesamte Eingabe, die übrigen Schichten nur innerhalb eines lokalen ±64-Token-Fensters. Ein 256,000-Zeilen-Vokabular-Embedding macht 98M der 144M Gesamtparameter aus, und eine einzelne Anfrage liest nur die Embedding-Zeilen der tatsächlich verwendeten Token — ein Grund dafür, dass das Modell ohne GPU auf der CPU läuft.
Julia-1 wird unter der Apache-2.0-Lizenz veröffentlicht, belegt 550.5 MiB auf der Festplatte (FP32-Gewichte) und akzeptiert bis zu 8,192 kombinierte Token über Kontext, Frage und Antwortmöglichkeiten hinweg. Es zielt auf Klassifizierung, Routing-Entscheidungen, geordnete Bewertungen und Ja/Nein-Urteile — die Art fester Entscheidung, die ein KI-Agent trifft, bevor er ein Tool aufruft oder ein Ticket eskaliert, nicht auf offene Textgenerierung.
Das zugrunde liegende Modell mmBERT-small ist eigenständig bemerkenswert: JHU CLSP trainierte es auf mehr als 1,800 Sprachen (1,833 in der finalen Trainingsphase) unter der MIT-Lizenz. Diese Zahl beschreibt die Pretraining-Abdeckung von mmBERT-small — Julia-1s eigene Genauigkeit wurde bisher nur in 52 Sprachregionen im MASSIVE-Benchmark gemessen. Behandeln Sie die Zahl von 1,800 Sprachen daher als Fakt zum Basismodell, nicht als Aussage über Julia-1s eigene Mehrsprachigkeit.
Wie genau ist Julia-1?
Julia-1 erreicht 94/100 bei AG News (4-Label-Themenklassifizierung) und 86/100 beim DAIR-Emotion-Benchmark (6 Labels), beides von Supersonic Labs selbst berichtet. Im 52-Sprachregionen-Benchmark MASSIVE beantwortet es 110,573 von 154,648 Elementen korrekt (71.5%), und bei einem gemischten Satz typisierter Entscheidungen erreicht es 1,463 von 2,000 Punkten (73.15%).
Das schwächere Ergebnis ist ein 100-Beispiel-Pilotversuch bei Banking77, einem 72-Label-Banking-Intent-Benchmark: Julia-1 erzielte 64/100 gegenüber einem 87%-Referenzwert. Supersonic Labs' eigene Modellkarte stellt ausdrücklich klar, dass "100-Beispiel-Pilotversuche ermutigende Signale sind, keine Garantien", und weist lange, mehrdeutige Label-Sätze wie Banking77s 72 Kategorien als aktuellen Schwachpunkt von Julia-1 aus.
Keine dieser Zahlen wurde bisher außerhalb von Supersonic Labs' eigener Modellkarte unabhängig reproduziert — behandeln Sie sie bis zur Bestätigung durch Dritte als herstellerseitig berichtet.
| Benchmark | Labels | Ergebnis | Quelle |
|---|---|---|---|
| AG News | 4 | 94/100 | Herstellerangabe |
| DAIR Emotion | 6 | 86/100 | Herstellerangabe |
| MASSIVE (52 Sprachregionen) | Intent-Set | 71.5% (110,573/154,648) | Herstellerangabe |
| Banking77 (Pilot) | 72 | 64/100 vs. 87% Referenz | Hersteller-Pilotversuch, 100 Beispiele |
Julia-1 lokal betreiben oder Jevs Cloud-API nutzen?
Jev, am September 15, 2026 von TypeSafe AI vorgestellt, ist das Cloud-Pendant zu Julia-1s lokalem Ansatz — und erhielt weitaus mehr Aufmerksamkeit. Das Launch-Video erreichte auf X rund 40 million Aufrufe, TypeSafe AI sammelte im Umfeld der Ankündigung eine von DCVC angeführte $40 million Seed-Runde ein, und Investoren haben das Unternehmen seither zu Bewertungen von über $10 billion angesprochen, laut Bloombergs Berichterstattung.
Jev wurde von einem ehemaligen OpenAI-Forscher entwickelt und wird als "System-1"-Modell positioniert: Es liefert typisierte, kalibrierte Entscheidungen — keinen Text — für Routing, Bewertung, Triage und Moderation, dieselbe Aufgabenkategorie wie Julia-1. Anders als Julia-1 ist Jev ausschließlich über eine Cloud-API verfügbar, etwa über Partner wie DigitalOceans Model Catalog. TypeSafe AI hat weder die Parameterzahl noch die Modellarchitektur von Jev veröffentlicht; außenstehende Beobachter vermuten lediglich, unbestätigt, dass es sich um ein Transformer-Modell auf Basis eines Open-Weight-Fundaments handelt.
Die Abrechnung erfolgt pro Token statt einmalig nach dem Download: Jev berechnet $0.042 pro Million Input-Token, Output-Token sind derzeit kostenlos, und TypeSafe AI gibt eine End-to-End-Latenz von 70–500 Millisekunden unter Standard-Cloud-API-Bedingungen an. Kein öffentlicher Benchmark hat Jev und Julia-1 bisher direkt gegeneinander getestet — beide wurden nicht auf demselben Aufgabenset evaluiert.
Für lokale CPU-only-Setups außerhalb der Decision-Modell-Kategorie siehe die besten Ollama-Modelle für CPU-only-Rechner.
Häufig gestellte Fragen
Was ist ein "Decision-Modell", und wie unterscheidet es sich von einem LLM?▾
Kann Julia-1 einen LLM-Aufruf für Ticket-Routing ersetzen?▾
Ist Julia-1 kostenlos nutzbar?▾
Läuft Jev wie Julia-1 lokal?▾
Wie teuer ist die Nutzung von Jev?▾
Was ist mmBERT-small, und ist es dasselbe wie Julia-1?▾
Wie genau ist Julia-1 bei realen Aufgaben?▾
Hat schon jemand Julia-1 und Jev direkt auf demselben Benchmark verglichen?▾
Den vollständigen Überblick?
Die vollständige Anleitung lesen →Verwandte Prompt Bites