Jev es el primer "modelo System One" de TypeSafe AI: un modelo que no genera texto, sino que recibe un estado y una lista de preguntas tipadas y devuelve valores tipados —un sí o no, una opción de una lista, una puntuación— con probabilidades calibradas. Salió en early access el 15 de septiembre de 2026 y en una semana se volvió el tema de conversación entre quienes construimos sistemas con LLMs. Revisé la documentación y los primeros análisis independientes para responder lo que importa en la práctica: qué es, cómo se llama, cuánto cuesta y en qué parte de un sistema real tiene sentido meterlo.
TL;DR
- Jev no escribe: responde preguntas de tipo
choice,scoreonoul(sí/no) con un valor, sus probabilidades y un nivel de confianza que tu código puede usar directamente.- Cuesta 0.042 USD por millón de tokens de entrada, la salida es gratis y la latencia publicada va de 70 a 500 ms. Sirve para clasificar, enrutar, priorizar y evaluar, no para redactar ni razonar.
- Úsalo como capa de decisión rápida delante de un LLM: si la confianza es alta actúas, si es baja escalas al modelo grande. Los benchmarks todavía no los ha reproducido nadie independiente.
Qué es Jev y en qué se diferencia de un LLM
Un LLM genera texto token por token. Cuando lo usas para decidir algo —¿este ticket es urgente?, ¿a qué departamento va?— le pides una respuesta en JSON, la parseas y la validas por si el modelo cambió de formato. Buena parte del código que rodea a un LLM en producción existe solo para convertir prosa en un valor que el programa pueda usar.
Jev elimina ese paso. Le mandas un state (el contexto: un mensaje, un documento, el historial de un agente) y un mapa de preguntas, cada una con un tipo declarado. Lo que vuelve no es texto, sino el valor del tipo que pediste más una distribución de probabilidades. No hay nada que parsear y el modelo no puede inventar una categoría que no existe, porque solo puede elegir entre las que definiste.
TypeSafe AI lo llama "System One" por la distinción entre pensamiento rápido e intuitivo (sistema 1) y lento y deliberado (sistema 2). La idea es que los LLMs actuales cubren el sistema 2 y que una gran parte de las decisiones de un software no necesita deliberación, sino un juicio rápido y medible. La empresa tiene sede en San Francisco, la fundó Diogo Almeida —ex investigador de OpenAI y uno de los coautores de RLHF— y anunció junto al lanzamiento una ronda semilla de 40 millones de USD liderada por DCVC. La demo que más circuló fue Jev jugando Doom: recibe un frame y devuelve el siguiente movimiento, sin comentario de por medio.
Los tres tipos de pregunta: choice, score y noul
Toda la API se reduce a tres primitivas. Cada pregunta que le haces a Jev es de uno de estos tipos:
| Tipo | Qué responde | Qué devuelve | Ejemplo |
|---|---|---|---|
choice |
Una opción de una lista cerrada | La opción elegida, su confianza y la probabilidad de cada opción | ¿A qué departamento va este ticket? |
score |
Un nivel en una escala ordenada de 2 a 10 niveles | La puntuación, su confianza y la distribución por nivel | ¿Qué tan frustrado está el cliente, de 1 a 5? |
noul |
Sí o no | La probabilidad de que la afirmación sea verdadera, entre 0 y 1 | ¿El mensaje pide una devolución? |
La diferencia entre la respuesta y la confianza es lo más útil del diseño. La respuesta dice qué eligió el modelo; la confianza, calculada a partir de la forma de la distribución, dice si conviene actuar. Si la probabilidad se concentra en una opción, la confianza es alta. Si está repartida entre dos o tres, es baja, aunque la opción ganadora sea la misma. Con un LLM esa señal no existe de forma nativa: te devuelve una categoría con la misma seguridad aparente cuando acierta que cuando duda.
Sigue leyendo
Hasta aquí la primera mitad. El recorrido completo — con el resto de la implementación, las decisiones de diseño y lo que solo aparece en producción — está en mi blog:
Lee el artículo completo en ramonchancay.me →
Publicado originalmente en www.ramonchancay.me/es/blog/que-es-jev-typesafe-ai.
Top comments (0)