Jev: a nova categoria de “modelos de decisão” que devolve números em vez de texto

A TypeSafe AI lançou o Jev, o primeiro modelo de uma nova categoria que a empresa chama de “modelos System One” — um formato que aceita texto na entrada, mas devolve números de ponto flutuante em vez de texto: categorias, respostas sim/não, notas e pontuações de confiança. Em vez de gerar linguagem, o Jev entrega decisões probabilísticas tipadas.

O que muda em relação a um LLM tradicional

A descrição oficial resume bem a proposta: “pense no Jev como uma chamada de função com inteligência de frontier: estado não estruturado entra, decisões probabilísticas tipadas saem.” Um LLM convencional é cobrado por tokens de entrada e de saída — com a saída quase sempre bem mais cara. O Jev cobra apenas pela entrada: a saída é gratuita, e o preço do primeiro modelo é de US$ 0,042 por milhão de tokens, mais barato até que o GPT-5 Nano da OpenAI (US$ 0,05 por milhão).

O modelo trabalha com três tipos de pergunta:

• Sim/Não — chamadas de “Noul” (de Bernoulli, a distribuição de probabilidade): você envia uma afirmação e recebe um número entre 0 e 1 indicando a confiança do modelo de que ela é verdadeira.
• Escolha — o modelo seleciona uma opção de um conjunto, devolvendo um score de confiança e uma distribuição de probabilidade sobre todas as opções.
• Nota — você fornece níveis numéricos com descrições e recebe um score em ponto flutuante ao longo dessa faixa.

Outra característica relevante: o Jev avalia as perguntas em paralelo. Enviar dezenas de perguntas sobre um mesmo documento leva um tempo parecido com enviar apenas uma — o que o torna atraente para pipelines de classificação em lote.

Onde ele brilha (e onde preocupa)

Simon Willison, que vem testando o modelo, enxerga o enquadramento de “modelo de decisão” como a chave para entender onde usá-lo: qualquer tarefa que possa ser expressa como classificação — detecção de spam, sugestão de rótulos, priorização e ranqueamento. Um caso prático citado é o reranking de busca: recuperar 100 candidatos com um algoritmo barato como BM25 e usar o Jev para pontuar a relevância de cada um.

Mas há um lado desconfortável. O Jev representa um passo ainda mais fundo em direção aos sistemas de caixa-preta. Um LLM ao menos tenta justificar suas decisões; o Jev devolve só um número. Se ele marca algo como spam, quais sinais de conteúdo pesaram na decisão? Para Willison, isso coloca vieses em primeiro plano — e ele faz um alerta direto: ninguém deveria usar o modelo para ranquear candidatos a emprego, por exemplo, porque aquele número pode esconder vieses difíceis de destrinchar.

Na prática, isso torna avaliações e experimentos estruturados ainda mais importantes do que em projetos de LLM. A vantagem é que o custo baixo permite rodar centenas ou milhares de prompts por alguns centavos.

A comunidade já está explorando

Em menos de uma semana, surgiram projetos curiosos: um jevchat que transforma o modelo em um chatbot (perguntando, a cada passo, qual símbolo vem a seguir), um jev-leftpad que implementa a função left-pad via pergunta de escolha, e até um jev-2048 que usa o modelo para jogar o quebra-cabeça 2048. Também já há tentativas de recriação com pesos abertos, como o Kev, que usa Qwen 3.5 para produzir modelos de 0.8B, 4B e 9B — além de um benchmark JevBench para comparar “modelos de decisão da classe Jev”.

O volume de atividade em torno de uma ideia tão recente sinaliza um interesse real por um formato que troca fluência de texto por custo, velocidade e estrutura — um trade-off que pode fazer sentido para uma fatia grande de tarefas hoje resolvidas com modelos caros e genéricos.