O que é o Jev e por que ele não é um LLM
A TypeSafe AI lançou o Jev, um modelo baseado em transformador que, ao contrário dos grandes modelos de linguagem (LLMs) que dominam o mercado, não gera texto. Em vez disso, ele recebe um estado e perguntas tipadas e devolve decisões tipadas com probabilidades — uma saída estruturada sobre a qual o código pode ramificar diretamente, sem depender de parsing de texto livre ou de um humano no loop.
A aposta da empresa é explícita: se o “momento ChatGPT” de 2022 ensinou a IA a conversar com pessoas, o próximo salto seria uma IA que conversa com software. O Jev já está disponível como API hospedada em acesso antecipado, atrás de uma lista de espera. A TypeSafe não publicou os pesos, o número de parâmetros nem uma opção de self-hosting.
A ideia por trás do “Modelo Sistema 1”
O nome vem da divisão de Daniel Kahneman entre pensamento rápido (Sistema 1) e raciocínio lento (Sistema 2). O argumento da TypeSafe é que o RLHF (aprendizado por reforço com feedback humano) — usado para alinhar modelos ao gosto humano — produziu chatbots, mas também trouxe excesso de confiança e “mode dropping” (o modelo descarta respostas válidas para ficar com uma única opção). Esses defeitos mantêm um humano supervisionando decisões que poderiam ser automatizadas.
Para contornar isso, o Jev usa uma pilha diferente: uma nova arquitetura, um amostrador paralelo e RLCD (Reinforcement Learning for Calibrated Decisions, ou aprendizado por reforço para decisões calibradas). A arquitetura, porém, não foi divulgada.
Como a API funciona
Um único endpoint resolve tudo: POST https://api.typesafe.ai/v1/systemone. O corpo carrega um state, um model e um mapa de perguntas. A documentação define três tipos de pergunta, que podem compartilhar a mesma requisição e rodam em paralelo e isoladas:
- Choice — escolher uma opção de uma lista (suporta até 255 opções); devolve
choice, probabilidades e confiança. - Score — avaliar contra níveis ordenados; devolve
score, probabilidades e confiança. - Noul — responder se uma afirmação é verdadeira; devolve uma probabilidade entre 0 e 1.
Há SDK para Python (pip install typesafe-sdk, a partir do Python 3.10), para JavaScript (@typesafe-ai/sdk), suporte a cURL e uma skill de agente para o Claude Code.
A confiança é o produto
Toda resposta Choice e Score carrega um valor de confiança entre 0 e 1, derivado do formato da distribuição de probabilidades. No exemplo da documentação, a opção “billing” vence com 0,84, mas a confiança cai para 0,596 porque “technical” ainda detém 0,159. A sugestão é clara: agir em confiança alta, revisar o meio e enviar a confiança baixa para um humano. Os limiares devem escalar com o custo de uma ação errada.
Preço, velocidade e as letras miúdas dos benchmarks
O Jev custa US$ 42 por bilhão de tokens de entrada (cerca de US$ 0,042 por 1 milhão de tokens), com tokens de saída gratuitos. Na demonstração gravada, o Jev terminou em 0,114s por US$ 0,000081, enquanto o GPT-5.6 Terra levou 8,566s por US$ 0,013880 — uma alegação de 193,6x mais rápido e 444,6x mais barato.
Mas há ressalvas importantes, reconhecidas pela própria empresa: a resposta de referência é a média do GPT-6 Astra e do Fable 5.1; os fluxos de trabalho foram escritos pela equipe de capacidades da TypeSafe; a empresa espera que os ganhos fiquem no teto do uso real; não consegue provar que o preço não é subsidiado; e o “zero alucinação” refere-se apenas à garantia de casamento de schema — as respostas ainda podem estar erradas.
O que a comunidade já está construindo
Projetos apareceram dias após o lançamento. O CEO da Vercel, Guillermo Rauch, relatou o Jev até 18x mais rápido no p95 que o GPT Luna. O CTO da Bryo AI achou o Gemini “um pouco mais preciso, porém 10 a 20 vezes mais caro”. Outros exemplos incluem agentes de navegador (Browser Use), agentes de telefone (Droidrun), pontuação de vídeos, digitação ao vivo, guardrails de agentes (jev-guard) e até filtros em linguagem natural para Postgres (pg-jev).
Por que isso importa
Para quem desenvolve agentes e automações, a promessa do Jev é remover uma camada frágil: em vez de pedir texto a um LLM e confiar em um parser, você recebe uma decisão estruturada com confiança. Se os números se confirmarem fora dos benchmarks da própria empresa, modelos especializados em decisão podem reduzir custo e latência em tarefas de roteamento, triagem e moderação — áreas em que o Brasil tem demanda crescente em atendimento ao cliente e operações de suporte. O ponto de atenção é que tudo ainda é medido em avaliações próprias do fornecedor, e o acesso permanece fechado em lista de espera.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
