Jev es el primer modelo System One de TypeSafe AI, diseñado para aplicaciones que necesitan decisiones estructuradas en lugar de prosa generada. Evalúa la información proporcionada frente a preguntas claramente definidas y devuelve respuestas tipadas, distribuciones de probabilidad y, cuando corresponde, puntuaciones de confianza.
A diferencia de un modelo de lenguaje grande convencional, Jev no está destinado a conversar, escribir código ni crear contenido de formato largo. Su propósito es emitir juicios acotados que el software pueda usar de inmediato para clasificación, enrutamiento, puntuación, verificación, priorización y control de flujos de trabajo.
La información del modelo fue revisada el 21 de septiembre de 2026.
Especificaciones técnicas de Jev
| Especificación | Detalles |
|---|---|
| Desarrollador | TypeSafe AI |
| Familia del modelo | System One |
| Versión estable actual | Jev 1.13 |
| ID de modelo versionado | jev-1.13.0 |
| Alias estable | jev-latest |
| Entrada | Texto, objetos JSON o arreglos de valores de texto |
| Salida | Decisiones tipadas y distribuciones de probabilidad |
| Tipos de preguntas | Choice, Score y Noul |
| Límite de contexto | 64,000 tokens por solicitud |
| Restricción de contexto adicional | 32,000 tokens para el estado más la pregunta más larga |
| Precio publicado de entrada | $0.042 por millón de tokens |
| Precio publicado de salida | Gratis |
| Límites de tasa publicados | 250,000 tokens por segundo y 1,200 solicitudes por minuto |
| Idioma principal | Inglés |
| Entrada multimodal directa | No admitida |
Los precios, alias y límites de tasa pueden cambiar. Los desarrolladores deben verificar la información más reciente antes de llevar una carga de trabajo a producción.
¿Qué es Jev?
Jev es un modelo de decisiones desarrollado por TypeSafe AI. En lugar de generar una secuencia de tokens abiertos, selecciona valores de espacios de respuesta definidos por el desarrollador.
Una solicitud a Jev contiene dos componentes principales:
- Estado: La información que el modelo debe evaluar, como un ticket de soporte, registro de transacción, traza de agente, descripción de producto o estado de la aplicación en formato JSON.
- Preguntas: Definiciones tipadas de los juicios que deben hacerse sobre ese estado.
Las respuestas resultantes están destinadas al uso directo por software. Una aplicación puede bifurcar según la categoría seleccionada, comparar puntuaciones, inspeccionar probabilidades, aplicar un umbral de confianza o enviar un caso incierto a un revisor humano.
Por lo tanto, Jev actúa como una capa de decisiones probabilísticas entre los datos de la aplicación y la lógica empresarial determinista. Maneja juicios que son difíciles de expresar mediante reglas fijas, a la vez que permite que el código de la aplicación mantenga el control sobre umbrales, permisos y acciones.
¿Cómo funciona Jev?
Tres primitivas de decisión
Jev admite tres tipos de preguntas diseñados para diferentes clases de decisiones de software.
Choice selecciona una opción de un conjunto predefinido. Es adecuado para tareas como clasificación de intención, enrutamiento de tickets, categorización de políticas y selección de modelos. La respuesta incluye la opción seleccionada, la probabilidad asignada a cada opción y una puntuación de confianza.
Score evalúa el estado frente a una rúbrica ordenada. Puede medir cualidades como urgencia, riesgo, relevancia, frustración o calidad del contenido. La respuesta incluye una puntuación, probabilidades para cada nivel de la rúbrica y una puntuación de confianza.
Noul estima la probabilidad de que una afirmación sea verdadera. Devuelve un valor entre 0 y 1 y es útil para verificación, comprobaciones de políticas, decisiones de elegibilidad y compuertas de finalización. A diferencia de Choice y Score, Noul no devuelve un campo de confianza separado porque su salida ya es una probabilidad.
Evaluación paralela de preguntas
Una sola solicitud puede contener múltiples preguntas de Choice, Score y Noul. Jev las evalúa de forma independiente y en paralelo contra el mismo estado.
Por ejemplo, una plataforma de soporte puede clasificar un ticket, evaluar su urgencia y estimar si se necesita una escalada humana en una sola solicitud. TypeSafe indica que agregar preguntas independientes tiene poco efecto en el tiempo de respuesta.
Las preguntas dentro de la misma solicitud no pueden depender de las respuestas de las demás. Las decisiones secuenciales deben implementarse mediante llamadas separadas conectadas por lógica de aplicación.
Respuestas con tipado seguro
Las posibles estructuras de respuesta de Jev se definen antes de la inferencia. Esto evita que aparezcan JSON mal formados, campos inesperados y texto explicativo donde se requiere una categoría o un valor numérico.
La seguridad de tipos solo garantiza el formato de la respuesta. Jev aún puede devolver una decisión válida pero incorrecta, por lo que los equipos de producción deben evaluar su precisión utilizando datos representativos.
Probabilidad y confianza explícitas
Choice y Score exponen la distribución de probabilidad detrás de cada respuesta. Su valor de confianza resume con qué fuerza esa distribución favorece un resultado.
Las aplicaciones pueden usar la confianza para automatizar decisiones claras, solicitar confirmación cuando la incertidumbre es moderada y enrutar casos ambiguos a una persona o a un modelo de respaldo.
El umbral apropiado depende del riesgo. Etiquetar un ticket de soporte puede tolerar más incertidumbre que aprobar una transacción o ejecutar una acción irreversible.
Inferencia de baja latencia
TypeSafe informa tiempos de respuesta de extremo a extremo de aproximadamente 70 a 500 milisegundos. Esto hace que Jev sea adecuado para enrutamiento interactivo, comprobaciones repetidas de agentes y otros flujos de trabajo intensivos en decisiones donde una llamada más lenta a un modelo generativo podría afectar la capacidad de respuesta.
La latencia real depende del tamaño del estado, la carga del servicio, las condiciones de red y la región de implementación.
Personalización a nivel de solicitud
Jev no se personaliza mediante fine-tuning específico por cuenta ni adaptadores LoRA. Los desarrolladores lo adaptan proporcionando un estado relevante, redactando instrucciones precisas, definiendo criterios claros y combinando decisiones atómicas en el código de la aplicación.
Este enfoque mantiene visibles las reglas de negocio y permite a los equipos cambiar la lógica del flujo de trabajo sin volver a entrenar el modelo.
Modelos versionados y alias estables
TypeSafe proporciona IDs de modelo fijos y alias móviles. jev-1.13.0 identifica una versión específica, mientras que jev-latest apunta a la última versión estable. jev-preview puede cambiar a una versión preliminar más reciente cuando esté disponible.
Los alias simplifican la experimentación, pero su comportamiento puede cambiar tras una actualización. Las aplicaciones en producción con umbrales calibrados deben fijar una versión probada y registrar el ID de modelo devuelto con cada respuesta.
Rendimiento de referencia de Jev
Jev no está diseñado para benchmarks de propósito general centrados en redacción, programación, derivaciones matemáticas o razonamiento de formato largo. Mediciones más relevantes incluyen calidad de decisión, calibración de probabilidades, latencia, costo y confiabilidad de la salida.
TypeSafe informa:
- Tiempos de respuesta de extremo a extremo de 70–500 milisegundos
- Aproximadamente 40–200× ejecución más rápida en tareas comparables de System One
- Resultados máximos de flujo de trabajo de 193.6× mayor velocidad
- Mejoras máximas de costo reportadas de 444.6×
Estos son resultados informados por el proveedor y no deben tratarse como garantías de rendimiento universales. Las evaluaciones de flujos de trabajo de TypeSafe comparan modelos en grafos de decisiones estructurados y usan las predicciones promediadas de modelos externos de alta gama seleccionados como probabilidades de referencia.
TypeSafe también reconoce que miembros de su equipo de capacidades del modelo crearon los flujos de trabajo evaluados, lo que puede introducir sesgo. Es probable que las mejoras reportadas estén más cerca del extremo superior de lo que las aplicaciones pueden observar.
Jev vs LLM de salida estructurada vs Clasificador clásico vs Motor de reglas
| Dimensión | Jev | LLM de salida estructurada | Clasificador clásico | Motor de reglas |
|---|---|---|---|---|
| Función principal | Decisiones probabilísticas acotadas | Generación con una respuesta estructurada | Predicción para una tarea entrenada | Lógica determinista |
| Espacio de respuestas | Definido en cada solicitud | Restringido mediante un esquema | Fijo durante el entrenamiento | Fijo en el código |
| Incertidumbre | Probabilidades y confianza nativas | Depende del modelo y el método | A menudo disponible pero puede requerir calibración | No probabilístico por defecto |
| Estructura de salida | Garantizada para las primitivas compatibles | Generalmente requiere generación restringida y validación | Fija por la implementación | Fija por la implementación |
| Preparación de nuevas tareas | Definir estado, preguntas y criterios | Crear un prompt y un esquema | Recopilar datos etiquetados y entrenar un modelo | Escribir condiciones explícitas |
| Generación abierta | No | Sí | No | No |
| Razonamiento extendido | No es su carga de trabajo objetivo | Compatible con modelos capaces | No | Limitado a la lógica codificada |
| Adaptación | Instrucciones y criterios a nivel de solicitud | Cambios de prompt y contexto | Reentrenamiento o ingeniería de características | Cambios en el código |
| Mejor encaje | Juicio de alto volumen dentro del software | Tareas que combinan razonamiento y generación | Predicciones estables, acotadas y con abundantes datos | Condiciones explícitas y estables |
Jev es más útil cuando las reglas fijas son demasiado frágiles, crear un clasificador dedicado sería costoso y la aplicación no necesita texto generado.
Un LLM tradicional sigue siendo la mejor opción cuando una tarea requiere investigación, explicación, creación de contenido, planificación o razonamiento de varios pasos. Un motor de reglas sigue siendo preferible cuando la condición correcta ya es explícita y determinista.
Casos de uso recomendados
Jev es más adecuado para decisiones frecuentes con un espacio de respuestas predefinido.
- Enrutamiento y triaje: clasificar solicitudes, seleccionar colas o herramientas y priorizar casos urgentes.
- Control de agentes: comprobar la finalización de tareas, evaluar acciones propuestas e identificar casos que requieren confirmación.
- Evaluación de LLM: evaluar relevancia, soporte de evidencia, cumplimiento de políticas o calidad de la respuesta.
- Moderación: categorizar infracciones de políticas, puntuar la gravedad y escalar casos inciertos.
- Enriquecimiento de datos: convertir mensajes, reseñas, clientes potenciales y registros en categorías, puntuaciones y características de probabilidad.
- Decisiones en tiempo real: admitir un comportamiento de aplicación de baja latencia donde una respuesta generativa completa no es necesaria.
Limitaciones de Jev
Jev es intencionalmente especializado y su diseño estrecho crea varias limitaciones importantes.
- No puede generar prosa, código, resúmenes ni respuestas conversacionales.
- No está destinado a investigación extensa ni razonamiento de varios pasos.
- Una salida con tipado seguro no garantiza una decisión de negocio correcta.
- Imágenes, audio, video y archivos binarios deben convertirse en texto o datos estructurados antes de enviarse.
- El inglés es el idioma mejor documentado.
- Las cargas de trabajo en idiomas no ingleses y CJK requieren evaluación independiente.
- Las preguntas dentro de una solicitud se evalúan de manera independiente.
- El modelo no puede construir una cadena de razonamiento secuencial a través de esas preguntas.
- TypeSafe no ha divulgado el número de parámetros del modelo ni ha publicado sus pesos.
- La personalización se realiza a través de la solicitud en lugar de un fine-tuning específico para el cliente.
- Las mejoras de rendimiento publicadas provienen del propio marco de evaluación de TypeSafe.
- Los alias móviles pueden introducir cambios de comportamiento sin un cambio en el código de la aplicación.
Jev no debe reemplazar código determinista para permisos, cálculos financieros, requisitos legales, límites de tamaño de archivos o políticas de acciones irreversibles. Los modelos probabilísticos son útiles para juicios inciertos, no para condiciones que el software ya puede evaluar exactamente.
¿Cómo proporciona CometAPI acceso a la API de Jev?
Jev no está disponible actualmente en el catálogo público de modelos de CometAPI. CometAPI planea evaluar e integrar Jev una vez que el acceso al modelo esté disponible y se abran los permisos de conexión requeridos.
Después de la integración, los desarrolladores podrán consultar el directorio de modelos de CometAPI y la documentación de la API para conocer el ID de modelo compatible, el formato de solicitud, los precios, los límites de tasa y la disponibilidad de puntos de conexión.
Hasta que la integración se anuncie oficialmente, los desarrolladores deben usar la consola de TypeSafe, la API nativa o los SDK oficiales para acceder a Jev. Solo debe considerarse disponible una integración con CometAPI después de que Jev aparezca en el catálogo público de modelos con información de API verificada.