Jev é o primeiro modelo System One da TypeSafe AI, projetado para aplicações que precisam de decisões estruturadas em vez de prosa gerada. Ele avalia as informações fornecidas com base em perguntas claramente definidas e retorna respostas com tipos definidos, distribuições de probabilidade e, quando aplicável, pontuações de confiança.

Ao contrário de um modelo de linguagem grande convencional, o Jev não foi concebido para conversar, escrever código ou criar conteúdo de formato longo. Seu propósito é fazer julgamentos delimitados que o software possa usar imediatamente para classificação, roteamento, pontuação, verificação, priorização e controle de fluxo de trabalho.

As informações do modelo foram revisadas em 21 de setembro de 2026.

Especificações Técnicas do Jev

Os preços, aliases e limites de taxa podem mudar. Os desenvolvedores devem verificar as informações mais recentes antes de colocar uma carga de trabalho em produção.

O que é o Jev?

O Jev é um modelo de decisão desenvolvido pela TypeSafe AI. Em vez de gerar uma sequência aberta de tokens, ele seleciona valores a partir de espaços de resposta definidos pelo desenvolvedor.

Uma requisição ao Jev contém dois componentes principais:

• Estado: As informações que o modelo deve avaliar, como um tíquete de suporte, registro de transação, trilha de agente, descrição de produto ou estado de aplicativo em formato JSON.
• Perguntas: Definições tipadas dos julgamentos que devem ser feitos sobre esse estado.

As respostas resultantes destinam-se ao uso direto por software. Um aplicativo pode ramificar com base em uma categoria selecionada, comparar pontuações, inspecionar probabilidades, aplicar um limiar de confiança ou enviar um caso incerto para revisão humana.

Assim, o Jev atua como uma camada de decisão probabilística entre os dados do aplicativo e a lógica de negócios determinística. Ele lida com julgamentos difíceis de expressar por meio de regras fixas, permitindo que o código do aplicativo mantenha o controle sobre limiares, permissões e ações.

Como o Jev funciona

Três primitivos de decisão

Choice seleciona uma opção de um conjunto predefinido. É adequado para tarefas como classificação de intenção, roteamento de tíquetes, categorização de políticas e seleção de modelos. A resposta inclui a opção selecionada, a probabilidade atribuída a cada opção e uma pontuação de confiança.

Score avalia o estado contra uma escala ordenada. Pode medir qualidades como urgência, risco, relevância, frustração ou qualidade do conteúdo. A resposta inclui uma pontuação, probabilidades para cada nível da escala e uma pontuação de confiança.

Noul estima a probabilidade de que uma afirmação seja verdadeira. Retorna um valor entre 0 e 1 e é útil para verificação, verificações de políticas, decisões de elegibilidade e etapas de conclusão. Diferentemente de Choice e Score, Noul não retorna um campo de confiança separado porque sua saída já é uma probabilidade.

Avaliação paralela de perguntas

Uma única requisição pode conter múltiplas perguntas Choice, Score e Noul. O Jev as avalia de forma independente e em paralelo com base no mesmo estado.

Por exemplo, uma plataforma de suporte pode classificar um tíquete, avaliar sua urgência e estimar se é necessário escalonamento humano em uma única requisição. A TypeSafe afirma que adicionar perguntas independentes tem pouco efeito no tempo de resposta.

As perguntas dentro da mesma requisição não podem depender das respostas umas das outras. Decisões sequenciais devem ser implementadas por meio de chamadas separadas conectadas pela lógica do aplicativo.

Respostas com segurança de tipos

As estruturas de resposta possíveis do Jev são definidas antes da inferência. Isso impede que JSON malformado, campos inesperados e texto explicativo apareçam onde uma categoria ou um valor numérico é exigido.

A segurança de tipos garante apenas o formato da resposta. O Jev ainda pode retornar uma decisão válida porém incorreta, portanto as equipes de produção devem avaliar sua precisão usando dados representativos.

Probabilidade e confiança explícitas

Choice e Score expõem a distribuição de probabilidade por trás de cada resposta. Seu valor de confiança resume o quão fortemente essa distribuição favorece um resultado.

Aplicações podem usar a confiança para automatizar decisões claras, solicitar confirmação quando a incerteza for moderada e encaminhar casos ambíguos para um humano ou um modelo alternativo.

O limiar apropriado depende do risco. Rotular um tíquete de suporte pode tolerar mais incerteza do que aprovar uma transação ou executar uma ação irreversível.

Inferência de baixa latência

A TypeSafe relata tempos de resposta de ponta a ponta de aproximadamente 70 a 500 milissegundos. Isso torna o Jev adequado para roteamento interativo, verificações repetidas por agentes e outros fluxos de trabalho intensivos em decisões, nos quais uma chamada mais lenta a um modelo generativo poderia afetar a capacidade de resposta.

A latência real depende do tamanho do estado, da carga do serviço, das condições de rede e da região de implantação.

Personalização no nível da requisição

O Jev não é personalizado por meio de fine-tuning específico de conta ou adaptadores LoRA. Os desenvolvedores o adaptam fornecendo o estado relevante, escrevendo instruções precisas, definindo critérios claros e combinando decisões atômicas no código do aplicativo.

Essa abordagem mantém as regras de negócios visíveis e permite que as equipes alterem a lógica do fluxo de trabalho sem retreinamento do modelo.

Modelos versionados e aliases estáveis

A TypeSafe fornece IDs de modelo fixos e aliases móveis. jev-1.13.0 identifica uma versão específica, enquanto jev-latest aponta para a versão estável mais recente. jev-preview pode apontar para uma nova versão de prévia quando estiver disponível.

Aliases simplificam a experimentação, mas seu comportamento pode mudar após uma atualização. Aplicações de produção com limiares calibrados devem fixar uma versão testada e registrar o ID do modelo retornado em cada resposta.

Desempenho do Jev em benchmarks

O Jev não foi projetado para benchmarks de propósito geral focados em escrita, codificação, derivações matemáticas ou raciocínio de formato longo. Medições mais relevantes incluem qualidade da decisão, calibração de probabilidade, latência, custo e confiabilidade da saída.

A TypeSafe relata:

• Tempos de resposta de ponta a ponta de 70–500 milissegundos
• Aproximadamente 40–200× execução mais rápida em tarefas System One comparáveis
• Resultados de pico em fluxo de trabalho de 193,6× maior velocidade
• Melhorias de custo de pico relatadas de 444,6×

Esses são resultados relatados pelo fornecedor e não devem ser tratados como garantias de desempenho universais. As avaliações de fluxo de trabalho da TypeSafe comparam modelos em grafos de decisão estruturados e usam as previsões médias de modelos externos selecionados de alto nível como probabilidades de referência.

A TypeSafe também reconhece que membros de sua equipe de capacidades de modelos criaram os fluxos de trabalho avaliados, o que pode introduzir viés. Os ganhos relatados provavelmente estão mais próximos do limite superior do que as aplicações podem observar.

Jev vs LLM com saída estruturada vs classificador clássico vs motor de regras

O Jev é mais útil quando regras fixas são frágeis demais, criar um classificador dedicado seria caro e o aplicativo não precisa de texto gerado.

Um LLM tradicional continua sendo a melhor escolha quando uma tarefa exige pesquisa, explicação, criação de conteúdo, planejamento ou raciocínio em múltiplas etapas. Um motor de regras continua preferível quando a condição correta já é explícita e determinística.

Casos de uso recomendados

O Jev é mais adequado para decisões frequentes com um espaço de respostas predefinido.

• Roteamento e triagem: Classificar solicitações, selecionar filas ou ferramentas e priorizar casos urgentes.
• Controle de agentes: Verificar conclusão de tarefas, avaliar ações propostas e identificar casos que exigem confirmação.
• Avaliação de LLM: Avaliar relevância, suporte de evidências, conformidade com políticas ou qualidade da resposta.
• Moderação: Categorizar violações de políticas, pontuar severidade e escalonar casos incertos.
• Enriquecimento de dados: Converter mensagens, avaliações, leads e registros em categorias, pontuações e atributos de probabilidade.
• Decisões em tempo real: Dar suporte a comportamentos de aplicação de baixa latência, nos quais uma resposta completa de um modelo generativo é desnecessária.

Limitações do Jev

O Jev é intencionalmente especializado, e seu design estreito cria várias limitações importantes.

• Não pode gerar prosa, código, resumos ou respostas conversacionais.
• Não é destinado a pesquisa estendida ou raciocínio em múltiplas etapas.
• Saída com segurança de tipos não garante uma decisão de negócios correta.
• Imagens, áudio, vídeo e arquivos binários devem ser convertidos em texto ou dados estruturados antes do envio.
• Inglês é o idioma com documentação mais forte.
• Cargas de trabalho em outros idiomas e em CJK requerem avaliação independente.
• As perguntas dentro de uma requisição são avaliadas de forma independente.
• O modelo não pode construir uma cadeia de raciocínio sequencial entre essas perguntas.
• A TypeSafe não divulgou a contagem de parâmetros do modelo nem liberou seus pesos.
• A personalização é realizada por meio da requisição, e não por fine-tuning específico do cliente.
• Os ganhos de desempenho publicados vêm da estrutura de avaliação própria da TypeSafe.
• Aliases móveis podem introduzir mudanças de comportamento sem alteração no código do aplicativo.

O Jev não deve substituir código determinístico para permissões, cálculos financeiros, requisitos legais, limites de tamanho de arquivo ou políticas de ações irreversíveis. Modelos probabilísticos são úteis para julgamentos incertos, não para condições que o software já consegue avaliar exatamente.

Como a CometAPI fornece acesso à API do Jev?

O Jev não está atualmente disponível no catálogo público de modelos da CometAPI. A CometAPI planeja avaliar e integrar o Jev assim que o acesso ao modelo estiver disponível e as permissões de conexão necessárias forem abertas.

Após a integração, os desenvolvedores poderão verificar o diretório de modelos da CometAPI e a documentação da API para o ID de modelo suportado, formato de requisição, preços, limites de taxa e disponibilidade de endpoints.

Até que a integração seja oficialmente anunciada, os desenvolvedores devem usar o console da TypeSafe, a API nativa ou os SDKs oficiais para acessar o Jev. Uma integração com a CometAPI só deve ser considerada disponível depois que o Jev aparecer no catálogo público de modelos com informações de API verificadas.