¿Qué es Jev?
Jev es el primer modelo público de TypeSafe AI, un laboratorio de San Francisco que salió del modo discreto el 15 de septiembre de 2026 con una ronda semilla de $40 millones liderada por DCVC. TypeSafe lo llama un modelo “System One”, por el modo de pensamiento rápido e intuitivo de Daniel Kahneman. No escribe prosa, código ni explicaciones. Envías un estado (una cadena, un objeto JSON o un array de texto) y un conjunto de preguntas con nombre, y responde a todas las preguntas en una sola llamada.
Cada pregunta es de uno de tres tipos: una elección entre opciones que tú defines, una puntuación en una escala que tú defines o un “noul”, la probabilidad de que una afirmación sea cierta. Algunos tipos devuelven un valor de confianza, para que tu código actúe por sí solo por encima de un umbral y pase el resto a una persona o a un modelo más grande. TypeSafe dice que entrenó Jev con un método que llama Reinforcement Learning for Calibrated Decisions (RLCD).
Jev funciona solo por API, solo con texto y es cerrado. Hay dos versiones activas: jev-1.13.0 (el alias jev-latest, el predeterminado del SDK) y jev-1.14.0 (jev-preview, desde el 14 de octubre de 2026). Las peticiones pueden tener 64K tokens, 32K por pregunta, o 262K con una cabecera de contexto largo que, según advierte TypeSafe, es más lenta y menos precisa.
¿Merece la pena Jev?
Jev vende ahora más comodidad que calidad. En el Jev Decision Index comunitario, que ahora puntúa con pruebas privadas, Jev 1.14 ocupa el puesto 41 de 229 entradas con 60,24 y la versión estable 1.13 es la 48 con 59,22. GLiDE 1.2 de Fastino lidera con 71,52, y el modelo de pesos abiertos Decider v1.2 de Perplexity es cuarto con 67,98 y cobra $0,02 por millón de tokens de entrada frente a los $0,042 de Jev.
La idea del producto sigue siendo válida. Jev funciona como una llamada a función barata para los juicios que el código ya hace con un LLM: qué equipo se encarga de un ticket, si un mensaje es urgente, si una llamada a herramienta debe seguir adelante. La respuesta solo puede ser una de las opciones definidas, así que no hay nada que analizar. En la prueba independiente de nibzard, las 40.226 decisiones llegaron válidas por un coste registrado de $1,71, con un 79,2 % de precisión en Banking77, un 88,6 % en CLINC150 y una latencia mediana de 267 a 316 ms bajo carga.
La confianza es la función que debería permitir automatizar, y hay que probarla con tus propios datos. La documentación de TypeSafe dice que la calibración se cumple en grupos de predicciones, no en cada respuesta individual. Nibzard ajustó umbrales para un error máximo del 5 %: en Banking77, un corte de 0,96 automatizó el 51,2 % de los mensajes de prueba con un 3,68 % de error, y en CLINC150 el umbral elegido no alcanzó el objetivo, con un 6,65 %. En una cola de intenciones de 77 categorías, cuenta con automatizar más o menos la mitad, no la mayoría.
Los detalles operativos son en general sensatos. TypeSafe dice que Jev no se entrena con las peticiones ni las respuestas de los clientes, aunque la retención cero de datos es solo para Enterprise. Los alias cambian cuando salen versiones nuevas, así que los umbrales ajustados deben fijarse a jev-1.13.0 o jev-1.14.0. El inglés obtiene la mejor precisión, la entrada es solo texto y TypeSafe limita una elección a 255 opciones; en el piloto de nibzard se rechazaron 12 de 256 peticiones por superarlo.
Lo que Jev conserva frente a los modelos abiertos es que lo opera otro. Esa ventaja se reduce: la rama principal de vLLM sirve el mismo endpoint /v1/systemone desde el 14 de octubre, aunque aún no en una versión publicada, y modelos como d3 se cargan en él sin conversión. Dejar Jev es ya casi cuestión de cambiar la URL base.
Dónde se gana su sitio
Un responsable de ingeniería de soporte en un banco con una taxonomía de 77 intenciones
Enrutar los mensajes de chat entrantes a la cola correcta sin factura de LLM
Una pregunta de elección por mensaje; a $0,042 por millón de tokens de entrada, un millón de mensajes de 300 tokens cuesta unos $13. Las pruebas de nibzard sugieren que un corte de confianza de 0,96 automatiza más o menos la mitad con menos de un 4 % de error, y el resto pasa a los agentes.
Una ingeniera de plataforma que crea un framework de agentes
Filtrar las llamadas a herramientas con una comprobación rápida de sí/no antes de ejecutarlas
Una pregunta noul devuelve una probabilidad para “es seguro ejecutar esta llamada” en unos 200 a 320 ms. Fija jev-1.13.0 para que los umbrales no cambien cuando se mueva el alias, y envía las llamadas de baja confianza a un modelo más grande.
Un product manager en una empresa SaaS sin equipo de ML
Añadir puntuación de urgencia y filtrado de spam a un buzón de comentarios
Preguntas de puntuación y noul respondidas en una sola llamada por mensaje, sin GPU que operar. Si el volumen crece o llegan imágenes al buzón, modelos abiertos como Decider de Perplexity cuestan la mitad y leen imágenes.
Antes de decidirte
- Puesta en marcha
- Crea una clave de API y envía con POST un estado y preguntas con nombre a /v1/systemone, o usa los SDK, que por defecto usan jev-latest.
- Integraciones
- API HTTP y SDK de TypeSafe; Vercel AI Gateway, que ofrece typesafe-ai/jev-1.13.0 y jev-1.14.0 al mismo precio de $0,042 por millón de tokens de entrada con salida gratis; vLLM sirve la misma forma de petición /v1/systemone para modelos de decisión abiertos.
- Datos y privacidad
- TypeSafe dice que Jev no se entrena con peticiones ni respuestas de clientes y que todas las cuentas usan los mismos pesos; la retención cero de datos se ofrece a los clientes Enterprise. La página de modelos no indica periodos de retención; el DPA está en la página Legal.
- Coste a escala
- Solo se factura la entrada, a $0,042 por millón de tokens: 100M de decisiones de 500 tokens cada una cuestan $2.100. El benchmark de 40.226 decisiones de nibzard costó $1,71.
- Límites
- 64K tokens por petición y 32K por pregunta, o 262K con la cabecera TypeSafe-Danger-Zone-Long-Context; límites de uso fijados por organización y devueltos como 429; las preguntas de elección admiten como máximo 255 opciones.
Lo bueno
- La salida es siempre una de las opciones que defines, así que no hay nada que analizar
- $0,042 por 1M de tokens de entrada, salida gratis
- No se entrena con peticiones ni respuestas de clientes
- Los IDs de modelo con versión mantienen estables los umbrales ajustados
Lo malo
- Puesto 41 de 229 en el Decision Index comunitario, por detrás de modelos abiertos
- Solo texto, y funciona mejor en inglés
- Pesos cerrados; sin autoalojamiento ni ajuste fino
- Retención cero de datos solo en Enterprise
Ideal para
Equipos que quieren una API alojada y barata para enrutar texto, hacer triaje y filtros de sí/no sin operar sus propias GPU.
Alternativas a Jev
Jev: preguntas frecuentes
- ¿Merece la pena Jev?
- Jev convirtió las decisiones tipadas en un producto, y desde entonces los modelos abiertos lo han superado en puntuación y en precio. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta Jev?
- $0,042 por 1M de tokens de entrada ($42 por cada mil millones); los tokens de salida son gratis. Mismo precio con contexto largo. Límites Enterprise a través de ventas.
- ¿Qué inconvenientes tiene Jev?
- Puesto 41 de 229 en el Decision Index comunitario, por detrás de modelos abiertos; solo texto, y funciona mejor en inglés; pesos cerrados; sin autoalojamiento ni ajuste fino; retención cero de datos solo en Enterprise.
- ¿Para quién es Jev?
- Equipos que quieren una API alojada y barata para enrutar texto, hacer triaje y filtros de sí/no sin operar sus propias GPU.
- ¿Cuánto cuesta Jev para un equipo o en producción?
- Solo se factura la entrada, a $0,042 por millón de tokens: 100M de decisiones de 500 tokens cada una cuestan $2.100. El benchmark de 40.226 decisiones de nibzard costó $1,71.
- ¿Es Jev seguro para los datos de la empresa?
- TypeSafe dice que Jev no se entrena con peticiones ni respuestas de clientes y que todas las cuentas usan los mismos pesos; la retención cero de datos se ofrece a los clientes Enterprise. La página de modelos no indica periodos de retención; el DPA está en la página Legal.
- ¿Cuáles son las mejores alternativas a Jev?
- Las alternativas más cercanas que hemos analizado son Perplexity Decider (pplx-decider), d3 (vLLM Semantic Router), Clef, Laya, GLiNER2.5-Decide y ScaleDown Constrained Decoding Models (Classify, Extract, Summarize).
Respuestas comprobadas el 26 oct 2026.