O que é Jev?
O Jev é o primeiro modelo público da TypeSafe AI, um laboratório de San Francisco que saiu do modo stealth em 15 de setembro de 2026 com uma rodada seed de US$ 40 milhões liderada pela DCVC. A TypeSafe o chama de modelo "System One", em referência ao modo de pensamento rápido e intuitivo de Daniel Kahneman. Ele não escreve prosa, código nem explicações. Você envia um estado (uma string, um objeto JSON ou um array de texto) e um conjunto de perguntas nomeadas, e ele responde a todas as perguntas em uma única chamada.
Cada pergunta é de um de três tipos: uma escolha entre opções que você define, uma pontuação em uma escala que você define ou um "noul", a probabilidade de uma afirmação ser verdadeira. Alguns tipos retornam um valor de confiança, para que seu código aja sozinho acima de um limiar e passe o resto para uma pessoa ou para um modelo maior. A TypeSafe diz que treinou o Jev com um método que chama de Reinforcement Learning for Calibrated Decisions (RLCD).
O Jev é apenas por API, apenas texto e fechado. Há duas versões ativas: jev-1.13.0 (o alias jev-latest, padrão do SDK) e jev-1.14.0 (jev-preview, desde 14 de outubro de 2026). As requisições podem ter 64K tokens, 32K por pergunta, ou 262K com um header de contexto longo que a TypeSafe avisa ser mais lento e menos preciso.
Jev vale a pena?
Hoje o Jev vende mais conveniência do que qualidade. No Jev Decision Index da comunidade, que agora pontua com testes privados, o Jev 1.14 fica em 41º de 229 entradas com 60,24, e o estável 1.13 em 48º com 59,22. O GLiDE 1.2 da Fastino lidera com 71,52, e o Decider v1.2 de pesos abertos da Perplexity é o quarto, com 67,98, cobrando US$ 0,02 por milhão de tokens de entrada contra US$ 0,042 do Jev.
A ideia do produto continua de pé. O Jev funciona como uma chamada de função barata para julgamentos que o código já faz com um LLM: qual equipe é dona de um ticket, se uma mensagem é urgente, se uma chamada de ferramenta deve seguir. A resposta só pode ser uma das opções que você definiu, então não há nada para fazer parsing. Na execução independente do nibzard, todas as 40.226 decisões voltaram válidas por um custo registrado de US$ 1,71, com 79,2% de acurácia no Banking77, 88,6% no CLINC150 e latência mediana de 267 a 316 ms sob carga.
A confiança é o recurso que deveria permitir automatizar, e ela precisa ser testada nos seus próprios dados. A documentação da TypeSafe diz que a calibração vale para grupos de previsões, não para cada resposta individual. O nibzard ajustou limiares para no máximo 5% de erro: no Banking77, um corte de 0,96 automatizou 51,2% das mensagens de teste com 3,68% de erro, e no CLINC150 o limiar escolhido errou a meta, com 6,65%. Em uma fila de intenções com 77 categorias, espere automatizar cerca de metade, não a maioria.
Os detalhes operacionais são, em geral, sensatos. A TypeSafe diz que o Jev não é treinado com requisições nem respostas de clientes, embora a retenção zero de dados seja só no Enterprise. Os aliases mudam quando saem versões, então limiares ajustados devem ficar fixados em jev-1.13.0 ou jev-1.14.0. O inglês tem a melhor acurácia, a entrada é só texto, e a TypeSafe limita uma escolha a 255 opções; no piloto do nibzard, 12 de 256 requisições foram rejeitadas por passar desse limite.
O que o Jev mantém sobre o campo aberto é que outra pessoa o opera. Essa vantagem está encolhendo: o branch principal do vLLM serve o mesmo endpoint /v1/systemone desde 14 de outubro, embora ainda não em um release, e modelos como o d3 carregam nele sem conversão. Sair do Jev agora é quase só trocar a base URL.
Onde ele se destaca
Um líder de engenharia de suporte em um banco com uma taxonomia de intenções de 77 categorias
Encaminhar mensagens de chat recebidas para a fila certa sem a conta de um LLM
Uma pergunta de escolha por mensagem; a US$ 0,042 por milhão de tokens de entrada, um milhão de mensagens de 300 tokens custa cerca de US$ 13. Os testes do nibzard sugerem que um corte de confiança de 0,96 automatiza cerca de metade com menos de 4% de erro, e o resto vai para atendentes.
Um engenheiro de plataforma construindo um framework de agentes
Filtrar chamadas de ferramenta com uma checagem rápida de sim/não antes que rodem
Uma pergunta noul retorna uma probabilidade para "esta chamada é segura para rodar" em cerca de 200 a 320 ms. Fixe jev-1.13.0 para que os limiares não mudem quando o alias mudar, e envie as chamadas de baixa confiança para um modelo maior.
Um gerente de produto em uma empresa de SaaS sem equipe de ML
Adicionar pontuação de urgência e filtro de spam a uma caixa de feedback
Perguntas de pontuação e noul respondidas em uma chamada por mensagem, sem GPUs para operar. Se o volume crescer ou imagens entrarem na caixa, modelos abertos como o Decider da Perplexity custam metade e leem imagens.
Antes de decidir
- Configuração
- Crie uma chave de API e depois faça POST de um estado e de perguntas nomeadas para /v1/systemone, ou use os SDKs, que usam jev-latest por padrão.
- Integrações
- API HTTP e SDKs da TypeSafe; Vercel AI Gateway, que lista typesafe-ai/jev-1.13.0 e jev-1.14.0 pelos mesmos US$ 0,042 por milhão de tokens de entrada, com saída grátis; o mesmo formato de requisição /v1/systemone é servido pelo vLLM para modelos de decisão abertos.
- Dados e privacidade
- A TypeSafe diz que o Jev não é treinado com requisições nem respostas de clientes e que todas as contas usam os mesmos pesos; a retenção zero de dados é oferecida a clientes Enterprise. A página de modelos não informa prazos de retenção; o DPA fica na página Legal.
- Custo em escala
- Só a entrada é cobrada, a US$ 0,042 por milhão de tokens: 100M de decisões de 500 tokens cada custam US$ 2.100. O benchmark de 40.226 decisões do nibzard custou US$ 1,71.
- Limites
- 64K tokens por requisição e 32K por pergunta, ou 262K com o header TypeSafe-Danger-Zone-Long-Context; limites de taxa definidos por organização e retornados como 429; perguntas de escolha aceitam no máximo 255 opções.
O que é bom
- A saída é sempre uma das opções que você definiu, então não há nada para fazer parsing
- US$ 0,042 por 1M de tokens de entrada, saída grátis
- Não é treinado com requisições nem respostas de clientes
- IDs de modelo versionados mantêm estáveis os limiares ajustados
O que não é
- 41º de 229 no Decision Index da comunidade, atrás de modelos abertos
- Só texto, e melhor em inglês
- Pesos fechados; sem auto-hospedagem nem fine-tuning
- Retenção zero de dados só no Enterprise
Ideal para
Equipes que querem uma API hospedada e barata para roteamento de texto, triagem e portões de sim/não sem operar as próprias GPUs.
Alternativas ao Jev
Jev: perguntas frequentes
- Jev vale a pena?
- O Jev transformou decisões tipadas em produto, e desde então modelos abertos o superaram tanto em pontuação quanto em preço. Damos nota 3.8 de 5.
- Quanto custa Jev?
- US$ 0,042 por 1M de tokens de entrada (US$ 42 por bilhão); tokens de saída são gratuitos. Mesmo preço em contexto longo. Limites Enterprise via vendas.
- Quais são as desvantagens de Jev?
- 41º de 229 no Decision Index da comunidade, atrás de modelos abertos; só texto, e melhor em inglês; pesos fechados; sem auto-hospedagem nem fine-tuning; retenção zero de dados só no Enterprise.
- Para quem Jev é indicado?
- Equipes que querem uma API hospedada e barata para roteamento de texto, triagem e portões de sim/não sem operar as próprias GPUs.
- Quanto custa Jev para uma equipe ou em produção?
- Só a entrada é cobrada, a US$ 0,042 por milhão de tokens: 100M de decisões de 500 tokens cada custam US$ 2.100. O benchmark de 40.226 decisões do nibzard custou US$ 1,71.
- Jev é seguro para dados da empresa?
- A TypeSafe diz que o Jev não é treinado com requisições nem respostas de clientes e que todas as contas usam os mesmos pesos; a retenção zero de dados é oferecida a clientes Enterprise. A página de modelos não informa prazos de retenção; o DPA fica na página Legal.
- Quais são as melhores alternativas ao Jev?
- As alternativas mais próximas que analisamos são Perplexity Decider (pplx-decider), d3 (vLLM Semantic Router), Clef, Laya, GLiNER2.5-Decide e ScaleDown Constrained Decoding Models (Classify, Extract, Summarize).
Respostas verificadas em 26 de out. de 2026.