O que é o Jev? O modelo System One da TypeSafe AI (2026)

Em 15 de setembro de 2026, a startup americana TypeSafe AI abriu o acesso antecipado ao Jev, um modelo que não gera texto algum. Você entrega o estado do programa e perguntas tipadas, e ele devolve decisões tipadas com probabilidades. A empresa é liderada por Diogo Almeida, coautor do artigo do InstructGPT que serviu de base para o ChatGPT. Este guia explica o Jev e a nova categoria proposta pela empresa, o modelo System One, com base na documentação oficial.

O que é o Jev

O Jev é um modelo dedicado apenas a decidir, lançado como "o primeiro modelo System One". A versão atual é a jev-1.13. A diferença em relação a um modelo de linguagem de grande porte (LLM) está no formato da saída.

Um LLM gera texto para pessoas lerem. Mesmo quando você quer dados estruturados, precisa fazê-lo escrever texto e depois analisar isso no código
O Jev não gera texto. Ele recebe o estado do programa (state) e perguntas tipadas (questions) e devolve valores tipados, distribuições de probabilidade e um valor de confiança

A TypeSafe apresenta esse desenho como a correção de um desencontro: forçar um sistema de geração de texto a emitir decisões estruturadas. Com o Jev não há nada para analisar nem repetir: o valor devolvido entra direto no seu desvio condicional, na sua ordenação ou no seu roteador.

O que significa System One

O nome vem do pensamento rápido e lento de Daniel Kahneman. Raciocínio longo e escrita são trabalho do sistema 2, onde os LLMs se destacam; julgamentos instantâneos são do sistema 1, e é para isso que o Jev foi feito. Uma imagem útil: tudo o que um especialista da área decidiria em cinco segundos, executado em grande volume e com latência mínima.

Os três tipos de pergunta (primitivas)

O Jev aceita três tipos de pergunta, que podem ser misturados em uma única chamada de API. As perguntas são avaliadas em paralelo e de forma isolada sobre o mesmo estado e, segundo a documentação, acrescentar perguntas quase não altera o tempo de resposta.

Choice (escolha): seleciona uma opção de um conjunto definido. Retorna a opção escolhida, a distribuição de probabilidade entre todas as opções e a confiança. Serve para encaminhar tíquetes ou classificar tipos de documento. A documentação recomenda incluir uma opção "outros" quando a lista pode não ser exaustiva
Score (pontuação): posiciona o estado em uma escala ordenada de níveis (por exemplo: calmo e neutro, incomodado mas educado, muito irritado). A pontuação pode cair entre dois níveis. Serve para gravidade, satisfação ou nível de proficiência
Noul (verdadeiro ou falso): responde a uma afirmação com uma probabilidade entre 0 e 1. Perto de 1,0 é um sim firme; em torno de 0,5 o modelo não consegue decidir. Serve para "é um relato de bug?" ou "é um pedido de reembolso?"

Cada resposta traz também um valor de confiança (confidence), que indica quão concentrada está a distribuição. É essa a alavanca para enviar a uma pessoa ou a um LLM apenas os casos incertos.

Velocidade e preço (números divulgados pela empresa)

Tempo de resposta de ponta a ponta de 70 a 500 ms, que a empresa descreve como 40 a 200 vezes mais rápido que modelos de fronteira com inteligência equivalente nessa classe de tarefa
US$ 0,042 por milhão de tokens de entrada (US$ 42 por bilhão). Os tokens de saída são gratuitos: a cobrança é só na entrada
Limites de 250 mil tokens por segundo e 1.200 requisições por minuto, ajustados dinamicamente conforme a demanda, segundo a empresa
64 mil tokens por requisição, com no máximo 32 mil para o estado somado à pergunta mais longa
Apenas entrada de texto (string, objeto JSON ou array de textos). Sem entrada de imagem, áudio ou vídeo

O TechCrunch relata que a Vercel mediu resultados de 5 a 18 vezes mais rápidos e com melhor precisão em uma tarefa de classificação, e que a Bryo AI achou o Jev de 10 a 20 vezes mais barato que o Gemini para classificar e-mails. São números do fornecedor e de seus clientes, então leia-os como motivo para medir com os seus próprios dados, não como resultado garantido.

Como ler "ele não pode alucinar"

O Jev é divulgado como um modelo sem erros de tipo e sem alucinações. O que está garantido é o formato da saída: você nunca receberá um valor fora da sua lista de opções nem um JSON malformado, e por isso o código de análise e de nova tentativa desaparece.

Isso não significa que o julgamento esteja sempre certo. O que volta é uma probabilidade calibrada, e uma resposta de 0,7 erra cerca de 30% das vezes por construção. A própria documentação recomenda rotear pela confiança. Separar "não inventa fatos" de "acerta sempre" é a distinção mais importante ao avaliar o modelo.

As fraquezas que a TypeSafe divulga

A TypeSafe documenta onde o jev-1.13 é fraco. Para uma decisão de adoção, é a página mais útil que ela publica.

Aritmética e contagem não são confiáveis: contagem de caracteres, de ocorrências ou de itens de lista piora conforme a entrada cresce. A documentação afirma claramente que o Jev não é uma calculadora
Datas e horas são frágeis: qual data vem antes, se uma cai dentro de um intervalo, qual a distância entre elas
Indireção reduz a precisão: perguntas que exigem vários saltos de raciocínio, propriedades de propriedades ou dupla negação
Contexto irrelevante custa precisão: quanto mais material alheio à decisão houver no estado, pior o resultado
Sem geração de texto: encadear escolhas para compor texto é lento e tem qualidade baixa
As instruções são lidas ao pé da letra: ele responde à pergunta que você escreveu, não à que você quis dizer, então os casos-limite precisam constar nos critérios
Entradas adversárias não são tratadas: instruções embutidas no estado podem deslocar a saída
Inglês primeiro: os demais idiomas, inclusive os asiáticos, são "tratados, mas não igualmente bem"

Se o seu conteúdo não está em inglês, escreva as instruções e os critérios em inglês, deixe apenas o material a ser julgado no idioma original e meça a precisão antes de se comprometer.

Onde ele se encaixa

Roteamento por intenção: classificar uma solicitação que chega e enviá-la à fila ou ao responsável certo
Prioridade e gravidade: pontuar a urgência e ordenar o trabalho
Guardrails e monitoramento: checar em milissegundos se a entrada e a saída de um agente respeitam uma política; há equipes usando isso para detectar tentativas de jailbreak
Roteamento de modelos: modelo barato para pedidos fáceis, modelo de fronteira para os difíceis
Reordenação e apoio à busca: reordenar candidatos, julgar relevância
Controle de fluxo de agentes: manter no seu código a decisão do "que vem agora"

Combine com um LLM, não substitua um

Como o Jev não escreve, o padrão produtivo o coloca antes ou depois de um LLM, não no lugar dele.

Passe as decisões de alto volume pelo Jev e escale apenas os casos de baixa confiança para um LLM ou uma pessoa (roteamento por confiança)
Decomponha um julgamento complexo em perguntas pequenas compostas no código, em vez de uma única pergunta grande
O LLM escreve, o Jev decide

Como começar

O acesso é antecipado: crie uma chave de API no console, em console.typesafe.ai
Há SDK de Python, SDK de JavaScript e TypeScript e API HTTP. O apelido padrão do modelo é jev-latest, que hoje aponta para jev-1.13.0
A autenticação usa a variável de ambiente TYPESAFE_API_KEY. Também há uma agent skill publicada para Claude Code e Codex
A documentação existe só em inglês, e preço, limites e condições de acesso podem mudar: confira as páginas oficiais antes de construir sobre o modelo

Resumo

O Jev não é "o próximo LLM"; é um componente diferente que cobre aquilo em que os LLMs iam mal. Ele compensa onde a decisão não precisa de texto corrido — classificação, encaminhamento, pontuação, guardrails — em volume e com baixa latência, e exige testes cuidadosos em aritmética, datas, geração e nuances em conteúdo que não está em inglês. Um primeiro passo prático: encontre no seu fluxo atual o ponto em que um LLM apenas classifica algo, coloque o Jev no lugar e meça latência, custo e precisão em relação ao que você já tem.

Fontes: blog da TypeSafe AI, documentação oficial, TechCrunch, 18 de setembro de 2026. Este artigo reflete informações públicas verificadas em 19 de setembro de 2026.