Jev es un modelo de IA de TypeSafe AI que no escribe texto: le das un contexto y preguntas con tipo, y devuelve respuestas estructuradas con probabilidades. Puede elegir una opción de una lista, puntuar en niveles o responder sí o no. TypeSafe lo presenta como el primer modelo de la categoría que llama System One.
Una pregunta de la app. Elige una respuesta.
Jev es un modelo de IA de la empresa TypeSafe AI.
¿Para cuál de estas tareas usarías Jev?
Un mail es texto libre, y Jev no genera texto. Eso es trabajo para un LLM.
Es una decisión entre opciones fijas: Ventas, Soporte o Facturación. Justo lo que hace Jev.
Charlar es generar texto, turno a turno. Jev no conversa: devuelve decisiones.
A Jev le pasas un estado (un texto, un JSON o una lista de textos) y una o más preguntas. Cada pregunta es de uno de tres tipos. Choice elige una opción de un conjunto y trae la probabilidad de cada una. Score usa niveles ordenados, por ejemplo de «nada urgente» a «muy urgente»: devuelve la probabilidad de cada nivel y un puntaje que es el promedio de los niveles ponderado por esas probabilidades, así que puede quedar entre dos. Noul responde sí o no y devuelve la probabilidad de que sea sí.
Choice y Score traen además un indicador de confianza (confidence) que se calcula a partir de esas probabilidades. Noul no lo trae: un 0,03 es un «no» firme, no una duda; la duda está cerca de 0,5. Cómo leer esos números está en probabilidad calibrada.
Puedes mandar varias preguntas juntas sobre el mismo estado. Se responden cada una por su lado: una respuesta no alimenta a otra dentro de la misma llamada. Si necesitas el resultado de una para armar la siguiente, son dos llamadas.
Este es el ejemplo de la guía de inicio de TypeSafe: un mensaje de soporte y tres preguntas, una de cada tipo. Cada pregunta tiene un nombre que eliges tú (department, frustration, is_urgent). En criteria van las opciones: en Choice, cada una con su nombre y una descripción de qué entra ahí; en Score, los niveles en orden.
En la respuesta de abajo, department eligió technical con 0,85 y una confianza de 0,78. frustration quedó en el nivel 1, «frustrado pero cortés». is_urgent dio 1,0: un sí firme, y como todo Noul, sin confianza aparte. Tu código lee esos campos y decide qué hacer.
{
"state": "Hi, I've been trying to connect my Stripe account for 3 days and the integration keeps failing. I'm losing sales. Please help ASAP.",
"model": "jev-latest",
"questions": {
"department": {
"type": "choice",
"instructions": "Which team should handle this",
"criteria": {
"billing": "Payment or subscription issues",
"technical": "Bugs or integration problems",
"sales": "Pricing or account questions"
}
},
"frustration": {
"type": "score",
"instructions": "How frustrated the customer appears",
"criteria": [
"Calm, just stating facts",
"Frustrated but civil",
"Very angry, strong language"
]
},
"is_urgent": {
"type": "noul",
"instructions": "The message conveys urgency or time-sensitivity"
}
}
}{
"model": "jev-1.13.0",
"answers": {
"department": {
"type": "choice",
"choice": "technical",
"confidence": 0.78,
"probabilities": {
"technical": 0.85,
"sales": 0.0,
"billing": 0.15
}
},
"frustration": {
"type": "score",
"score": 1.0,
"confidence": 1.0,
"legend": {
"0": "Calm, just stating facts",
"1": "Frustrated but civil",
"2": "Very angry, strong language"
},
"probabilities": {
"0": 0.0,
"1": 1.0,
"2": 0.0
}
},
"is_urgent": {
"type": "noul",
"noul": 1.0
}
},
"usage": {
"input_tokens": 392,
"output_tokens": 65
}
}Las descripciones no son decoración: Jev evalúa el texto con las opciones que le das. Con una etiqueta suelta («sales») queda sin decir dónde termina una opción y empieza la otra. TypeSafe recomienda que, si dos opciones se parecen, cada una diga qué cubre, qué va en la de al lado y algunos ejemplos. Es lo que le explicarías a alguien nuevo en el equipo.
Un LLM puede escribir correos, resúmenes o código, y también devolver datos estructurados. Jev se centra en decisiones con tipo y probabilidades: no escribe respuestas, no genera código ni explica su razonamiento.
El formato está garantizado: no puede devolver un valor fuera del esquema que pediste. El acierto, no. Va a elegir una opción válida, pero puede ser la equivocada. Por eso vienen las probabilidades.
Con el mismo mensaje, a un LLM le pedirías «responde sólo en JSON con estos tres campos» y volvería algo como el ejemplo de abajo (ilustrativo, no es una corrida). Se parece, pero es texto escrito token a token. Pedir JSON sólo en el prompt no asegura el formato; algunas API de LLM lo restringen con un esquema, y eso tampoco asegura acertar. Y no dice qué probabilidad le dio a cada opción: si le pides un número de seguridad, lo escribe, no sale calibrado. Lo común es combinarlos: Jev decide rápido y, cuando la confianza es baja, el caso pasa a un LLM o a una persona.
¿Y el nombre? Diogo Almeida, CEO de TypeSafe, contó que viene de la paradoja de Jevons.
{ "department": "technical", "frustration": "Frustrated but civil", "is_urgent": true }Sirve para juicios rápidos y acotados: a qué área va un ticket, si un mensaje pide un reembolso, qué tan urgente es un reclamo. Tu código decide qué hacer con la respuesta: actuar, pedir confirmación o pasarle el caso a una persona. En el ejemplo de la página Confidence de TypeSafe, las transferencias se confirman incluso con confianza mayor a 0,9: Jev interpreta la intención y el código controla la operación.
No sirve para escribir, conversar ni hacer cuentas: TypeSafe aclara que no es una calculadora. Sólo lee texto, así que una foto o un audio hay que pasarlos a texto antes. Y más contexto no siempre ayuda: lo que no viene al caso puede empeorar el resultado. Tampoco se entrena con datos de clientes ni se ajusta por cliente: lo de tu negocio va en el estado y en las instrucciones.
Según la documentación de TypeSafe, cuesta USD 0,042 por millón de tokens de entrada, y la salida no se cobra. Cada pregunta extra también suma tokens de entrada. Un pedido admite hasta 64k tokens en total, y el estado más la pregunta más larga, hasta 32k. Para hacer la cuenta con tu volumen, mira cómo se calcula el costo de la IA.
El inglés es su idioma principal de entrenamiento y donde mejor acierta hoy. Otros idiomas funcionan, pero no igual de bien. Si tus textos están en español, pruébalo con ejemplos reales tuyos y mira la confianza antes de fijar umbrales.
La versión actual es jev-1.13.0, con el alias jev-latest. Los alias se mueven: si ajustaste tus umbrales con una versión, fija esa versión.
Hay una alternativa abierta: Laya, de Convai Innovations, con licencia Apache 2.0. Responde las mismas preguntas Choice, Score y Noul, acepta el mismo formato de pedido que Jev y la puedes correr en tu compu, como un modelo local. Su confianza se calcula de otra forma: si cambias de uno al otro, vuelve a probar tus umbrales con tus datos. Y OpenAI tiene uno del mismo tipo: la Decisions API, en beta pública desde octubre de 2026.