O Jev é um modelo de IA da TypeSafe AI que não escreve texto: você dá um contexto e perguntas com tipo, e ele devolve respostas estruturadas com probabilidades. Pode escolher uma opção de uma lista, pontuar em níveis ou responder sim ou não. A TypeSafe o apresenta como o primeiro modelo da categoria que chama de System One.
Uma pergunta do app. Escolha uma resposta.
O Jev é um modelo de IA da empresa TypeSafe AI.
Para qual destas tarefas você usaria o Jev?
Um e-mail é texto livre, e o Jev não gera texto. Isso é trabalho para um LLM.
É uma decisão entre opções fixas: Vendas, Suporte ou Cobrança. Exatamente o que o Jev faz.
Conversar é gerar texto, turno a turno. O Jev não conversa: devolve decisões.
Você passa ao Jev um estado (um texto, um JSON ou uma lista de textos) e uma ou mais perguntas. Cada pergunta é de um de três tipos. Choice escolhe uma opção de um conjunto e traz a probabilidade de cada uma. Score usa níveis ordenados, por exemplo de "nada urgente" a "muito urgente": devolve a probabilidade de cada nível e uma pontuação que é a média dos níveis ponderada por essas probabilidades, então pode ficar entre dois. Noul responde sim ou não e devolve a probabilidade de ser sim.
Choice e Score trazem também um indicador de confiança (confidence) calculado a partir dessas probabilidades. Noul não traz: um 0,03 é um "não" firme, não uma dúvida; a dúvida fica perto de 0,5. Como ler esses números está em probabilidade calibrada.
Você pode mandar várias perguntas juntas sobre o mesmo estado. Cada uma é respondida separadamente: uma resposta não alimenta outra dentro da mesma chamada. Se você precisa do resultado de uma para montar a próxima, são duas chamadas.
Este é o exemplo do guia de início da TypeSafe: uma mensagem de suporte e três perguntas, uma de cada tipo. Cada pergunta tem um nome que você escolhe (department, frustration, is_urgent). Em criteria vão as opções: na Choice, cada uma com seu nome e uma descrição do que entra ali; na Score, os níveis em ordem.
Na resposta abaixo, department escolheu technical com 0,85 e uma confiança de 0,78. frustration ficou no nível 1, "frustrado mas educado". is_urgent deu 1,0: um sim firme e, como todo Noul, sem confiança à parte. Seu código lê esses campos e decide o que fazer.
{
"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
}
}As descrições não são enfeite: o Jev avalia o texto com as opções que você dá. Com um rótulo solto ("sales") fica sem dizer onde termina uma opção e começa a outra. A TypeSafe recomenda que, se duas opções se parecem, cada uma diga o que cobre, o que vai na vizinha e alguns exemplos. É o que você explicaria para alguém novo na equipe.
Um LLM pode escrever e-mails, resumos ou código, e também devolver dados estruturados. O Jev se concentra em decisões com tipo e probabilidades: não escreve respostas, não gera código nem explica seu raciocínio.
O formato é garantido: não pode devolver um valor fora do esquema que você pediu. O acerto, não. Ele vai escolher uma opção válida, mas pode ser a errada. É para isso que vêm as probabilidades.
Com a mesma mensagem, você pediria a um LLM "responda só em JSON com estes três campos" e voltaria algo como o exemplo abaixo (ilustrativo, não é uma execução real). Parece, mas é texto escrito token a token. Pedir JSON só no prompt não garante o formato; algumas APIs de LLM o restringem com um esquema, e isso também não garante acerto. E não diz que probabilidade deu a cada opção: se você pede um número de certeza, ele escreve um, e não sai calibrado. O comum é combinar: o Jev decide rápido e, quando a confiança é baixa, o caso vai para um LLM ou uma pessoa.
E o nome? Diogo Almeida, CEO da TypeSafe, contou que vem do paradoxo de Jevons.
{ "department": "technical", "frustration": "Frustrated but civil", "is_urgent": true }Serve para julgamentos rápidos e delimitados: para qual área vai um ticket, se uma mensagem pede reembolso, quão urgente é uma reclamação. Seu código decide o que fazer com a resposta: agir, pedir confirmação ou passar o caso para uma pessoa. No exemplo da página Confidence da TypeSafe, as transferências exigem confirmação mesmo com confiança acima de 0,9: o Jev interpreta a intenção e o código controla a operação.
Não serve para escrever, conversar nem fazer contas: a TypeSafe avisa que não é uma calculadora. Só lê texto, então uma foto ou um áudio precisam virar texto antes. E mais contexto nem sempre ajuda: o que não tem a ver com o caso pode piorar o resultado. Também não é treinado com dados de clientes nem ajustado por cliente: o que é do seu negócio vai no estado e nas instruções.
Segundo a documentação da TypeSafe, custa USD 0,042 por milhão de tokens de entrada, e a saída não é cobrada. Cada pergunta extra também soma tokens de entrada. Um pedido aceita até 64k tokens no total, e o estado mais a pergunta mais longa, até 32k. Para fazer a conta com o seu volume, veja como se calcula o custo da IA.
O inglês é seu idioma principal de treinamento e onde ele mais acerta hoje. Outros idiomas funcionam, mas não tão bem. Se seus textos estão em português, teste com exemplos reais seus e olhe a confiança antes de definir limites.
A versão atual é jev-1.13.0, com o alias jev-latest. Os alias mudam: se você ajustou seus limites com uma versão, fixe essa versão.
Há uma alternativa aberta: Laya, da Convai Innovations, com licença Apache 2.0. Responde as mesmas perguntas Choice, Score e Noul, aceita o mesmo formato de pedido do Jev e você pode rodá-la no seu computador, como um modelo local. A confiança dela é calculada de outro jeito: se você trocar de um para o outro, teste de novo seus limites com seus dados. E a OpenAI tem um do mesmo tipo: a Decisions API, em beta pública desde outubro de 2026.