El modelo Jev es el primer System One Model de TypeSafe AI: un modelo de IA diseñado para emitir juicios acotados y estructurados que el software puede consumir directamente. En vez de escribir un párrafo, Jev recibe un state de texto o JSON, evalúa una o varias preguntas tipadas y devuelve elecciones, puntuaciones, probabilidades y valores de confianza.

Esto hace que Jev resulte interesante para clasificación, enrutamiento, ranking, verificación y guardrails. No lo convierte en sustituto de un modelo de chat, un modelo de programación, una calculadora o una regla de negocio determinista.

Datos verificados el 19 de septiembre de 2026. Jev se lanzó en early access el 15 de septiembre. El modelo documentado actualmente es jev-1.13.0. Los precios, límites, latencia y afirmaciones de capacidad que aparecen a continuación proceden del anuncio y la documentación de TypeSafe. No recibimos información privada, no ejecutamos un benchmark facturable de Jev ni reproducimos de forma independiente sus afirmaciones de velocidad y calidad.

El modelo Jev de un vistazo

Elemento	Valor documentado actual
Desarrollador	TypeSafe AI
Clase de modelo	System One Model
ID actual con versión	`jev-1.13.0`
Alias estable	`jev-latest`
Endpoint	`POST https://api.typesafe.ai/v1/systemone`
Entrada	Solo texto, suministrado como string, objeto JSON o array de valores de texto
Salida	Respuestas tipadas `Choice`, `Score` y `Noul`
Contexto	64K tokens por petición; 32K para `state` más la pregunta más larga
Precio de la API directa	$0.042 por 1M de tokens de entrada; la salida es gratis actualmente
Límites predeterminados publicados	250,000 tokens de entrada/s y 1,200 peticiones/minuto; pueden cambiar
Latencia declarada por el proveedor	70–500 ms de extremo a extremo
Estado	Early access

La grafía oficial es Jev; no es un acrónimo que se desarrolle como J-E-V. TypeSafe explica que el nombre procede del economista William Stanley Jevons. La etiqueta “System One” alude al Sistema 1 rápido e intuitivo descrito por Daniel Kahneman en Thinking, Fast and Slow.

¿Qué hace realmente Jev?

Jev puede entenderse como una función semántica probabilística:

text

estado estructurado o no estructurado
  + preguntas y espacios de respuesta predefinidos
  -> decisiones tipadas y distribuciones de probabilidad

Un LLM común está optimizado para continuar una secuencia y generar strings. Incluso con JSON mode, la aplicación sigue pidiendo a un modelo generativo que componga una respuesta. Jev renuncia a la generación libre. Quien llama define primero la forma posible de la salida y el modelo evalúa cada pregunta frente al mismo estado.

TypeSafe denomina a su método de entrenamiento Reinforcement Learning for Calibrated Decisions (RLCD). El objetivo no es solo elegir una respuesta, sino producir probabilidades cuya confianza corresponda con la precisión en grupos de predicciones. La calibración es estadística: una probabilidad de 0.8 debería equivaler aproximadamente a un 80% de acierto en casos comparables. No garantiza que una respuesta concreta sea correcta.

Choice, Score y Noul

Jev expone tres tipos de pregunta. Son el núcleo de la API, no opciones de formato añadidas después de generar texto.

Primitive	Forma de la pregunta	Valor devuelto	Buen uso
`Choice`	¿Qué opción encaja?	Opción elegida, probabilidad de cada opción y confianza	Enrutamiento de intención, clasificación, ranking de un conjunto cerrado
`Score`	¿Dónde cae en una escala descrita?	Puntuación ponderada, probabilidades por nivel y confianza	Severidad, calidad, urgencia, bandas de riesgo
`Noul`	¿Es verdadera esta afirmación?	Probabilidad de 0 a 1	Detección, verificación, puertas binarias

Un Choice puede contener hasta 255 opciones. Un Score acepta entre 2 y 10 niveles descriptivos. Noul no tiene un campo de confianza separado porque su valor de 0 a 1 ya representa la probabilidad de “sí”.

Las distintas preguntas de una petición se evalúan de forma independiente y en paralelo sobre el mismo estado. Es útil cuando un flujo necesita varias señales, pero también significa que una respuesta no condiciona automáticamente a otra. Si la pregunta B depende de la A, el código debe expresar esa dependencia.

Una petición a la API de Jev

Este ejemplo abreviado sigue la forma documentada por TypeSafe. Un solo mensaje de soporte se evalúa para determinar el equipo, la frustración y la urgencia en una llamada.

bash

curl https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "My payouts have failed for three days and I am losing sales. Please help now.",
    "model": "jev-latest",
    "questions": {
      "department": {
        "type": "choice",
        "instructions": "Which team should handle this?",
        "criteria": {
          "billing": "Payments, invoices, or refunds",
          "technical": "Bugs, outages, or integrations",
          "sales": "Pricing, upgrades, or new accounts"
        }
      },
      "frustration": {
        "type": "score",
        "instructions": "How frustrated is the customer?",
        "criteria": ["Calm", "Frustrated", "Very angry"]
      },
      "is_urgent": {
        "type": "noul",
        "instructions": "Does this message convey urgency?"
      }
    }
  }'

La respuesta conserva los mismos ID de pregunta. department devuelve uno de los tres strings permitidos y una distribución sobre los tres. frustration puede ser decimal porque es la posición ponderada por probabilidad entre los niveles indicados. is_urgent devuelve únicamente la probabilidad de “sí”.

Los valores exactos varían según la entrada, los criteria y la versión del modelo. Es el código, no el modelo, quien decide qué probabilidad basta para actuar.

Jev frente a un LLM y un clasificador

Jev ocupa un punto intermedio útil, pero las diferencias importan.

Dimensión	Jev	LLM generativo	Clasificador tradicional
Función principal	Emitir juicios semánticos acotados	Generar o razonar en texto libre	Predecir etiquetas aprendidas para una tarea fija
Espacio de salida	Definido en cada petición	Abierto incluso cuando se limita con un schema	Fijado durante el entrenamiento
Nuevo criterio	Se describe en la petición	Prompt o tool schema	Suele exigir datos y reentrenamiento
Probabilidades	Salida nativa de la API	A menudo no disponibles o mal calibradas	Comunes si el modelo las expone
Generación de texto	No	Sí	No
Mejor papel	Rama semántica dentro de un flujo	Creación, explicación, programación, razonamiento en varios pasos	Tarea estable de gran volumen con datos etiquetados

Llamar a Jev “solo un clasificador” ignora su flexibilidad en cada petición. Llamarlo “un LLM más rápido” ignora que no puede generar una explicación, redactar un correo, escribir código ni inventar una respuesta fuera de las opciones entregadas.

JSON mode tampoco ofrece el mismo contrato. JSON mode restringe la sintaxis del texto generado. Jev restringe el propio espacio de respuesta y devuelve toda la distribución empleada para decidir. Esto aporta valor solo cuando el problema puede expresarse como preguntas acotadas.

Precio, contexto y throughput

TypeSafe lista actualmente Jev 1.13 a $0.042 por millón de tokens de entrada, o $42 por mil millones. La salida es gratis por ser “demasiado barata para medir”, aunque la respuesta sigue informando del uso de tokens de salida.

Volumen de entrada	Coste directo de entrada en Jev
10,000 tokens	$0.00042
1 millón de tokens	$0.042
100 millones de tokens	$4.20
1,000 millones de tokens	$42.00

Son ejemplos aritméticos, no mediciones de facturas. Excluyen reintentos, preprocesamiento, otro modelo en una cascade, almacenamiento, ingeniería y futuros cambios de precio.

El contrato de contexto impone dos límites simultáneos: todo el estado y las preguntas deben caber en 64K tokens, mientras que el estado y la pregunta más larga deben caber en 32K. Más contexto no siempre es mejor. La propia guía de jaggedness de TypeSafe indica que los detalles irrelevantes reducen la precisión.

Los límites publicados de 250,000 tokens/s y 1,200 peticiones/minuto se aplican a la cuenta; no prometen esa velocidad por petición. TypeSafe advierte expresamente que cambian de forma dinámica durante early access.

¿Qué solidez tiene la afirmación de velocidad?

TypeSafe declara un tiempo de respuesta de 70–500 ms de extremo a extremo y dice que Jev puede ser 40–200 veces más rápido que modelos frontier en consultas “con forma de System One” y con inteligencia comparable. El material de lanzamiento también destaca una evaluación de flujo en la que Jev fue 193.6 veces más rápido y 444.6 veces más barato.

Son resultados del proveedor, no un benchmark neutral. TypeSafe revela varias limitaciones importantes:

Las mediciones publicadas se iniciaron generalmente desde portátiles de empleados en la costa oeste de Estados Unidos, donde también estaba el servicio.
El equipo de capacidades de modelos de TypeSafe creó las tareas, por lo que puede existir sesgo de selección.
La respuesta de referencia promedió GPT-6 Astra y Fable 5.1, lo que puede favorecer a esas familias.
Las llamadas a LLM competidores pasaron por OpenRouter y el wrapper estructurado de TypeSafe.
TypeSafe considera los resultados de 193.6x y 444.6x el extremo alto de las ganancias reales esperadas.

La conclusión adecuada es más limitada: la salida restringida y la evaluación paralela de Jev ofrecen una vía creíble hacia muy baja latencia y coste en decisiones acotadas. No demuestran que sea 40–200 veces más rápido en cualquier tarea, que iguale la inteligencia general de un LLM frontier ni que sea mejor en generación y razonamiento de varios pasos.

“Cero alucinaciones” requiere una definición precisa

TypeSafe afirma que Jev no puede alucinar. La parte defendible es la seguridad del schema: una respuesta Choice no puede inventar una cuarta opción y el servicio no debería devolver prosa donde el código espera un número. Según TypeSafe, esta correspondencia está garantizada por construcción, no por una tasa de error cero observada.

Sin embargo, una respuesta con el tipo correcto puede ser semánticamente errónea. La documentación de Jev 1.13 enumera fallos relacionados con:

lecturas demasiado literales que omiten una intención implícita;
conteo, aritmética, fechas y precisión numérica poco fiables;
razonamiento indirecto de varios saltos;
estados largos con detalles irrelevantes;
contenido adversarial o con prompt injection;
instrucciones y criterios contradictorios;
probabilidades que no cumplen identidades intuitivas entre preguntas redactadas por separado;
cualquier tarea que necesite generar texto.

Por tanto, la afirmación práctica es cero generación fuera del esquema, no cero errores de decisión. El código de producción sigue necesitando datos de evaluación, umbrales conservadores, validación determinista y una ruta de escalado.

Dónde encaja bien Jev

Jev es un candidato sólido cuando coinciden tres condiciones: el espacio de respuesta está acotado, el juicio es semántico y no matemático, y otra pieza de software consumirá el resultado.

Carga de trabajo	Por qué puede encajar Jev	Guardrail importante
Enrutamiento de tickets	Conjunto cerrado de equipos y señal útil de incertidumbre	Añadir `other`; revisar la confianza baja
Filtrado de pasajes RAG	Puntuar relevancia, contradicción o riesgo de injection	Mantener la verificación de fuentes fuera del modelo
Guardrails de entrada y salida de LLM	Ejecutar varias comprobaciones estrechas en una petición	Tratar la entrada adversarial como threat model probado
Entity matching	Puntuar si dos registros representan lo mismo	Aplicar ID exactos e invariantes mediante código
Moderación de contenido	Etiquetas y niveles de severidad acotados	Ajustar umbrales por categoría de daño
Enrutamiento de acciones de Agent	Elegir una tool o decidir si se aplica una skill	Mantener permisos y comprobaciones destructivas en código

No es la opción predeterminada para redacción, resúmenes, generación de código, extracción abierta, aritmética exacta, comparación de fechas o razonamiento causal largo. Usa código normal para la lógica exacta y un modelo generativo o de razonamiento cuando haya que crear la propia salida.

Checklist para producción

Mantén el trabajo determinista en código. Analiza fechas, cuenta elementos, calcula dinero y aplica permisos sin un modelo.
Formula preguntas atómicas. Divide “¿Debemos aprobar esta solicitud?” en los hechos independientes que determinan la decisión.
Describe todos los límites. Añade other o none si un Choice no es exhaustivo y redacta niveles concretos para Score.
Prueba con tu propia distribución. El inglés es el principal idioma de entrenamiento; TypeSafe dice que otros idiomas, incluidos los alfabetos CJK, no rinden igual.
Calibra acciones, no solo predicciones. No uses el mismo umbral para un enrutamiento de UI reversible y una automatización de alto impacto.
Fija una versión tras ajustar. jev-latest puede moverse. Registra el ID versionado de la respuesta y migra los umbrales de forma deliberada.
Escala la incertidumbre. Envía los casos ambiguos a una persona o a un modelo de razonamiento más lento en vez de forzar una decisión.
Mide el coste por tarea aceptada. Incluye reintentos, errores de decisión, revisión humana y llamadas posteriores a LLM, no solo el precio por token.

¿Está Jev disponible mediante OmniaKey?

No en la fecha de verificación. No encontramos una ruta de Jev en el catálogo ni en el código actual de OmniaKey. El endpoint y los precios de este artículo pertenecen a la API directa de TypeSafe, y publicar esta guía no anuncia una integración con OmniaKey.

Consulta el catálogo de modelos de OmniaKey en vivo para conocer la disponibilidad real del gateway. Para programación y Agents abiertos, la guía de modelos para Agents de programación cubre los modelos generativos que ocupan otra capa del stack.

Veredicto final

Jev se entiende mejor como una nueva interfaz para decisiones semánticas, no como sustituto universal de un LLM. Su idea más atractiva es sencilla: dejar al modelo el juicio difuso, forzar la salida a un tipo comprensible para el programa, exponer la incertidumbre y conservar la composición y la lógica exacta en código.

La API actual es excepcionalmente barata sobre el papel y la arquitectura busca una latencia baja. El modelo también está en early access, solo acepta texto, funciona mejor en inglés y tiene debilidades documentadas en matemáticas, fechas, indirección, contexto irrelevante y entradas adversariales. Trata las comparaciones de velocidad e inteligencia como pruebas del proveedor hasta que existan ensayos independientes equivalentes.

Preguntas frecuentes

¿Jev es un LLM?

TypeSafe llama a Jev System One Model, no LLM. Entiende estados en lenguaje natural, pero no genera texto libre. Las fuentes revisadas no revelan suficientes detalles de arquitectura para determinar de forma independiente cuánto se parece su red subyacente a un modelo de lenguaje convencional.

¿Puede Jev sustituir a GPT o Claude?

No. Jev no puede redactar, explicar, programar ni generar respuestas abiertas. Puede complementar a un modelo generativo enrutando peticiones, comprobando salidas, puntuando evidencia o decidiendo cuándo debe ejecutarse un modelo más lento.

¿Qué significan Choice, Score y Noul?

Choice elige dentro de un conjunto cerrado y devuelve las probabilidades de todas las opciones. Score sitúa el estado entre 2 y 10 niveles descritos. Noul devuelve la probabilidad de que sea cierta una afirmación de sí o no.

¿Jev realmente tiene cero alucinaciones?

No puede generar un valor fuera del tipo declarado, lo que elimina una clase importante de errores de parsing y schema. Aun así, puede elegir una opción válida pero incorrecta o asignar una probabilidad engañosa. La seguridad de tipos no equivale a corrección semántica.

¿Cuánto cuesta la API de Jev?

TypeSafe lista Jev 1.13 a $0.042 por millón de tokens de entrada, con salida gratuita actualmente. Los precios directos y rate limits pueden cambiar durante early access.

¿Admite Jev imágenes o español?

Solo admite texto. Los strings, objetos JSON y arrays deben contener texto. El español y otros idiomas se aceptan, pero TypeSafe afirma que el inglés es actualmente el más sólido y recomienda probar las cargas no inglesas con datos propios.

Fuentes primarias

Evidencia verificada el 19 de septiembre de 2026. Jev cambia rápidamente durante early access; vuelve a comprobar el ID versionado, el precio, los límites, el comportamiento por idioma y las condiciones de datos antes de usarlo en producción.

Explorar OmniaKey Ver el catálogo en vivo

¿Qué es el modelo Jev?

MODELO JEV