Modelo Jev explicado: precio de la API, usos y acceso inmediato

Actualizado el 24 de octubre de 2026: añadido Jev 1.14, ya servido como jev-latest.

El modelo Jev es el System One Model de TypeSafe AI. Recibe un state de texto o JSON y preguntas tipadas, y devuelve decisiones con tipo en lugar de prosa. Se llama con model: "jev-latest", hoy Jev 1.14: $0.042 por millón de tokens de entrada, salida gratis y 64K tokens por petición.

Esto hace que el modelo Jev explicado en esta guía resulte interesante para clasificación, asignación de tickets, 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.

El modelo Jev de un vistazo

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 hay de nuevo en Jev 1.14?

Jev 1.14 (jev-1.14.0) es estable desde el 14 de octubre de 2026, y tanto jev-latest como jev-preview apuntan a esta versión. El precio y los límites predeterminados no cambian; lo nuevo son dos funciones experimentales que se activan por petición.

Ambas viven detrás de cabeceras que TypeSafe llama “zona de riesgo”. TypeSafe-Danger-Zone-Images: true activa recursos de imagen y el nuevo tipo de pregunta Box, que devuelve coordenadas dentro de la imagen. TypeSafe-Danger-Zone-Long-Context: true amplía la ventana a 262K tokens por petición y por pregunta. El valor predeterminado está desactivado, así que sin la cabecera nada cambia. El anuncio de TypeSafe (consultado el 24 de octubre de 2026) pide usarlas bajo tu propio criterio. Nosotros aún no hemos probado estas dos cabeceras a través de OmniaKey.

Las peticiones que fijan jev-1.13.0 siguen funcionando, y el cuerpo predeterminado no cambia: state, questions y un model opcional. Volver atrás es un cambio de una línea, así que prueba primero tus tareas reales con 1.14 y luego migra el tráfico de producción.

¿Qué hace realmente Jev?

Jev puede entenderse como una función semántica probabilística:

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.

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 envía mediante OmniaKey el formato documentado por TypeSafe. Un solo mensaje de soporte se evalúa para determinar el equipo, la frustración y la urgencia en una llamada.

curl https://api.omniakey.com/v1/alpha/search \
  -H "Authorization: Bearer $OMNIAKEY_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.

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. Los modelos d1 de Liquid AI toman el mismo tipo de decisiones acotadas y también se distribuyen como pesos abiertos; consulta el análisis de Liquid AI d1 API.

JSON mode tampoco es lo mismo. 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 con opciones cerradas.

Precios de la API de Jev

TypeSafe lista Jev 1.14, igual que 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.

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

Contexto y límites de solicitudes de Jev

El 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.

Son los límites directos de TypeSafe. Una cuenta OmniaKey puede tener su propio acceso, precio y límites. Para solicitudes completas, respuestas, Python/Node.js y errores, utiliza la guía de integración de la API de Jev.

¿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:

1. Las mediciones publicadas se iniciaron generalmente desde portátiles de empleados en la costa oeste de Estados Unidos, donde también estaba el servicio.
2. El equipo de capacidades de modelos de TypeSafe creó las tareas, por lo que puede existir sesgo de selección.
3. La respuesta de referencia promedió GPT-6 Astra y Fable 5.1, lo que puede favorecer a esas familias.
4. Las llamadas a LLM competidores pasaron por OpenRouter y el wrapper estructurado de TypeSafe.
5. 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 vía de escalado.

Dónde encaja bien Jev

El modelo Jev explicado arriba 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.

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

1. Mantén el trabajo determinista en código. Analiza fechas, cuenta elementos, calcula dinero y aplica permisos sin un modelo.
2. Formula preguntas atómicas. Divide “¿Debemos aprobar esta solicitud?” en los hechos independientes que determinan la decisión.
3. Describe todos los límites. Añade other o none si un Choice no es exhaustivo y redacta niveles concretos para Score.
4. 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.
5. Calibra acciones, no solo predicciones. No uses el mismo umbral para una asignación de pantalla reversible y una automatización de alto impacto.
6. Fija una versión tras ajustar. jev-latest puede moverse. Registra el ID versionado de la respuesta y migra los umbrales de forma deliberada.
7. Escala la incertidumbre. Envía los casos ambiguos a una persona o a un modelo de razonamiento más lento en vez de forzar una decisión.
8. 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?

Sí. Jev está disponible mediante OmniaKey como jev-latest. Ese ID apunta hoy a Jev 1.14, y OmniaKey lo pasa tal cual a TypeSafe, así que no hay que reconectar cuando sale una versión nueva. No necesitas solicitar el early access de TypeSafe ni esperar la aprobación de una lista. Crea una clave con alcance definido en el panel de API Keys y úsala de inmediato. La ficha del catálogo está en la página del modelo Jev 1.14.

Envía el cuerpo nativo de Jev a POST https://api.omniakey.com/v1/alpha/search. Es un endpoint dedicado a Jev, no un endpoint de OpenAI Chat Completions, así que conserva la estructura state y questions del ejemplo. Nuestra prueba del 20 de septiembre devolvió HTTP 200, el modelo resuelto jev-1.13.0, answers tipadas y usage de tokens. Esa misma petición ahora resuelve a jev-1.14.0. Para programación y Agents abiertos, la guía de modelos para Agents de programación cubre los modelos generativos de otra capa del stack.

Veredicto final

El modelo Jev, explicado en esta guía, 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, acepta texto de forma predeterminada, 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 afirmaciones 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 respuestas 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.

¿Cómo accedo a la API de Jev sin lista de espera?

Crea una clave de API de OmniaKey, envía el cuerpo nativo de Jev a POST https://api.omniakey.com/v1/alpha/search y usa jev-latest como model. No necesitas otra cuenta de TypeSafe ni aprobación de early access.

¿Cuánto cuesta la API de Jev?

TypeSafe lista Jev 1.14 a $0.042 por millón de tokens de entrada, con salida gratuita actualmente. Los precios directos y rate limits pueden cambiar durante early access.

¿Qué versión es jev-latest ahora?

Jev 1.14 (jev-1.14.0). jev-preview también apunta hoy a la misma compilación. Para fijarla, indica jev-1.13.0 o jev-1.14.0 en la petición.

¿Admite Jev imágenes o español?

Admite texto de forma predeterminada. Los strings, objetos JSON y arrays deben contener texto. Jev 1.14 añade recursos de imagen detrás de la cabecera TypeSafe-Danger-Zone-Images: true, que TypeSafe marca como experimental. 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.

¿Se puede usar Jev gratis?

El precio directo revisado cobra $0.042 por millón de tokens de entrada y deja gratis la salida. Salida gratuita no significa solicitud gratuita. Las pruebas, créditos promocionales y tarifas del gateway tienen condiciones propias; comprueba tu oferta sin suponer créditos gratis para todos.

¿Cuántos parámetros tiene Jev?

La página de modelos de TypeSafe (consultada el 24 de octubre de 2026) especifica contexto y formatos de entrada, pero no publica un número de parámetros. 64K y 32K son límites de tokens, no parámetros del modelo. No permiten deducir el tamaño de los pesos ni los requisitos de hardware local.

Fuentes primarias

• TypeSafe: Jev 1.14 release (en inglés) (consultado el 24 de octubre de 2026)
• TypeSafe: Introducing System One Models & Jev (en inglés)
• Documentación de TypeSafe: Introduction (en inglés)
• Documentación de TypeSafe: System One (en inglés)
• Documentación de TypeSafe: Models and pricing (en inglés) (consultado el 24 de octubre de 2026)
• Documentación de TypeSafe: HTTP API reference (en inglés)
• Documentación de TypeSafe: Confidence (en inglés)
• Documentación de TypeSafe: Jev 1.13 jaggedness (en inglés)

Precios, límites y detalles de Jev 1.14 revisados de nuevo el 24 de octubre de 2026. La prueba anterior del gateway sigue fechada el 20 de septiembre; esta actualización no es otra prueba pagada. Jev cambia deprisa, así que vuelve a comprobar versión y condiciones de cuenta antes de producción.