TypeSafe AI, um laboratório de IA sediado em San Francisco e fundado pelo ex-pesquisador da OpenAI Diogo Almeida, lançou Jev, o primeiro modelo da série que chama de System One Models. Diferentemente dos modelos generativos convencionais, Jev não produz texto — ele retorna decisões tipadas com probabilidades que o software pode usar diretamente.
Como funciona
O funcionamento é simples: você envia um estado (string ou dados estruturados) junto com um conjunto de perguntas tipadas. Jev avalia todas elas em uma única passada paralela e retorna respostas com Choice, Score e Noul, acompanhadas de distribuição de probabilidade e valor de confiança. Assim, o código que o chama pode agir quando a confiança ultrapassa um limiar e escalar quando fica abaixo.
Os custos são competitivos: entrada a $0,042 por milhão de tokens, saída gratuita. A janela de contexto comporta 32 mil tokens, e a latência de ponta a ponta fica entre 70ms e 500ms. O treinamento usa um método chamado Reinforcement Learning for Calibrated Decisions.
Adoção acelerada
A chegada ao mercado foi meteórica. Vercel integrou Jev ao AI Gateway no segundo dia de lançamento e alcançou quase 13% dos times pagos em apenas 24 horas — o dobro da participação da família GPT-5.6 no mesmo período. Netlify seguiu rápido. LangChain entregou uma integração TypeSafeClassifier com roteamento de modelos e um middleware AutoMode que valida chamadas de ferramentas antes de executá-las. Cinco clientes independentes de Elixir surgiram em dias.

Adoção de Jev no Vercel AI Gateway no primeiro dia comparada com outros lançamentos recentes. Crédito: Vercel. Imagem: InfoQ
Casos de uso e desempenho
Os números de desempenho impressionam. Um engenheiro da Vercel, Pranit Sharma, relata que um classificador de segurança rodando com Jev executou cinco a 18 vezes mais rápido que o LLM que substituiu. Nikhil Mudholkar, CTO da Bryo AI, avaliou o Gemini como ligeiramente mais preciso em classificação de e-mails, mas 10 a 20 vezes mais caro — e valorizou Jev como o único que entrega uma probabilidade real. Armin Ronacher, CTO da Earendil, disse a TechCrunch que o design "delegua o problema de alucinações um pouco para o usuário", que precisa decidir se uma probabilidade de 50% justifica agir.
Uma análise de 12.759 tweets de lançamento pela OpenChamber mostrou acelerações medianas reportadas pelos usuários em 7x (contra o destaque de 193,6x), economia de custos na mediana de 30x, e latência mediana de 76ms com quartil superior de 270ms.
No Reddit, um desenvolvedor chamou o modelo de "absolutamente insano" para trabalhos com agentes, em latência de 200ms a 300ms. No Hacker News, um usuário em early access o descreveu como "realmente interessante", mas alertou que o comportamento fora da distribuição diferirá de um LLM.
Ressalvas importantes
Nem tudo é perfeito. Outro desenvolvedor no Hacker News apontou que, embora Jev não possa emitir um tipo inválido, ainda assim pode retornar valores completamente errados que sejam válidos segundo a tipagem:
"Primeiro, parabéns ao time por lançar algo genuinamente interessante e novo. Um título mais preciso seria algo como 'Jev: Trocando geração propósito geral por inferência tipada rápida'. Isso é interessante, mas a comparação de velocidade parece enganosa? Um modelo generativo que consegue gerar código em linguagem Turing-completa pode fazer qualquer coisa que um computador faça. Jev só consegue gerar saída estruturada, certo? Isso é provavelmente super útil para classificação, roteamento e pontuação, mas não é nada como os modelos geradores de código que todos usamos hoje. Também 'não pode alucinar' parece errado — é verdade que não pode emitir um tipo inválido, mas ainda pode emitir um valor completamente errado que seja válido."
Para quem quer substituir classificadores baseados em LLM, TypeSafe recomenda começar pela documentação jev-1.13 jaggedness, que lista problemas com contagem não confiável, aritmética e comparação de datas, além de perda de acurácia em estados grandes e ruidosos. Também aconselha manter a matemática em código. Fixa uma versão específica como jev-1.13.0 em vez de usar os aliases móveis jev-latest e jev-preview, e use o adaptador System One para avaliar modelos existentes contra o mesmo schema.
Sobre a equipe
TypeSafe AI foi fundada por Diogo Almeida, Erik Gafni e Sasha Sheng. Almeida co-inventou RLHF e trabalhou na pesquisa por trás do ChatGPT.










