O que é Jev, o modelo System One da TypeSafe AI

O que é Jev, em uma frase

Jev é um modelo de inteligência artificial que avalia um texto e devolve decisões estruturadas — probabilidades, notas em régua e respostas de sim ou não — em vez de gerar texto. A TypeSafe AI chama essa nova classe de modelos de System One. A promessa: enquanto os modelos de linguagem existentes são otimizados para conversar e escrever, Jev é otimizado para o que o software precisa — decidir.

Pense nele como uma chamada de função com inteligência de fronteira. Você envia um estado — um texto, um registro, o histórico de uma conversa — e um mapa de perguntas tipadas. O Jev responde com valores tipados, cada um acompanhado de probabilidades calibradas e de um nível de confiança. Sem texto para fazer parsing. Sem engenharia de prompt para forçar um formato. Sem receio de a resposta virar uma conversa fora do trilho.

Quem fez e quando

A TypeSafe AI anunciou o Jev em 15 de setembro de 2026, depois de cerca de dois anos de trabalho em sigilo. O fundador é Diogo Almeida, ex-pesquisador da OpenAI, que diz ter ajudado a construir os métodos que tornaram modelos de linguagem úteis para seguir instruções — a pesquisa por trás do ChatGPT. O lançamento é em acesso antecipado, com a lista de espera abrindo aos poucos.

Este site não tem relação com a TypeSafe AI. Somos a comunidade brasileira que testa, documenta e ensina o modelo em português — começando por este guia e pelo nosso playground.

“Jev não gera texto”: o que isso significa

É a frase que resume o produto. Um modelo de linguagem tradicional recebe um prompt e produz uma sequência de texto — uma frase, um parágrafo, um JSON escrito a mão. Para usar isso em um sistema, você precisa ler o texto, conferir o formato, tratar recusas e alucinações, e torcer para o modelo não mudar de ideia no próximo pedido.

O Jev inverte o contrato. Você declara de antemão as perguntas e o formato das respostas: escolher entre opções, pontuar em uma régua ou responder sim ou não. O modelo devolve exatamente esse formato, com a probabilidade de cada resultado. A saída entra direto em um if, em uma ordenação ou em um roteamento. É por isso que a TypeSafe diz que Jev não pode alucinar no sentido estrito de tipo: como as saídas possíveis são definidas antes, não existe string maluca para escapar. A qualidade da decisão, essa, você mede — e é aí que as probabilidades calibradas entram.

O nome vem de Kahneman

O nome da classe, System One, vem de Daniel Kahneman, prêmio Nobel de economia e autor de Rápido e devagar: duas formas de pensar. Kahneman descreve o Sistema 1 como o pensamento rápido e intuitivo, e o Sistema 2 como o raciocínio lento e deliberado. Os modelos de linguagem atuais, com sua geração token a token, lembram o Sistema 2: potentes, porém lentos. A TypeSafe propõe modelos “Sistema 1”: julgamentos rápidos, diretos, feitos para decisão.

Kahneman também usa o Sistema 1 como sinônimo de erro e viés. A TypeSafe reconhece isso e sustenta que modelos System One podem ser construídos de forma mais confiável que a intuição humana — é o que a empresa afirma buscar com o treinamento para decisões calibradas. Cético? Nós também. Por isso testamos e medimos, em vez de repetir o folheto.

As três primitivas

Toda pergunta ao Jev usa uma de três primitivas — cada uma tem página própria em primitivas. Elas cobrem as três formas básicas de decisão que um sistema precisa:

• Choice (escolha): escolhe uma opção de uma lista fixa e devolve a probabilidade de cada opção. Exemplo: dado um ticket de suporte, qual time deve atender — técnico, cobrança ou cancelamento?
• Score (nota): pontua o estado em uma régua que você descreve em níveis. Exemplo: qual a urgência desta mensagem, de 0 (informativa) a 10 (emergência)?
• Noul (sim ou não): devolve a probabilidade de uma afirmação ser verdadeira, entre 0 e 1. Exemplo: o cliente quer cancelar o serviço?

As três podem ser misturadas em uma única chamada. Cada pergunta é avaliada em paralelo e isolada das outras: adicionar perguntas quase não muda o tempo de resposta e não corrói o contexto — não existe “esquecer o começo da conversa”, porque não existe conversa.

System One x LLM: a comparação

A tabela abaixo resume o que a TypeSafe publica sobre a diferença entre os modelos de linguagem tradicionais e o Jev. Os números são do fabricante:

Velocidade e custo: os números, com uma pitada de sal

O site da TypeSafe exibe dois números grandes: Jev seria 193,6 vezes mais rápido e 444,6 vezes mais barato que os modelos de linguagem em cargas de trabalho reais. De onde vêm esses números? De uma avaliação própria, com fluxos de trabalho construídos pela equipe de capacidades da empresa, usando os modelos de referência mais caros do mercado como gabarito.

A própria TypeSafe avisa: “esperamos que esses números estejam no extremo superior dos ganhos reais”. Ou seja: são o melhor caso do fabricante, não uma média garantida. A empresa também admite que não pode provar que o preço não é subsidiado — a sustentação do custo só o tempo dirá.

O que dá para verificar hoje, sem fé em ninguém: a latência de ponta a ponta de 70 a 500 milissegundos, o preço de entrada de US$ 0,042 por milhão de tokens e a saída gratuita — a conta em reais, com os preços de tabela da OpenAI e da Anthropic ao lado, está em preço. Por isso o nosso playground mede e mostra a latência real de cada análise, o número de tokens e o custo estimado em reais — o servidor cronometra, não o folheto.

“Não pode alucinar”: o que significa (e o que não significa)

A garantia da TypeSafe é sobre a forma, não sobre o conteúdo. Como as saídas possíveis são definidas na pergunta, o Jev não consegue devolver um tipo inexistente — isso é garantido por construção, e a empresa afirma que um único contraexemplo derrubaria a afirmação. O que ninguém garante por construção é acertar a decisão. Para isso existem as probabilidades calibradas e a confiança: quando o modelo está em dúvida, ele espalha a probabilidade entre as opções em vez de fingir certeza. A promessa prática é “confiança alta significa precisão alta” — promessa que a comunidade ainda vai testar bastante, e nós vamos publicar os testes.

O nome Jev homenageia Jevons

Jev leva o sobrenome de William Stanley Jevons, economista do século 19. O “paradoxo de Jevons” diz que, quando uma recurso fica mais eficiente, o consumo dele aumenta em vez de diminuir — foi o que aconteceu com o carvão depois das máquinas a vapor mais eficientes. A aposta da TypeSafe é a mesma com inteligência: cada ordem de grandeza a menos no custo da decisão abre ordens de grandeza de novos usos. Daí um modelo barato o bastante para rodar dentro de um loop, de um filtro, de um roteador.

Jev funciona em português?

Essa é a pergunta que fundou este site. O estado pode ser texto em qualquer idioma — inclusive português — e as perguntas também. Mas “funciona” para nós significa medir: latência real, probabilidades estáveis, decisões corretas em textos brasileiros de verdade. No playground, você cola um ticket de suporte, uma avaliação de produto, um lead ou um comentário, e vê as seis decisões do Jev com barras de probabilidade, medidores e a latência medida no servidor. Experimente antes de acreditar em qualquer palavra desta página — inclusive as nossas.