Jev

Qué es Jev

Jev es el primer «System One model» de acceso público de TypeSafe AI, una startup fundada en 2024 por Diogo Almeida —antes investigador en OpenAI, colaborador de RLHF, InstructGPT y de ChatGPT—, Erik Gafni y Sasha Sheng. El propio fabricante lo describe como una llamada a función de inteligencia de frontera: entra estado no estructurado, salen decisiones tipadas y probabilísticas. No es un asistente conversacional: renuncia deliberadamente a generar texto libre y está optimizado para devolver únicamente salidas estructuradas, lo que —según el propio fabricante— hace que no pueda alucinar.

Para qué sirve Jev

Resuelve un problema distinto al de un chatbot: llevar decisiones automatizadas y fiables al propio software, no a una conversación con una persona. El fundador lo resume así en declaraciones a prensa independiente: llevamos años teniendo modelos sobrehumanos en el chat, así que dónde está toda la automatización. Jev sirve para que el código —no una persona— tome decisiones estructuradas: clasificar, puntuar o evaluar verdadero o falso sobre un texto o estado dado, con una probabilidad calibrada asociada a cada respuesta, integrable directamente en un flujo de trabajo de software.

Cómo funciona técnicamente

• Toma su nombre de la distinción de Daniel Kahneman entre el pensamiento rápido e intuitivo, Sistema 1, y el pensamiento lento y deliberado, Sistema 2: un System One model está pensado para el primer tipo de juicio, rápido y estructurado, no para el razonamiento conversacional largo.
• Se entrena con un método propio llamado RLCD, Reinforcement Learning for Calibrated Decisions: las probabilidades que devuelve se optimizan contra resultados reales para reflejar la incertidumbre de forma honesta, no solo para sonar convincente.
• A diferencia de un LLM que genera texto token a token, Jev evalúa todas las preguntas de una consulta en paralelo y de forma aislada, devolviendo respuestas tipadas y restringidas en vez de texto libre.

Funcionalidades verificadas

Jev expone tres primitivas de pregunta, cada una con una forma de respuesta distinta:

• Choice: para elegir entre un conjunto conocido de opciones sin orden entre sí —por ejemplo, enrutar un ticket de soporte, clasificar un tipo de documento o detectar un lenguaje de programación—. Devuelve la opción elegida y la distribución de probabilidad sobre todas las opciones.
• Score: para cuando la respuesta cae en un espectro descrito por niveles —por ejemplo, la gravedad de un error o el nivel de frustración de un cliente—. Devuelve una posición sobre esos niveles, que puede caer entre dos de ellos.
• Noul: para una pregunta binaria donde la propia probabilidad es la señal útil —por ejemplo, si un mensaje contiene información personal identificable—. Devuelve un valor entre 0 y 1, donde los extremos son un sí o un no fuertes y 0,5 es incertidumbre.

Cada respuesta incluye además una puntuación de confianza explícita.

Requisitos y acceso

• Acceso mediante clave de API, con cabecera de autorización de tipo token portador, obtenida desde la consola de TypeSafe.
• SDK oficial en Python, que requiere Python 3.10 o superior.
• Estado actual: acceso anticipado, no disponibilidad general.

Instalación e integración

• Sin código: a través del playground de la consola, pegando texto como estado y añadiendo preguntas de tipo Noul, Choice o Score.
• Vía API HTTP: una petición POST al endpoint de la API con la clave en la cabecera de autorización.
• Vía SDK de Python: instalación con pip o con uv, leyendo automáticamente la clave desde una variable de entorno y usando por defecto el modelo más reciente.
• Vía skill para Claude Code: instalable como plugin desde el marketplace oficial de TypeSafe.

Flujo de trabajo con Jev

• Definir en el código las preguntas que se quieren hacer sobre un estado dado, usando las primitivas Choice, Score o Noul según la forma de la respuesta que se necesite.
• Enviar esas preguntas junto con el estado no estructurado —por ejemplo, un mensaje de un cliente— en una sola llamada.
• Recibir de vuelta, en la misma respuesta, cada decisión tipada junto con su probabilidad o puntuación de confianza.
• Usar esa salida estructurada directamente en el código, sin tener que interpretar ni parsear texto libre.

Ejemplo práctico

Este es un ejemplo ilustrativo tomado literalmente de la documentación oficial de TypeSafe, no un caso verificado por nosotros con nuestro propio código.

• Pregunta de tipo Choice sobre un ticket de soporte: cuál es la petición principal en el mensaje del cliente, entre las opciones reembolso, cambio de reserva o solo información.
• Pregunta de tipo Score sobre el mismo mensaje: qué nivel de frustración muestra el cliente, en una escala descrita en tres niveles.
• Pregunta de tipo Noul sobre el mismo mensaje: si el cliente está pidiendo un reembolso.
• Las tres preguntas se responden en la misma llamada, cada una con su propio resultado tipado y su probabilidad asociada.

Casos de uso profesionales

• Clasificar y enrutar automáticamente tickets de soporte o mensajes entrantes según su contenido real, no según reglas de palabras clave.
• Puntuar de forma consistente señales como la frustración de un cliente o la gravedad de un incidente, para priorizar la atención humana.
• Verificar o poner una red de seguridad sobre las salidas de otro modelo de lenguaje antes de que lleguen a producción.
• Tomar decisiones estructuradas dentro de un flujo de trabajo de map-reduce sobre grandes volúmenes de datos, sin tener que generar y luego parsear texto libre.

Fuentes oficiales

• Producto: typesafe.ai
• Anuncio de lanzamiento: typesafe.ai/blog/introducing-system-one-models-and-jev
• Documentación técnica: docs.typesafe.ai
• Consola: console.typesafe.ai
• Evaluaciones: evals.typesafe.ai