Jev: o que é e como trabalhar com ele

Guia prático do primeiro modelo System One da TypeSafe · para @aizvestia · setembro de 2026

O que é

Jev é o primeiro modelo público System One da TypeSafe. Não é um modelo de chat nem 'mais uma LLM com modo JSON': Jev não gera texto nenhum. Você envia um state (contexto: texto, JSON ou array) e uma lista de perguntas tipadas, e recebe decisões de máquina: a opção escolhida, uma nota numa escala ou a probabilidade de um 'sim' - mais a distribuição de probabilidades e o confidence de cada resposta. Os criadores resumem numa frase: 'smart if-statements' - if-else inteligentes para o seu código. O exemplo mais claro é o e-mail: o Jev passa por cada mensagem e decide 'spam, 94% de certeza', 'precisa de resposta', 'pode esperar'. Ele não escreve nada - só classifica: 1.700 e-mails por 18 centavos.

O nome System One vem de Kahneman ('Rápido e devagar'): o modelo é feito para julgamentos intuitivos rápidos, não para raciocínio lento. Detalhe curioso: o cofundador da TypeSafe, Diogo Almeida, é co-inventor do RLHF - o método com que o ChatGPT foi treinado. Agora ele aposta que automação precisa de outro método de treino.

Como difere das 'coisas anteriores'

O pós-treino de modelos de linguagem passou por três abordagens:

A graça da calibração: quando o modelo diz 0.8, numa série longa ~80% dessas respostas estarão certas. A probabilidade vira um número em que dá para construir lógica.

Diferença prática de uma LLM 'obrigada' a cuspir JSON:

• A saída é tipada por construção. O modelo fisicamente não pode responder fora das suas opções - não 99.99%, mas 100%. Sem parsing nem retry de JSON quebrado.
• Cada resposta é uma distribuição de probabilidades, não só uma escolha. Dá para ver quando a opção ganhou com folga e quando o modelo ficou na dúvida entre duas quase iguais.
• As perguntas são avaliadas em paralelo e de forma independente: adicionar uma dúzia quase não muda o tempo de resposta (latência sub-segundo) e não gera 'context rot'.
• Mais barato e rápido: a página de boas-vindas do console declara 20-200x mais rápido e 40-1000x mais barato que LLMs (afirmação da empresa, mas fácil de conferir).

As três primitivas

Detalhes que economizam horas:

• Noul não tem confidence separado - o valor em si é a probabilidade. 0.5 significa 'não sei', não 'nível médio'. Para medir nível, escreva um Score com níveis descritos.
• No Choice, adicione uma opção 'other' / 'none of the above' para o caso de a lista não cobrir tudo.
• O ID da pergunta é para o seu código; o modelo não o vê. Escreva a pergunta completa em instructions.
• Se o state é JSON, aponte caminhos exatos com backticks: `ticket.messages[0].text`.
• Uma pergunta = um julgamento rápido. 'Analise isto e proponha um plano' é pergunta ruim. 'Esta mensagem transmite urgência?' é boa.

Começando em 5 minutos

0. Sem fila de espera: o Jev já está no Vercel AI Gateway como typesafe-ai/jev ($0.042/1M tokens de entrada) - se você usa Vercel, chame direto pelo pacote ai, sem waitlist da TypeSafe. Também no OpenRouter: ~typesafe/jev-latest (API compatível com OpenAI).

1. Playground. Abra console.typesafe.ai/playground, cole qualquer texto como state, adicione perguntas e clique em Run. (A entrada te recebe com um quiz 'Dá para conversar com o Jev?' - a resposta certa é No.)

2. API direto. Pegue a key no console; é um endpoint só:

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "Trying to connect my Stripe for 3 days, keeps failing. Help ASAP.",
    "model": "jev-latest",
    "questions": {
      "department": {
        "type": "choice",
        "instructions": "Which team should handle this",
        "criteria": {
          "billing": "Payment or subscription issues",
          "technical": "Bugs or integration problems"
        }
      },
      "is_urgent": { "type": "noul", "instructions": "The message conveys urgency" }
    }
  }'

Na resposta, cada pergunta traz o valor escolhido, as probabilidades de todas as opções e o confidence.

3. SDK Python (3.10+): o cliente lê TYPESAFE_API_KEY sozinho e chama jev-latest por padrão:

pip install typesafe-sdk

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

client = TypeSafeClient()
response = client.system_one(
    state=ticket,
    questions={
        "department": Choice(
            instructions="Which team should handle this",
            criteria={
                "billing": "Payment or subscription issues",
                "technical": "Bugs or integration problems",
            },
        ),
        "is_urgent": Noul(instructions="The message conveys urgency"),
    },
)
print(response.answers["department"].choice)   # "billing"
print(response.answers["is_urgent"].noul)      # 0.999

Para JS há @typesafe-ai/sdk, e para agentes (Claude Code, Codex etc.) uma skill pronta: npx skills add typesafe-ai/skills --skill typesafe-ai. A skill ensina os agentes a mandar perguntas em lote - agentes adoram gastar uma request por pergunta.

Quatro padrões principais

1. Speculative fan-out. Todas as perguntas que compartilham um state vão numa única request, incluindo as 'especulativas' que nem sempre você precisa. Uma pergunta extra custa centavos e o tempo de resposta quase não muda. Cookbook da TypeSafe: 13 perguntas numa chamada são ~12x mais baratas e ~10x mais rápidas que 13 chamadas, com as mesmas respostas.
2. Confidence-gated routing. A resposta diz 'o quê'; o confidence diz 'se deve agir'. Três zonas: alta - aja automaticamente; média - confirme ou marque para revisão; baixa - escale para um humano ou modelo de raciocínio. Os limiares dependem do risco: mostrar a tela errada dá com 0.6; executar um pagamento, só com 0.9+.
3. Composite scoring. Quebre um julgamento complexo em Scores atômicos e combine com pesos no código. Prioridade do ticket = severity * 0.5 + frustration * 0.3 + actionability * 0.2. Prioridades mudaram? Ajuste um coeficiente, sem reescrever o prompt.
4. Intent routing. Classifique a requisição recebida e roteie: código determinístico, modelo barato, modelo de raciocínio caro ou humano.

Preços e limites (jev-1.13.0)

• US$ 0.042 por milhão de tokens de entrada ($42/Btok); tokens de saída são grátis.
• Limites: 250k tokens/seg, 1200 requests/min (dinâmicos, podem mudar).
• Contexto: 64k tokens por request; state + a pergunta mais longa - até 32k (cerca de 150 mil caracteres de texto em inglês).
• Só texto: string, objeto JSON ou array. Sem imagens, áudio ou vídeo.
• O servidor fica em us-west - da Europa a latência é maior que dos EUA.
• jev-latest é um alias para a versão atual. Se você ajustou limiares numa versão, pine jev-1.13.0 explicitamente: o alias muda no próximo release.
• Inglês é a língua principal de treino; outras línguas funcionam pior. Teste separadamente com conteúdo em português e vigie o confidence.
• Sem fine-tuning - seu domínio é moldado via state e critérios das perguntas.

Pontos fracos (honestamente, dos docs deles)

jev-1.13 tem uma página pública de 'jaggedness' - uma lista honesta do que o modelo não sabe fazer:

• Não é gerador de texto. Não escreva textos com ele nem esprema geração encadeando Choices.
• Conta mal. Aritmética, contar itens, intervalos de datas - no código. O modelo responde perguntas semânticas, não cálculos.
• Lê datas como texto. 'Qual data vem antes?' não é confiável. Extraia componentes com Choices (mês - 12 opções + 'não informado'), monte a data e compare no código.
• Responde ao pé da letra - à pergunta escrita, não à pretendida. Evite negações e duplas indiretas.
• Context rot. Lixo no state derruba a precisão: filtre antes de enviar.
• Invariáveis não são garantidos. Noul 'pede reembolso' e Noul 'pede algo além de reembolso' podem dar 0.72 e 0.47 - soma 1.19, e é normal. Não transfira limiares entre tipos de pergunta.
• Conteúdo adversarial pode deslocar respostas - para o modelo, state é dado, não ameaça. Teste casos-limite antes de produção.

Onde aplicar

RAG rerankLLM guardrailscitation checkjailbreak detectticket routingmoderationcomplianceML featurescatalog matchingresume scoringlead scoring

Exemplo vivo: um terminal BUY/SELL/HOLD de Bitcoin sobre Jev - jev-terminal.vercel.app. A API devolve probabilidades honestas e a decisão chega numa fração de segundo.

Outro exemplo - UI generativa instantânea: o experimento json-render + jev - o Jev escolhe entre seus componentes, ações e design system, e a interface renderiza em milissegundos.

Links

• Console e Playground: console.typesafe.ai
• Docs: docs.typesafe.ai
• Manifesto: typesafe.ai/manifesto