Jev: qué es un modelo System One

Jev es el modelo insignia de TypeSafe y el primer modelo System One. A diferencia de un LLM, no escribe texto: evalúa preguntas tipadas sobre un estado y devuelve valores estructurados —una opción, una puntuación o una probabilidad— que el código puede usar directamente para ramificar, ordenar o enrutar.

Unstructured state in, typed probabilistic decisions out.

El nombre viene de Pensar rápido, pensar despacio de Daniel Kahneman: el Sistema 1 es rápido e intuitivo; el Sistema 2, lento y deliberado. Jev se especializa en juicios rápidos y acotados, del tipo que una persona experta haría en unos segundos con el contexto correcto.

El problema que resuelve

Cuando un programa necesita que un modelo tome una decisión, lo habitual es pedirle a un LLM que «devuelva JSON», parsear el texto y rezar para que el formato sea correcto. Es lento, caro y frágil: el modelo puede inventar una categoría, romper el esquema o dar una respuesta segura cuando no lo está.

Jev invierte el enfoque:

• Tú defines el espacio de respuestas (las opciones, los niveles de la rúbrica, la afirmación a comprobar).
• El modelo solo puede responder dentro de ese espacio: no hay errores de tipo ni texto que parsear.
• Cada respuesta viene con probabilidades calibradas y, en Choice y Score, una confianza que dice si conviene actuar.

LLM frente a System One

	LLM	Jev (System One)
Salida	Texto libre	Valores tipados + probabilidades
Parseo	Necesario y frágil	No hace falta
Entrenamiento	Generar texto plausible	Decisiones calibradas (RLCD)
Latencia típica	Segundos	~100 ms de mediana (70–500 ms)
Varias preguntas	Contexto compartido, se contaminan	Se evalúan en paralelo y aisladas
Explica su razonamiento	Sí	No
Escribe código o respuestas	Sí	No

TypeSafe afirma que en sus evaluaciones de flujos de trabajo Jev es 193,6× más rápido y 444,6× más barato que la media de modelos frontera comparados. Son cifras del propio fabricante; su nota de alucinación (0 % de errores de tipo) es una garantía del formato, no una medición de que cada respuesta sea correcta.

Cómo funciona una petición

estado + preguntas ──(una petición)──▶ Jev ──(una respuesta)──▶ respuestas tipadas
                                        │                        + probabilidades
                                        └ evalúa cada pregunta    + confianza
                                          en paralelo y aislada

1. Estado (state): el material a evaluar. Un string, un objeto JSON o un array de textos.
2. Preguntas (questions): un mapa de preguntas con nombre, cada una de un tipo — choice, score o noul.
3. Respuestas (answers): una por pregunta, bajo la misma clave.

Añadir preguntas apenas cambia el tiempo de respuesta y no provoca context rot: cada pregunta ve el estado, pero no a las demás preguntas. Ver primitivas y API.

Preguntas atómicas, composición en código

Jev rinde mejor cuando cada pregunta pide una sola cosa bien acotada. Si una decisión requiere razonar mucho o pesa varios factores, se descompone: una pregunta por factor y la combinación se hace en código.

En vez de «puntúa este pitch de startup», pregunta por separado tamaño de mercado, viabilidad técnica y diferenciación, y combínalos con tu fórmula. Cuando cambien las prioridades, cambias un coeficiente, no un prompt.

Modelo, precio y límites (jev-1.13)

Dato	Valor
ID versionado	jev-1.13.0
Alias	jev-latest (estable, por defecto en los SDK) · jev-preview (hoy apunta al mismo)
Precio	$0,042 por millón de tokens de entrada; los tokens de salida son gratis
Rate limits	250.000 tokens/s y 1.200 peticiones/min (ajustándose dinámicamente)
Contexto	64k tokens por petición; 32k para state + la pregunta más larga
Entrada	Solo texto: string, objeto JSON o array. Sin imágenes, audio ni vídeo
Idioma	Entrenado sobre todo en inglés; otros idiomas funcionan con menos precisión

Un alias se mueve cuando sale una versión nueva y las respuestas pueden cambiar sin tocar tu código. Si ajustaste umbrales de confianza contra una versión, fija su ID (jev-1.13.0) y migra cuando decidas. GET /v1/models lista los modelos disponibles para tu cuenta.

Personalización y datos

Jev no se ajusta (fine-tune ni LoRA) con datos de clientes: todas las cuentas usan los mismos pesos. Se adapta a tu dominio desde la petición —contenido propio en state, reglas en instructions y criteria— y descomponiendo decisiones. TypeSafe declara que no entrena con las peticiones ni respuestas de clientes; hay retención cero (ZDR) para clientes enterprise.

Cuándo usar Jev

• Enrutar una petición a uno de varios destinos y saber cuán seguro es ese enrutado.
• Puntuar algo en una rúbrica (urgencia, calidad, riesgo) y ramificar según el número.
• Comprobar si una afirmación es cierta sobre un documento antes de ejecutar una acción.
• Sustituir un prompt frágil que pide JSON a un LLM.
• Clasificación, triage de soporte, cribado, re-ranking de resultados, guardrails, detección de fraude, bucles de decisión dentro de un agente.

Qué no es

Jev no es un modelo para Claude Code, Cursor, Codex u OpenCode: no hay un model: "jev-latest" que convierta tu agente de código en uno impulsado por Jev. Lo que sí puedes hacer es usar tu agente de código para escribir software que llame a Jev, con ayuda de la skill oficial.

Tampoco sirve para generar texto, contar, hacer aritmética ni comparar fechas: ver los límites conocidos en confianza, patrones y límites.

Cómo empezar

1. Abre el Playground, pega un texto como estado y añade preguntas.
2. Crea una API key en la consola.
3. Llama a POST https://api.typesafe.ai/v1/systemone o usa el SDK de Python o JavaScript.

El registro se pausa de vez en cuando durante el acceso anticipado.

Alternativa local

Kev es una familia de modelos de código abierto que imita la arquitectura y la API de Jev y se ejecuta en tu máquina.

Fuentes

• Introducing System One Models & Jev — anuncio oficial
• Documentación · Índice para LLMs
• System One · Estado · Modelos
• Jev con agentes de código
• Consola y Playground · Evals