Jev es un modelo de decisión desarrollado por TypeSafe AI, una startup de San Francisco. No escribe texto: usted le envía un estado (un ticket de soporte, la traza de un agente o un objeto JSON) junto con un conjunto de preguntas tipadas, y devuelve respuestas estructuradas con probabilidades sobre las que su código puede actuar directamente. A fecha de octubre de 2026, la versión actual es Jev 1.13, que se sirve a través de la API de TypeSafe y de varias pasarelas a 0,042 dólares por millón de tokens de entrada; los tokens de salida no se cobran.
Este artículo se basa en la documentación de TypeSafe, en la documentación de LangChain, Vercel, Cloudflare y Pydantic como socios, y en lo publicado por la prensa. No hemos usado Jev en ningún proyecto de cliente, así que cada cifra de rendimiento se atribuye a quien la midió.
¿Quién ha creado Jev?
TypeSafe AI se presenta como un laboratorio de IA que está «construyendo infraestructura de inteligencia nativa para máquinas orientada a la automatización». Su página de equipo menciona a tres fundadores: Diogo Almeida (CEO), Sasha Sheng (COO, antes ingeniera de investigación en Meta/FAIR) y Erik Gafni (CTO, fundador en serie de Ravel y uno de los primeros empleados de Invitae y Freenome). Según la empresa, Almeida «coinventó RLHF e InstructGPT» y trabajó en OpenAI y Google Brain; TechCrunch cuenta que dejó OpenAI hace dos años para fundar TypeSafe.
TypeSafe salió del modo sigiloso el 15 de septiembre de 2026 con unos 40 millones de dólares de financiación semilla liderada por DCVC. El comunicado de lanzamiento sitúa la fundación en 2024 y no nombra a otros inversores. Las cifras de valoración que circulan por internet son de segunda mano y la empresa no las ha confirmado.
¿Es Jev un LLM?
TypeSafe dice que no. En su documentación, Jev es «el modelo insignia de TypeSafe y el primer modelo System One», y un modelo System One «evalúa un estado y devuelve respuestas tipadas y probabilidades» (página del concepto System One). La misma página deja claro lo que queda fuera: estos modelos «no redactan respuestas, no generan código ni producen explicaciones de su razonamiento».
El término viene de Pensar rápido, pensar despacio, de Daniel Kahneman, donde el Sistema 1 es rápido e intuitivo y el Sistema 2, lento y deliberado. El nombre Jev es un guiño al economista William Stanley Jevons y a la paradoja de Jevons.
TechCrunch describe Jev como «un nuevo modelo basado en transformers» que «no es un gran modelo de lenguaje». TypeSafe no ha publicado ni la arquitectura ni el número de parámetros, y las conjeturas externas de que se apoya en un LLM de pesos abiertos no están confirmadas. Sobre el entrenamiento, la documentación menciona un método llamado Reinforcement Learning for Calibrated Decisions (RLCD), y Almeida dijo a TechCrunch que el modelo se entrena «exclusivamente con datos sintéticos».
¿Cómo funciona Jev?
Cada petición lleva dos cosas: un state (una cadena, un objeto JSON o un array) y un mapa de questions con nombre y tipo. Cada pregunta se evalúa «en paralelo y de forma aislada frente al mismo estado», y TypeSafe asegura que añadir preguntas «apenas cambia el tiempo de respuesta». La entrada es solo texto; no admite imágenes, audio ni vídeo.
Este es el ejemplo en Python del quickstart oficial, tal como está publicado:
from typesafe_sdk import Choice, Noul, Score, TypeSafeClient
client = TypeSafeClient()
ticket = "Hi, I've been trying to connect my Stripe account for 3 days and the integration keeps failing. I'm losing sales. Please help ASAP."
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",
"sales": "Pricing or account questions",
},
),
"frustration": Score(
instructions="How frustrated the customer appears",
criteria=[
"Calm, just stating facts",
"Frustrated but civil",
"Very angry, strong language",
],
),
"is_urgent": Noul(
instructions="The message conveys urgency or time-sensitivity",
),
},
)
print(response.answers["department"].choice) # "technical"
print(response.answers["frustration"].score) # 1.0
print(response.answers["is_urgent"].noul) # 1.0
En la respuesta de ejemplo de esa misma página, department devuelve technical con probabilidades de 0,85 para technical y 0,15 para billing, y una confianza de 0,78. La llamada completa consumió 392 tokens de entrada. No hay nada que parsear, y las probabilidades indican a su código hasta qué punto está seguro el modelo.
¿Qué tipos de pregunta tiene Jev?
Hay tres, y se pueden combinar en una misma llamada (referencia de la API).
Choice elige una opción de un conjunto que usted define y devuelve la opción elegida, la distribución de probabilidad completa y un valor de confianza. Un Choice admite hasta 255 opciones. Los conjuntos más grandes requieren un proceso en dos fases, más lento.
Score puntúa el estado según una rúbrica ordenada de entre 2 y 10 niveles. Devuelve un score ponderado por probabilidad, que puede caer entre dos niveles, una legend, las probabilidades y una confianza. La documentación advierte que no hay que leer magnitudes exactas en una puntuación.
Noul es el tipo sí/no. Devuelve la probabilidad de que la respuesta sea sí en un campo llamado noul, entre 0 y 1, y acepta descripciones opcionales criteria.true y criteria.false. Noul no tiene campo confidence. TypeSafe no ha explicado el nombre, y la API de la pasarela de Vercel llama boolean a este mismo tipo.
El valor confidence de Choice y Score se deriva de la forma de la distribución: 1 cuando toda la probabilidad recae en un resultado y 0 cuando está repartida por igual. TypeSafe añade una advertencia para quien fije umbrales: «La calibración se mide sobre grupos de predicciones; no garantiza que una respuesta concreta sea correcta».
¿Alucina Jev?
La página de inicio dice «Zero Hallucinations» (cero alucinaciones). El artículo de lanzamiento es más prudente: el 0 % de errores de tipo y alucinaciones se basa en las garantías del esquema y «no es una medición empírica». En la práctica, Jev no puede devolver una opción que usted no haya definido ni una respuesta mal formada. Pero sí puede elegir la opción equivocada. Armin Ronacher, CTO de Earendil, lo resumió así a TechCrunch: «Al final, le traslada un poco al usuario el problema de las alucinaciones».
¿Qué velocidad tiene Jev?
Depende de quién mida. El artículo de lanzamiento de TypeSafe habla de 70 a 500 ms de extremo a extremo, medidos desde portátiles del equipo en la costa oeste de Estados Unidos, y de «entre 40 y 200 veces más rápido que los modelos frontera» en consultas con forma de System One. El comunicado de prensa dice «menos de 100 milisegundos», y la página de inicio afirma que es 193,6 veces más rápido y 444,6 veces más barato que los LLM en sus propios flujos de trabajo.
Las pruebas independientes dan multiplicadores menores. AY Automate midió una mediana de 0,33 s frente a 1,17 s de GPT-5.6 Terra, unas 3,6 veces. Un estudio resumido por Beri.net midió 239 ms desde Francia frente a 687 ms de Claude Haiku 4.5. Cloudflare, que vende un modelo competidor, midió una mediana de 524,1 ms y un p95 de 536,0 ms. Una lectura razonable: medianas de unos cientos de milisegundos y, en pruebas externas, entre 2 y 6 veces más rápido que los LLM rápidos, no 200 veces.
¿Cuánto cuesta Jev?
TypeSafe cobra 0,042 dólares por millón de tokens de entrada, es decir, 42 dólares por cada mil millones, y no factura los tokens de salida (página de modelos). La API sigue informando de usage.output_tokens, pero no se cobran. Cloudflare y Vercel publican el mismo precio de entrada. Los planes Enterprise se gestionan a través del equipo comercial.
A precio de tarifa, la llamada del quickstart, de 392 tokens, cuesta unos 0,000016 dólares, de modo que con un dólar se cubren unas 60.000 llamadas de ese tamaño. En su artículo de lanzamiento, TypeSafe admite además que «no puede demostrar que su precio no esté subvencionado» y prevé que los precios bajen.
¿Cómo se accede a Jev?
Jev se lanzó con lista de espera y, según TechCrunch, la demanda llegó a saturar la API durante un tiempo. Hacia el 20 de septiembre, TypeSafe publicó en X: «Jev ya está disponible para todo el mundo. Sin lista de espera». El quickstart actual describe el camino: crear una cuenta en console.typesafe.ai, obtener una clave de API en el panel y probar preguntas en el Playground.
Algunos detalles operativos de la página de modelos:
- Los límites de tasa son 100.000 tokens por segundo y 80 peticiones por segundo, con la advertencia de que «pueden cambiar sin previo aviso». Los planes Enterprise ofrecen límites más altos.
- El ID de modelo actual es
jev-1.13.0, y los aliasjev-latestyjev-previewapuntan a él. La documentación recomienda fijar una versión una vez ajustados los umbrales. - Jev solo existe como servicio alojado. Los mismos pesos sirven a todas las cuentas, sin fine-tuning con datos de clientes y sin pesos abiertos ni edición autoalojada.
- «Jev no se entrena con las peticiones ni las respuestas de los clientes», y los clientes Enterprise pueden contratar retención cero de datos.
- El límite de contexto es de 64k tokens por petición, con 32k para el estado más la pregunta más larga. Cloudflare y Vercel indican 32.000.
¿Qué SDK e integraciones hay?
TypeSafe publica un SDK de Python (typesafe-sdk, Python 3.10 o posterior), un SDK de JavaScript/TypeScript (@typesafe-ai/sdk, Node 20 o posterior), una API HTTP simple en POST https://api.typesafe.ai/v1/systemone y una skill de agente para Claude Code y otros agentes de programación. Por defecto, los SDK reintentan los errores 429 y 529 con backoff exponencial.
Entre las integraciones de socios están el paquete langchain-typesafe, en fase alfa y con middleware de enrutamiento experimental, typesafe-ai/jev en Vercel AI Gateway, typesafe/jev en Cloudflare Workers AI, TypeSafeModel en Pydantic AI y su presencia en DigitalOcean y OpenRouter. Cómo encaja todo esto en la selección de herramientas de un agente y en el enrutamiento entre modelos lo explicamos en nuestra guía sobre enrutamiento de agentes con Jev.
¿Dónde falla Jev?
La propia TypeSafe lo documenta en su página Jev 1.13 jaggedness, revisada por última vez el 2 de octubre de 2026. Su resumen: «Puede tener dificultades con tareas que requieren niveles adicionales de indirección. Puede ser bastante literal en su comprensión. Tiene dificultades con tareas que exigen precisión numérica». Entre los modos de fallo enumerados están las matemáticas («Jev no es una calculadora»), el conteo, la comparación de fechas y horas, los estados largos llenos de detalles irrelevantes («Jev sufre de context rot»), las instrucciones contradictorias, la tendencia a favorecer la opción de Choice que aparece primero y el contenido adversarial. Sobre esto último, la documentación dice sin rodeos que el estado son datos y que Jev «no lo trata como hostil por defecto».
Este último punto ya se ha probado. VentureBeat informó de una prueba de Octomind en la que un campo falso de «preaprobado» en el estado bajó de 0,76 a 0,48 la probabilidad de que Jev bloqueara rm -rf ~/.ssh. Además, el inglés es el principal idioma de entrenamiento; los demás idiomas «se procesan, pero no igual de bien».
En cuanto a precisión, las evaluaciones de flujos de trabajo de la propia TypeSafe dan a Jev una media del 67,8 %, a la par de Claude Sonnet 5 y por debajo de GPT-5.6 Sol, con un 74,1 %. Las etiquetas de referencia salen del consenso de dos LLM frontera, no de anotadores humanos. Analizamos estas cifras y las pruebas independientes en Jev vs LLM.
Preguntas frecuentes
¿Qué significa «noul» en Jev?
Noul es el nombre que da TypeSafe a su tipo de pregunta sí/no, que devuelve la probabilidad de que la respuesta sea sí. TypeSafe no ha publicado ninguna explicación de la palabra. La API de la pasarela de Vercel expone este mismo tipo como boolean.
¿Jev es de código abierto?
No. TypeSafe solo ofrece Jev como modelo alojado, a través de su API y de las pasarelas de sus socios, y no hay pesos abiertos ni edición on-premise. Sí existen alternativas de código abierto: Cloudflare publicó Clef con licencia Apache 2.0 y asegura que es «totalmente compatible con la API de Jev», y AWS publicó Strands Decider 2B.
¿Jev es gratis?
No del todo. Los tokens de salida no se cobran, pero la entrada cuesta 0,042 dólares por millón de tokens, la misma tarifa que en Cloudflare y Vercel. Los planes Enterprise con límites de tasa más altos se contratan a través del equipo comercial de TypeSafe.
¿Puede Jev redactar respuestas o resúmenes?
No. La documentación dice que «no está entrenado para generar texto». Jev devuelve elecciones, puntuaciones y probabilidades; si su flujo necesita una respuesta, un resumen o código, lo sigue escribiendo un LLM.
¿Quiénes son los fundadores de TypeSafe AI?
Diogo Almeida (CEO), Sasha Sheng (COO) y Erik Gafni (CTO), según la página de equipo de la empresa. TypeSafe se fundó en 2024 y tiene sede en San Francisco.
Dónde encaja Jev en un sistema real
Jev es una herramienta acotada: barata, lo bastante rápida para decisiones en línea y abiertamente débil en matemáticas e indirección. Que compense depende de cuántas decisiones tome su sistema y de lo bien que se dividan en preguntas atómicas que pueda probar con datos etiquetados. En AI Superior diseñamos y desarrollamos aplicaciones LLM y agentes de IA para clientes B2B, incluido el trabajo de evaluación y control de costes que decide qué modelo se encarga de cada paso. Si está planteando una arquitectura de ese tipo, consulte nuestros servicios de desarrollo y consultoría de LLM.
