Guía del modelo Jev · revisada el 28 de septiembre de 2026
El modelo Jev de TypeSafe AI
El modelo Jev de TypeSafe AI convierte texto en decisiones que tu software puede usar directamente. A este modelo System One le das un estado y preguntas concretas, y te devuelve probabilidades de sí/no, opciones elegidas y puntuaciones. Sirve para derivar un ticket, comprobar una regla o valorar una respuesta, con la incertidumbre a la vista en cada resultado.
Jev, TypeSafe AI y este playground
TypeSafe AI desarrolla el modelo Jev. Jev AI es el espacio de trabajo independiente que estás visitando.
¿Buscas la documentación oficial? La web de TypeSafe AI presenta al desarrollador y su investigación, y la documentación oficial describe el modelo y el servicio de TypeSafe.
Aquí puedes probar el modelo Jev, guardar jueces y conectar tus aplicaciones a través de nuestra API. Tu cuenta y tus compras las gestiona Jev AI. Empieza por el recorrido paso a paso para elegir el servicio adecuado y lanzar tu primer ejemplo, y consulta los precios en español antes de pasar a producción.
Un ejemplo: un ticket, tres decisiones
En nuestro ejemplo guardado de soporte, un cliente informa de cobros fallidos repetidos y amenaza con cambiar de proveedor. El modelo Jev resuelve derivación, urgencia y frustración en una sola petición.
| Pregunta | Respuesta registrada | Cómo lo usa una aplicación |
|---|---|---|
| ¿Qué equipo debería atenderlo? | billing | Asignar el ticket a la cola de facturación. |
| ¿El cliente necesita respuesta hoy? | 96% de probabilidad de que sí | Comparar el resultado con tu umbral de urgencia. |
| ¿Cuánta frustración muestra el cliente? | 3 en una escala de 0 a 3 | Interpretar la puntuación con la rúbrica de la propia pregunta. |
Registrado el 18 de septiembre de 2026 con jev-1.13.0. Son predicciones del modelo, no tasas de acierto medidas, y ver este ejemplo no hace ninguna llamada en vivo. Mira las preguntas y las respuestas completas o lanza el modelo Jev sobre tu propio texto con el saldo que tengas disponible.
Cómo funciona el modelo Jev
El nombre viene de <em>Pensar rápido, pensar despacio</em>, de Daniel Kahneman. El Sistema 1 es rápido e intuitivo; el Sistema 2, lento y deliberado. Jev apunta al primero: juicios rápidos y concretos sobre los que el software puede ramificar.
Una petición tiene tres partes. El estado es el texto o el JSON que Jev lee. El modelo es jev-latest, que hoy resuelve a jev-1.13.0. Las preguntas son un mapa de primitivas tipadas:
- Noul — una pregunta de sí o no. Jev devuelve la probabilidad del sí, de 0 a 1.
- Choice — elegir una opción del conjunto que tú defines. Jev devuelve la ganadora, la probabilidad de cada opción y una confianza.
- Score — valorar según los niveles ordenados que tú escribes. Jev devuelve una puntuación ponderada por probabilidad, que puede caer entre dos niveles.
El modelo Jev lee el estado una sola vez y resuelve todas las preguntas en paralelo. Mantén cada pregunta enfocada: elegir un equipo, comprobar la urgencia o puntuar la frustración, en lugar de pedir una redacción general.
El entrenamiento de Jev: RLCD
TypeSafe describe tres formas de post-entrenar un modelo de lenguaje preentrenado.
- RLHF (aprendizaje por refuerzo con retroalimentación humana) entrena chatbots para dar respuestas que la gente prefiere. TypeSafe advierte de que puede premiar errores que suenan seguros y estrechar el abanico de respuestas.
- RLVR (aprendizaje por refuerzo con recompensas verificables) dio lugar a los modelos de razonamiento: muy buenos en matemáticas, pero más lentos y más caros.
- RLCD (aprendizaje por refuerzo para decisiones calibradas) es el camino de Jev. El modelo devuelve decisiones y probabilidades, y una probabilidad más alta debería significar más posibilidades de acertar.
La calibración es una propiedad de muchas predicciones, no una promesa sobre una sola. En el conjunto de las respuestas donde Jev dice 0,8, alrededor del 80% deberían ser correctas. Por eso el campo confidence resulta útil: actúa de forma automática cuando es alta, pide revisión cuando queda a medias y pasa el caso a una persona cuando es baja.
Datos del modelo Jev
| Versión actual | jev-1.13.0 detrás de jev-latest; jev-1.14.0, publicado el 14 de octubre de 2026, detrás de jev-preview (qué cambió) |
| Entrada | Texto: una cadena, un objeto JSON o un array. Sin audio ni vídeo; la entrada de imágenes solo existe como cabecera experimental de la «zona de peligro» de TypeSafe. Ver las opciones multimodales. |
| Contexto | 64k tokens por petición; 32k para el estado más la pregunta individual más larga |
| Precio oficial | 0,042 dólares por millón de tokens de entrada en TypeSafe; los tokens de salida son gratis |
| Límites de tasa oficiales | 250.000 tokens por segundo / 1.200 peticiones por minuto, ajustados según la capacidad |
| Idioma | Rinde mejor en inglés; otros idiomas funcionan con menor precisión |
| Datos de clientes | TypeSafe afirma que Jev no se entrena con las peticiones de los clientes ni se afina por cuenta |
Datos de la documentación pública de TypeSafe a fecha de 18 de septiembre de 2026. Los precios de Jev AI están en la página de precios; mira también qué puedes probar gratis. Los pesos de Jev no son públicos: alternativas abiertas que puedes ejecutar en local.
Capacidades y límites del modelo Jev
TypeSafe publica una lista honesta de los puntos débiles de Jev 1.13. Diseñar alrededor de ellos es la mayor parte del oficio.
- Bueno en: juicios de sentido común sobre texto: derivación, moderación, intención, sentimiento, relevancia, comprobación de políticas, respaldo de citas y guardarraíles.
- Lectura literal: Jev responde a la pregunta que escribiste. Pon los casos frontera en los criterios.
- Números, conteos y fechas: deja la aritmética y la comparación de fechas en el código. Usa Jev para extraer o clasificar las piezas.
- Estados largos y ruidosos: la precisión baja cuando el estado está lleno de texto irrelevante. Filtra primero.
- Texto adversario: las instrucciones inyectadas dentro del estado pueden mover las respuestas. Prueba los casos límite antes de lanzar.
- Generación: Jev no escribe. Combínalo con un modelo generativo cuando necesites texto.
El modelo Jev frente a un LLM generativo
Elige según la salida que tu aplicación necesita de verdad.
Usa el modelo Jev cuando el flujo necesite una etiqueta, una probabilidad o una puntuación. Usa un LLM generativo cuando necesite una respuesta al cliente, un resumen o código. Un flujo de soporte puede combinar los dos: Jev elige la cola y marca la urgencia, y otro modelo redacta la respuesta.
El modelo Jev también puede equivocarse. Una salida tipada es más fácil de consumir; no vuelve correcta cada decisión. Evalúa los casos dudosos y deja revisión humana donde los errores cuesten caro. Explora los casos de uso y las comparativas de modelos, o lee la comparativa completa entre Jev y un LLM.
Pruébalo y luego conecta tu aplicación
- 01
Pruébalo sin escribir código
Abre el playground de Jev AI, carga una demo, edita las preguntas y lánzalo sobre tu propio texto.
- 02
Copia la petición
«Get API code» convierte lo que tengas en el playground en cURL, JavaScript o Python.
- 03
Llama a la API de Jev
Crea una clave en la página de la API de Jev (guía de configuración) y envía el mismo JSON a
/api/v1/systemone. También puedes usar directamente la API y los SDK de TypeSafe.
Preguntas frecuentes sobre el modelo Jev
¿Qué es Jev?
El modelo Jev es un modelo System One de TypeSafe AI. Lee el estado que le entregas y devuelve decisiones tipadas: probabilidades de sí/no, opciones elegidas y puntuaciones. El playground de Jev AI te permite probar esas decisiones con tu propio texto.
¿Quién desarrolla el modelo Jev?
TypeSafe AI desarrolla el modelo Jev. Jev AI es un playground y un servicio de API de operación independiente. Las cuentas, las claves de API, los saldos y las compras de este sitio pertenecen a Jev AI, no a TypeSafe.
¿El modelo Jev es un LLM?
El modelo Jev entiende entradas en lenguaje natural, pero no escribe respuestas de chat. Si tu flujo necesita a la vez una decisión y una respuesta redactada, usa Jev para elegir o puntuar y deja que un LLM generativo escriba el texto.
¿Qué significa RLCD?
RLCD son las siglas de «reinforcement learning for calibrated decisions», el método de post-entrenamiento de TypeSafe. Premia las decisiones correctas con probabilidades honestas, en lugar de las respuestas que la gente prefiere leer.
¿Cómo debería evaluar el modelo Jev?
Prueba el modelo Jev con ejemplos de tu propio flujo de trabajo, incluidos los casos ambiguos y los fallos que ya conoces. Mira juntos la calidad de la decisión, la confianza, la latencia y el consumo realmente facturado. Un resultado de benchmark no garantiza nada en una tarea distinta.
¿El modelo Jev usa el formato chat completions?
El modelo Jev trabaja con un estado y preguntas tipadas, no con una conversación de chat. Este sitio acepta esa petición en /api/v1/systemone. Si eliges otro proveedor, busca su endpoint de decisiones y los modelos que admite en lugar de enviar la petición a un endpoint genérico de chat completions.
¿Hay una versión del modelo Jev en español?
El modelo es el mismo en todos los idiomas: TypeSafe entrena Jev sobre todo en inglés y señala que otros idiomas, el español incluido, funcionan con menor precisión. Esta guía y las páginas de precios y de API están en español, pero conviene validar tus propios casos en español en el playground antes de llevarlos a producción.