Guia do modelo Jev · revisado em 28 de setembro de 2026
O modelo Jev da TypeSafe AI
O modelo Jev da TypeSafe AI transforma texto em decisões que o seu software consegue usar direto. Você dá a esse modelo System One um estado e perguntas específicas; ele devolve probabilidades de sim/não, opções escolhidas e notas. Serve para encaminhar um ticket, checar uma regra ou avaliar uma resposta, com a incerteza visível em cada resultado.
Jev, TypeSafe AI e este playground
A TypeSafe AI desenvolve o modelo Jev. O Jev AI é o ambiente independente que você está visitando.
Procurando o material oficial? O site da TypeSafe AI apresenta a desenvolvedora e sua pesquisa, e a documentação oficial descreve o modelo e o serviço da TypeSafe.
Aqui você testa o modelo Jev, salva juízes e conecta seus aplicativos pela nossa API. Sua conta e suas compras são administradas pelo Jev AI. Comece pelo passo a passo para escolher o serviço certo e rodar o primeiro exemplo, e veja os preços em português antes de ir para produção.
Um exemplo: um ticket, três decisões
No nosso exemplo salvo de suporte, um cliente relata cobranças que falharam várias vezes e ameaça trocar de fornecedor. O modelo Jev resolve encaminhamento, urgência e frustração em uma única requisição.
| Pergunta | Resposta registrada | Como um aplicativo usa isso |
|---|---|---|
| Qual time deve atender? | billing | Encaminhar o ticket para a fila de cobrança. |
| O cliente precisa de resposta hoje? | 96% de probabilidade de sim | Comparar o resultado com o seu limite de urgência. |
| Qual o nível de frustração do cliente? | 3 numa escala de 0 a 3 | Interpretar a nota pela própria régua da pergunta. |
Registrado em 18 de setembro de 2026 com jev-1.13.0. São previsões do modelo, não taxas de acerto medidas, e abrir este exemplo não faz nenhuma chamada ao vivo. Veja as perguntas e as respostas completas ou rode o modelo Jev no seu próprio texto com o saldo que você tiver.
Como o modelo Jev funciona
O nome vem de <em>Rápido e devagar</em>, de Daniel Kahneman. O Sistema 1 é rápido e intuitivo; o Sistema 2 é lento e deliberado. O Jev mira no primeiro: julgamentos rápidos e específicos que o software pode usar para ramificar.
Uma requisição tem três partes. O estado é o texto ou o JSON que o Jev lê. O modelo é jev-latest, que hoje resolve para jev-1.13.0. As perguntas são um mapa de primitivas tipadas:
- Noul — uma pergunta de sim ou não. O Jev devolve a probabilidade do sim, de 0 a 1.
- Choice — escolher uma opção do conjunto que você define. O Jev devolve a vencedora, a probabilidade de cada opção e uma confiança.
- Score — avaliar conforme os níveis ordenados que você escreve. O Jev devolve uma nota ponderada pela probabilidade, que pode cair entre dois níveis.
O modelo Jev lê o estado uma única vez e resolve as perguntas em paralelo. Mantenha cada pergunta focada: escolher um time, checar a urgência ou dar nota à frustração, em vez de pedir um texto corrido.
O treinamento do Jev: RLCD
A TypeSafe descreve três formas de pós-treinar um modelo de linguagem pré-treinado.
- RLHF (aprendizado por reforço com feedback humano) treina chatbots para dar respostas que as pessoas preferem. A TypeSafe observa que isso pode premiar erros que soam confiantes e estreitar a variedade das respostas.
- RLVR (aprendizado por reforço com recompensas verificáveis) deu origem aos modelos de raciocínio: fortes em matemática, mas mais lentos e mais caros.
- RLCD (aprendizado por reforço para decisões calibradas) é o caminho do Jev. O modelo devolve decisões e probabilidades, e uma probabilidade mais alta deve significar mais chance de estar certa.
Calibração é uma propriedade de muitas previsões, não uma promessa sobre uma só. No conjunto das respostas em que o Jev diz 0,8, cerca de 80% devem estar corretas. É isso que torna o campo confidence útil: aja automaticamente quando ele está alto, peça revisão quando fica no meio e mande para uma pessoa quando está baixo.
Dados do modelo Jev
| Versão atual | jev-1.13.0 atrás de jev-latest; jev-1.14.0, lançado em 14 de outubro de 2026, atrás de jev-preview (o que mudou) |
| Entrada | Texto: uma string, um objeto JSON ou um array. Sem áudio nem vídeo; a entrada de imagens existe apenas como um cabeçalho experimental da «zona de perigo» da TypeSafe. Veja as opções multimodais. |
| Contexto | 64k tokens por requisição; 32k para o estado mais a pergunta individual mais longa |
| Preço oficial | US$ 0,042 por milhão de tokens de entrada na TypeSafe; os tokens de saída são gratuitos |
| Limites de taxa oficiais | 250.000 tokens por segundo / 1.200 requisições por minuto, ajustados conforme a capacidade |
| Idioma | Melhor em inglês; outros idiomas funcionam com precisão menor |
| Dados de clientes | A TypeSafe afirma que o Jev não é treinado com as requisições dos clientes nem ajustado por conta |
Dados da documentação pública da TypeSafe em 18 de setembro de 2026. Os preços do Jev AI estão na página de preços; veja também o que dá para testar de graça. Os pesos do Jev não são públicos: alternativas abertas que você pode rodar localmente.
Capacidades e limites do modelo Jev
A TypeSafe publica uma lista franca dos pontos fracos do Jev 1.13. Projetar em volta deles é a maior parte do trabalho.
- Bom em: julgamentos de bom senso sobre texto: encaminhamento, moderação, intenção, sentimento, relevância, checagem de políticas, suporte a citações e guardrails.
- Leitura literal: o Jev responde à pergunta que você escreveu. Coloque os casos de fronteira nos critérios.
- Números, contagens e datas: deixe a aritmética e a comparação de datas no código. Use o Jev para extrair ou classificar as partes.
- Estado longo e ruidoso: a precisão cai quando o estado está cheio de texto irrelevante. Filtre antes.
- Texto adversário: instruções injetadas dentro do estado podem mexer nas respostas. Teste os casos extremos antes de lançar.
- Geração: o Jev não escreve. Combine-o com um modelo generativo quando você precisar de texto.
O modelo Jev e um LLM generativo
Escolha pela saída que o seu aplicativo realmente precisa.
Use o modelo Jev quando o fluxo precisa de um rótulo, uma probabilidade ou uma nota. Use um LLM generativo quando ele precisa de uma resposta ao cliente, um resumo ou código. Um fluxo de suporte pode juntar os dois: o Jev escolhe a fila e sinaliza a urgência, e outro modelo escreve a resposta.
O modelo Jev também pode errar um julgamento. Uma saída tipada é mais fácil de consumir; ela não deixa toda decisão correta. Avalie os casos duvidosos e mantenha revisão humana onde o erro custa caro. Explore os casos de uso e as comparações de modelos, ou leia a comparação completa entre Jev e um LLM.
Teste e depois conecte seu aplicativo
- 01
Teste sem escrever código
Abra o playground do Jev AI, carregue uma demo, edite as perguntas e rode no seu próprio texto.
- 02
Copie a requisição
O «Get API code» transforma o que você montou no playground em cURL, JavaScript ou Python.
- 03
Chame a API do Jev
Crie uma chave na página da API do Jev (guia de configuração) e envie o mesmo JSON para
/api/v1/systemone. Você também pode usar a API e os SDKs da própria TypeSafe.
Perguntas frequentes sobre o modelo Jev
O que é o Jev?
O modelo Jev é um modelo System One da TypeSafe AI. Ele lê o estado que você fornece e devolve decisões tipadas: probabilidades de sim/não, opções escolhidas e notas. O playground do Jev AI permite testar essas decisões com o seu próprio texto.
Quem desenvolve o modelo Jev?
A TypeSafe AI desenvolve o modelo Jev. O Jev AI é um playground e serviço de API de operação independente. Contas, chaves de API, saldos e compras neste site pertencem ao Jev AI, não à TypeSafe.
O modelo Jev é um LLM?
O modelo Jev entende entradas em linguagem natural, mas não escreve respostas de chat. Se o seu fluxo precisa da decisão e também de um texto escrito, use o Jev para escolher ou pontuar e deixe um LLM generativo redigir a resposta.
O que significa RLCD?
RLCD é a sigla de «reinforcement learning for calibrated decisions», o método de pós-treinamento da TypeSafe. Ele premia decisões corretas com probabilidades honestas, em vez das respostas que as pessoas preferem ler.
Como devo avaliar o modelo Jev?
Teste o modelo Jev com exemplos do seu próprio fluxo de trabalho, incluindo entradas ambíguas e falhas que você já conhece. Olhe juntos a qualidade da decisão, a confiança, a latência e o consumo realmente cobrado. Um resultado de benchmark não garante nada em outra tarefa.
O modelo Jev usa o formato chat completions?
O modelo Jev trabalha com um estado e perguntas tipadas, não com uma conversa de chat. Este site aceita essa requisição em /api/v1/systemone. Se você escolher outro provedor, procure o endpoint de decisões dele e os modelos suportados, em vez de mandar a requisição para um endpoint genérico de chat completions.
Existe uma versão do modelo Jev em português?
O modelo é o mesmo em todos os idiomas: a TypeSafe treina o Jev principalmente em inglês e avisa que outros idiomas, português incluído, funcionam com precisão menor. Este guia e as páginas de preços e de API estão em português, mas vale validar seus próprios casos em português no playground antes de levar para produção.