Jev y los modelos System One: decisiones tipadas para agentes en lugar de texto generado

Qué es

Según la documentación de TypeSafe AI, Jev es el primer modelo de una clase que el proveedor denomina modelos System One. No genera texto, sino que responde preguntas tipadas sobre un estado que se le entrega (una cadena, un objeto JSON o un array de texto). Hay tres tipos de pregunta: Choice elige una opción de un conjunto predefinido (como máximo 255) y devuelve la opción elegida, una probabilidad por opción y una confianza; Score sitúa el estado en una escala de dos a diez niveles descritos y devuelve un valor ponderado por probabilidad, que puede quedar entre niveles, junto con la distribución y la confianza; Noul responde una pregunta de sí/no con la probabilidad de «sí», sin confianza propia. Todas las preguntas de una solicitud se evalúan en paralelo y de forma independiente contra el mismo estado.

El proveedor documenta lo siguiente (a septiembre de 2026, acceso anticipado, sujeto a cambios sin previo aviso): el modelo jev-1.13.0 tras los alias jev-latest y jev-preview, el endpoint POST https://api.typesafe.ai/v1/systemone, un precio de 0,042 dólares estadounidenses por millón de tokens de entrada con tokens de salida gratuitos, límites de tasa de 250 000 tokens por segundo y 1200 solicitudes por minuto, 64k tokens por solicitud para el estado más todas las preguntas y 32k para el estado más la pregunta más larga, solo entrada de texto, e inglés como idioma principal de entrenamiento, con una precisión documentada como menor en otros idiomas.

Por qué importa

Los agentes emiten continuamente pequeños juicios: qué manejador asume una solicitud, si un fragmento de texto recuperado es relevante, si el resultado de una herramienta contiene una instrucción, qué candidato encaja con un registro. Con un modelo de chat esto implica generar texto y volver a analizarlo. Un modelo cuya salida se limita a las opciones definidas por quien llama se ahorra el análisis y le da al código una distribución sobre la que puede bifurcar, ordenar o fijar umbrales. El proveedor llama a su método de entrenamiento Reinforcement Learning for Calibrated Decisions y señala que la calibración se mide sobre grupos de predicciones y no garantiza ninguna respuesta individual.

Cómo aplicarlo

• Usarlo solo cuando el espacio de respuestas es cerrado: enrutamiento, clasificación, relevancia, ordenación, selección entre candidatos enumerados, compuertas de sí/no.
• Mantener en el código los cálculos, los recuentos y las comparaciones de fechas; la página sobre las debilidades conocidas de jev-1.13 menciona expresamente el recuento, las representaciones numéricas y las comparaciones de fechas como poco fiables.
• Filtrar el estado antes de la llamada; según el proveedor, el material irrelevante reduce la precisión.
• Leer las probabilidades, no solo la opción ganadora; una distribución plana significa «no lo sé».
• Registrar el identificador de modelo versionado de cada respuesta y fijar la versión tras ajustar los umbrales, porque los alias cambian de destino.

Trampas

Los datos de velocidad y costes proceden del proveedor y, en el momento de este artículo, no habían sido replicados de forma independiente. Cumplir el esquema no equivale a ser correcto: el modelo no puede devolver un valor fuera de las opciones, pero sí puede elegir con alta probabilidad la opción equivocada. Según el proveedor, el estado no se considera hostil; las instrucciones inyectadas pueden desplazar la respuesta. El modelo no puede generar texto.