Jev e modelos System One: decisões tipadas para agentes em vez de texto gerado

O que é

Segundo a documentação da TypeSafe AI, o Jev é o primeiro modelo de uma classe que o fornecedor chama de modelos System One. Ele não gera texto: responde a perguntas tipadas sobre um estado informado (uma string, um objeto JSON ou um array de textos). Existem três tipos de pergunta. Choice escolhe uma opção dentre um conjunto predefinido (no máximo 255) e devolve a opção escolhida, uma probabilidade por opção e um valor de confiança. Score classifica o estado em uma escala de dois a dez níveis descritos e devolve um valor ponderado por probabilidade, que pode ficar entre níveis, junto com a distribuição e a confiança. Noul responde a uma pergunta de sim/não com a probabilidade de sim, sem confiança própria. Todas as perguntas de uma requisição são avaliadas em paralelo e de forma independente contra o mesmo estado.

O fornecedor documenta (situação de setembro de 2026, acesso antecipado, sujeito a alterações sem aviso): o modelo jev-1.13.0 por trás dos aliases jev-latest e jev-preview, o endpoint POST https://api.typesafe.ai/v1/systemone, preço de 0,042 dólar americano por milhão de tokens de entrada com tokens de saída gratuitos, limites de taxa de 250 000 tokens por segundo e 1200 requisições por minuto, 64k tokens por requisição para o estado mais todas as perguntas e 32k para o estado mais a pergunta mais longa, apenas entrada de texto, com o inglês como idioma principal de treinamento e precisão documentadamente menor em outros idiomas.

Por que importa

Agentes fazem pequenos julgamentos o tempo todo: qual handler assume uma requisição, se um trecho de texto encontrado é relevante, se o resultado de uma ferramenta contém uma instrução, qual candidato corresponde a um registro. Com um modelo de chat, isso significa gerar texto e depois fazer o parsing. Um modelo cuja saída fica restrita às opções definidas por quem faz a chamada elimina o parsing e entrega ao código uma distribuição sobre a qual ele pode ramificar, ordenar ou definir limiares. O fornecedor chama seu método de treinamento de Reinforcement Learning for Calibrated Decisions e ressalva que a calibração é medida sobre grupos de previsões e não garante nenhuma resposta individual.

Como aplicar

• Use apenas quando o espaço de respostas for fechado: roteamento, classificação, relevância, ranqueamento, escolha entre candidatos enumerados, barreiras de sim/não.
• Mantenha cálculos, contagens e comparações de datas no código; a página sobre as fraquezas conhecidas do jev-1.13 cita expressamente contagem, representações numéricas e comparações de datas como pouco confiáveis.
• Filtre o estado antes da chamada; segundo o fornecedor, material irrelevante reduz a precisão.
• Leia as probabilidades, não apenas a opção vencedora; uma distribuição plana significa “não sei”.
• Registre em log o identificador versionado do modelo presente em cada resposta e, depois de ajustar os limiares, fixe a versão, porque os aliases mudam ao longo do tempo.

Armadilhas

Os dados de velocidade e custo vêm do fornecedor e, no momento desta publicação, não haviam sido replicados de forma independente. Conformidade com o esquema não é correção: o modelo não consegue devolver um valor fora das opções, mas pode escolher a opção errada com alta probabilidade. Segundo o fornecedor, o estado não é tratado como hostil; instruções injetadas podem deslocar a resposta. O modelo não consegue gerar texto.