O que é o Jev
Jev é um modelo de inteligência artificial que não gera texto. Ele recebe um contexto (um e-mail, um chamado, o estado de um sistema) e uma ou mais perguntas com respostas possíveis já definidas. Devolve a resposta escolhida e a probabilidade de cada opção. A TypeSafe AI, empresa que o desenvolve, chama essa categoria de modelo de “System One”, em referência ao pensamento rápido e intuitivo descrito por Daniel Kahneman.
Quem faz o Jev
A TypeSafe AI, fundada por Diogo Almeida, pesquisador que participou na OpenAI da criação do InstructGPT e do RLHF, método de treinamento por reforço com feedback humano que ensinou os modelos de linguagem a seguir instruções. A empresa lançou o Jev em 15 de setembro de 2026 com aporte de 40 milhões de dólares liderado pelo fundo DCVC.
Em que ele difere de um modelo de linguagem
Um modelo de linguagem gera texto palavra por palavra e, nas versões com raciocínio, pensa em cadeia antes de responder. Isso leva de segundos a minutos e custa por token de entrada e de saída. O Jev responde em uma única passagem, entre 70 e 500 milissegundos, e cobra apenas pela entrada: 0,042 dólar por milhão de tokens. A TypeSafe declara ganhos de até 200 vezes em velocidade e 400 vezes em custo frente a modelos de linguagem em tarefas de classificação. Os números são da própria empresa.
Em que ele difere de um classificador tradicional
Um classificador clássico, como um modelo BERT ajustado, é treinado para categorias fixas e exige dados rotulados. No Jev, as categorias são descritas em linguagem natural no momento da chamada. Os mesmos pesos atendem todos os clientes. A lógica de negócio fica na instrução, não no treinamento.
Que tipos de pergunta ele responde
Três. Escolha: uma opção entre até 255, cada uma descrita em palavras. Nota: uma posição em uma escala de dois a dez níveis, também descritos em palavras, com resposta que pode cair entre níveis. Sim ou não: uma probabilidade entre zero e um. Várias perguntas podem ir na mesma chamada e são avaliadas em paralelo.
O que significa “probabilidade calibrada”
O Jev é treinado com um método que a TypeSafe chama de RLCD, aprendizado por reforço para decisões calibradas. A calibração otimiza as probabilidades contra resultados reais, não contra preferência humana. Na prática, uma confiança maior corresponde, em média, a uma taxa maior de acerto. Isso permite definir limiares diferentes por ação: exigir 85% de confiança para aprovar uma transferência e 50% para mostrar um saldo.
Ele alucina
Ele não devolve um valor fora do esquema definido. Pode devolver o valor errado dentro do esquema. A TypeSafe apresenta “zero erro estrutural” como garantia de formato, não como medida de acerto. A distinção importa para quem desenha sistemas.
Quais são as limitações conhecidas
A própria TypeSafe publica uma lista. O modelo lê ao pé da letra e falha com negações e condições implícitas. Não conta com precisão. Trata datas como texto, não como quantidades ordenadas. Perde acurácia quando o contexto enche de material irrelevante. Não é robusto a texto escrito para manipular a própria classificação. Não gera texto, código ou resumo. Não explica a decisão.
Onde ele cabe em uma empresa
Roteamento e triagem de chamados, moderação, filtragem de relevância antes de acionar um modelo caro, verificação de políticas (guardrails), avaliação de saídas de modelos de linguagem, classificação em volumes antes inviáveis. Qualquer decisão fechada que precise acontecer em menos de um segundo.
Onde ele não cabe
Geração de qualquer coisa. Aritmética, contagem e cálculo de datas. Decisões que exigem justificativa escrita para auditoria. Raciocínio complexo pontual. Perguntas de resposta aberta.
Qual é a janela de contexto
64 mil tokens para o contexto mais todas as perguntas. 32 mil tokens para o contexto mais a pergunta mais longa. Grandes bases de dados precisam ser filtradas antes.
Como ele se compara aos modelos de fronteira em qualidade
Na avaliação publicada pela TypeSafe, o Jev pontua 67,8% em quatro fluxos de trabalho, empatado com um modelo intermediário da OpenAI e atrás dos modelos mais capazes da OpenAI e da Anthropic, que ficam entre 73% e 74%. A um custo cerca de 200 vezes menor e latência 50 vezes menor. A avaliação mede concordância com dois modelos de fronteira, não acerto contra verdade de base, e é conduzida pela própria TypeSafe.
Existem alternativas abertas
Sim. Em dias, surgiram projetos que reproduzem a interface do Jev lendo probabilidades diretamente de modelos abertos. Nenhum reproduz o modelo ou o treinamento. Um benchmark comunitário, o Jevbench, avalia inteligência, calibração, velocidade e custo dessas alternativas.
O que o TEMPLO faz com isso
O Orchestra, plataforma agêntica do TEMPLO, já mapeia o Jev para quatro funções: guardrail de comandos, roteamento de modelos, monitoramento de condições não determinísticas e seleção de habilidades. A primeira em teste é o guardrail. O TEMPLO aprofunda o tema nos cursos de arquitetura de agentes.
