Una tarjeta de título que dice 'Jev: un modelo que se niega a escribir' con el subtítulo 'el modelo de decisión de TypeSafe AI devuelve respuestas tipadas en lugar de texto', tres tarjetas etiquetadas para las primitivas Choice, Score y Noul, y un bloque de estadísticas que muestra 777 juicios en menos de 0,7 segundos a $0,042 por millón de tokens de entrada.
Guides & Insights

Jev se niega a escribir una sola palabra: qué hace el modelo de decisión de TypeSafe AI y qué han encontrado las auditorías desde entonces

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Jev 1.13 (typesafe/jev-1.13) es el primer modelo de TypeSafe AI con el que es probable que un lector se encuentre a través de una tabla de costes en lugar de una ventana de chat, porque no hay ventana de chat. Lanzado el 15 de septiembre de 2026 por Diogo Almeida —coautor del artículo de InstructGPT, el trabajo que hizo que ChatGPT se comportara como un asistente—, Jev no genera texto en absoluto. Toma un fragmento de estado (un correo electrónico, una línea de registro, un ticket de soporte, un blob JSON de coordenadas de juego) más una lista de preguntas tipadas, y devuelve respuestas tipadas: una opción de un conjunto que tú proporcionaste, una puntuación según una rúbrica o una probabilidad de sí/no, cada una con su propio valor de confianza. Sin prosa, sin código, sin explicación. La propuesta de TypeSafe es que esta estrechez es el producto, porque compra velocidad y precio que un modelo generativo no puede igualar: entre 20 y 200 veces más rápido y entre 40 y 400 veces más barato que los «LLM comparables» en los propios materiales de lanzamiento de la empresa, a 0,042 $ por millón de tokens de entrada, con la salida facturada a cero. Está disponible de forma general desde el 21 de septiembre de 2026, cuando TypeSafe eliminó la lista de espera y comenzó a dar 5 $ de crédito a las cuentas nuevas —la conversión del propio proveedor, equivalente a unos 120 millones de tokens de entrada a precio de lista—. El modelo es anterior a la noticia de este artículo. OrcaRouter añadió typesafe/jev-1.13 a su catálogo el 24 de septiembre de 2026 y ahora lo enruta con la misma clave que los modelos generativos junto a los que está diseñado para convivir, que es el cambio que vale la pena conocer hoy. Lo segundo que esta página ahora debe tener en cuenta no es de TypeSafe: RSI-Jev, un proyecto abierto de terceros que construye modelos de decisión de Sistema Uno al estilo de Jev, cuya versión actual es el 4B RSI-Jev v6.0-VL, con fecha del 6 de octubre de 2026. Copia deliberadamente el formato de transmisión de Jev, y su propia línea de licencia declara claramente que no está afiliado a TypeSafe AI: no es el Jev de TypeSafe, ni los pesos de TypeSafe, ni el mismo modelo con un nombre más corto. La última sección de este artículo está donde corresponde, porque es la respuesta más aguda disponible a la pregunta de cuánto de la posición de Jev es un foso competitivo.

El número más útil publicado en las primeras 48 horas no es uno de esos. Proviene de Every, cuyo jefe de evaluaciones ejecutó Jev sobre 27 artículos publicados de Every más 10 equivalentes con estilo de IA, haciendo 21 preguntas a los 37 documentos a la vez: 777 juicios en menos de 0,7 segundos, por aproximadamente un cuarto de centavo. Una segunda prueba, realizada por el director ejecutivo de Every, enfrentó 12 pasajes sintéticos —seis limpios, seis con defectos plantados deliberadamente— a cuatro comprobaciones de escritura. Jev arrojó una mediana de 0,35 segundos por pasaje frente a 8,83 segundos de Claude Fable 5.1 con esfuerzo alto: unas 25 veces más rápido a aproximadamente 1/580 del costo. Detectó seis de los siete defectos plantados. Claude Fable 5.1 detectó los siete. El veredicto de Every fue «bueno pero no perfecto», y esa es la lectura honesta en una sola línea de Jev a partir de la primera prueba independiente que se haya publicado: las afirmaciones sobre velocidad y costo sobreviven al contacto con un tercero, la afirmación sobre precisión queda un escalón por debajo de la frontera, y la muestra es lo bastante pequeña como para que nadie debería haber sacado una conclusión de producción de ella —una brecha que evaluaciones posteriores han cerrado en parte, en ambas direcciones.

Una nota sobre el tipo de evidencia con el que trabaja este artículo, porque los niveles han cambiado rápidamente para un modelo tan nuevo. Jev es real y se puede invocar: hay un endpoint documentado, un SDK de Python, un alias de modelo y un precio publicado. El lanzamiento está anunciado por el proveedor, no filtrado, y nadie especula sobre si existe. Pero cada afirmación de rendimiento con la que TypeSafe abre es propia de TypeSafe, la arquitectura no está publicada, los pesos no se han liberado, y el panel de benchmarks que respalda el titular de 20-200x es un conjunto de evaluaciones internas de flujos de trabajo, no una tabla de clasificación pública. Las pruebas independientes ya no son la pieza que faltaba como lo eran el día del lanzamiento —ahora hay al menos tres evaluaciones externas distintas, incluida una ejecución preregistrada y un estudio creado específicamente para probar Jev con entradas que no podría haber visto—, y coinciden con el proveedor en cuanto a velocidad, aunque cuentan una historia más complicada sobre precisión y calibración. Este artículo mantiene visiblemente separadas las cifras del proveedor, las cifras independientes y las preguntas abiertas, en lugar de promediarlas en un consenso que no existe.

Lo que TypeSafe realmente lanzó

Jev es el primero de lo que TypeSafe denomina modelos System One —un nombre tomado de la mitad rápida e intuitiva de la cognición de Daniel Kahneman, en contraposición al modo deliberativo más lento que imitan los chatbots. El contraste que TypeSafe establece es con el patrón estándar de forzar a un generador de texto a emitir una salida estructurada y luego analizar ese texto de vuelta a algo en lo que el código pueda confiar. Jev se salta el texto por completo. La propia documentación de TypeSafe lo afirma sin rodeos: «Los grandes modelos de lenguaje (LLM) están diseñados para producir texto para que lo lean las personas. Cuando necesitas que un modelo emita un juicio que tu código consumirá, eso genera un desajuste.»

La superficie de salida son tres primitivas, y no hay nada más. Cada pregunta que hagas debe ser una de ellas:

Choice — elige una opción de una lista que tú proporciones, y devuelve la opción seleccionada junto con una probabilidad para cada candidato y un nivel de confianza. Las opciones están limitadas a 255 por campo; más allá de eso, TypeSafe documenta un patrón de dos etapas: puntuar los candidatos de forma independiente y luego elegir.

• Puntuar — situar el estado en una rúbrica ordenada, devolviendo el nivel, una probabilidad por nivel y una confianza. El riesgo de abandono en una escala de 0 a 1 es el ejemplo en la documentación.

• Noul — una palabra compuesta de "no" y "null" — una única afirmación de sí/no, que devuelve la probabilidad calibrada de que sea verdadera.

A capture of TypeSafe's own documentation introduction page, showing the sentence 'Jev is TypeSafe's flagship model and the first System One model', a table of the three primitives Choice, Score and Noul with what each returns, and the line that adding questions to a call barely changes the response time.

La propiedad interesante no es ninguna primitiva en particular, sino cómo se componen. Las tres pueden combinarse en una sola llamada a la API, y cada pregunta se evalúa en paralelo contra una única lectura compartida del mismo estado. La documentación de TypeSafe dice que añadir preguntas «apenas cambia el tiempo de respuesta», y las pruebas independientes lo corroboran en la práctica: 21 preguntas repartidas en 37 documentos quedaron dentro de los mismos 0,7 segundos. Eso es lo que hace que el precio por juicio se desplome: no estás pagando por una generación más larga, estás pagando por una sola pasada.

El envoltorio práctico, según lo documentado y lo informado por los primeros usuarios: un presupuesto de solicitud de aproximadamente 64,000 tokens, de los cuales alrededor de 32,000 cubren el estado más la pregunta individual más larga —la observación de TypeSafe de que la precisión cambia a medida que crece el estado—; sin entrada de imagen ni audio en el lanzamiento; y una forma de solicitud y respuesta que no es la convención de chat-completions, por lo que un cliente existente no puede simplemente apuntar su URL base hacia él. El acceso dejó de ser el obstáculo el 21 de septiembre de 2026, cuando TypeSafe eliminó la lista de espera y abrió Jev a cualquiera con una cuenta; las cuentas nuevas comienzan con $5 de crédito que el proveedor dice que equivale a unos 120 millones de tokens de entrada a precio de lista. La propia página de inicio de TypeSafe todavía describe a Jev como en acceso anticipado, una afirmación que su documentación no repite: la documentación publica límites dinámicos de 100K tokens por segundo y 40 solicitudes por segundo en lugar de una puerta de acceso. El entorno de pruebas del navegador sigue ahí junto a la API, y jev-latest sigue siendo el alias del modelo.

RLCD significa calibrado, no preferido

TypeSafe entrena a Jev con un método al que llama RLCD — Reinforcement Learning for Calibrated Decisions, según la documentación de la propia empresa. El acrónimo es tan nuevo que la cobertura inicial lo ha expandido de forma inconsistente, así que vale la pena precisar qué designa en realidad, porque la distinción constituye toda la afirmación de la investigación.

RLHF optimiza para la salida preferida por los humanos. RLVR optimiza para la corrección verificable, del tipo que pasa los casos de prueba. RLCD optimiza para la calibración: un modelo que dice tener un 70 % de confianza debería acertar aproximadamente el 70 % de las veces. Ese es un objetivo distinto de acertar, y es la razón por la que cada respuesta de Jev se entrega con una distribución de probabilidad adjunta en lugar de solo una respuesta. El modo de fallo previsto es un modelo que sabe cuándo no sabe, para que tu código pueda decidir qué hacer al respecto.

Lo que eso te aporta en la práctica es una superficie de control. El patrón documentado son tres bandas de confianza —actuar automáticamente en la superior, señalar o confirmar en la intermedia, derivar a una persona en la inferior—, con los umbrales viviendo en tu código en lugar de en el modelo. Si las bandas son honestas es una cuestión empírica sobre tus datos, y es una que TypeSafe te dice explícitamente que respondas tú mismo, señalando que los umbrales de confianza son específicos de cada caso de uso y deben probarse contra tus propios ejemplos etiquetados. Esa instrucción es la frase más importante de la documentación, y lo que la documentación no contiene es ningún relato externo sobre si el método que hay detrás de esas bandas hace lo que su nombre dice. Desde esta semana hay uno parcial, y es una reconstrucción más que una revelación: el post-mortem de RL de RSI-Jev construye una reconstrucción controlada de siete brazos de las conjeturas publicadas sobre RLCD —una porción de 13,8k preguntas, 1500 pasos por brazo— y publica lo que le ocurrió a cada brazo, incluidos los que fallaron. Cada recompensa de RL que contiene empeoró la calibración bruta; una cabeza de confianza post-hoc barata recuperó todos ellos excepto el brazo de proper-score; y ningún objetivo mejoró la ordenación de la confianza. Cierra enumerando tres ingredientes que RLCD debe contener, formulados como una hipótesis sobre cómo podría funcionar el método en lugar de como una afirmación sobre el funcionamiento interno de TypeSafe, que nadie fuera de la empresa ha visto. Léelo como la primera evidencia de terceros que se sitúa junto a las afirmaciones de calibración ordenadas a continuación, no como una mirada a su interior; los antecedentes del propio método están en nuestro artículo explicativo RLCD Explained.

Los números, ordenados por quién los produjo

Aquí es donde la mayoría de la cobertura de Jev se vuelve blanda, así que vale la pena ser explícitos sobre la procedencia. Esto es lo que viene del proveedor, lo que vino de evaluadores independientes y lo que simplemente se desconoce.

• Informado por el proveedor, no reproducido — las afirmaciones destacadas sobre velocidad y coste. Latencia de extremo a extremo de 70-500 ms frente a 3-329 segundos para llamadas a LLM de frontera; 20-200 veces más rápido y 40-400 veces más barato; un único resultado de flujo de trabajo en el mejor de los casos anunciado como 193,6 veces más rápido y 444,6 veces más barato. TypeSafe reconoce que estas son cifras del mejor caso, no universales.

• Reportado por el proveedor, y verificable en la hoja de precios — $0.042 por millón de tokens de entrada, que son $42 por mil millones, con la salida gratuita. La razón de que la salida sea gratuita es mecánica en lugar de promocional: no hay decodificación autorregresiva que medir, así que no hay tokens de salida que facturar. Para ponerlo en perspectiva, los mismos materiales de lanzamiento sitúan el precio típico de entrada de los modelos de frontera entre $0.20 y $10 por millón, con la salida a menudo alrededor de cinco veces el precio de entrada.

• Informado por el proveedor, a partir de un benchmark interno — el propio panel de flujo de trabajo de TypeSafe, 711 casos en cuatro tareas, con respuestas de referencia derivadas del juicio promedio de GPT-6 Astra y Claude Fable 5.1 en lugar de la verdad fundamental. En ese panel, Jev se agrega en 67,8% frente al 74,1% del mejor comparador. Desglose: incidentes de seguridad 61,7% frente al 66,2% de Opus 5; observabilidad de rastreo de agentes 71,6% frente al 76,6%; procesamiento de facturas 61,8% frente al 79,1%; atención al cliente 76,0% frente al 78,3%. Jev gana las columnas de costo y latencia en ese gráfico y pierde la columna de precisión. El propio panel señala un posible sesgo del arnés, y TypeSafe ha dicho que omitió deliberadamente las tablas de clasificación públicas en favor de evaluaciones puntuales vinculadas a actualizaciones de producto.

• Medido de forma independiente, muestra pequeña — la primera prueba externa, la ejecución de Every descrita arriba: 777 juicios en menos de 0,7 segundos por alrededor de un cuarto de centavo; 1.709 juicios en 11 experimentos por menos de un centavo en total; aproximadamente 25 veces más rápido y 1/580 del costo de Claude Fable 5.1 en una tarea de clasificación de 12 pasajes, aunque omitió uno de los siete defectos implantados que el comparador detectó. La propia conclusión de Every fue que querría una comprobación de precisión mucho más exhaustiva antes de ponerlo en producción — una comprobación que desde entonces ha llegado en parte, a continuación.

Medido de forma independiente, preregistrado y más amplio: un equipo externo publicó una evaluación preregistrada el 20 de septiembre de 2026, fijando 21 experimentos y 50 predicciones antes de que se enviara una sola solicitud, a lo largo de 5.721 llamadas. En un conjunto de referencia de 400 elementos, Jev obtuvo un 95,9 % en zero-shot, frente al 77,2 % de las reglas de palabras clave escritas a mano y al 66,0 % de una línea base supervisada de TF-IDF. El mismo estudio documenta el modo de fallo que importa más que el titular: cuando las descripciones de los criterios en la pregunta eran incorrectas, la precisión se desplomó al 16,7 %, por debajo del umbral aleatorio del 25 % para esa tarea. Los autores declaran su propio sesgo en la dirección opuesta: 18 de sus 21 predicciones refutadas fallaron de la misma manera, porque seguían prediciendo el fracaso y seguían equivocándose.

• Medido de forma independiente, fuera de distribución — un estudio de calibración aparte, publicado el 19 de septiembre de 2026, construyó 900 tickets de soporte generados por reglas cuyas etiquetas dependen en parte de una política interna de nivel de cuenta que no aparece en ningún lugar del texto, por lo que ningún modelo podría haberla memorizado, y los ejecutó junto con 3.721 elementos de benchmarks públicos. En la rama sintética, el error de calibración esperado de Jev fue de 0,107, frente a un nivel de ruido de fondo de 0,024 que los autores calcularon para un modelo perfectamente calibrado — aproximadamente 4,4 veces el nivel de fondo. En los benchmarks públicos, el mismo estudio midió de 0,024 a 0,032. La brecha entre esos dos rangos es el hallazgo.

• Desconocido — la arquitectura. Sin paper en el lanzamiento, sin recuento de parámetros, sin divulgación del cómputo de entrenamiento, sin pesos. TypeSafe ha dicho que los detalles se mantienen "bajo reserva por ahora" y que posiblemente haya un paper más adelante. La ola de replicación de mediados de septiembre no cambió esto: esos proyectos reconstruyen el comportamiento con sus propias arquitecturas, y ninguno de ellos revela cómo funciona el modelo de TypeSafe. Los checkpoints abiertos que ahora publica un proyecto de terceros son de ese proyecto, no un lanzamiento de TypeSafe, y no cambian nada de las frases anteriores — el recuento completo de lo que el proveedor ha publicado y lo que no está en Is Jev Open Source?.

A single-column scoreboard titled 'Jev - the scoreboard' listing six dimensions: latency 70-500 ms claimed, price $0.042 per million input with output free, accuracy 67.8% on the vendor dashboard, independent test 6 of 7 defects caught, context about 32K tokens with no image input, and weights not released.

El patrón que se repite en esos niveles es consistente, y no es el patrón que sugiere el titular de 200x. Todos los números independientes y de proveedores coinciden en que Jev es drásticamente más barato y drásticamente más rápido. Ningún dato, en ningún lugar, incluido el de la propia TypeSafe, muestra que sea más preciso que los modelos frontera con los que se compara en precio; en el propio panel del proveedor, se sitúa alrededor del nivel de un buen modelo de gama media. Lo que aportan los trabajos externos más recientes es una forma para la historia de la precisión, más que un nuevo titular. En tipos de tareas que ya ha visto, puede verse muy fuerte: 95.9% zero-shot en el conjunto de referencia de 400 elementos del propio equipo preinscrito, muy por delante de las líneas base de palabras clave y TF-IDF contra las que se midió. Con entradas creadas para no parecerse a nada de lo que ha visto, su confianza pierde sustento. La comparación que se sostiene sigue sin ser "tan inteligente como un modelo frontera por una centésima parte del precio", sino "cercano al juicio de un modelo de gama media por una fracción de centavo por llamada, lo bastante rápido para ejecutarse en cada turno individual".

Qué significa y qué no significa «cero alucinación»

Los materiales de lanzamiento de TypeSafe incluyen un gráfico que muestra una tasa de error del 0 % en llamadas a herramientas para Jev, frente a una tasa distinta de cero para los modelos de comparación, y la frase «resistente a las alucinaciones» acompaña al modelo. Ambas son ciertas y ambas son más limitadas de lo que parecen a simple vista.

La garantía es estructural. Todas las respuestas posibles se enumeran antes de que se ejecute el modelo —tú proporcionaste la lista de opciones, la rúbrica o la afirmación de verdadero/falso—, así que no hay espacio en el que emitir un valor fuera del tipo declarado. Una llamada de herramienta malformada no es algo que Jev pueda producir. Eso es una propiedad de ingeniería genuina y, para cualquiera que haya pasado una semana escribiendo lógica de reintentos en torno a fallos de análisis de JSON, vale dinero real.

No es una afirmación sobre ser correcto. Una respuesta válida según el esquema puede seguir siendo incorrecta: Jev puede enrutar con confianza una queja de facturación a la cola técnica, y la salida estará perfectamente bien formada aunque sea inútil. El propio Almeida ha dicho eso mismo, reconociendo que es posible estar equivocado con confianza. La forma útil de sostener ambos hechos es que Jev elimina la clase de error que proviene del formato de salida, y no hace absolutamente nada respecto a la clase que proviene del juicio. Lo que significa que la cuestión de la exactitud es por completo una cuestión de calibración, y la calibración es exactamente lo que tienes que medir tú mismo.

Las primeras evaluaciones externas añaden una advertencia específica sobre cómo se comporta esa garantía estructural en producción. Como Jev siempre devuelve una de las respuestas que le has proporcionado, no tiene forma de decir «ninguna de las anteriores» a menos que se la des. Una ejecución preregistrada en septiembre le pidió clasificar material sin categoría válida y descubrió que 0 de 30 mensajes fuera de alcance fueron marcados, cada uno devuelto con una confianza de 0,99. Una receta de pastel, o una página de letras aleatorias, vuelve como una categoría con alta confianza, porque una categoría es lo que pedía la solicitud. La solución es un hábito de diseño más que un ajuste del modelo: incluye una opción de escape explícita en cada lista Choice y una rama falsa en cada afirmación Noul, y considera la ausencia de una como un error en el texto de tu propia pregunta.

Cómo probar la afirmación de calibración con tus propios datos

La calibración es una de las pocas propiedades de un modelo que puedes comprobar correctamente con unos cientos de ejemplos y sin infraestructura de ML, y es la única prueba que importa antes de que Jev toque una ruta de producción. El procedimiento es breve.

Toma unos cientos de casos para los que ya tienes etiquetas. Hazle a Jev la pregunta que importa —la decisión de enrutamiento, la puntuación de riesgo, la comprobación de defectos— y agrupa las respuestas según la confianza que reportó. Luego comprueba si el grupo de confianza de 0.9 acierta aproximadamente el 90 % de las veces, el grupo de 0.7 aproximadamente el 70 %, y así sucesivamente. Un modelo bien calibrado traza una línea diagonal. Un modelo que únicamente se muestra confiado agrupa todo por encima de 0.9 y acierta el 70 % de las veces, y esa es la forma que rompe silenciosamente una canalización automatizada.

La misma prueba te indica qué umbrales usar. Si el intervalo de 0,9 es realmente preciso en un 90 % con tus datos, puedes automatizarlo. Si tu banda intermedia es una masa informe, la derivas a una persona o se la pasas a un modelo generativo y dejas que la ruta costosa se encargue de la ambigüedad. Esa división —modelo barato para la mayoría segura, modelo caro para el resto incierto— es la arquitectura real que Jev defiende, y es la razón por la que el modelo se entiende mejor como un componente que como un reemplazo.

El estudio de fuera de distribución es la primera respuesta externa a esa pregunta, y es una advertencia en lugar de una autorización. Ejecutado contra 900 tickets de soporte sintéticos cuya política decisoria está ausente del texto, la confianza de Jev dejó de coincidir con su exactitud: error de calibración esperado de 0.107 frente a un piso de ruido de 0.024, aproximadamente 4.4 veces lo que obtendría un modelo perfectamente calibrado en el mismo conjunto. En los tres benchmarks públicos fue de 0.024 a 0.032, así que el modelo está bien calibrado en el tipo de datos con el que fue construido y medido, y considerablemente menos calibrado en el momento en que la tarea no le es familiar. La primitiva de puntuación fue la más débil de las tres, con un 44.7% de exactitud y una probabilidad declarada media de 0.74. Los propios autores del estudio piden a los lectores que tomen la dirección de ese resultado y no la magnitud exacta, ya que una sola familia de tareas sintéticas con n=900 no es una ley general. La dirección es la parte que importa para cualquiera que escriba umbrales: ejecute la prueba de agrupación en cubos anterior con sus propias etiquetas antes de automatizar una decisión, porque la calibración que puede ver en los benchmarks públicos no es la calibración que obtendrá con su tráfico.

Lo que cuesta, analizado en detalle

El modelo de precios es lo bastante sencillo como para razonar sobre él, lo cual es poco habitual. La entrada cuesta 0,042 $ por millón de tokens —la tarifa que publica TypeSafe y la que recoge el catálogo de OrcaRouter—, y la salida es gratuita. Con el presupuesto documentado de aproximadamente 64.000 tokens de entrada, una sola llamada del tamaño máximo cuesta menos de tres décimas de centavo.

Dos cifras reportadas dan una idea de la escala. Un usuario inicial ejecutó alrededor de 5.000 solicitudes por aproximadamente $2. La demostración de Doom —Jev dirigiendo un bot usando una descripción de texto del estado del juego en lugar de píxeles sin procesar— se ejecutó a unas 10 llamadas por segundo por aproximadamente $7 por hora. Y las 777 evaluaciones de Every en 37 documentos ascendieron a aproximadamente un cuarto de centavo, que es la cifra que hace legible el caso de uso interesante: a ese precio, revisar cada turno individual de un bucle de agente deja de ser una decisión de costo y se convierte en algo predeterminado.

Ese es el verdadero argumento a favor de Jev. Una pasada de verificación por turno —¿contradijo esta llamada de herramienta a la anterior?, ¿es esta salida coherente con la intención declarada del usuario?, ¿debería esto activar una alerta?— siempre ha sido técnicamente posible con un modelo de frontera y económicamente absurda a escala. A 0,042 dólares por millón de tokens y sin coste de salida, esa misma pasada pasa a ser asequible en cada turno. El valor aquí no es que Jev piense mejor que un modelo de frontera, porque no lo hace. El valor radica en que piensa de manera suficientemente barata y rápida como para ser consultado constantemente.

Merece la pena decirlo sin rodeos, porque es la siguiente pregunta obvia: OrcaRouter añadió typesafe/jev-1.13 a su catálogo el 24 de septiembre de 2026, y el modelo está disponible hoy en la ficha del modelo Jev 1.13 hoy — una única API para más de 200 modelos al precio de lista del proveedor trasladado con un 0 % de recargo, de modo que una bajada de precio del proveedor llega a nuestro lado el mismo día en que se anuncia. Dos detalles sobre cómo está implementado, porque son los que la gente pregunta. Las solicitudes van a POST /v1/systemone, sin streaming, con un contexto de 65.536 tokens; esa no es la forma de chat-completions, y por eso Jev ocupa su propio tipo de endpoint en lugar de integrarse en la ruta de chat. Y la ficha publica nuestra propia ventana de servicio de siete días, medida sobre el tráfico que pasa por nuestro playground desde el 24 de septiembre en lugar de repetirse tal cual del proveedor: p50 151 ms, p95 247 ms, 349 tokens de salida por segundo y una tasa de error del 0,49 % en 76,2 millones de tokens. Eso es lo que hace que el patrón de dos modelos que defiende Jev sea un único contrato en lugar de dos. Jev toma la decisión tipada, un modelo generativo se encarga de la parte que necesita prosa, código o una explicación, ambas mitades se facturan con la misma clave al precio de lista del proveedor, y el failover automático evita que un componente de decisión que resulta estar mal calibrado se convierta en un incidente de producción.

A capture of the OrcaRouter models catalogue showing the header '197 models - 15 providers - one API key, one bill', an OpenAI-compatible chat-completions request example, and model cards for DeepSeek V4.1 Flash, OpenAI GPT-6 Astra and Google Gemini 3.8 Flash with their per-million-token input and output prices.

Donde Jev no encaja

Las limitaciones están expuestas por el proveedor con una claridad poco habitual, lo que hace que esta sección sea fácil de escribir con honestidad. Jev no puede generar texto libre. No puede escribir código. No puede mantener una conversación. No tiene interfaz de chat, no admite entrada de imágenes y cuenta con un presupuesto de solicitud de aproximadamente 64.000 tokens —unos 32.000 de ellos cubren el estado más la pregunta individual más larga—, un orden de magnitud por debajo de los modelos de contexto largo con los que se lo compara en precio. Los campos de opción tienen un límite de 255 opciones. Y la propiedad de «no alucinación», como se ha dicho, tiene que ver con el formato de salida y no con la verdad.

La red es un ajuste bastante estrecho. Bien: clasificación y enrutamiento de gran volumen, pases de guardarraíl y verificación, decisiones en las que la latencia es crítica, puntuación de grandes conjuntos de documentos en paralelo, cualquier situación en la que la respuesta correcta sea genuinamente una opción, un número en una escala o un booleano. Mal: generación abierta de cualquier tipo, razonamiento de contexto extenso, diálogo multiturno o cualquier tarea cuya respuesta correcta sea una oración. Si tu problema no se reduce a una pregunta tipada, Jev no es una forma más barata de resolverlo — no es una forma de resolverlo en absoluto.

También hay una crítica justa del enfoque que vale la pena retomar. Llamar a Jev un modelo de frontera toma prestada una credibilidad que el modelo no se ha ganado: no puede programar, conversar ni escribir una frase, y los gráficos comparativos se apoyan en modelos de frontera como línea base, mientras que la columna de precisión cuenta otra historia. La afirmación más defendible, y la que la evidencia realmente respalda, es que TypeSafe ha llevado mucho más lejos la frontera de velocidad y costo para decisiones estructuradas. Eso es algo sustancial que se ha logrado. Es algo distinto de construir un modelo que rivalice con GPT-6 Astra o Claude Fable 5.1.

¿Qué cambiaría esta imagen?

Cuatro cosas resolverían esto, y la semana desde que el modelo se abrió ha movido tres de ellas.

• Un artículo de arquitectura publicado o pesos abiertos. Sigue siendo el mayor vacío. Todo sobre cómo Jev logra su velocidad sigue siendo una caja negra, y la afirmación de que la evaluación paralela es el mecanismo —la analogía que traza Almeida es reemplazar la computación secuencial del mismo modo en que los transformers reemplazaron las redes recurrentes— es una aseveración, no un resultado demostrado. La ola de código abierto de abajo reimplementa el comportamiento, pero ninguna de sus implementaciones revela cómo funciona el modelo de TypeSafe. Hasta que se publique el diseño, la velocidad es un hecho y la explicación es marketing.

• Una segunda evaluación independiente con una muestra más grande. Esta caló en parte. La ejecución preinscrita del 20 de septiembre abarca 5.721 llamadas y un conjunto de referencia de 400 elementos, que es una muestra mucho más grande que los 12 pasajes de Every y está mucho mejor diseñada, y es la evidencia individual más sólida que existe a favor de Jev. También es de autoría propia, de un solo día, de una sola ubicación y ejecutada contra una única versión del modelo, y el equipo publica sus propios límites junto con sus resultados. Lo que resuelve es que Jev es genuinamente bueno en aquello para lo que está diseñado; lo que no resuelve es cómo se desempeña en la tarea de cualquier otra persona.

• Una auditoría de calibración sobre entradas realistas y desordenadas. Esta dio resultado, y es el resultado menos cómodo de este artículo. El estudio fuera de distribución anterior es la primera auditoría realizada sobre material creado para ser desconocido para el modelo, y encontró que la confianza se desacopla de la precisión a aproximadamente 4,4 veces el nivel de ruido de un modelo perfectamente calibrado — mientras que el mismo modelo parecía bien calibrado en tres puntos de referencia públicos. Una familia de tareas sintéticas con 900 elementos no es un veredicto, y los autores lo dicen. Es suficiente para mover la pregunta de "¿está Jev calibrado?" a "¿calibrado en qué?", que es la pregunta más útil de todos modos.

• Una replicación que supera a Jev en los propios términos de Jev. Todavía no, y la ola no se detuvo en septiembre. En unas 48 horas desde el lanzamiento, al menos seis proyectos abiertos independientes habían publicado modelos de decisión con la forma de Jev —uno construido sobre un codificador de 421 millones de parámetros, otro un LoRA sobre un modelo de 9B, otro lo suficientemente pequeño como para caber en unas pocas docenas de kilobytes— y para el 23 de septiembre uno de ellos estaba en lo más alto de una lista de tendencias de alojamiento de modelos. Cada comparación que publican esos proyectos es autoinformada por el equipo que construyó la alternativa, y cada uno usa su propio conjunto de evaluación. Los resultados apuntan en direcciones diferentes: el clon que gana en categorización de noticias pierde estrepitosamente en una tarea de intención de 77 vías, y la única ejecución independiente cara a cara sobre entradas idénticas a nivel de byte tiene a Jev por delante en seis de nueve suites. La precisión de Jev en un único benchmark ha sido publicada ahora con cuatro valores diferentes por cuatro evaluaciones diferentes. El que perdura de esa ola es RSI-Jev, y es la instancia concreta y fechada de ese argumento: un proyecto abierto de terceros que construye modelos de decisión System One al estilo Jev, código MIT, pesos Apache-2.0 en Hugging Face, con una línea de licencia que dice "No afiliado con TypeSafe AI". Su lanzamiento de esta semana es el RSI-Jev v6.0-VL de 4B, publicado el 2026-10-06 y el séptimo en un bucle de auto-mejora que ha ejecutado 471 experimentos y conservado muy pocos de ellos: una torre Qwen3.5-4B-Base con una cabeza de respuesta entrenada, una pasada hacia adelante por decisión, nada generado. Gasta profundidad en lugar de tokens —cabezas de respuesta en las capas 16, 20 y 32, así que una solicitud se detiene en la que primero tenga confianza, una mediana de 23, 27 y 40 ms en una H200 en bf16— y habla exactamente el formato de transmisión de TypeSafe: misma solicitud, mismos tres tipos de preguntas, misma estadística de confianza, así que cualquier cosa escrita para Jev funciona con él sin cambios. En su propio Decision Index público, reporta 38.38 a 46.24 en un lanzamiento, con 0.698 en su conjunto reservado y 0.440 en MMLU-Pro —sus propias cifras en su propio tablero, y no hay un cara a cara independiente entre él y Jev 1.13. No es un lanzamiento de pesos de Jev, no hace que el modelo de TypeSafe sea abierto, y TypeSafe ni lo hizo ni lo respaldó; los lanzamientos anteriores de esa línea eran modelos de 2B sobre Qwen3.5-2B-Base, y el resultado de RL que le dio nombre al proyecto es de la v3.0, con fecha 2026-09-28 y tres lanzamientos atrás —el primer lanzamiento en el que una etapa de RL superó al modelo supervisado del que continuaba, una recompensa de reranking listwise sobre 16 candidatos que elevó el reranking R@1 de 0.192 a 0.308 sobre su propio padre, un 60% más, a un coste de suite de 0.0028. Nuestro catálogo no tiene ningún id para RSI-Jev: lo que servimos es typesafe/jev-1.13 en el endpoint systemone, y este proyecto se ejecuta desde su propio repositorio. El artículo completo para un lector primerizo está en What Is RSI-Jev?.

Lo que esa ola demuestra no es que Jev haya sido superado — es que se puede construir un modelo abierto para hacer aproximadamente esta tarea en un fin de semana, lo cual es una afirmación distinta y más duradera sobre dónde está el foso. La postura que se deriva es más estrecha que hace una semana, y más específica. Jev es un modelo real, ya lanzado e inusualmente barato, que ahora está abierto a cualquiera que tenga una cuenta, con una ventaja estructural genuina en la fiabilidad de salida, un perfil de precisión en torno a la gama media según los propios números del proveedor, y una afirmación de calibración que se ha probado dos veces de forma independiente desde su lanzamiento: una vez en un benchmark grande, favorable y de autoría propia, y otra con entradas desconocidas en las que las puntuaciones de confianza no se mantuvieron. Considera el segundo resultado como el más informativo. Si tu flujo de trabajo tiene un paso que se reduce a una pregunta escrita que se hace con la frecuencia suficiente como para que un modelo de frontera resultaría un desperdicio, esta es una de las formas más baratas de hacerla — y el valor de confianza que devuelve sigue siendo la parte que hay que probar con tus propios datos antes de confiar, no la velocidad. También se puede probar sin una segunda cuenta: typesafe/jev-1.13 está disponible en OrcaRouter junto a los modelos generativos que necesita un flujo de trabajo al estilo Jev.