Jev vs DeepSeek V4.1 Flash: ocho centavos por mil no son una ventaja competitiva

La comparación que decide la cuestión de Jev no es contra un modelo de frontera. Es contra DeepSeek V4.1 Flash, lanzado el 10 de septiembre de 2026 —cinco días antes de que TypeSafe AI lanzara Jev—, porque DeepSeek V4.1 Flash es un modelo generativo que es genuinamente barato, y es lo más barato que hay en la sala capaz de hacer casi todo lo que Jev puede hacer. Una prueba independiente publicada en septiembre de 2026 pasó 77 ejemplos de BANKING77, el conjunto estándar de clasificación de intenciones, por ambos: Jev dio 7 centavos por cada 1000 clasificaciones con 75 % de precisión. DeepSeek V4.1 Flash dio 8 centavos por cada 1000 con 79 % de precisión. La misma prueba situó a GPT-5.6 Luna en 12 centavos y 83 %. Un modelo generativo con una ventana de contexto de un millón de tokens, llamada nativa a herramientas y entrada de imágenes quedó a un centavo por cada mil clasificaciones por detrás de un modelo de decisión diseñado específicamente, y cuatro puntos por delante en precisión. Ese es el hecho incómodo en el centro de este enfrentamiento, y replantea lo que Jev vende en realidad.

Qué hace cada modelo

Jev es un modelo de decisión de Sistema 1: no devuelve texto en absoluto. Se envía un estado más preguntas tipadas —Choice a partir de una lista que usted proporciona, Score en una rúbrica ordenada, o Noul (una afirmación de sí/no con una probabilidad calibrada)— y devuelve respuestas tipadas con valores de confianza. Todas las preguntas se evalúan en paralelo contra una única lectura compartida del estado, por lo que añadir preguntas apenas cambia el tiempo de respuesta y por lo que la salida no cuesta nada: no hay tokens de salida que medir. La entrada cuesta $0,042 por millón de tokens, la salida es gratis, y el presupuesto de solicitud es de aproximadamente 32 000 tokens. Se lanzó el 15 de septiembre de 2026, de TypeSafe AI, fundada por Diogo Almeida con una ronda semilla de $40M liderada por DCVC.

DeepSeek V4.1 Flash es un modelo generativo convencional y no pretende ser otra cosa. Se lanzó el 10 de septiembre de 2026 con un ID de API de deepseek-flash, construido como una mezcla de expertos de 552B parámetros con activación asimétrica en 8B/16B, una ventana de contexto de 1M tokens y entrada de texto e imágenes. Genera texto token a token, que es exactamente la propiedad que lo hace más costoso por llamada y más capaz por llamada. Funciona a 208,3 tokens por segundo con un tiempo hasta el primer token de 1,13 segundos, y tiene un precio de $0,30/$1,20 por millón de tokens en hora punta y de $0,15/$0,60 fuera de hora punta. En Artificial Analysis se sitúa en un índice de 40 — de gama media, no de frontera.

Por qué el cálculo por clasificación da el resultado que da

La brecha de un centavo no es un accidente y no es estable. Se deriva de cómo factura cada modelo.

• El costo por decisión de Jev es esencialmente fijo — pagas por una sola pasada sobre la entrada, a $0.042 por millón de tokens, y la cantidad de preguntas que haces apenas lo modifica. Una clasificación que necesita una etiqueta y una clasificación que necesita veinte etiquetas cuestan casi lo mismo.

• El costo por decisión de DeepSeek V4.1 Flash escala con la salida. La clasificación en una etiqueta corta es barata; la misma tarea en la que pides una justificación, una confianza y un envoltorio JSON estructurado representa varias veces los tokens de salida y, por lo tanto, varias veces el precio.

• El horario pico frente al horario valle duplica el precio de entrada de DeepSeek y duplica su precio de salida. Ejecuta por lotes un trabajo de clasificación a la hora equivocada y la diferencia de un centavo se convierte en un número completamente distinto.

Por eso las estimaciones independientes de la brecha discrepan tanto. La prueba BANKING77 con 77 ejemplos encontró 7¢ frente a 8¢. Otro benchmark compuesto aparte, JevBench, situó a Jev en $0,041 por cada 1000 y a DeepSeek V4.1 Flash en $0,579 por cada 1000: una brecha de catorce veces. Una tercera prueba con 83 contactos de ventas encontró a DeepSeek V4.1 Flash en $0,183 por ejecución frente a los $0,0055 de Jev, una brecha de 33 veces. La razón por la que esas cifras abarcan dos órdenes de magnitud es que cada una asumió un prompt distinto, una forma de salida distinta y una hora del día distinta. Cualquiera que cite una única cifra por clasificación como si fuera una propiedad del modelo y no del arnés de pruebas está vendiendo algo.

Lo que la estructura de Jev te da que un modelo generativo no puede

El factor diferenciador no es el precio. Es el contrato. La salida de Jev está bloqueada por esquema: como cada respuesta posible se enumera antes de que se ejecute el modelo —tú proporcionaste la lista de opciones, la rúbrica o la afirmación de verdadero/falso—, no hay espacio para emitir un valor fuera del tipo declarado. Una respuesta malformada no es algo que Jev pueda producir. DeepSeek V4.1 Flash se puede restringir a salida estructurada con un esquema y, en la práctica, suele cumplirlo, pero la garantía es un prior fuerte, más que una propiedad estructural. Si tu pipeline ejecuta diez millones de clasificaciones al mes, «casi siempre» y «siempre» son partidas distintas en un informe de incidentes.

La segunda propiedad es la calibración. Jev se entrena con un método al que TypeSafe llama RLCD — Reinforcement Learning for Calibrated Decisions —, y cada respuesta lleva una distribución de probabilidad, así que tu código puede establecer umbrales: aceptar automáticamente por encima, marcar en el medio, escalar por debajo. DeepSeek V4.1 Flash producirá un número de confianza si se lo pides, pero es un token generado, no una salida calibrada, y una confianza generada es una afirmación sobre sí misma en lugar de una medición. Esa distinción es toda la razón para pagar por un modelo de decisión, y es lo único que un modelo generativo barato no puede igualar estructuralmente.

El tercero es la forma de la latencia. La latencia de extremo a extremo documentada de Jev es de 70–500 ms independientemente de cuántas preguntas se adjunten, frente a 3–329 segundos para llamadas a LLM de frontera en la propia comparación de TypeSafe. El TTFT de 1,13 segundos y el rendimiento de 208 tokens por segundo de DeepSeek V4.1 Flash son excelentes para un modelo generativo, y ese es el estándar con el que se lo debe juzgar; pero con unos pocos cientos de milisegundos de salida generada más la latencia del primer token, estamos ante segundos por decisión, no ante fracciones de uno. En el panel de flujo de trabajo interno de TypeSafe, Jev gana en las columnas de coste y latencia y pierde en la columna de precisión, con un 61,8 % frente a un 79,1 % en procesamiento de facturas y un 76,0 % frente a un 78,3 % en atención al cliente. Las respuestas de referencia del panel son juicios de modelo promediados en lugar de la verdad fundamental, y el propio panel señala un posible sesgo del arnés.

La brecha de contexto es real y unidireccional

Una dimensión aquí no está cerca y no es una cuestión de encuadre. DeepSeek V4.1 Flash tiene una ventana de contexto de un millón de tokens; el presupuesto de solicitudes de Jev es de aproximadamente 32.000 tokens. Si tu clasificación depende de leer un contrato completo, un hilo de soporte largo o un archivo de código grande, DeepSeek V4.1 Flash puede verlo y Jev no — ninguna cantidad de abaratamiento por decisión soluciona un estado que no encaja. Jev además no acepta entrada de imágenes ni audio en el lanzamiento, mientras que DeepSeek V4.1 Flash acepta imágenes.

La otra cara de la moneda es que la estrecha ventana de Jev se valora como si fuera un pasivo en lugar de una restricción, y el patrón de dos etapas en la propia documentación de TypeSafe es la solución alternativa: para campos Choice que superan el límite de 255 opciones, puntuar a los candidatos por lotes y luego elegir entre las puntuaciones. Eso funciona cuando el estado es pequeño y el conjunto de opciones es grande. No funciona cuando el estado es grande.

Donde cada uno pertenece

Recurre a Jev cuando la decisión sea realmente de forma cerrada, el estado quepa en 32K tokens, el volumen sea lo suficientemente alto como para que los segundos por llamada sean un coste real y el pipeline necesite un valor de confianza a partir del cual pueda bifurcar. Las comprobaciones de guardarraíles, la verificación por turno dentro de un bucle de agente, el enrutamiento de gran volumen y la puntuación de grandes conjuntos de documentos en paralelo son los casos de uso documentados.

Recurre a DeepSeek V4.1 Flash cuando la tarea necesite leer algo largo, cuando necesite producir una justificación junto con la etiqueta, cuando necesite ver una imagen, o cuando la clasificación sea un paso dentro de un flujo de trabajo generativo más largo y sacarla a un segundo proveedor suponga un salto adicional para ahorrar un centavo que un mal prompt podría borrar. Y ten en cuenta que «un modelo generativo también puede hacerlo» es la descripción correcta de la tarea, no un fallo de Jev: la pregunta interesante es si necesitas el valor de confianza, porque ese es el único elemento de la comparación que un modelo generativo no puede ofrecer a ningún precio.

Ejecutando la capa de decisión y la capa generativa con una sola clave

DeepSeek V4.1 Flash es uno de los modelos que enruta OrcaRouter, al precio de lista del proveedor transferido con un 0 % de recargo, así que el descuento en horas valle está activo en nuestro lado el mismo día en que DeepSeek lo lanza, y no tienes que hacer seguimiento de dos hojas de precios. A Jev en sí no lo servimos: el modelo de TypeSafe es de acceso anticipado y habla su propia forma de solicitud. La arquitectura a la que apunta esta comparación es la de dos modelos —Jev decide, DeepSeek V4.1 Flash genera—, y OrcaRouter cubre la mitad generativa detrás de un único endpoint compatible con OpenAI, con conmutación por error automática para que un componente de decisión no probado nunca se convierta en un punto único de fallo. Más de 200 modelos, una clave, una factura.

El veredicto

Si viniste aquí esperando que Jev fuera drásticamente más barato que un modelo generativo, la respuesta honesta es que frente a DeepSeek V4.1 Flash por lo general no lo es, y en esta prueba en particular de 77 ejemplos fue un centavo más barato y cuatro puntos menos preciso. Lo que Jev vende no es el precio por clasificación. Es una garantía estructural de que la salida no puede estar malformada, un valor de confianza calibrado sobre el que tu código puede ramificar, y un piso de latencia medido en milisegundos en lugar de segundos. Vale la pena pagar por esas tres cosas en un pipeline que se ejecuta con la frecuencia suficiente como para que importe — y no valen absolutamente nada si tu tarea es leer un documento de 400 páginas y escribir un resumen de él, que es el trabajo de DeepSeek V4.1 Flash y nunca lo fue de Jev.