O que é Jev, o System One Model da TypeSafe AI?

Fala aí, beleza? Existe um modelo que não escreve absolutamente nada e mesmo assim resolve o problema

Parece contradição, né? Mas é exatamente essa a proposta do Jev, o primeiro modelo público da TypeSafe AI, anunciado em 15/09/2026 junto com a saída do stealth da empresa e com uma categoria nova que eles chamam de System One models

A ideia é simples de falar e estranha de digerir: em vez de cuspir prosa pra você ler, o modelo devolve decisão tipada com probabilidade, pronta pro seu código consumir

Este post é a página de entrada do assunto: bora definir o vocabulário (System One, typed outputs, confiança calibrada), ver como a coisa funciona de verdade e separar o que é fato do que é claim de fornecedor

O que são System One models (e por que a TypeSafe criou a categoria)

System One models não geram texto

Eles avaliam perguntas tipadas contra um state (o conteúdo ou o estado que seu programa está segurando) e devolvem resultados estruturados, sem você precisar extrair valor de dentro de um parágrafo gerado

Se você conhece aquele fluxo de pedir "responda só com JSON" pra um LLM e depois passar um parser em cima, o System One é a tentativa de matar essa etapa inteira

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 120 aulas
• 4 projetos
• 9h 45min

Conhecer formação

Passagem paralela contra geração token a token

Aqui mora a diferença de arquitetura

Um LLM de texto é autorregressivo: ele escolhe o próximo token, olha o que escreveu, escolhe o próximo, e assim por diante até fechar a resposta

O Jev recebe o estado não estruturado do programa e devolve as decisões tipadas e probabilísticas em uma única passagem paralela, não autorregressiva

É outro jeito de gastar computação: em vez de construir uma frase pra depois você minerar um valor dela, ele já resolve a distribuição de probabilidade sobre as respostas possíveis

De onde vem o nome e quem está por trás

O nome Jev é referência ao Paradoxo de Jevons, aquela ideia de que quando uma coisa fica mais barata e eficiente, o consumo dela explode em vez de cair

Dá pra sentir o recado que a empresa quis dar, né? 😀

A TypeSafe AI saiu do stealth com US$ 40 milhões em rodada seed liderada pela DCVC

A fundação é de Diogo Almeida (ex-OpenAI, co-inventor do RLHF/ChatGPT), Erik Gafni e Sasha Sheng

Como o Jev funciona na prática: state, questions e respostas tipadas

O mecanismo é enxuto e isso é parte da graça

Seu programa manda duas coisas principais: um state, que é o conteúdo a avaliar (string ou dado estruturado), e um mapa de questions, onde as chaves são IDs escolhidos por você

Cada pergunta enxerga o mesmo state, é avaliada de forma independente e a resposta volta sob a mesma chave que você definiu

Então se você mandou uma pergunta com o ID tem_dado_sensivel, é ali que a resposta tipada dela aparece

O endpoint único

A API HTTP do System One tem um endpoint só (lembrando que o acesso pela TypeSafe ainda é por early access, então o que vem abaixo é o desenho documentado, não algo que você sai rodando hoje sem convite):

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d @request.json

Se você já passou pelo processo de conectar um modelo pela chave de API em outro serviço, esse pedaço não tem mistério nenhum: header Authorization: Bearer <API_KEY>, Content-Type: application/json e bora, assim que a sua chave sair da fila do early access

Os três campos de topo do request

O corpo da requisição tem exatamente três campos no nível de cima: state, model e questions

{
  "state": "conteúdo ou estado que você quer avaliar",
  "model": "jev-latest",
  "questions": {
    "tem_dado_sensivel": { "...": "..." },
    "categoria_do_ticket": { "...": "..." }
  }
}

O identificador do modelo flagship na API é jev-latest

Repare no desenho: você faz uma chamada só carregando o state e pendura várias perguntas independentes em cima dele

Nada de montar três prompts diferentes repetindo o mesmo contexto em cada um

As três primitivas do System One: Noul, Choice e Score

A TypeSafe define três primitivas de pergunta

Todo uso do Jev nasce de uma dessas três, então vale entender uma por uma

Noul: a pergunta de sim ou não

Noul é a pergunta binária do System One

A resposta retorna a probabilidade de a resposta ser sim

É a primitiva pra perguntas do tipo "esse texto contém dado pessoal?", "essa resposta respondeu o que foi perguntado?", "esse input é spam?"

Repare que não vem um booleano seco: vem a probabilidade, e o corte é decisão sua no código

Choice: escolher uma opção do conjunto

Choice seleciona uma opção dentro de um conjunto que VOCÊ definiu

A resposta inclui a opção escolhida, uma probabilidade para cada opção e a confiança

Esse é o feijão com arroz de roteamento: escolher pra qual fila mandar um ticket, qual ferramenta o agente deve chamar, qual template usar

E como você recebe a probabilidade de cada opção, dá pra saber se a escolha foi tranquila ou se foi uma decisão apertada entre duas candidatas

Score: avaliar contra níveis ordenados

Score avalia conteúdo contra níveis ordenados e descritivos

A resposta inclui o score, uma probabilidade para cada nível e a confiança

Pensa em "qualidade da resposta: ruim, aceitável, boa, excelente", com cada nível descrito de forma clara

Ordenado é a palavra chave aqui: os níveis têm uma escada entre eles, não são rótulos soltos como no Choice

A confiança entre 0 e 1

Respostas de Choice e Score carregam um valor de confiança derivado da distribuição de probabilidade, entre 0 e 1

Ou seja: não é um número inventado à parte, é uma leitura de quão concentrada ou espalhada ficou a distribuição

Já volto nesse número mais pra frente, porque é ele que muda a forma como você escreve a lógica em volta

Por que "typed outputs" significa zero alucinação de valor

Essa é a promessa central e ela é mais forte do que parece

A saída é limitada ao schema informado: o modelo devolve distribuição sobre as opções ou os níveis que VOCÊ forneceu, nunca um valor de fora da lista

As respostas conformam aos tipos e ao JSON schema que o código espera, e por construção não há alucinação de valor nem erro de tipo

Compara com o padrão atual, que todo mundo aqui já sofreu:

• você pede JSON pro LLM de texto
• ele devolve o JSON embrulhado em “` `json “` e mais um parágrafo simpático em volta
• você faz o parse, valida o enum e descobre que ele inventou uma categoria que não existe no seu sistema
• você reprocessa, gastando token e latência de novo

No System One esse ciclo de validar e reprocessar não existe, porque a resposta nasce dentro do conjunto

É uma diferença de natureza, não de capricho de prompt

O que é confiança calibrada e como usar esse número na sua lógica

Ter probabilidade é uma coisa

Ter probabilidade calibrada é outra bem diferente

System One models são treinados para decisões calibradas, com as probabilidades otimizadas contra desfechos pra refletir incerteza de verdade

O método tem nome próprio na casa: RLCD (Reinforcement Learning for Calibrated Decisions), que faz parte de um stack com arquitetura nova e sampler paralelo

O uso prático do número

A parte que interessa pro seu código: a confiança serve pra decidir quando agir sozinho e quando escalar

O desenho fica mais ou menos assim:

• confiança alta: o software age direto, sem humano no meio
• confiança baixa: escala pra uma pessoa ou pra um modelo de raciocínio, que é caro mas resolve o caso difícil

Ou seja, você para de tratar toda decisão com o mesmo peso

O caso fácil sai barato e rápido, o caso duro sobe pro caro

Isso é MUITO diferente de olhar pra um texto gerado e tentar adivinhar se o modelo estava seguro ou apenas escrevendo bonito 🙂

Para que serve (e para que não serve) o Jev

Aqui o corte é honesto e a própria empresa faz questão de deixar claro

Os casos alvo, segundo a TypeSafe e a cobertura de imprensa:

• classificação, roteamento, scoring e ramificações dentro do software
• automação de IA
• aplicações em tempo real
• jobs de map reduce pra classificar grandes corpora
• verificação de entradas de IA
• harnesses de modelos

E o que ele não faz:

• chat
• geração de código
• qualquer coisa que exija explicação escrita

Se o seu problema pede uma resposta que um humano vai ler, o Jev não é o lugar

Se o seu problema é um if que hoje está sendo resolvido por um LLM caro que devolve prosa pra você parsear, aí sim

Jev x LLM de texto: quando cada um faz sentido

Não é substituição, é divisão de trabalho

O preço de input do Jev é US$ 0,042 por milhão de tokens

E o output custa US$ 0,00 por milhão, o que faz sentido quando você lembra que ele não está gerando texto pra cobrar por isso

Velocidade e desempenho: o que a TypeSafe afirma e o que dá para verificar

Agora a parte do ceticismo saudável, que é onde eu acho que o leitor de blog ganha mais

O claim oficial

A TypeSafe afirma que o Jev entrega inteligência similar à de LLMs existentes em tarefas System One, sendo duas ordens de magnitude mais rápido e mais eficiente

Dado do fornecedor, tá? Não é medição independente

Vou repetir porque é importante: duas ordens de magnitude é o que a página oficial diz, e é só isso que dá pra citar com segurança

A demo do Doom

A empresa publicou uma demo em que o Jev joga Doom, com o estado do jogo entregue como dado estruturado em texto (não imagem)

Os tempos comparados: 0,114s do Jev contra 8,566s do GPT-5.6 Terra

É uma demo boa de assistir e serve pro ponto que eles querem fazer: em loop de tempo real, esperar um modelo escrever é inviável

A pegadinha metodológica

Agora se liga nisso, porque é o detalhe que quase ninguém comenta

A metodologia de avaliação da TypeSafe não usa ground truth independente

A empresa assume um workflow correto em código e usa as predições dos modelos externos maiores e mais caros como probabilidades de referência, com todos os modelos recebendo o mesmo workflow

Traduzindo: o "gabarito" é o que os modelos grandes responderam

Isso mede concordância com os grandes, não acerto no mundo real

Não invalida o trabalho, mas muda bastante o peso do número na sua cabeça, né?

O perfil declarado do modelo

A TypeSafe mantém uma página de limitações (jaggedness) do jev-1.13, revisada em 16/09/2026

O perfil descrito lá: rápido, calibrado e bom em julgamento de senso comum

O fato de existir uma página assumindo as irregularidades do modelo já é um ponto a favor da casa

Onde acessar o Jev hoje: API, SDKs, OpenRouter e Cloudflare

O acesso pela API da própria TypeSafe é early access: tem fila de espera no site deles e os desenvolvedores estão sendo liberados aos poucos

Fora a API própria, o modelo já aparece listado em outras plataformas:

SDKs oficiais

Existem SDKs para Python e JavaScript/TypeScript

pip install "typesafe-sdk>=0.5.7"

No JS/TS, você importa o TypeSafeClient e usa o método systemOne, passando state e questions, exatamente o mesmo par conceitual do request HTTP

OpenRouter

O Jev está no OpenRouter em beta, na versão 1.13, com janela de contexto listada de 32.000 tokens

Esse é o limite de contexto do modelo: 32k tokens para o state mais a pergunta mais longa

Tome cuidado com isso na hora de desenhar o state, principalmente se você estiver mandando dado estruturado grande

Cloudflare Workers

O Jev também está na plataforma de IA da Cloudflare, como typesafe/jev, e pode ser chamado de dentro de um Worker:

const resposta = await env.AI.run('typesafe/jev', { /* ... */ })

Pra quem já roda lógica na borda, essa combinação de latência baixa com decisão tipada é bem interessante

A agent skill oficial

A TypeSafe publica uma agent skill com o contexto da API pra agentes de código

No Claude Code:

claude plugin marketplace add typesafe-ai/skills
claude plugin install typesafe@typesafe-ai

Depois é só invocar com /typesafe:typesafe-ai

Em outros agentes:

npx skills add typesafe-ai/skills --skill typesafe-ai

A instalação é local ao projeto por padrão, e -g instala global

Vale o mesmo raciocínio de sempre com agente de código: contexto bem entregue é o que separa código certo de invenção, e é a mesma lógica de fazer o Claude Code respeitar o design system do projeto em vez de sair criando componente do nada

Vale a pena entrar na fila do Jev agora?

Bora separar as coisas

Fato: o Jev devolve decisão tipada com probabilidade calibrada, a saída fica presa ao schema que você mandou, roda em passagem paralela, tem limite de 32k tokens, custa US$ 0,042 por milhão de tokens de input e US$ 0,00 de output, e já aparece no OpenRouter em beta e na plataforma de IA da Cloudflare

Promessa do fornecedor: as duas ordens de magnitude de velocidade e eficiência, com inteligência similar à de LLMs em tarefas System One, medidas por uma metodologia que usa modelos maiores como referência em vez de ground truth independente

O ganho real aparece pra quem JÁ tem classificação, roteamento ou scoring rodando em cima de LLM de texto e paga caro por isso, em token e em latência

Se o seu caso é chat ou geração de código, esquece, não é pra você

Próximo passo concreto, se ficou curioso: entra na waitlist em typesafe.ai ou testa via OpenRouter em beta

Mas antes disso faz o dever de casa mais útil de todos: abre o seu código e mapeia quais decisões hoje cabem em Noul, Choice ou Score

Se a lista sair grande, você acabou de descobrir quanto está gastando pra um modelo escrever texto que ninguém lê 😛

Até o próximo post!