09 out 2026 · inteligência artificial · 6 min

Jev: o modelo que não escreve texto e decide em milissegundos

O que é, em um parágrafo

Jev é um modelo lançado em 15 de setembro de 2026 pela TypeSafe AI, startup do Diogo Almeida, um dos autores do artigo que originou o ajuste de instrução do ChatGPT. Ele não gera texto. Você entrega um estado (um texto, um JSON, uma linha de tabela) e uma lista de perguntas com respostas possíveis já definidas, e ele devolve uma resposta tipada com a probabilidade associada. A empresa chama a categoria de “System One Model”, em referência ao pensamento rápido e intuitivo descrito por Daniel Kahneman, em oposição ao raciocínio lento que os modelos de conversa fazem ao escrever.

Atualização: três semanas depois, auditorias independentes mediram o modelo em dados públicos, e alguns números contrariam o anúncio. Estão em Jev, três semanas depois.

Por que existe

Boa parte do trabalho que se tenta delegar a um modelo de linguagem não é escrever, é decidir: classificar um chamado, dizer se uma mensagem é tentativa de golpe, escolher o próximo passo de um agente, dar uma nota de risco. Para esse tipo de tarefa, pedir um parágrafo de justificativa é caro e lento, e ainda obriga o programa a interpretar texto livre para descobrir a decisão.

A proposta do Jev é inversa: a decisão sai pronta para o código consumir, com um número de confiança ao lado. Segundo a TypeSafe, o treino usa um método próprio, o RLCD (Reinforcement Learning for Calibrated Decisions), que otimiza a calibração em vez da preferência humana: se o modelo diz 80% de chance, o objetivo é que ele acerte em cerca de 80% dos casos ao longo do tempo. Isso é diferente do RLHF, que é treinado para produzir a resposta que um humano prefere.

As três respostas possíveis

Toda pergunta feita ao modelo cai em um destes formatos, e nada mais:

tipo	o que devolve	exemplo de pergunta
escolha	uma opção entre as que você listou, com a probabilidade de cada uma	“esta mensagem é sobre pagamento, suporte, cancelamento ou vendas?”
nota	um valor dentro de uma escala que você define	“de 0 a 4, qual a urgência deste chamado?”
proposição	a probabilidade de uma afirmação ser verdadeira, entre 0 e 1	“este e-mail é uma tentativa de golpe?”

Não existe campo de texto livre na resposta. É isso que permite dizer que o formato não tem como sair errado: o conjunto de saídas já estava definido antes da chamada.

Como usar

O acesso é por API. O ponto de entrada documentado é uma chamada POST para https://api.typesafe.ai/v1/systemone, com o modelo jev-latest. O exemplo abaixo é ilustrativo, para mostrar a forma do pedido; confira o formato exato na documentação da TypeSafe antes de integrar.

bash

curl https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jev-latest",
    "state": "Cliente relata que o boleto de setembro veio com valor diferente do contrato e pede correção imediata.",
    "questions": [
      {"id": "assunto", "type": "choice", "options": ["cobranca", "suporte", "cancelamento", "vendas"]},
      {"id": "urgencia", "type": "score", "min": 0, "max": 4},
      {"id": "risco_de_cancelamento", "type": "proposition", "statement": "O cliente corre risco de cancelar nos próximos 30 dias"}
    ]
  }'

O programa que chamou recebe as decisões com as probabilidades e decide o que fazer. O modelo não escreve o e-mail de resposta nem o texto do ticket; isso continua sendo trabalho de um modelo de conversa, quando for necessário.

Onde ele encaixa bem

Triagem de atendimento. Classificar e priorizar a fila antes de qualquer redação. É o caso mais citado na documentação e nas análises publicadas.
Guarda-corpo de agente. Antes de um agente executar uma ação, perguntar se a ação é compatível com o pedido. Uma resposta booleana rápida é mais útil que um parágrafo de análise no caminho crítico.
Verificação de saída. Checar se o texto produzido por outro modelo cumpre uma condição (por exemplo, se cita o preço correto) e devolver aprovado ou reprovado.
Classificação em volume. Etiquetar linhas de uma base grande de textos, onde o custo por decisão decide se o projeto cabe no orçamento.
Moderação e filtros. Decidir o que passa, o que vai para revisão humana e o que é bloqueado.

Onde ele não encaixa

Gerar texto, explicar, resumir ou conversar. Não é o que ele faz.
Decisão que exige raciocínio longo e aberto, com passos e justificativa escrita.
Pergunta cujo conjunto de respostas não pode ser definido antes. Se a resposta possível não caber em uma lista, o Jev não é a ferramenta.

Comparação com um modelo de conversa

	Jev	modelo de conversa
saída	valor tipado, já utilizável pelo código	texto que precisa ser interpretado
latência publicada	70 a 500 ms	segundos por resposta de alguns parágrafos
cobrança	por token de entrada, saída sem cobrança	entrada e saída cobradas
formato	definido na chamada, sem variação	livre, sujeito a variação
ponto fraco	não escreve, não explica, depende da calibração	custo e latência por chamada, e a decisão precisa ser extraída do texto

Gráfico de barras comparando o tempo até a resposta utilizável: Jev entre 0,07 e 0,5 segundo; um modelo de conversa respondendo um parágrafo, na casa dos segundos

Gráfico com dois painéis: à esquerda, custo por decisão cerca de 440 vezes menor no Jev; à direita, acurácia medida de 68% contra 73%

Os números de latência e custo acima são os divulgados pela TypeSafe. A Arize publicou uma medição independente que coloca a acurácia do Jev em 68%, contra 73% de um modelo de fronteira da mesma geração, e destaca o custo como o ponto central: a diferença de acerto é pequena perto da diferença de preço por decisão.

Como eu avaliaria antes de adotar

Monte um conjunto de perguntas fechadas, com respostas corretas já conhecidas, tiradas do seu próprio histórico.
Meça acerto e calibração, não só acerto: se o modelo diz 0,9, quantas vezes acertou? Um modelo confiante e errado é pior que um incerto.
Compare o custo por decisão com o de um modelo de conversa no mesmo conjunto.
Verifique se a decisão está no caminho crítico do usuário. Se estiver, latência de milissegundos muda o desenho da aplicação; se não estiver, o ganho é só de custo.
Só depois escolha onde usar. Ferramenta nova não vira arquitetura no primeiro dia.

O ecossistema em volta

O lançamento veio com integração no AI Gateway da Vercel, que relatou uso de quase 13% dos times pagantes nas primeiras 24 horas. Em duas semanas apareceram projetos abertos que treinam modelos para o mesmo formato, como o OpenJev, e bibliotecas de medição de calibração, como o AnyJev. Também existe a crítica recorrente, de parte da área de aprendizado de máquina, de que a função do Jev se parece com a de classificadores e cross-encoders que já existiam; o que mudou foi o preço e a latência, não a ideia.

Vale acompanhar com ceticismo saudável: os números de velocidade e custo são da empresa que vende o modelo, e a adoção ainda é recente.