A TypeSafe AI apresentou na semana passada o Jev, seu primeiro exemplo de uma nova categoria de modelo batizada pela empresa de System One models. Parte da comunidade já prefere chamar essa categoria de decision models, ou modelos de decisão.
A proposta é uma variação incomum do formato LLM: o sistema continua recebendo texto na entrada, mas devolve números de ponto flutuante em vez de texto. Esses números vêm ligados a categorias, perguntas de sim ou não, notas e escores de confiança.
Simon Willison analisou o caso em 21 de setembro de 2026 e reuniu detalhes da API, preços e as primeiras experiências da comunidade.
Uma chamada de função para decisões
Na descrição da TypeSafe AI, o Jev funciona como uma chamada de função de inteligência de fronteira. Estado não estruturado entra, decisões probabilísticas tipadas saem.
O desenvolvedor monta um objeto de estado com uma string, um array de strings ou um conjunto de pares nome-valor. Esse objeto pode descrever um artigo, um cliente ou qualquer outro tipo de registro.
Ele é enviado à API acompanhado de uma ou mais perguntas.
Cada pergunta recebe uma resposta própria, e todas são avaliadas em paralelo. Enviar muitas questões tende a levar o mesmo tempo que enviar apenas uma, desde que caibam na janela de contexto.
Willison avalia que o enquadramento como modelo de decisão ajuda a entender quando usar a ferramenta. Ela é útil em tarefas que podem ser expressas como classificação, como detecção de spam, sugestão de rótulos, priorização e ranking.
Ele também testou o Jev para reordenar resultados de busca. Recuperou 100 candidatos prováveis com um algoritmo barato como o BM25 e pediu ao modelo que atribuísse notas de relevância a cada um deles diante da consulta original.
Noul, escolhas e notas: como perguntar
A API aceita três formatos de consulta. As perguntas de sim ou não, chamadas pela empresa de Noul, devolvem um número entre 0 e 1 que indica a confiança do modelo de que a afirmação seja verdadeira.
O CEO da TypeSafe confirmou no Hacker News que o nome é uma referência à distribuição de Bernoulli.
As perguntas de escolha fazem o modelo selecionar uma alternativa dentro de um conjunto fornecido. Elas retornam um escore de confiança somado a uma distribuição de probabilidade sobre todas as opções.
Já as perguntas de nota recebem uma sequência de níveis numéricos com descrições e devolvem um valor de ponto flutuante situado em algum ponto dessa faixa. Com isso, o mesmo documento pode ser submetido a dezenas ou centenas de perguntas diferentes em uma única chamada, sem que o custo de saída entre na conta.
Preço baixo e aposta na eficiência
O Jev cobra apenas pela entrada: a saída é gratuita. O preço do primeiro modelo é de US$ 0,042 por milhão de tokens de entrada, abaixo dos US$ 0,05 por milhão cobrados pelo GPT-5 Nano, da OpenAI, segundo o comparador de preços citado por Willison.
Modelos de linguagem convencionais costumam cobrar bem mais pelos tokens gerados do que pelos tokens lidos. O desenho econômico do Jev muda a matemática de quem precisa rodar muitas classificações sobre grandes volumes de texto.
O próprio autor observa que experimentos estruturados, com centenas ou até milhares de prompts de teste, custam apenas alguns centavos. Isso torna a avaliação sistemática uma prática viável, e não um luxo.
Caixa-preta e o risco de viés
Willison relata desconforto com o fato de o Jev representar um passo adicional na direção de sistemas de aprendizado de máquina do tipo caixa-preta. LLMs já são opacos, mas ao menos permitem pedir justificativas, ainda que sem garantia de que sejam úteis ou precisas.
O Jev não oferece nem isso: entra texto, sai um número.
Se ele marca um conteúdo como spam, não há como saber quais sinais pesaram na decisão. Para o autor, isso coloca as preocupações com viés no centro da discussão.
Ele espera que ninguém use o modelo para ranquear candidatos a vagas de emprego, já que o número final pode esconder vieses embutidos de forma difícil de isolar experimentalmente.
Um teste citado por ele pediu ao Jev que avaliasse, com uma pergunta de sim ou não, se cada cidade da região da Baía de São Francisco era uma boa cidade. Cupertino ficou no topo e East Palo Alto na última posição, resultado que o autor comenta com estranheza.
A conclusão prática é que avaliações e experimentos controlados se tornam ainda mais importantes do que em projetos comuns de LLM.
Usos inusitados que surgiram na comunidade
Nos dias seguintes ao anúncio, apareceram projetos que exploram o Jev de formas pouco convencionais. O jevchat, de Kyle Pena, transforma o modelo em um chat, segundo o autor, nada bom.
Ele pergunta a cada passo qual símbolo deve vir em seguida, dado o histórico da conversa. Um comentarista no Hacker News comparou a experiência ao equivalente digital de um personagem falando guiado por um cristal da morte.
Já o jev-leftpad, de Fatih Kadir Akın, reimplementa a biblioteca left-pad usando a pergunta de quantos espaços são necessários antes de um valor para atingir o comprimento desejado. A pergunta de escolha vai de zero a dez espaços.
Há ainda o jev-2048, de Andy Gayton, que usa o modelo para jogar o quebra-cabeça deslizante 2048.
Para Willison, o conjunto mostra que modelos de decisão podem virar peças de infraestrutura: baratos, rápidos e especializados em responder perguntas objetivas sobre dados que o LLM tradicional teria dificuldade de transformar em saída estruturada confiável.
Fontes e links
- Simon Willison — matéria original que inspirou esta reportagem.
- TypeSafe AI, anúncio oficial do Jev e dos modelos System One.
- jevchat, experimento de Kyle Pena que usa o Jev como modelo de chat.
- jev-leftpad, implementação do left-pad com perguntas de escolha, por Fatih Kadir Akın.
