TypeSafe AI lanza Jev, un modelo de decisiones calibradas que sustituye a los LLM en automatización
Jev, el nuevo modelo de TypeSafe AI, genera probabilidades en vez de texto, reduciendo costos y eliminando alucinaciones en flujos de trabajo automatizados.
TypeSafe AI, la startup fundada por Diogo Almeida, ex‑investigador de OpenAI, ha puesto en producción Jev, un modelo transformer que no genera texto sino decisiones calibradas en forma de probabilidades. Almeida, quien co‑inventó el método de reinforcement learning from human feedback (RLHF), criticó que los LLM se optimizan para el lenguaje humano, lo que resulta poco útil para la automatización de sistemas que hablan un “idioma” distinto.
Jev elimina la salida de tokens de texto, lo que lo hace mucho más barato y rápido: los tokens de entrada se facturan por mil millones en lugar de por millón y los tokens de salida son gratuitos. Al no producir texto, el modelo no puede alucinar y entrega un confidence score que permite a los desarrolladores decidir si actuar o descartar la respuesta.
Los primeros usuarios ya reportan mejoras significativas. En Vercel, el modelo sustituyó a OpenAI Luna 5.6 en un clasificador de comandos, logrando una velocidad de 5‑18× y mayor precisión. En Bryo AI, el CTO Nikhil Mudholkar encontró que Jev era 10‑20 veces más barato que Gemini, aunque ligeramente menos preciso, y destacó la utilidad de sus puntuaciones de probabilidad para automatizar flujos de trabajo.
Además de reemplazar LLM en casos concretos, Jev puede actuar como guardia de otros modelos, detectando comportamientos inesperados o intentos de jailbreak sin incurrir en los costes habituales de los agentes que monitorean agentes. Armin Ronacher, CTO de Earendil, explicó que el modelo permite decidir en tiempo real si una salida con 95 % de probabilidad es aceptable, mientras que una con 50 % se ignora.
El nombre del modelo rinde homenaje a William Stanley Jevons, cuyo “paradoja de Jevons” describe cómo la caída de costos lleva a un mayor consumo. Almeida espera que la reducción de precios de la inteligencia genere una proliferación de software inteligente comparable al crecimiento temprano de internet, más que a los mega‑apps actuales.
Aunque mantiene en reserva los detalles de la arquitectura, se sospecha que Jev se basa en un LLM de peso abierto entrenado exclusivamente con datos sintéticos mediante reinforcement learning from calibrated decisions. Almeida asegura que este enfoque ha sido la mejor decisión estratégica de su carrera, superando incluso al RLHF.
El futuro parece abierto: TypeSafe planea lanzar versiones en otras modalidades y los competidores podrían seguir su pista. Mientras tanto, los equipos de desarrollo que necesiten decisiones rápidas y económicas ya tienen una alternativa viable a los tradicionales LLM.
