A 15 de setembro de 2026, a TypeSafe AI lançou o Jev em acesso antecipado junto com uma ronda semente de 40 milhões de dólares liderada pela DCVC. Em menos de duas semanas, o modelo tornou-se numa das conversas mais frequentes entre equipas de engenharia que trabalham com IA em produção.
A razão não é que Jev seja um LLM melhor. É que não é um LLM.
O que é Jev
Jev é o que a TypeSafe AI chama de modelo “System One”: um modelo transformer de aproximadamente 40B parâmetros, treinado exclusivamente com dados sintéticos mediante RLCD (Reinforcement Learning for Calibrated Decisions), que devolve valores tipados com probabilidades calibradas em vez de texto livre.
Na prática, isto significa que Jev não escreve parágrafos. Classifica, pontua e decide.
Passa-se um estado (os dados a analisar) e uma ou várias perguntas com formato definido, e devolve:
- Respostas binárias: sim/não com probabilidade (ex: “Este email é spam?” → sim, 0.94)
- Pontuações em escala contínua: 0.0 a 10.0 (ex: “Quanto risco tem este contrato?” → 7.3)
- Classificações discretas: entre as opções que define (ex: “Este ticket é de faturação, suporte técnico ou logística?” → faturação, 0.87)
Porque não alucina
Um LLM gera tokens de texto um a um, escolhendo a próxima palavra mais provável. Nesse processo pode inventar dados, citar fontes inexistentes ou misturar factos de forma incorreta. Jev não gera texto: devolve valores dentro de um esquema que se define.
Se pedir que classifique entre “urgente”, “normal” e “baixa prioridade”, a resposta é uma dessas três opções com a sua probabilidade. Não há espaço para inventar uma quarta categoria.
Em testes de classificação de texto em zero-shot, atingiu 97,1% de precisão face a 97,6% de um modelo BERT fine-tuned para essa tarefa concreta.
Números: velocidade e custo
| Métrica | Jev | LLM típico (Sonnet/GPT-6 Sol) |
|---|---|---|
| Latência por consulta | 70-500 ms | Segundos |
| Custo por 1M tokens input | 0,042 USD | 2-4 USD |
| Custo de output | Gratuito | 10-20 USD/M tokens |
| Processamento de 3.000 textos | ~1 min, ~0,20 USD | Minutos, vários USD |
Quando usar Jev (e quando não)
Casos onde Jev encaixa
- Routing de tickets de suporte: Classificar cada ticket por categoria + urgência
- Scoring de leads: Pontuar cada lead de 0 a 10 com base nos dados do CRM
- Deteção de spam/fraude: Decisão binária rápida por transação ou mensagem
- Extração de sentimento: Classificar avaliações e comentários em categorias predefinidas
- Triagem de documentos: Este contrato precisa de revisão legal?
Casos onde Jev não encaixa
- Gerar texto (emails, relatórios, propostas)
- Resumir documentos longos
- Manter conversas com clientes
- Raciocínio multi-passo complexo
Arquitetura mista: Jev + LLM
A combinação mais eficiente para um pipeline de produção:
- Jev classifica o input (tipo de consulta, urgência, idioma, intenção)
- Um LLM gera a resposta adequada segundo a classificação
- Jev avalia a qualidade da resposta (scoring de coerência, relevância)
Este padrão reduz o custo total porque os passos de classificação e avaliação (os mais frequentes) usam o modelo mais barato, e a geração de texto (mais cara) só se executa quando necessária.
Limitações atuais
- Só API: Os pesos do modelo não estão disponíveis
- Sem raciocínio complexo: Por design, Jev não raciocina em cadeia
- Acesso limitado: Em outubro 2026, o modelo está em early access
- Sem historial longo: A TypeSafe AI foi fundada em 2024
O que significa para as empresas
Jev não substitui Claude, GPT-6 ou Gemini. Cobre uma parte do pipeline que os LLM fazem com excesso de capacidade e custo: as decisões estruturadas.
Se a sua empresa processa milhares de inputs por dia que requerem classificação, scoring ou routing, a diferença entre 0,042 USD e 2-4 USD por milhão de tokens é significativa.
Se quer avaliar se Jev encaixa no seu pipeline atual ou desenhar uma arquitetura mista, a nossa equipa de agentes de IA trabalha com todos os modelos do mercado.
Solicite uma consultoria gratuita e analisamos o seu caso.