Jev

Diogo Almeida, fundador de TypeSafe AI, anunció Jev el 15 de septiembre de 2026 como el primer System One Model: solo texto, contexto de 32k, y construido no para generar texto. Toma una entrada no estructurada, preferiblemente un estado de programa, y devuelve valores tipados cuya forma está fijada de antemano, con probabilidades y puntuaciones de confianza. Almeida sostiene que renunciar a la generación es lo que descarta la alucinación y los errores de tipo. El entrenamiento es RLCD, reinforcement learning for calibrated decisions, y un muestreador paralelo devuelve cada salida en una sola solicitud. Cifras publicadas: $0.042 por millón de tokens de entrada, salida gratuita, latencia de 70 a 500 ms frente a 3 a 329 segundos para los LLM de frontera. La cifra de 193.6× más rápido, 444.6× más barato proviene de las propias evaluaciones de flujos de trabajo de TypeSafe, y Almeida la sitúa en el extremo alto de las ganancias reales.

Assaf Elovic convirtió a Jev en el filtro de contexto por defecto de GPT Researcher, puntuando cada fragmento de 1.000 caracteres de 0 a 3 y conservando los que alcanzan 1.5 o más: 73% de pasajes relevantes frente a 46% con embeddings, 15 victorias, 10 empates y 3 derrotas en 28 tareas, al mismo costo. La lectura de Elovic es que el umbral importa más que la clasificación, ya que Jev sin umbral cae al 50%.

Michelle Chen, Alex Reneau y Kevin Flansburg, de Cloudflare, citan el revuelo en torno a Jev como punto de partida de Clef, al que hicieron compatible con su API, con contexto de 64k y un codificador de visión. Clef gana tres de las cuatro evaluaciones de flujos de trabajo de TypeSafe y la comparación de latencia mediana (209.3 ms frente a 524.1 ms), mientras que Jev o una variante se mantiene por delante en When2Call, BRIGHT y PhishNChips.