# almeida-system-one-models-jev-2026-09-15

## Veille

Anuncio de **Diogo Almeida**, fundador de **TypeSafe AI** (anteriormente en OpenAI, donde trabajó en métodos de entrenamiento de seguimiento de instrucciones), publicado el **15 de septiembre de 2026** en el blog de la empresa (~2.500 palabras). El texto presenta una nueva clase de modelos, **System One Models**, y su primer modelo, **Jev**, en acceso anticipado.

## Titre Article

Introducing System One Models & Jev

## Date

2026-09-15

## URL

https://typesafe.ai/blog/introducing-system-one-models-and-jev

## Keywords

System One, modelo de decisión, Jev, TypeSafe AI, RLCD, salida tipada, probabilidades calibradas, muestreo paralelo, function call, workflow, evaluación de workflow, alucinación, latencia, coste por llamada, Kahneman, Jevons, clasificación, automatización, Pareto

## Authors

Diogo Almeida — fondateur de TypeSafe AI, ancien chercheur chez OpenAI (billet du blog d'entreprise).

## Ton

Un anuncio de lanzamiento en primera persona, abiertamente entusiasta ("beyond excited"), pero construido sobre evidencias: una sección "Evidence" separa las afirmaciones verificables (velocidad, coste, ausencia de errores de tipo) de las más audaces, y cada demostración va seguida de un recuadro "Nuance" que enumera sus sesgos (consultas simplificadas, evaluaciones escritas por el propio equipo, una referencia favorable a OpenAI y Anthropic, cifras de OpenRouter). El humor de las demostraciones (Doom, Wikiracing) convive con una tabla comparativa seca entre los LLM y System One. El argumento central se plantea como una pregunta: "Los modelos llevan años siendo sobrehumanos en el chat, entonces ¿dónde está toda la automatización?"

## Pense-betes

- **Definición**: un System One Model produce **valores tipados** cuya estructura se fija de antemano; por lo tanto, no puede cometer un error de tipo. El nombre procede de la distinción de Kahneman (Sistema 1 rápido / Sistema 2 lento); "Jev" procede de William Stanley Jevons (cada caída en el coste de la inteligencia abre nuevos usos).
- **Comparación planteada con los LLM**: optimización vía RLHF/RLVR frente a RLCD; salida en cadena de caracteres frente a valores tipados con probabilidades; muestreo secuencial frente a paralelo; salida facturada a aproximadamente 5 veces la entrada frente a salida gratuita.
- **Casos de uso previstos**: "smart if-statements" (clasificar, enrutar, puntuar, extraer, ramificar), procesamiento de gran volumen, aplicaciones en tiempo real, verificación (guardarrailes, detección de jailbreak en salidas de LLM). Excluidos: conversación, agentes de codificación, demostraciones (proofs).
- **Evaluación de workflow**: un grafo de cálculo asumido correcto, probabilidades de referencia extraídas de los modelos más grandes (media de GPT-6 Astra y Fable 5.1), el mismo workflow para todos. Jev ocupa la frontera de Pareto a lo largo de casi dos órdenes de magnitud; cuatro workflows publicados.
- **Advertencia planteada en el artículo**: la ausencia de errores de tipo está garantizada por construcción (un "0%" no empírico); la sostenibilidad de los precios no puede demostrarse en esta etapa.
- **Demos**: un agente jugando a Doom (unas 10 solicitudes por segundo, ~7 $/hora) sobre estado estructurado, no sobre imágenes; Wikiracing, con un sistema en dos etapas más allá de 255 opciones.

## RésuméDe400mots

**Diogo Almeida**, fundador de **TypeSafe AI**, anuncia el **15 de septiembre de 2026** el primer **System One Model**, llamado **Jev**, disponible en acceso anticipado. Su pregunta de partida: dado que los modelos llevan años siendo sobrehumanos en la conversación, ¿dónde está la automatización? Su diagnóstico es que los LLM, optimizados para la preferencia humana (RLHF) o para recompensas verificables (RLVR), producen cadenas de caracteres; para que el software los utilice, deben ser analizados sintácticamente (parsed) y validados, con el riesgo constante de que salgan del formato esperado.

TypeSafe propone una pila íntegramente orientada a la automatización: una nueva arquitectura de modelo, un muestreador paralelo y un método de entrenamiento, **RLCD** (aprendizaje por refuerzo para decisiones calibradas), que optimiza respuestas acompañadas de probabilidades honestas. Jev toma como entrada datos no estructurados, preferentemente un estado de programa, y devuelve valores **tipados**, cuya forma se define de antemano, con probabilidades y puntuaciones de confianza. Renuncia a la generación de texto, lo que, según el autor, le impide alucinar o cometer errores de tipo. Se describe como una llamada de función (function call) de inteligencia de frontera.

Las cifras anunciadas: entrada a 0,042 $ por millón de tokens, salida gratuita, latencia de 70 a 500 ms frente a 3 a 329 segundos para los modelos de frontera, un factor de 40 a 200 en consultas de tipo System One. El muestreo es paralelo: todas las salidas se producen en una sola solicitud.

El artículo separa las afirmaciones verificables (velocidad, coste, ausencia de errores de tipo) de las más audaces. Presenta una comparación directa (side-by-side) con GPT-5.6 Terra, cuyo único desacuerdo se refiere a un nivel de riesgo de partida considerado genuinamente ambiguo, seguida de **evaluaciones de flujo de trabajo (workflow)**: se asume un grafo de cálculo correcto, y las probabilidades de cada modelo se comparan con la media de GPT-6 Astra y Fable 5.1. Jev domina la frontera de Pareto a lo largo de casi dos órdenes de magnitud; la página de inicio de la empresa cita **193,6 veces más rápido y 444,6 veces más barato**, cifra que el autor sitúa en el extremo alto de las ganancias reales. Cada demostración va seguida de advertencias (caveats): cifras de los LLM procedentes de OpenRouter, workflows escritos por el propio equipo, una referencia favorable a los modelos de OpenAI y de Anthropic.

Casos de uso: decisiones difusas integradas en el código (clasificar, enrutar, puntuar, extraer), procesamiento de datos a gran volumen, aplicaciones en tiempo real, verificación de salidas de LLM. Dos demostraciones, Doom y Wikiracing, ilustran la velocidad y la ausencia de alucinación en elecciones de alta cardinalidad (hasta 255 opciones).

El nombre remite a Kahneman (Sistema 1) y a Jevons: cada caída de orden de magnitud en el coste de la inteligencia abriría otros tantos usos nuevos. TypeSafe abre el acceso anticipado y pregunta a los desarrolladores qué decisiones quieren automatizar.

## GrapheDeConnaissance

- Diogo Almeida —travaille_chez→ TypeSafe AI (ORGANISATION, 0.96)
- Diogo Almeida —publie→ article Introducing System One Models & Jev (DOCUMENT, 0.97)
- TypeSafe AI —publie→ Jev (TECHNOLOGIE, 0.98)
- Jev —est_instance_de→ System One Models (CONCEPT, 0.97)
- System One Models —s_inspire_de→ Thinking, Fast and Slow (DOCUMENT, 0.9)
- Jev —utilise→ RLCD (METHODOLOGIE, 0.97)
- Jev —utilise→ échantillonnage parallèle (CONCEPT, 0.95)
- Jev —résout→ hallucination (CONCEPT, 0.85)
- Jev —permet→ décisions typées à probabilités calibrées (CONCEPT, 0.95)
- Jev —surpasse→ LLM de frontière (TECHNOLOGIE, 0.8)
- Jev —mesure→ 193,6× plus rapide et 444,6× moins cher sur les évaluations de workflow (MESURE, 0.9)
- Jev —mesure→ latence de 70 à 500 ms, 0,042 $/MTok en entrée (MESURE, 0.93)
- évaluation de workflow —est_basé_sur→ moyenne de GPT-6 Astra et Fable 5.1 (AFFIRMATION, 0.88)
- Jev —s_applique_à→ smart if-statements (CONCEPT, 0.92)
- Jev —concurrence→ LLM de frontière (TECHNOLOGIE, 0.8)

---
Canonical: https://www.thekb.eu/es/fiches/almeida-system-one-models-jev-2026-09-15/