TypeSafe lança o Jev, alegando ser uma alternativa mais rápida e barata aos LLMs para a automação de IA

Resumo

A TypeSafe AI lançou o Jev, um modelo em acesso antecipado que devolve decisões estruturadas com probabilidades em vez de texto livre. A empresa diz que o Jev responde em 70 a 500 milissegundos e, nas suas próprias avaliações de fluxos de trabalho, foi 193,6 vezes mais rápido e 444,6 vezes mais barato do que os modelos de linguagem com que foi comparado. Essas avaliações foram desenhadas pela TypeSafe e não foram reproduzidas de forma independente — um segundo veículo que analisou o lançamento chegou à mesma conclusão. Num teste separado, feito pela empresa de mídia Every, o Jev foi cerca de 25 vezes mais rápido do que o Fable 5.1 e, segundo estimativa, cerca de 580 vezes mais barato, além de ter encontrado seis dos sete problemas de escrita plantados deliberadamente; o Fable encontrou os sete. A investidora DCVC afirma ter liderado uma rodada seed de US$ 40 milhões na empresa.

O que aconteceu

A TypeSafe anunciou o Jev em 15 de setembro de 2026. O fundador Diogo Almeida, que trabalhou anteriormente na OpenAI e é coautor do artigo de 2022 sobre o InstructGPT, sobre treinar modelos de linguagem com feedback humano, disse que a empresa passou dois anos em modo furtivo. O Jev está disponível em acesso antecipado. No mesmo dia, a DCVC anunciou ter liderado uma rodada seed de US$ 40 milhões na TypeSafe, sediada em São Francisco.

A TypeSafe chama o Jev de seu primeiro “System One Model”, nome tirado da distinção de Daniel Kahneman entre pensamento rápido e intuitivo e pensamento lento e deliberado. Modelos de chat como o ChatGPT escrevem as respostas um token de cada vez. O Jev não escreve texto: os desenvolvedores definem de antemão as respostas possíveis, e o Jev devolve escolhas, pontuações e probabilidades nesse formato.

Por exemplo, uma aplicação poderia passar ao Jev a mensagem de um cliente e pedir a probabilidade de ela dizer respeito a cobrança, suporte técnico ou outra categoria predefinida, e então rotear a mensagem com base no resultado.

Segundo a TypeSafe, o Jev combina uma nova arquitetura de modelo, um amostrador que produz todas as saídas num único passo paralelo, e um método de treino que a empresa chama de Reinforcement Learning for Calibrated Decisions (RLCD). A empresa diz que cria internamente todos os seus dados de treino e que não treina com dados de clientes. Também diz que o Jev não é um modelo de linguagem.

O Jev consegue escolher entre no máximo 255 opções numa única decisão. Para conjuntos maiores, a TypeSafe usa um processo em dois estágios que primeiro pontua as opções e depois seleciona uma, o que a empresa diz poder deixar as respostas mais lentas.

Preço e velocidade. A TypeSafe cobra US$ 0,042 por milhão de tokens de entrada e, no momento, não cobra pela saída. A empresa lista tempos de resposta ponta a ponta de 70 a 500 milissegundos e afirma que isso torna o Jev de 40 a 200 vezes mais rápido do que modelos de linguagem de ponta nos tipos de tarefa estruturada para os quais foi construído. A empresa diz que suas medições de latência são feitas, em geral, a partir de laptops na costa oeste dos EUA, onde roda o serviço, e que ainda não consegue provar que os preços não são subsidiados.

As avaliações da própria TypeSafe. Os números de 193,6 vezes em velocidade e 444,6 vezes em custo vêm de quatro fluxos de trabalho que a TypeSafe construiu para testar modelos dentro de pipelines de software. A empresa publicou os fluxos de trabalho, as consultas completas, exemplos e os casos em que os modelos discordaram.

Essas avaliações não conferem as respostas contra respostas corretas verificadas de forma independente. Em vez disso, a TypeSafe trata a média das previsões de dois modelos grandes, o GPT-6 Astra e o Fable 5.1, como referência, e mede o quão próximos os outros modelos ficam dela. A TypeSafe acrescenta várias ressalvas aos resultados:

• Os ganhos provavelmente estão na ponta mais alta do que os usuários veriam na prática.
• Os fluxos de trabalho foram escritos pela própria equipe de capacidades de modelo da TypeSafe, então é possível haver viés.
• Os modelos concorrentes rodaram através de um wrapper da TypeSafe que os faz devolver decisões com probabilidades, o que, segundo a empresa, tende a torná-los mais lentos e mais caros.
• Usar o Astra e o Fable como referência favorece os modelos da OpenAI e da Anthropic; a TypeSafe diz que isso provavelmente subestima o desempenho do Jev e dos modelos da DeepSeek.

A TypeSafe diz que não vai publicar resultados em benchmarks públicos e incentiva os usuários a construírem suas próprias avaliações.

A alegação sobre alucinação. A TypeSafe diz que o Jev “não consegue alucinar”. A garantia que a empresa documenta é mais restrita: o Jev não consegue devolver um valor fora da estrutura definida pelo desenvolvedor. A TypeSafe diz que seu número de 0% para essa propriedade não é uma medição, mas decorre diretamente desse desenho. Os números de comparação que a empresa mostra para modelos de linguagem vêm do serviço de roteamento OpenRouter, que a própria empresa reconhece poder ser enviesado.

Uma resposta válida não é necessariamente uma resposta correta. Um modelo instruído a rotular uma transação como fraude ou não fraude sempre devolverá um desses dois rótulos, mas ainda assim pode escolher o errado.

Testes externos. Mike Taylor, head de avaliações na Every, relatou ter rodado 1.709 julgamentos do Jev em 11 experimentos. Em um deles, o Jev devolveu 777 julgamentos sobre 37 documentos em menos de 0,7 segundo.

Dan Shipper, CEO da Every, comparou o Jev com o Fable 5.1 em passagens sintéticas contendo sete problemas de escrita introduzidos deliberadamente. O Jev levou uma mediana de 0,35 segundo por passagem, contra 8,83 segundos do Fable, o que torna o Jev cerca de 25 vezes mais rápido nesse teste. A Every estimou o custo do Jev em cerca de 580 vezes menor. O Jev encontrou seis dos sete problemas. O Fable encontrou os sete.

O teste da Every usou tarefas diferentes das avaliações da TypeSafe e não as reproduz.

O que isto significa (e o que não significa)

O Jev oferece aos desenvolvedores um tipo diferente de interface. Em vez de receber texto que o software precisa depois analisar e conferir, eles recebem valores e probabilidades num formato fixado de antemão. Isso se encaixa em tarefas como classificar, rotear, pontuar e extrair informação, nas quais não é preciso uma resposta escrita. Não foi desenhado para chat, escrita ou programação.

Os números de velocidade e custo se aplicam a testes específicos. Os números de 193,6 vezes e 444,6 vezes descrevem os fluxos de trabalho e a configuração de comparação da TypeSafe. Os números da Every descrevem uma única tarefa de checagem de escrita. Nenhum dos dois estabelece uma vantagem geral em tarefas de IA, e, no teste da Every, o modelo mais rápido e mais barato também foi o menos minucioso.

O desenho elimina saídas malformadas. Não elimina decisões erradas.

O que ainda não sabemos

Reprodução independente. Nenhuma fonte analisada refez as avaliações de fluxos de trabalho da TypeSafe com o mesmo método. Precisão e calibração. A TypeSafe diz que as probabilidades do Jev são calibradas, ou seja, confiança mais alta anda junto com precisão mais alta. Ainda não há evidência independente sobre como a precisão e a calibração do Jev se comparam às de grandes modelos de linguagem num conjunto amplo de tarefas reais com respostas verificadas; o resultado de seis em sete da Every cobre uma única tarefa. Desempenho em escala. Os números de latência publicados não mostram como o Jev se comporta sob carga de produção sustentada ou a partir de outras regiões. Preço a longo prazo. A TypeSafe diz que ainda não consegue mostrar que o preço atual não é subsidiado. Uso em produção. As fontes analisadas não citam nenhum cliente rodando o Jev em grande escala. Avaliação (valuation). O número de US$ 40 milhões e o papel de liderança da DCVC vêm do próprio anúncio da DCVC e da TypeSafe. O valuation não foi divulgado.