De qué va
TypeSafe AI, un laboratorio que nació de la pregunta "si los modelos son sobrehumanos chateando, ¿dónde está toda la automatización?", publicó su primer System One Model: Jev. No es un chatbot más: es un modelo que recibe estado estructurado y devuelve decisiones tipadas con probabilidades calibradas.
El post de lanzamiento, escrito por Diogo Almeida (fundador de TypeSafe y ex OpenAI, donde trabajó en la investigación que terminó detrás de ChatGPT), condensa dos años de trabajo en stealth y una apuesta completa: arquitectura de modelo nueva, sampler paralelo y un método de entrenamiento llamado RLCD. "Estado no estructurado adentro, decisiones probabilísticas tipadas afuera": Jev se piensa como una frontier-intelligence function call, más parecida a una función de código que a un asistente.
La idea central
Los LLM modernos optimizan preferencias humanas (RLHF) o resultados verificables (RLVR). Son flexibles pero frágiles: generan strings que hay que parsear y validar, pueden alucinar y tienen riesgo de descarrilarse. Jev hace otra cosa: como las salidas posibles están definidas de antemano, nunca comete errores de tipo y directamente no puede alucinar. Cada respuesta viene con su probabilidad de confianza calibrada, para que el software decida cuándo actuar solo y cuándo escalar a un humano.
Jev vs. los LLM clásicos, lado a lado
La diferencia de fondo aparece en todas las dimensiones:
- Entrenamiento: los LLM usan RLHF/RLVR, que optimizan lo que prefieren los humanos o lo que se puede verificar programáticamente. Jev usa RLCD (Reinforcement Learning for Calibrated Decisions): optimiza decisiones con probabilidades honestas desde el punto de vista epistémico.
- Entrada: los LLM priorizan mensajes secuenciales; Jev prioriza estado estructurado de programa.
- Salida: los LLM producen texto, que después hay que parsear y validar (y siempre existe el riesgo de que se descarrilen). Jev produce valores tipados definidos de antemano: no puede equivocarse de tipo, y apoya cada valor con su probabilidad.
- Muestreo: los LLM generan de a un token, cada uno condicionado al anterior. Jev genera todas las salidas en una sola pasada paralela, por eso es tan rápido.
- Precio: los LLM cobran entre US$0,20 y US$10 por millón de tokens de entrada, y los de salida valen unas 5 veces más. Jev cobra US$42 por mil millones de tokens de entrada (238x menos que Claude Fable 5.1) y los de salida directamente no se miden.
- Velocidad: de 3 a 329 segundos end-to-end en los modelos de frontera, contra 70 a 500 ms de Jev: entre 40x y 200x según la cantidad de preguntas.
- Confianza: un LLM al que le pedís confianza tiende a la sobreconfianza y a ser inconsistente; Jev siempre comunica cuánto confía, y "más confianza" se traduce en "más probablemente correcto".
Los casos de uso que se abren
Con salida tipada ganás cosas que los strings no dan:
- Workflows con IA / smart if-statements: clasificar, rutear, puntuar, extraer o ramificar donde la lógica a mano es demasiado frágil. El código alrededor limita la libertad del modelo y eso hace los sistemas más confiables.
- Map-reduce sobre datos enormes: convertir petabytes en features e insights.
- Tiempo real: con latencias de 100 ms, la IA entra en aplicaciones donde la UX no perdona.
- Verificar todo: usarlo para puntuar, juzgar, validar, guiar o detectar jailbreaks de prompts y respuestas de otros modelos.
Las cifras
En los workflow evals que publican, Jev aparece en la frontera costo-inteligencia casi dos órdenes de magnitud mejor que los LLM comparados: 193,6x más rápido y 444,6x más barato.
Con su descargo de por medio: esos números vienen de evals pensados para tareas System One, el caso fuerte de Jev, así que son el extremo alto de la mejora real. La referencia se calcula contra el promedio de GPT-6 Astra y Fable 5.1, lo que sesga hacia OpenAI y Anthropic — y probablemente subestima a Jev frente a modelos como los de DeepSeek.
La evidencia: side-by-side y workflow evals
TypeSafe sabe que las afirmaciones grandes piden evidencia grande, así que publican dos cosas:
- El side-by-side: una misma query — un estado de empresa en texto denso — con las mismas preguntas tipadas para Jev y para GPT-5.6 Terra. Jev devuelve todas las probabilidades en paralelo, en una sola pasada; el LLM las va generando de a token. El único desacuerdo fue "Churn likelihood level", y hasta eso les resulta genuinamente ambiguo.
- Los workflow evals (en evals.typesafe.ai): una forma nueva de medir si una IA sirve dentro de código. Asumen que existe un grafo de cómputo correcto escrito como workflow y usan como referencia las predicciones de los modelos más grandes, caros y cuidados. Cada modelo recibe el mismo workflow; Jev queda fuera de serie casi dos órdenes de magnitud en la frontera de Pareto. Detalle interesante: los LLM que intentan hacer toda la lógica en el chain-of-thought rinden bastante peor que usando la estructura del workflow. Para comparar en igualdad de condiciones usan la System One LLM wrapper de GitHub, que obliga a los LLM a devolver decisiones estructuradas compatibles con la API.
Alucinaciones y type-safety
Una cosa es un tool call alucinado en un agente (molesto); otra, escondido a varias capas de profundidad en un pipeline con garantías de latencia (ruptura total). Los autores presentan la relación entre alucinación y tipos como intrínseca: si el esquema de salida se define de antemano y se garantiza, la alucinación estructural desaparece. Los números de alucinaciones de los LLM vienen de OpenRouter, con el sesgo de que las queries más complejas se mandan a los mejores modelos; el 0 % de Jev no es empírico sino que el matching de esquema está garantizado: equivocarse de tipo es matemáticamente imposible.
Los demos: Doom y Wikiracing
- Doom: un bot juega en tiempo real con la representación del estado del juego como estructura de datos con texto (todavía no imágenes). Son unas 10 queries por segundo, unos US$7 por hora, y la gracia es verla tomar decisiones reactivas siguiendo instrucciones.
- Wikiracing: el clásico — empezar en una página de Wikipedia y llegar a otra usando solo links, eligiendo entre cientos o miles de links por paso. Es un campo perfecto para medir inteligencia por segundo y para mostrar que no alucinar con opciones de alta cardinalidad compone: Jev llega en menos pasos, un indicio de mayor inteligencia. Soporta hasta cardinalidad 255; por encima usa un sistema de dos etapas que puntúa y después elige, por eso a veces se nota una pequeña demora.
De dónde salen los nombres
Los nombres no son al azar y enganchan con la filosofía:
- System One Models viene de Thinking, Fast and Slow, de Daniel Kahneman: el pensamiento rápido e intuitivo (Sistema 1) contra el lento y deliberado (Sistema 2). El "Sistema 1" humano tiene fama de equivocarse; ellos creen que su versión de modelos rápidos puede volverse más confiable que la alternativa.
- Jev se llama así por William Stanley Jevons, el economista que estudió el carbón y la máquina de vapor: cada vez que la eficiencia bajó el costo de la energía, la demanda se disparó. La apuesta es que lo mismo pase con la inteligencia: cada orden de magnitud más barata desbloquea órdenes de magnitud de casos de uso nuevos.
Por qué es importante
Es otra señal de que la agenda de la IA no es solo "modelos mejores para conversar": la batalla grande está en hacer que las máquinas tomen decisiones confiables dentro de sistemas. Si la latencia se mantiene en milisegundos y los precios siguen bajando como prometen, el "smart if-statement" deja de ser una anécdota y se vuelve infraestructura.
Siguiente paso
Jev está en early access (waitlist desde el sitio). El post original cierra con un FAQ que responde las preguntas incómodas: ¿es Jev un LLM más chico?, ¿cómo es posible que sea tan barato?, ¿en qué flaquea? Si te copa el tema, anotate y contale al equipo qué decisiones querés automatizar.