API de Jev: qué es el modelo System One de TypeSafe, cuánto cuesta y cuándo usarlo

Qué es realmente Jev

TypeSafe presentó Jev el 15 de septiembre de 2026 como el primer "modelo System One". El enfoque proviene de Pensar rápido, pensar despacio de Kahneman: los LLM actuales se comportan como un sistema de razonamiento deliberativo, y TypeSafe está construyendo la mitad rápida e intuitiva — salvo que "intuición" aquí significa una distribución de probabilidad calibrada sobre las respuestas, no una corazonada convertida en texto.

El nombre es una referencia a Jevons, y la propuesta es que una primitiva de decisión rápida y de bajo coste se invoca mucho más a menudo que una cara.

Las diferencias mecánicas respecto a un LLM son lo que importa para la ingeniería:

• La salida está tipada. Declaras la forma de la respuesta de antemano — un Choice sobre opciones enumerables, un Score sobre niveles descriptivos, o un Noul (sí/no) con una probabilidad. No hay texto de forma libre que analizar, y coincidir con el esquema es una propiedad de la arquitectura en lugar de algo con lo que esperas que el modelo cumpla.
• Obtienes probabilidades, no solo una elección. Un Choice devuelve la opción seleccionada más una probabilidad para cada opción y un valor confidence independiente. Eso es lo que te permite enrutar según la incertidumbre: actuar por encima de un umbral, recurrir a un modelo más grande por debajo de él.
• Las preguntas se ejecutan en paralelo. Jev ingiere el estado una vez y evalúa cada pregunta de la solicitud contra él al mismo tiempo. Hacer treinta preguntas en lugar de una añade muy poco tiempo de reloj, que es lo que hace posibles los casos de uso de clasificación por lotes que se describen a continuación.
• Es limitado a propósito. La guía de TypeSafe es mantener el flujo de control en tu código y dar a Jev decisiones atómicas y estructuradas en lugar de un único juicio amplio. La salida no tiene estructura secuencial. El fundador de TypeSafe ha dicho que las cadenas y otras estructuras de datos secuenciales no están permitidas del lado de la salida, y la razón declarada es precisamente esta: es lo que permite que cada respuesta se calcule en paralelo, y por eso no hay tokens de salida que facturar. No puedes pedirle a Jev que te escriba una frase, y esa restricción es la base sobre la que se construye el precio.

Una solicitud mínima tiene este aspecto:

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "Help! My payouts have been failing for 3 days.",
    "model": "jev-latest",
    "questions": {
      "is_urgent": { "type": "noul", "instructions": "Does this convey urgency?" }
    }
  }'

Especificaciones de Jev de un vistazo

Especificación	Jev 1.13
ID de modelo	jev-1.13.0
Alias	jev-latest, jev-preview (ambos resuelven a 1.13 hoy)
Endpoint	POST https://api.typesafe.ai/v1/systemone
Precio	$42 por mil millones de tokens de entrada / $0.042 por 1M
Precio de salida	Gratuito — se factura solo por entrada
Límites de velocidad	250.000 tokens/s y 1.200 solicitudes/minuto, indicados como dinámicos
Longitud de contexto	64k por solicitud (estado más todas las preguntas); 32k para el estado más la pregunta más larga
Tipos de entrada	Texto: cadena, objeto JSON o array. Sin imagen, audio ni vídeo
Salida	Respuestas tipadas Choice, Score y Noul con probabilidades y confianza
SDK de cliente	Python typesafe-sdk, JavaScript @typesafe-ai/sdk
Pesos personalizados por cuenta	No. Jev no se ajusta ni se adapta con LoRA usando datos de clientes
Datos de entrenamiento de clientes	No. Las solicitudes y respuestas no se usan para entrenamiento

Dónde encaja Jev, y qué dice TypeSafe que hay que mantener en el código

TypeSafe también publica en detalle el alcance de jev-1.13: nueve áreas, cada una con el patrón que recomienda en su lugar, revisado por última vez el 17 de septiembre de 2026.

#	Área	Guía de TypeSafe
1	Lectura literal — responde a la pregunta que escribiste, no a la que querías hacer	Indica la condición exacta; incluye los casos límite en los criterios
2	Matemáticas y números — no es una calculadora y no cuenta de forma fiable	Mantén la aritmética y el conteo en el código
3	Comparación de fechas y horas — las fechas se leen como texto, no como cantidades ordenadas	Extrae los componentes; compara en el código
4	Indirección — las dobles negaciones y las preguntas de varios saltos cuestan precisión	Reduce los saltos; apunta directamente al estado relevante
5	Estado grande lleno de detalles irrelevantes	Filtra primero; envía solo lo que la pregunta necesita
6	Contenido adversario	Escribe instrucciones precisas y prueba los casos límite antes de desplegar
7	Instrucciones y criterios contradictorios	Alinea la instrucción y los criterios
8	Invariantes estructurales de sentido común	Formula cada decisión de una sola manera; aplica las identidades en el código
9	Generación	Usa un modelo generativo

Dos de estas importan más en la práctica. Primero, el conteo: la documentación afirma claramente que jev-1.13 "no cuenta de forma fiable" — caracteres en una palabra, apariciones en un pasaje, elementos en una lista larga — y que el error crece con el tamaño de lo que se cuenta. Segundo, la generación: Jev no escribirá tu resumen, tu respuesta ni tu mensaje de commit. Decide; otra cosa escribe.

El propio patrón recomendado por TypeSafe para contar muestra la división del trabajo prevista: itera sobre los candidatos en el código, pregunta un Noul por candidato y suma tú mismo las respuestas.

De dónde vienen las cifras destacadas

Dos números acompañan a casi todas las discusiones sobre Jev. Provienen de fuentes distintas y describen cosas distintas.

0,7 segundos. Every publicó un artículo titulado "TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds". Los índices de compilaciones que catalogan ese artículo lo describen como 777 juicios sobre 37 artículos. No pudimos cargar el cuerpo completo del artículo para confirmar su cifra de coste, así que trata el coste por ejecución citado en torno a esa demostración como la medición del propio autor y no como una tarifa publicada.

724 anuncios, 40 segundos, unos 9 centavos. Este está documentado dos veces. La página de la compilación madewithjev.com — 724 competitor ads, broken down afirma que se analizaron 724 anuncios activos de 37 marcas en unos 40 segundos. La publicación del autor en X (17 de septiembre de 2026) añade el coste — "used 9 cents of tokens" — y enumera las dimensiones extraídas por anuncio: gancho, formato, oferta, CTA, etapa de conciencia y desajuste con la página de destino.

Merece la pena mantener la distinción entre ambos: 0,7 segundos es el tiempo de evaluación del modelo sobre un corpus a escala de párrafo, mientras que 40 segundos cubre la obtención y el procesamiento de 724 anuncios activos. Ninguno de los dos números es una garantía de rendimiento para tu carga de trabajo.

Qué está construyendo la comunidad con él

La adopción de Jev es inusualmente fácil de inspeccionar, porque casi todo lo publicado en la primera semana es de código abierto. Los recuentos de estrellas a continuación se leyeron de la API de GitHub el 20 de septiembre de 2026.

Navegador y uso de computadora. browser-use/jev-ultrafast (★10.113) proviene de la organización browser-use y es el proyecto que marcó la pauta. Expone un espacio de acciones fijo (CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, BLOCKED) y pide a Jev que elija tanto la operación como el elemento objetivo. Ambas decisiones van en una única solicitud a TypeSafe, con la pregunta del objetivo marcada como especulativa. Solo TYPE_TEXT llama a un modelo de texto, y el propio ejemplo del README usa uno pequeño. Su tarea de demostración — Zúrich a Londres en Google Flights — se cita en 7,1 segundos incluyendo la generación de texto y las cargas de página. No hay scripts específicos de cada sitio.

Compresión de contexto de agentes de programación. tamaratran/fast-jev-compaction (★4.544) decide qué resultados de herramientas en la transcripción de un agente de programación siguen mereciendo conservarse, de modo que una sesión larga puede compactarse sin una pasada completa de resumen. Existen ports y variantes para otros arneses de agentes.

Barreras de seguridad para agentes. DevMortimer/pi-warden (★99) y shiftynick/jev-axi (★17) sitúan un juicio delante de cada comando o llamada a herramienta: pregunta primero, bloquea los peligrosos. Este es el patrón en el que "probabilidad calibrada más un umbral en tu propio código" es genuinamente mejor que una respuesta de texto que tienes que interpretar.

Enrutamiento de modelos. vinilana/jev-gateway (★61) enruta las solicitudes simples a un nivel de bajo coste y escala solo las difíciles. Es la expresión más directa del propio argumento de TypeSafe — que una decisión puede costar una fracción de la generación a la que da paso.

Juegos y demos de control. fhshaik/typesafe-mario (★289) juega a Super Mario Bros. a partir del estado estructurado del emulador, y RomanSlack/jev-drone (★81) ejecuta un bucle de control de dron en MuJoCo. Estos se difunden mucho más rápido de lo que se despliegan; trátalos como demostraciones de la interfaz, no como evidencia sobre la fiabilidad en producción.

Reproducciones abiertas. Este es el hilo más interesante para cualquiera que quiera la capacidad sin un nuevo proveedor. TheoLeeCJ/SemIf (★2.123) ejecuta un modelo abierto en una única RTX 3090 en casa y deja claro que es independiente de TypeSafe. TianyuCodings/NanoJev (★1.175) es una reproducción a pequeña escala. convaiinnovations/laya es un codificador Apache-2.0, de uso comercial, con cabezas de decisión entrenadas con RLCD, publicado bajo las etiquetas system-one y calibrated-decisions, con un ejecutor que lo acompaña en receptron/laya. Ninguno de estos es Jev, y los gráficos de benchmarks que publican son suyos; el punto es que la forma del modelo es reproducible.

Clasificación por lotes. El desglose de anuncios anterior es el ejemplo insignia, y es el patrón con más probabilidades de sobrevivir al contacto con la producción: mantén el estado fijo, haz muchas preguntas concretas en una sola solicitud y lee las probabilidades.

¿Es Jev realmente más barato que un LLM de bajo coste?

No por token de entrada, y esta es la parte que la mayoría de los artículos omite. Jev cobra $0.042 por 1M tokens de entrada. En APIMaster, gpt-5.6-luna está en oferta desde $0.022 por 1M tokens de entrada — aproximadamente la mitad de la tarifa de entrada de Jev — con glm-5.3-flash a $0.105 y deepseek-flash a $0.15. Los modelos generativos alojados más baratos ya superan a Jev en precio de entrada.

El argumento de coste de Jev se apoya en otras tres cosas:

• Sin tokens de salida. El modelo generativo más barato sigue emitiendo texto por cada juicio, y la salida tiene un precio varias veces superior al de la entrada. Jev devuelve una probabilidad y se detiene.
• Latencia. TypeSafe publica tiempos de respuesta de extremo a extremo de 70ms a 500ms y describe la comparación con los modelos de frontera en consultas con forma de System One como 40× a 200× más rápido. La velocidad es lo que permite que una decisión se ejecute dentro de la ruta de una solicitud en lugar de detrás de una cola.
• Las preguntas marginales son casi gratuitas. Como las preguntas se despliegan en paralelo sobre un solo estado, la décima pregunta cuesta una fracción de lo que costaría una décima llamada a la API.

Si eso gana depende de tu carga de trabajo. Si tus juicios son pocos, largos y se benefician del razonamiento, un LLM de bajo coste con salida estructurada es la mejor compra. Si haces muchos juicios cortos por unidad de trabajo, o necesitas la respuesta antes de que un usuario note una pausa, la aritmética cambia.

¿Puedes llamar a Jev con una clave compatible con OpenAI?

No contra el propio endpoint de TypeSafe, y la diferencia es estructural y no una cuestión de configuración:

• Ruta diferente. TypeSafe documenta un endpoint de evaluación, /v1/systemone, y un listado /v1/models. No hay un /chat/completions documentado.
• Cuerpo diferente. La solicitud lleva state y un mapa de questions tipadas. Un cuerpo de estilo OpenAI lleva messages y espera texto generado de vuelta.
• Respuesta diferente. Recibes probabilidades y valores de confianza indexados por los nombres de pregunta que elegiste, no una cadena de finalización.

Contra la API del proveedor, hacer que un cliente compatible con OpenAI hable con Jev significa escribir una capa de traducción en ambas direcciones — que es lo que hacen las pasarelas de la comunidad de la sección de enrutamiento anterior. Jev está en proceso de incorporación en APIMaster, y esta página se actualizará una vez que la integración esté activa. Hasta entonces, la opción en vivo para un juicio rápido en un endpoint compatible con OpenAI es uno de los niveles de bajo coste que aparecen a continuación.

Qué ejecutar hoy cuando necesitas juicios rápidos

Si lo que realmente necesitas es una decisión desde un endpoint compatible con OpenAI existente, la pregunta práctica es a qué nivel de bajo coste enviarla. Rutas activas de APIMaster a 20 de septiembre de 2026:

ID de modelo	Rutas en oferta	Desde (entrada / salida por 1M)	Precio de lista de referencia	Descuento aprox.
gpt-5.6-luna	3	$0.022 / $0.134	$0.20 / $1.20	~89% de descuento
glm-5.3-flash	3	$0.105 / $0.35	$0.15 / $0.50	~30% de descuento
deepseek-flash	1	$0.15 / $0.60	Igual que la tarifa fuera de horas punta de DeepSeek	Sin recargo
gpt-5.6-terra	15	$0.12 / $0.72	$2.00 / $12.00	~94% de descuento
gemini-3.8-flash	7	$0.20 / $1.00	$1.50 / $7.50	~87% de descuento

Jev en sí sigue en proceso de incorporación en el momento de escribir esto; el nivel de abajo es lo que hay que ejecutar mientras tanto. Tres notas sobre cómo leer esa tabla. Los precios son la ruta más barata en oferta en el momento de la verificación, y distintas rutas para el mismo modelo tienen precios distintos — abre la tarjeta del modelo antes de comprometer volumen. deepseek-flash tiene el precio de la propia tarifa fuera de horas punta de DeepSeek, así que la afirmación honesta es "sin recargo de pasarela", no un descuento. Y un precio de entrada más bajo no es automáticamente la opción más barata: la longitud de salida, el comportamiento de aciertos de caché y la tasa de reintentos suelen dominar la factura final.

Una división viable para un pipeline de estilo Jev con una sola clave:

1. Pon la decisión concreta y de alta frecuencia en un nivel pequeño y de bajo coste y filtra según tu propio umbral de confianza.
2. Escala solo los casos que caen por debajo de ese umbral a un modelo más potente.
3. Mantén el conteo, la aritmética y la comparación de fechas en tu propio código — el mismo consejo que da TypeSafe, y se aplica a todos los modelos de la tabla.

Crea una cuenta de APIMaster, añade crédito de pago por uso desde $1, crea una clave en la consola y apunta un cliente compatible con OpenAI a https://apimaster.ai/v1 con cualquiera de los ID de modelo anteriores. Una clave cubre las familias GPT, GLM, DeepSeek, Gemini y Claude, así que la ruta de escalado del paso 2 permanece en la misma integración. Valida una ruta con el probador de modelos antes de mover tráfico de producción.

FAQ

¿Qué es Jev? Jev es el modelo System One de TypeSafe AI. Toma un estado más un mapa de preguntas tipadas y devuelve probabilidades calibradas — respuestas Choice, Score y Noul — en lugar de texto generado.

¿Es Jev un modelo de lenguaje? No, y la propia formulación de TypeSafe es aún más contundente. En el hilo de lanzamiento, el fundador lo describió como "un modelo de datos estructurado, pero técnicamente no un modelo de lenguaje (no genera lenguaje)". Lee el texto que le envías y devuelve decisiones tipadas con probabilidades y valores de confianza, y nunca genera prosa. TypeSafe lo sitúa junto a los modelos de chat RLHF y a los modelos de razonamiento RLVR como una tercera categoría, en lugar de como una versión más pequeña de cualquiera de ellos.

¿Cuál es el ID de modelo de Jev? jev-1.13.0. Los alias jev-latest y jev-preview resuelven actualmente a la misma versión; los SDK usan jev-latest por defecto.

¿Cuánto cuesta Jev? $42 por mil millones de tokens de entrada, que son $0.042 por 1M tokens de entrada. Los tokens de salida son gratuitos, y la facturación es solo por entrada.

¿Es Jev compatible con OpenAI? No en la propia API de TypeSafe. Usa un endpoint dedicado POST /v1/systemone con un cuerpo de state más questions y devuelve probabilidades en lugar de finalizaciones, por lo que un cliente de estilo OpenAI no puede llamarlo sin cambios. Jev está en proceso de incorporación en APIMaster, y esta página se actualizará una vez que la integración esté activa.

¿Está Jev disponible en APIMaster? Todavía no está a la venta — Jev está en proceso de incorporación en APIMaster, y esta página se actualizará una vez que la integración esté activa. Mientras tanto, el nivel de texto de bajo coste que emparejarías con una capa de decisión ya está disponible; consulta las tarjetas en vivo de gpt-5.6-luna, glm-5.3-flash y deepseek-flash.

¿Admite Jev el chino y otros idiomas distintos del inglés? TypeSafe indica que el inglés es el idioma principal de entrenamiento y donde la precisión es actualmente mejor, y que otros idiomas, incluidos los CJK, se manejan pero no igual de bien. La documentación te dice que pruebes con tu propio contenido y que vigiles los valores de confianza al enrutar.

¿Puedo ajustar Jev con mis propios datos? No. TypeSafe no ajusta ni adapta con LoRA a Jev por cliente, y no entrena con las solicitudes o respuestas de los clientes. El comportamiento de dominio se moldea a través del estado, las instrucciones y los criterios de cada solicitud.

¿Qué tareas debería mantener fuera de Jev? TypeSafe publica nueve: lectura literal, matemáticas y números, comparación de fechas y horas, indirección, estados grandes llenos de detalles irrelevantes, contenido adversario, criterios contradictorios, invariantes estructurales de sentido común y generación. El conteo y la aritmética pertenecen a tu código.

¿Puedo autoalojar una alternativa? Existen reproducciones abiertas — SemIf, NanoJev y el codificador Apache-2.0 laya, entre otras — pero son proyectos independientes con sus propios benchmarks, no Jev. Trata las comparaciones publicadas como mediciones de los propios proyectos.

¿Cuándo debería usar Jev en lugar de un LLM de bajo coste? Cuando la decisión es concreta y tipada, la tomas a menudo y necesitas la respuesta en cientos de milisegundos en lugar de segundos. Para razonamiento de contexto largo, generación o cualquier cosa que requiera aritmética, un modelo generativo de bajo coste es la mejor opción.

Fuentes y lecturas adicionales

• TypeSafe — Models — ID de modelo, alias, precio de $42/Btok, límites de velocidad, presupuesto de contexto, soporte de idiomas y tratamiento de datos
• TypeSafe — Jev 1.13 jaggedness — las áreas que TypeSafe excluye de su alcance, con el patrón recomendado para cada una, revisado el 17 de septiembre de 2026
• TypeSafe — API reference y Quick start — endpoint, formas de solicitud y respuesta, uso del SDK
• TypeSafe — Introducing System One Models and Jev — publicación de lanzamiento, la cifra de extremo a extremo de 70–500ms y la comparación de 40×–200×
• Hacker News discussion — 1.918 puntos en el hilo de lanzamiento
• browser-use/jev-ultrafast — espacio de acciones, el diseño de operación y objetivo en una sola solicitud, y la demostración de Google Flights
• Made with Jev — 724 competitor ads, broken down — la página de la compilación de análisis de anuncios, con la publicación del autor
• Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds Reproducciones abiertas. Este es el hilo más interesante para cualquiera que quiera la capacidad sin un nuevo proveedor. TheoLeeCJ/SemIf (★2,123) ejecuta un modelo abierto en una sola RTX 3090 en casa y deja explícito que es independiente de TypeSafe. TianyuCodings/NanoJev (★1,175) es una reproducción a pequeña escala. convaiinnovations/laya es un modelo de clasificación Apache-2.0, de uso comercial, entrenado con RLCD, publicado bajo las etiquetas system-one y calibrated-decisions, con un runner que lo acompaña en receptron/laya. Ninguno de estos es Jev, y los gráficos de benchmark que publican son propios; el punto es que la forma del modelo es reproducible.

La documentación de modelos y las notas de alcance de TypeSafe se verificaron el 20 de septiembre de 2026; los recuentos de estrellas y los precios de las rutas de APIMaster se leyeron el mismo día. La incorporación de Jev en APIMaster está en curso y esta página se actualizará a medida que avance. Los precios, los límites de velocidad y el estado de los proyectos cambian — verifica en la tarjeta en vivo o en la propia página del proveedor antes de comprometer una carga de trabajo.