Jev API: o que é o modelo System One da TypeSafe, quanto custa e quando usá-lo

O que o Jev realmente é

A TypeSafe apresentou o Jev em 15 de setembro de 2026 como o primeiro "System One model". O enquadramento vem de Rápido e Devagar: Duas Formas de Pensar, de Kahneman: os LLMs atuais se comportam como um sistema deliberativo, de raciocínio, e a TypeSafe está construindo a metade rápida e intuitiva — exceto que "intuição" aqui significa uma distribuição de probabilidade calibrada sobre respostas, e não um palpite transformado em texto.

O nome é uma referência a Jevons, e o argumento é que uma primitiva de decisão rápida e de baixo custo é chamada muito mais vezes do que uma cara.

As diferenças mecânicas em relação a um LLM são o que importa para a engenharia:

• A saída é tipada. Você declara o formato da resposta de antemão — um Choice sobre opções enumeráveis, um Score sobre níveis descritivos ou um Noul (sim/não) com uma probabilidade. Não há texto livre para analisar, e corresponder ao schema é uma propriedade da arquitetura, não algo com que você espera que o modelo colabore.
• Você recebe probabilidades, não apenas uma escolha. Um Choice retorna a opção selecionada, mais uma probabilidade para cada opção e um valor de confidence separado. É isso que permite rotear por incerteza: agir acima de um limiar e recorrer a um modelo maior abaixo dele.
• As perguntas rodam em paralelo. O Jev consome o state uma vez e avalia todas as perguntas da requisição em relação a ele ao mesmo tempo. Fazer trinta perguntas em vez de uma adiciona muito pouco tempo de relógio, e é isso que viabiliza os casos de uso de classificação em lote abaixo.
• Ele é estreito de propósito. A orientação da TypeSafe é manter o fluxo de controle no seu código e dar ao Jev decisões atômicas e estruturadas em vez de um único julgamento grande. A saída não tem estrutura sequencial. O fundador da TypeSafe afirmou que strings e outras estruturas de dados sequenciais não são permitidas no lado da saída, e a razão declarada é exatamente esta: é isso que permite que cada resposta seja computada em paralelo, e é por isso que não há tokens de saída a serem cobrados. Você não pode pedir ao Jev para escrever uma frase para você, e essa restrição é a base sobre a qual o preço é construído.

Uma requisição mínima tem esta cara:

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?" }
    }
  }'

Especificações do Jev em resumo

Especificação	Jev 1.13
ID do modelo	jev-1.13.0
Aliases	jev-latest, jev-preview (ambos resolvem para 1.13 hoje)
Endpoint	POST https://api.typesafe.ai/v1/systemone
Preço	$42 por bilhão de tokens de entrada / $0,042 por 1M
Preço da saída	Gratuito — cobrança apenas sobre a entrada
Limites de taxa	250.000 tokens/s e 1.200 requisições/minuto, declarados como dinâmicos
Comprimento de contexto	64k por requisição (state mais todas as perguntas); 32k para o state mais a pergunta mais longa
Tipos de entrada	Texto: string, objeto JSON ou array. Sem imagem, áudio ou vídeo
Saída	Respostas tipadas Choice, Score e Noul com probabilidades e confidence
SDKs de cliente	Python typesafe-sdk, JavaScript @typesafe-ai/sdk
Pesos personalizados por conta	Não. O Jev não é ajustado (fine-tune) nem adaptado com LoRA usando dados de clientes
Dados de treinamento provenientes de clientes	Não. Requisições e respostas não são usadas para treinamento

Onde o Jev se encaixa, e o que a TypeSafe diz para manter no código

A TypeSafe também publica em detalhes o escopo do jev-1.13: nove áreas, cada uma com o padrão que ela recomenda em vez disso, com última revisão em 17 de setembro de 2026.

#	Área	Orientação da TypeSafe
1	Leitura literal — ele responde à pergunta que você escreveu, não à que você quis fazer	Declare a condição exata; coloque os casos limite nos critérios
2	Matemática e números — ele não é uma calculadora e não conta de forma confiável	Mantenha aritmética e contagem no código
3	Comparação de datas e horários — datas são lidas como texto, não como grandezas ordenáveis	Extraia os componentes; compare no código
4	Indireção — negativas duplas e perguntas de múltiplos saltos custam acurácia	Reduza os saltos; aponte diretamente para o state relevante
5	State grande cheio de detalhes irrelevantes	Filtre primeiro; envie apenas o que a pergunta precisa
6	Conteúdo adversarial	Escreva instruções precisas e teste casos extremos antes de implantar
7	Instruções e critérios contraditórios	Alinhe a instrução e os critérios
8	Invariantes estruturais de senso comum	Pergunte cada decisão de uma única forma; garanta as identidades no código
9	Geração	Use um modelo generativo

Duas delas importam mais na prática. Primeiro, contagem: a documentação afirma claramente que o jev-1.13 "não conta de forma confiável" — caracteres em uma palavra, ocorrências em uma passagem, itens em uma lista longa — e que o erro cresce com o tamanho da coisa contada. Segundo, geração: o Jev não vai escrever seu resumo, sua resposta ou sua mensagem de commit. Ele decide; outra coisa escreve.

O próprio padrão recomendado pela TypeSafe para contagem mostra a divisão de trabalho pretendida: itere sobre os candidatos no código, faça um Noul por candidato e some as respostas você mesmo.

De onde vêm os números de destaque

Dois números acompanham quase toda discussão sobre o Jev. Eles vêm de fontes diferentes e descrevem coisas diferentes.

0,7 segundo. A Every publicou um texto intitulado "TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds". Índices de builds que catalogam esse texto o descrevem como 777 julgamentos em 37 artigos. Não conseguimos carregar o corpo completo do artigo para confirmar seu valor de custo, então trate o custo por execução citado em torno dessa demonstração como medição do próprio autor, e não como uma tarifa publicada.

724 anúncios, 40 segundos, cerca de 9 centavos. Este está documentado duas vezes. A página de build madewithjev.com — 724 competitor ads, broken down afirma que 724 anúncios ativos de 37 marcas foram analisados em cerca de 40 segundos. O post do autor no X (17 de setembro de 2026) acrescenta o custo — "used 9 cents of tokens" — e lista as dimensões extraídas por anúncio: hook, formato, oferta, CTA, estágio de awareness e incompatibilidade com a landing page.

Vale manter a distinção entre os dois: 0,7 segundo é o tempo de avaliação do modelo em um corpus de escala de parágrafo, enquanto 40 segundos cobrem a busca e o processamento de 724 anúncios ativos. Nenhum dos números é uma garantia de throughput para a sua carga de trabalho.

O que a comunidade está construindo com ele

A adoção do Jev é incomumente fácil de inspecionar, porque quase tudo o que foi publicado na primeira semana é open source. As contagens de estrelas abaixo foram lidas da API do GitHub em 20 de setembro de 2026.

Uso de navegador e computador. O browser-use/jev-ultrafast (★10.113) vem da organização browser-use e é o projeto que ditou o tom. Ele expõe um espaço de ações fixo (CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, BLOCKED) e pede ao Jev que escolha tanto a operação quanto o elemento alvo. As duas decisões vão em uma única requisição à TypeSafe, com a pergunta sobre o alvo marcada como especulativa. Apenas TYPE_TEXT chama um modelo de texto, e o próprio exemplo do README usa um modelo pequeno. Sua tarefa de demonstração — Zurique a Londres no Google Flights — é citada em 7,1 segundos, incluindo geração de texto e carregamentos de página. Não há scripts específicos por site.

Compactação de contexto para agentes de código. O tamaratran/fast-jev-compaction (★4.544) decide quais resultados de ferramentas em um transcript de agente de código ainda vale a pena manter, para que uma sessão longa possa ser compactada sem uma passagem completa de sumarização. Existem ports e variantes para outros harnesses de agentes.

Guardrails de agentes. O DevMortimer/pi-warden (★99) e o shiftynick/jev-axi (★17) colocam um julgamento antes de cada comando ou chamada de ferramenta: pergunte primeiro, bloqueie os perigosos. Esse é o padrão em que "probabilidade calibrada mais um limiar no seu próprio código" é genuinamente melhor do que uma resposta em texto que você precisa interpretar.

Roteamento de modelos. O vinilana/jev-gateway (★61) roteia requisições simples para uma camada de baixo custo e escala apenas as difíceis. É a expressão mais direta do próprio argumento da TypeSafe — o de que uma decisão pode custar uma fração da geração que ela controla.

Jogos e demos de controle. O fhshaik/typesafe-mario (★289) joga Super Mario Bros. a partir do state estruturado do emulador, e o RomanSlack/jev-drone (★81) roda um loop de controle de drone no MuJoCo. Esses projetos se difundem muito mais rápido do que chegam a produção; trate-os como demonstrações da interface, não como evidência sobre confiabilidade em produção.

Reproduções abertas. Esta é a linha mais interessante para quem quer a capacidade sem um novo fornecedor. O TheoLeeCJ/SemIf (★2.123) roda um modelo aberto em uma única RTX 3090 em casa e deixa explícito que é independente da TypeSafe. O TianyuCodings/NanoJev (★1.175) é uma reprodução em pequena escala. O convaiinnovations/laya é um encoder Apache-2.0, de uso comercial, com cabeças de decisão treinadas com RLCD, publicado sob as tags system-one e calibrated-decisions, com um runner que o acompanha em receptron/laya. Nenhum deles é o Jev, e os gráficos de benchmark que publicam são deles próprios; o ponto é que o formato do modelo é reproduzível.

Classificação em lote. A análise de anúncios acima é o exemplo principal, e é o padrão com mais chance de sobreviver ao contato com a produção: mantenha o state fixo, faça muitas perguntas estreitas em uma única requisição e leia as probabilidades.

O Jev é realmente mais barato que um LLM de baixo custo?

Não por token de entrada, e essa é a parte que a maioria dos textos pula. O Jev cobra $0,042 por 1M de tokens de entrada. Na APIMaster, o gpt-5.6-luna está em promoção a partir de $0,022 por 1M de tokens de entrada — cerca da metade da tarifa de entrada do Jev — com o glm-5.3-flash a $0,105 e o deepseek-flash a $0,15. Os modelos generativos hospedados mais baratos já superam o Jev em preço de entrada.

O argumento de custo do Jev se apoia em três outras coisas:

• Sem tokens de saída. O modelo generativo mais barato ainda emite texto para cada julgamento, e a saída custa várias vezes mais que a entrada. O Jev retorna uma probabilidade e para.
• Latência. A TypeSafe publica tempos de resposta ponta a ponta de 70ms a 500ms e descreve a comparação com modelos de fronteira em consultas com o formato do System One como 40× a 200× mais rápido. A velocidade é o que permite que uma decisão rode dentro do caminho de uma requisição, em vez de atrás de uma fila.
• Perguntas marginais são quase gratuitas. Como as perguntas se ramificam em paralelo sobre um único state, a décima pergunta custa uma fração do que custaria uma décima chamada de API.

Se isso vence depende da sua carga de trabalho. Se seus julgamentos são poucos, longos e se beneficiam de raciocínio, um LLM de baixo custo com saída estruturada é a compra melhor. Se você faz muitos julgamentos curtos por unidade de trabalho, ou precisa da resposta antes que o usuário perceba uma pausa, a aritmética muda.

Dá para chamar o Jev com uma chave compatível com OpenAI?

Não contra o endpoint da própria TypeSafe, e a diferença é estrutural, não uma questão de configuração:

• Rota diferente. A TypeSafe documenta um endpoint de avaliação, /v1/systemone, e uma listagem em /v1/models. Não há /chat/completions documentado.
• Corpo diferente. A requisição carrega state e um mapa de questions tipadas. Um corpo no estilo OpenAI carrega messages e espera texto gerado de volta.
• Resposta diferente. Você recebe probabilidades e valores de confidence indexados pelos nomes de pergunta que você escolheu, e não uma string de completion.

Contra a API do fornecedor, fazer um cliente compatível com OpenAI conversar com o Jev significa escrever uma camada de tradução nos dois sentidos — que é o que fazem os gateways da comunidade na seção de roteamento acima. O Jev está em onboarding na APIMaster, e esta página será atualizada quando a integração estiver disponível. Até lá, a opção ativa para um julgamento rápido em um endpoint compatível com OpenAI é uma das camadas de baixo custo abaixo.

O que usar hoje quando você precisa de julgamentos rápidos

Se o que você realmente precisa é de um julgamento a partir de um endpoint compatível com OpenAI já existente, a pergunta prática é para qual camada de baixo custo enviá-lo. Rotas ativas da APIMaster em 20 de setembro de 2026:

ID do modelo	Rotas em promoção	A partir de (entrada / saída por 1M)	Preço de tabela de referência	Desconto aprox.
gpt-5.6-luna	3	$0,022 / $0,134	$0,20 / $1,20	~89% de desconto
glm-5.3-flash	3	$0,105 / $0,35	$0,15 / $0,50	~30% de desconto
deepseek-flash	1	$0,15 / $0,60	Igual à tarifa off-peak da DeepSeek	Sem markup
gpt-5.6-terra	15	$0,12 / $0,72	$2,00 / $12,00	~94% de desconto
gemini-3.8-flash	7	$0,20 / $1,00	$1,50 / $7,50	~87% de desconto

O próprio Jev ainda está em onboarding no momento em que escrevemos; a camada abaixo é o que usar nesse meio-tempo. Três observações sobre a leitura dessa tabela. Os preços são a rota mais barata em promoção no momento da verificação, e rotas diferentes para o mesmo modelo têm preços diferentes — abra o card do modelo antes de comprometer volume. O deepseek-flash tem o preço da própria tarifa off-peak da DeepSeek, então a afirmação honesta é "sem markup de gateway", e não um desconto. E um preço de entrada menor não é automaticamente a escolha mais barata: o comprimento da saída, o comportamento de cache hit e a taxa de retentativas costumam dominar a conta final.

Uma divisão viável para um pipeline no estilo do Jev usando uma única chave:

1. Coloque a decisão estreita e de alta frequência em uma camada pequena e de baixo custo e faça o gate no seu próprio limiar de confiança.
2. Escale para um modelo mais forte apenas os casos que ficam abaixo desse limiar.
3. Mantenha contagem, aritmética e comparação de datas no seu próprio código — o mesmo conselho que a TypeSafe dá, e que vale para todos os modelos da tabela.

Crie uma conta na APIMaster, adicione crédito pré-pago a partir de $1, crie uma chave no console e aponte um cliente compatível com OpenAI para https://apimaster.ai/v1 com qualquer um dos IDs de modelo acima. Uma única chave cobre as famílias GPT, GLM, DeepSeek, Gemini e Claude, então o caminho de escalonamento do passo 2 permanece na mesma integração. Valide uma rota com o testador de modelos antes de migrar tráfego de produção.

FAQ

O que é o Jev? O Jev é o modelo System One da TypeSafe AI. Ele recebe um state mais um mapa de perguntas tipadas e retorna probabilidades calibradas — respostas Choice, Score e Noul — em vez de texto gerado.

O Jev é um modelo de linguagem? Não — e a formulação do próprio TypeSafe é ainda mais categórica do que isso. Na thread de lançamento, o fundador descreveu-o como "um modelo de dados estruturados, mas tecnicamente não um modelo de linguagem (ele não gera linguagem)". Ele lê o texto que você envia e retorna decisões tipadas com probabilidades e valores de confiança, e nunca gera texto em prosa. O TypeSafe o posiciona ao lado dos modelos de chat com RLHF e dos modelos de raciocínio com RLVR como uma terceira categoria, e não como uma versão menor de qualquer um dos dois.

Qual é o ID do modelo Jev? jev-1.13.0. Os aliases jev-latest e jev-preview atualmente resolvem para a mesma versão; os SDKs usam jev-latest por padrão.

Quanto custa o Jev? $42 por bilhão de tokens de entrada, o que equivale a $0,042 por 1M de tokens de entrada. Tokens de saída são gratuitos, e a cobrança é apenas sobre a entrada.

O Jev é compatível com OpenAI? Não na própria API da TypeSafe. Ele usa um endpoint dedicado POST /v1/systemone com um corpo de state mais questions e retorna probabilidades em vez de completions, então um cliente no estilo OpenAI não consegue chamá-lo sem alterações. O Jev está em onboarding na APIMaster, e esta página será atualizada quando a integração estiver disponível.

O Jev está disponível na APIMaster? Ainda não está à venda — o Jev está em onboarding na APIMaster, e esta página será atualizada quando a integração estiver disponível. Enquanto isso, a camada de texto de baixo custo que você usaria junto com uma camada de decisão já está disponível; veja os cards ativos de gpt-5.6-luna, glm-5.3-flash e deepseek-flash.

O Jev suporta chinês e outros idiomas além do inglês? A TypeSafe afirma que o inglês é o idioma principal de treinamento e onde a acurácia atualmente é melhor, e que outros idiomas, incluindo CJK, são tratados, mas não igualmente bem. A documentação recomenda testar com o seu próprio conteúdo e observar os valores de confidence ao rotear.

Posso fazer fine-tune do Jev com meus próprios dados? Não. A TypeSafe não faz fine-tune nem adaptação com LoRA do Jev por cliente, e não treina com requisições ou respostas de clientes. O comportamento de domínio é moldado pelo state, pelas instruções e pelos critérios em cada requisição.

Quais tarefas devo manter fora do Jev? A TypeSafe publica nove: leitura literal, matemática e números, comparação de datas e horários, indireção, states grandes cheios de detalhes irrelevantes, conteúdo adversarial, critérios contraditórios, invariantes estruturais de senso comum e geração. Contagem e aritmética pertencem ao seu código.

Posso hospedar uma alternativa por conta própria? Existem reproduções abertas — entre elas SemIf, NanoJev e o encoder laya sob Apache-2.0 — mas são projetos independentes com seus próprios benchmarks, não o Jev. Trate as comparações publicadas como medições dos próprios projetos.

Quando devo usar o Jev em vez de um LLM de baixo custo? Quando a decisão é estreita e tipada, você a toma com frequência e precisa dela de volta em centenas de milissegundos, e não em segundos. Para raciocínio de contexto longo, geração ou qualquer coisa que exija aritmética, um modelo generativo de baixo custo é a melhor escolha.

Fontes e leitura adicional

• TypeSafe — Models — ID do modelo, aliases, preço de $42/Btok, limites de taxa, orçamento de contexto, suporte a idiomas e tratamento de dados
• TypeSafe — Jev 1.13 jaggedness — as áreas que a TypeSafe deixa de fora do escopo, com o padrão recomendado para cada uma, revisado em 17 de setembro de 2026
• TypeSafe — API reference e Quick start — endpoint, formatos de requisição e resposta, uso do SDK
• TypeSafe — Introducing System One Models and Jev — post de lançamento, o número ponta a ponta de 70–500ms e a comparação de 40×–200×
• Discussão no Hacker News — 1.918 pontos no tópico de lançamento
• browser-use/jev-ultrafast — espaço de ações, o design de operação e alvo em uma única requisição e a demonstração do Google Flights
• Made with Jev — 724 competitor ads, broken down — a página de build da análise de anúncios, com o post do autor
• Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds Reproduções abertas. Esta é a linha mais interessante para quem quer a capacidade sem um novo fornecedor. TheoLeeCJ/SemIf (★2.123) executa um modelo aberto em uma única RTX 3090 em casa e deixa explícito que é independente da TypeSafe. TianyuCodings/NanoJev (★1.175) é uma reprodução em pequena escala. convaiinnovations/laya é um modelo de classificação Apache-2.0, utilizável comercialmente, treinado com RLCD, publicado sob as tags system-one e calibrated-decisions, com um runner que o acompanha em receptron/laya. Nenhum deles é o Jev, e os gráficos de benchmark que publicam são deles próprios; o ponto é que a forma do modelo é reproduzível.

A documentação de modelos e as notas de escopo da TypeSafe foram verificadas em 20 de setembro de 2026; as contagens de estrelas e os preços de rotas da APIMaster foram lidos no mesmo dia. O onboarding do Jev na APIMaster está em andamento e esta página será atualizada conforme ele avançar. Preços, limites de taxa e status de projetos mudam — verifique no card ativo ou na própria página do fornecedor antes de comprometer uma carga de trabalho.