El modelo Jev de TypeSafe ya está disponible para acceso inicial de desarrolladores con un enfoque distinto al de los modelos conversacionales. En lugar de generar texto token a token, recibe un estado no estructurado y devuelve valores estructurados y tipados mediante una única consulta paralela.
La compañía, fundada por Diogo Almeida —veterano de OpenAI y uno de los co-inventores de ChatGPT—, ha desarrollado Jev durante dos años en modo sigiloso. Su objetivo es automatizar decisiones programáticas dentro de sistemas de producción sin depender de cadenas de texto que después deban analizarse y validarse.
El modelo genera decisiones probabilísticas con una estructura predefinida, valores de confianza calibrados y hasta 255 opciones discretas en determinados procesos de selección.
Una alternativa a los modelos conversacionales para la lógica de software
Jev está diseñado para casos en los que un sistema necesita escoger una opción, clasificar un estado o activar una rama de ejecución, no mantener una conversación. Sus salidas se ajustan a esquemas definidos de antemano, una restricción que busca evitar errores de sintaxis, problemas de tipado y respuestas que no puedan integrarse directamente en el código.
La arquitectura utiliza un muestreador paralelo adaptado al hardware. En vez de producir una secuencia de tokens, evalúa simultáneamente los valores estructurados que forman la respuesta. TypeSafe afirma que este planteamiento reduce la necesidad de crear capas adicionales de análisis y mecanismos de protección alrededor del modelo.
RLCD y probabilidades calibradas
El entrenamiento de Jev se basa en una metodología que TypeSafe denomina Reinforcement Learning for Calibrated Decisions (RLCD). La empresa asegura que el sistema se entrena para que sus niveles de confianza guarden relación con la precisión de sus decisiones, una característica especialmente relevante cuando una aplicación debe decidir si continúa automáticamente o deriva un caso a otra etapa.
El muestreador puede gestionar selecciones de alta cardinalidad de hasta 255 opciones discretas mediante un proceso en dos fases: primero puntúa las alternativas de forma independiente y después realiza la selección. La propuesta está orientada a extracción de características en tiempo real, flujos de datos de gran escala, verificación de resultados y lógica de ramificación automatizada.
Latencia, coste y primeras pruebas
Las evaluaciones internas de TypeSafe registraron latencias de extremo a extremo de entre 70 y 500 milisegundos en sus servidores de la costa oeste de Estados Unidos. La compañía las compara con intervalos de entre 3 y 329 segundos observados en despliegues conversacionales, aunque estas cifras dependen de la tarea, la infraestructura y la configuración utilizada.
En pruebas de flujos de trabajo con grafos de cómputo fijos, TypeSafe comunica velocidades de ejecución de hasta 193,6 veces superiores frente a líneas base de consenso asociadas a GPT-6 Astra y Fable 5.1. Son resultados publicados por el equipo desarrollador y no una evaluación independiente de todos esos modelos.
El precio anunciado para el procesamiento de entrada es de 0,042 dólares por millón de tokens. TypeSafe también indica que no cobra los tokens de salida, ya que Jev produce estados estructurados sin las pasadas de generación autorregresiva habituales. El material no especifica otros planes, límites de uso o condiciones comerciales.
Pruebas con videojuegos y grandes volúmenes de datos
Entre las demostraciones figura un bot reactivo para estados de partida de Doom, ejecutado a 10 consultas por segundo con un coste operativo aproximado de 7 dólares por hora. Otra prueba de Wikiracing evaluó la elección de enlaces en directorios enciclopédicos y completó los recorridos con menos pasos que modelos externos sin razonamiento, según los resultados comunicados por TypeSafe.
La empresa ha comenzado a incorporar equipos de ingeniería procedentes de su lista de espera para el acceso temprano. Queda pendiente conocer cómo se comporta Jev en más infraestructuras, qué controles ofrece para supervisar decisiones de alta confianza y cómo se comparan sus resultados con evaluaciones externas reproducibles.
Qué aporta Jev a los equipos de desarrollo
La propuesta de TypeSafe no busca sustituir a los asistentes de texto en tareas generales, sino ofrecer un componente especializado para decisiones que deben encajar en esquemas de software conocidos. Si las pruebas internas se confirman en entornos variados, la combinación de salidas tipadas, probabilidades calibradas y procesamiento paralelo podría reducir la complejidad de algunas automatizaciones. Por ahora, Jev se encuentra en una fase de acceso inicial y sus ventajas deben valorarse según cada flujo de trabajo.
Encuentra más IA en nuestra sección de IA o suscríbete a Guslok – Guías 100% en YouTube para más contenido.
Sobre el Autor
