Más allá de la prosa de los modelos: Jev y la apuesta por las decisiones sin texto

Desde hace tres años el mercado de la inteligencia artificial mide sus avances casi exclusivamente por la capacidad de producir textos cada vez más largos y elaborados. TypeSafe AI anunció Jev en una entrada de su blog corporativo fechada el 15 de septiembre de 2026 —las primeras coberturas independientes son del 16 y el 17 de septiembre— y lo puso a disposición en acceso anticipado como el primero de una clase que la empresa denomina «System One Models». El modelo renuncia por completo a la generación de prosa y se presenta como complemento, y no como sustituto, de los LLM clásicos: Jev se limita a recibir un estado no estructurado y exclusivamente textual junto con un esquema predefinido, y devuelve valores tipados con sus probabilidades asociadas. Las primitivas de decisión previstas en la documentación son tres: Choice (elección entre opciones), Score (puntuación) y Noul (valor booleano). La compañía apunta así a los puntos de la cadena de software en los que hace falta un enrutamiento rápido y no un discurso.

Para la versión jev-1.13.0, la documentación indica un coste de 0,042 dólares por millón de tokens de texto de entrada, con la salida gratuita, y precisa que el sistema no acepta formatos de imagen, audio ni vídeo. TypeSafe AI declara en su página de inicio una velocidad hasta 193,6 veces superior y un coste 444,6 veces inferior respecto a los modelos de frontera, con latencias de entre 70 y 500 milisegundos; en la entrada de lanzamiento, sin embargo, la ventaja (situada entre 40 y 200 veces) queda circunscrita a las consultas «de tipo System One», a igual nivel de inteligencia. La arquitectura no autorregresiva, basada en el método Reinforcement Learning for Calibrated Decisions (RLCD), produce las salidas en paralelo en lugar de token a token. Los límites declarados en la documentación son 250.000 tokens por segundo o 1.200 peticiones por minuto, con una ventana de contexto de 64k tokens por petición y un tope de 32k para estado más pregunta.

El cuadro presenta, no obstante, varios elementos inciertos que conviene explicitar. En la entrada oficial de lanzamiento, TypeSafe AI reconoce abiertamente que el 0 % asignado a los errores de tipo en sus propios gráficos no procede de mediciones empíricas, sino de la garantía estructural del esquema predefinido, que impide de raíz una salida con forma errónea sin garantizar por sí mismo que la decisión sea correcta. Además, las comparaciones de rendimiento se basan en evaluaciones internas llamadas «workflow evals», realizadas haciendo pasar a los modelos competidores por el adaptador propietario de la propia TypeSafe AI, sin contraste en benchmarks públicos de terceros. También el anuncio de una financiación inicial de 40 millones de dólares liderada por DCVC lo recogen fuentes externas como TAO Media, pero no encuentra confirmación directa en los canales oficiales de la empresa.

Sustituir la creatividad de la prosa por el rigor de un esquema tipado es una intuición pragmática que responde a necesidades reales de arquitectura del software. Queda por comprobar si la calibración de las probabilidades y las velocidades prometidas resistirán el examen de benchmarks independientes y el uso sobre el terreno. — Olya