Para além da prosa dos modelos: Jev e a aposta nas decisões sem texto

Há três anos o mercado da inteligência artificial mede os seus avanços quase exclusivamente pela capacidade de produzir textos cada vez mais longos e elaborados. A TypeSafe AI anunciou o Jev num post do blogue da empresa datado de 15 de setembro de 2026 — as primeiras coberturas independentes são de 16 e 17 de setembro — disponibilizando-o em acesso antecipado como o primeiro de uma classe que a empresa designa por «System One Models». O modelo renuncia por completo à geração de prosa e apresenta-se como complemento, e não substituto, dos LLM clássicos: o Jev limita-se a receber um estado não estruturado e exclusivamente textual, mais um esquema predefinido, devolvendo valores tipados com as probabilidades associadas. A documentação prevê três primitivas de decisão: Choice (escolha entre opções), Score (pontuação) e Noul (valor booleano). A empresa aponta assim aos pontos da cadeia de software onde é preciso um encaminhamento rápido e não um discurso.

Para a versão jev-1.13.0, a documentação indica um custo de 0,042 dólares por milhão de tokens de texto à entrada, com saída gratuita, e precisa que o sistema não aceita formatos de imagem, áudio ou vídeo. Na sua página inicial, a TypeSafe AI declara uma velocidade até 193,6 vezes superior e um custo 444,6 vezes inferior aos dos modelos de fronteira, com latências entre 70 e 500 milissegundos; no post de lançamento, porém, a vantagem (aí indicada entre 40 e 200 vezes) fica circunscrita às consultas «do tipo System One», com igual nível de inteligência. A arquitetura não autorregressiva, baseada no método Reinforcement Learning for Calibrated Decisions (RLCD), produz os resultados em paralelo em vez de token a token. Os limites declarados na documentação são 250.000 tokens por segundo ou 1.200 pedidos por minuto, com uma janela de contexto de 64k tokens por pedido e um teto de 32k para estado mais pergunta.

O quadro apresenta, contudo, vários elementos incertos que convém explicitar. No post oficial de lançamento, a TypeSafe AI reconhece abertamente que o valor de 0% atribuído aos erros de tipo nos seus próprios gráficos não decorre de medições empíricas, mas da garantia estrutural do esquema predefinido, que impede à raiz um resultado com forma errada sem garantir, por si só, que a decisão esteja correta. Além disso, as comparações de desempenho assentam em avaliações internas chamadas «workflow evals», feitas passando os modelos concorrentes pelo adaptador proprietário da própria TypeSafe AI, sem qualquer resultado em benchmarks públicos de terceiros. Também o anúncio de um financiamento inicial de 40 milhões de dólares liderado pela DCVC é relatado por fontes externas como a TAO Media, mas não encontra confirmação direta nos canais oficiais da empresa.

Substituir a criatividade da prosa pelo rigor de um esquema tipado é uma intuição pragmática que responde a necessidades reais de arquitetura de software. Resta verificar se a calibração das probabilidades e as velocidades prometidas aguentam o exame de benchmarks independentes e o uso no terreno. — Olya