Jev es el modelo de IA de TypeSafe que toma decisiones estructuradas: devuelve opciones, puntuaciones y probabilidades en lugar de generar texto.
Esa diferencia resulta útil cuando un agente necesita elegir su siguiente acción. Hacer clic en un botón, derivar una solicitud o decidir qué resultado de una herramienta conservar no siempre requiere redactar una respuesta. A veces, la aplicación ya conoce las opciones disponibles y necesita ayuda para elegir.
Dos proyectos ilustran esta idea: un agente de navegador que separa la selección de acciones de la escritura de texto y una biblioteca de compactación que selecciona qué partes del historial de un agente conservar. Ambos permiten examinar el papel de Jev en aplicaciones concretas.
Este artículo analiza su código y documentación publicados. No hemos ejecutado los proyectos ni reproducido sus resultados de rendimiento de forma independiente.
¿Qué es Jev de TypeSafe y cómo funciona?
Jev evalúa el estado de una aplicación mediante preguntas con tipos de respuesta predefinidos. Tu código aporta el contexto y las opciones posibles; el modelo devuelve resultados estructurados.
TypeSafe ofrece tres primitivas:
| Primitiva | Pregunta de ejemplo | Resultado |
|---|---|---|
| Choice | ¿Qué equipo debe atender esta solicitud de soporte? | Una opción seleccionada y una distribución de probabilidades entre las opciones |
| Score | ¿Qué urgencia tiene esta solicitud según nuestra escala? | Una puntuación basada en una escala ordenada de criterios |
| Noul | ¿Esta solicitud describe una interrupción del servicio? | Un valor entre cero y uno que representa la evaluación del modelo |
Son ejemplos conceptuales, no sintaxis del SDK. Las primitivas pueden compartir el mismo estado en una sola petición. Documentación de TypeSafe
Después, la aplicación decide qué hacer con el resultado:
Estado de la aplicación → pregunta tipada → probabilidades → reglas de la aplicación → acción o revisión
Esa capa de reglas importa. Que el modelo determine que una solicitud trata sobre facturación no verifica la identidad de quien la envía, no concede acceso a una cuenta ni autoriza un reembolso.
¿Cómo usa Jev un agente de navegador?
El proyecto Jev Ultrafast presenta a Jev un conjunto indexado de controles del navegador y le pide que seleccione una operación y un elemento. Cuando la operación requiere texto, otro modelo generativo lo escribe.
En el ejemplo documentado, Jev decide dónde escribir y Mercury proporciona los nombres de las ciudades. La división del trabajo es explícita: seleccionar una acción y producir texto son tareas separadas.
El código comprueba el elemento seleccionado antes de ejecutar la acción. También limita la selección del modelo a los controles observados. Estas verificaciones ayudan a vincular la decisión con la página real, aunque no garantizan que la acción elegida acerque al agente al objetivo del usuario.
El proyecto admite controles HTML y ARIA habituales, con limitaciones en elementos como frames, shadow roots, canvas y cargas de archivos. El código para ejecutarlo localmente está disponible; al 19 de septiembre de 2026, su servicio en la nube tiene una lista de espera independiente. Repositorio del agente de navegador
¿Qué demuestra la búsqueda de vuelos en siete segundos?
El autor informa de una búsqueda de vuelos completada en 7,073 segundos, hasta mostrar opciones disponibles. No se realizó una reserva.
El cronómetro comienza después de la observación inicial de la página. Incluye las peticiones a los modelos, la generación de texto, las operaciones del navegador y las esperas de carga. Excluye la preparación del entorno, la navegación inicial y la verificación independiente posterior.
La comparación entre versiones es especialmente importante: ambas ya utilizaban Jev y Mercury. En tres pares de pruebas, la mediana pasó de 9,450 a 7,092 segundos tras optimizar el código de ejecución, una reducción del 25 %.
Es un resultado útil para ese flujo concreto. No establece cuánto más rápido es Jev que un agente basado en un LLM convencional ni con qué fiabilidad maneja otros sitios web.
La ejecución grabada utilizó 17 peticiones a Jev y dos llamadas al modelo auxiliar de texto. El pequeño importe informado para ese modelo auxiliar es solo una parte del coste de la tarea. Informe de rendimiento publicado
¿Cómo ayuda Jev a reducir el contexto de un agente de IA?
El proyecto fast-jev-compaction utiliza Jev para decidir si conserva, trunca o elimina las llamadas a herramientas y sus resultados.
Esto difiere de pedir a un modelo que reescriba el historial como resumen. El contenido retenido puede mantenerse literalmente, con sus rutas, errores y comandos exactos.
Sin embargo, esa conservación solo se aplica a lo que permanece. Si el sistema elimina evidencia necesaria más adelante, el contexto resultante ha perdido información.
Hay otro límite importante: el estado que recibe Jev incluye texto de la conversación y entradas de las herramientas, pero representa sus resultados mediante descripciones breves de metadatos. Por tanto, no evalúa cada resultado a partir de su contenido completo. Los historiales extensos también pueden exigir varias peticiones que repiten el estado.
El repositorio ofrece una biblioteca npm y una integración con Claude Code. Al 19 de septiembre de 2026, su README indica que esta integración depende de function hooks en acceso anticipado. Conviene tratarla como un ejemplo sujeto a esa condición, sin asumir que funciona en cualquier instalación.
Su demostración animada sigue un guion y no llama a la API: no aporta evidencia sobre la latencia. Repositorio de compactación
¿Jev es más rápido y barato que un LLM?
TypeSafe informa de mejoras importantes en sus propias evaluaciones de flujos de trabajo: sus cifras destacadas alcanzan 193,6 veces más velocidad y un coste 444,6 veces menor. Son resultados del proveedor bajo condiciones de comparación específicas.
Las respuestas de referencia proceden del promedio de predicciones de otros modelos, en lugar de respuestas correctas etiquetadas de forma independiente. La comparación también exige que los LLM produzcan decisiones estructuradas compatibles y probabilidades, lo que añade trabajo.
TypeSafe reconoce que esas cifras se sitúan en el extremo superior de las mejoras que espera. Sus mediciones de latencia se realizaron generalmente cerca del servicio, en la costa oeste de Estados Unidos. Los equipos que despliegan aplicaciones en Iberoamerica necesitan medir desde sus propias regiones.
La pregunta práctica es si Jev mejora un flujo concreto con una tasa de error aceptable, contando el tiempo de red, los modelos auxiliares, los reintentos y los mecanismos alternativos ante fallos. Anuncio y metodología
¿Una respuesta tipada garantiza una decisión correcta?
Una respuesta tipada restringe la forma de la salida. No demuestra que la opción seleccionada sea correcta.
La documentación de TypeSafe describe dificultades con negaciones, aritmética, comparación de fechas, razonamiento de varios pasos y contexto irrelevante. También advierte que el contenido adversarial incluido en el estado puede influir en las decisiones. Una acción permitida puede seguir siendo la acción equivocada. Limitaciones documentadas del modelo
El valor de confianza requiere el mismo cuidado. En Choice y Score se calcula a partir de la concentración de la distribución de probabilidades devuelta. Noul no expone esa misma propiedad.
Un valor de confianza de 0,9 no debe interpretarse automáticamente como una exactitud del 90 % comprobada de forma independiente. Los umbrales deben evaluarse con ejemplos representativos de la aplicación. Documentación sobre confianza
Mantén la aritmética exacta, la comprobación de permisos y la autorización en código determinista. Usa el modelo para la parte que requiere juicio.
¿Cuánto cuesta Jev y qué debes revisar antes de usarlo?
Al 19 de septiembre de 2026, TypeSafe publica un precio para su servicio directo de 0,042 USD por millón de tokens de entrada, con tokens de salida gratuitos.
El modelo documentado acepta texto, con un límite total de 64.000 tokens por petición y otro de 32.000 tokens para el estado más la pregunta más larga. TypeSafe indica que el inglés ofrece actualmente la mayor precisión, por lo que los casos de uso en español necesitan su propia evaluación. Modelos, precios y límites
En esa misma fecha, el servicio se ofrece en acceso anticipado. Existen instrucciones oficiales para empezar, pero su publicación no garantiza que todos los lectores puedan obtener acceso inmediato. Guía oficial de inicio
El tratamiento de los datos también forma parte de la evaluación. TypeSafe declara que no entrena con datos de clientes y ofrece retención cero para clientes empresariales. Son compromisos distintos: la promesa de no entrenar no implica retención cero por defecto. Políticas de datos
Por último, que los repositorios de aplicaciones sean públicos no demuestra que los pesos de Jev estén disponibles ni que puedas alojar el modelo en tu propia infraestructura.
¿Cómo evaluar Jev en tu propia aplicación?
Empieza con una tarea de decisión acotada y ejemplos cuyos resultados esperados puedas establecer.
Una evaluación útil debería medir:
- Calidad de las decisiones: aciertos, errores costosos y comportamiento cuando falta información.
- Calibración: si una mayor certeza declarada corresponde a mejores resultados observados.
- Latencia completa: mediana y percentil 95 del tiempo de la tarea desde la región de despliegue.
- Coste total: estado repetido, modelos auxiliares, reintentos y mecanismos alternativos ante fallos.
- Comportamiento ante fallos: entradas en español, contexto engañoso e intentos de influir en las decisiones mediante contenido no confiable.
Compáralo con tu implementación actual y con reglas deterministas cuando estas puedan resolver la tarea.
Jev ofrece una opción de arquitectura que merece evaluarse: reservar la generación de texto para las tareas que la necesitan y utilizar decisiones acotadas cuando la aplicación ya define los resultados posibles. Su valor depende de cómo funcione esa división en tu sistema y de las comprobaciones que aplique tu código antes de convertir una decisión en una acción.