{"content_id":"emjtnwrqpz","slug":"jev-system-one-model-llm-comparison","locale":"es","schema_type":"TechArticle","category":"knowledge_base","category_name":"Base de conocimiento","title":"Jev para desarrolladores: diferencias con los LLM","summary":"Jev es un modelo para decisiones estructuradas desarrollado por TypeSafe AI. Vincula al código opciones y probabilidades, y al adoptarlo en la práctica hay que distinguir entre el formato de salida y la precisión de las decisiones.","sponsorship_disclosure":null,"affiliate_disclosure":null,"commerce_disclosure":null,"author":{"name":"Equipo editorial de Injoys","url":"https://injoys.com/ko/about"},"key_points":["Jev devuelve opciones predefinidas y probabilidades en lugar de explicaciones libres.","Choice y Score incluyen un nivel de confianza, pero Noul no tiene un campo de confianza separado.","El precio de entrada anunciado el 15 de septiembre de 2026 es de 0.042 dólares por cada millón de tokens.","La comparación de velocidad publicada se basa en una tarea y un entorno de medición específicos.","Para tareas en coreano, compruebe con casos reales la precisión y los criterios para pasar a revisión."],"content_markdown":"Jev es un modelo desarrollado por TypeSafe para tomar decisiones de software. Devuelve valores seleccionados y probabilidades en lugar de textos explicativos. Está diseñado para la clasificación y la bifurcación de tareas. Aunque el formato de salida sea correcto, la decisión puede ser errónea.\n\nLas cifras de precios y velocidad se basan en el anuncio de TypeSafe del 15 de septiembre de 2026.\n\n## Qué significan Jev y System One Model\n\nJev es una IA que produce resultados de decisión que el código puede usar directamente. Su nombre oficial de producto es Jev. TypeSafe denomina a esta familia System One Model.\n\nLa entrada incluye `state`, que es el objeto de la decisión, y `questions`, que contiene las preguntas. `state` es la información necesaria para decidir, como una consulta de un cliente o un registro de trabajo. En las preguntas se especifican las respuestas permitidas y los criterios de evaluación.\n\nEl nombre System One procede del pensamiento rápido e intuitivo. Es el término que usa la empresa para explicar la función del producto. También cuenta con la capacidad de comprender entradas en lenguaje natural. Puede consultar el concepto y el alcance de las entradas en la [documentación de System One de TypeSafe](https://docs.typesafe.ai/concepts/system-one).\n\n## ¿En qué se diferencia de un LLM?\n\nLa diferencia principal es el alcance de las respuestas que puede producir. Un LLM genera contenido libre, como textos explicativos y código. Jev decide dentro del conjunto de respuestas definido por el desarrollador.\n\n| Aspecto comparado | Uso habitual de un LLM | Uso de Jev |\n| --- | --- | --- |\n| Resultado principal | Texto explicativo, resumen, código generado | Valor seleccionado, puntuación de evaluación, probabilidad |\n| Alcance de las respuestas | Generación libre o salida estructurada | Alcance predefinido en la pregunta |\n| Integración con software | Interpretación y validación según el formato de respuesta | Conexión del valor devuelto con condiciones y clasificaciones |\n| Generación de explicaciones | Puede redactar en frases los motivos de una decisión | No admite la generación libre de textos explicativos |\n| Función adecuada | Conversación, redacción, resolución de problemas complejos | Clasificación, selección de la ruta responsable, evaluación por criterios |\n\nTambién se puede configurar un LLM para que responda en un formato estructurado. Por tanto, la salida JSON no es una función exclusiva de Jev. La documentación de Vercel también explica cómo conectarlo con un LLM estructurado. Sin embargo, un mismo formato de respuesta no implica el mismo comportamiento de evaluación. Esta distinción se explica en el [artículo de Vercel sobre Jev](https://vercel.com/i/what-is-jev).\n\nEn el software, el formato de salida debe ser correcto para poder ejecutar la siguiente tarea. Por ejemplo, el valor del departamento responsable debe contener un nombre permitido. Si se mezcla con texto explicativo, hace falta un proceso de interpretación adicional. Jev está diseñado para devolver directamente este tipo de resultados de decisión.\n\n## Resumen de Choice·Score·Noul según las condiciones\n\nElija el tipo según la forma que deba tener la respuesta a la pregunta. Los tipos básicos de pregunta de Jev son Choice, Score y Noul. Las preguntas independientes sobre un mismo estado pueden agruparse en una sola llamada. La forma de configurarlas se explica en [TypeSafe Introduction](https://docs.typesafe.ai/introduction).\n\n| Decisión necesaria | Tipo de pregunta | Contenido devuelto | Ejemplo de uso |\n| --- | --- | --- | --- |\n| Elegir entre opciones definidas | Choice | Valor seleccionado, probabilidad de cada opción, confianza | Enviar una consulta al departamento responsable |\n| Evaluar con criterios ordenados | Score | Puntuación, probabilidad de cada nivel, confianza | Evaluar la gravedad de una incidencia |\n| Determinar si una afirmación es cierta | Noul | Valor de 0-1 que representa la probabilidad de «sí» | Determinar si se incluye una solicitud de reembolso |\n\nEl número de Score indica la posición dentro de los niveles de evaluación configurados. No siempre representa un porcentaje. Noul es un tipo que devuelve la probabilidad de «sí». La [documentación de Score](https://docs.typesafe.ai/primitives/score) y la [documentación de Noul](https://docs.typesafe.ai/primitives/noul) establecen los criterios de interpretación de cada uno.\n\nDefina el orden de procesamiento de las preguntas que dependan entre sí. Si una pregunta posterior necesita una respuesta anterior, debe conectarlas en el código. Las preguntas incluidas en una misma llamada evalúan de forma independiente el estado común.\n\n## ¿Cómo deben interpretarse las cifras del caso de atención en un restaurante?\n\nLas cifras de la demostración de atención en un restaurante no pueden considerarse una medida de la precisión general del producto. En la explicación del vídeo de presentación aparecen los siguientes valores. No se han podido comprobar la solicitud original a la API ni las condiciones de medición.\n\n| Valor presentado | Significado en la explicación | Aspectos que deben comprobarse al interpretarlo |\n| --- | --- | --- |\n| 0.09 en una escala de 0-1 | Evaluación de la legitimidad de la conducta del cliente | Comprobar si es una puntuación o la probabilidad de «sí» |\n| Idoneidad de la opción 94% | Valor asignado a la opción de explicar el motivo del pago | Comprobar las opciones presentadas y los criterios de la pregunta |\n| Confianza 92% | Indicación de la confianza en esa decisión | No interpretarla como la tasa real de aciertos |\n| Tiempo de procesamiento inferior a 0.1 segundos | Tiempo de respuesta presentado en la demostración | Comprobar si incluye el tiempo de comunicación |\n\nEste caso es un ejemplo para entender el formato de salida. Las cifras por sí solas no permiten resolver un conflicto real. En particular, si cambia la composición de las opciones, cambia también la propia pregunta.\n\n## Errores frecuentes al confundir la probabilidad y la confianza\n\nLa probabilidad y la confianza son valores diferentes. Las probabilidades de Choice son los valores asignados a cada opción. La confianza resume hasta qué punto está concentrada esa distribución de probabilidades.\n\nPor tanto, una confianza del 92% no debe interpretarse como una tasa de aciertos del 92%. La tasa real de aciertos debe medirse con casos cuya respuesta correcta se haya confirmado. Noul no tiene un campo `confidence` independiente. Esta distinción se especifica en la [documentación de TypeSafe sobre Confidence](https://docs.typesafe.ai/confidence).\n\n- **Confusión entre formato y precisión:** Aunque se elija un departamento permitido, el departamento responsable puede ser incorrecto.\n- **Confusión entre puntuación y probabilidad:** El valor de Score puede ser la posición dentro de los niveles de evaluación.\n- **Confusión entre confianza y tasa de aciertos:** Una confianza alta por sí sola no garantiza que una respuesta concreta sea correcta.\n- **Omisión de opciones:** Si la respuesta necesaria no está entre las opciones, resulta difícil tomar una decisión adecuada.\n\nLa calibración consiste en reunir varias predicciones para evaluar la relación entre las probabilidades y los resultados. No es un procedimiento que garantice la exactitud de una respuesta individual. Evalúe por separado el cumplimiento del formato de salida y la exactitud semántica.\n\n## Condiciones de la comparación pública de precios y velocidad\n\nLos precios públicos se calculan según los tokens de entrada. Un token es una unidad que el modelo usa para procesar texto. En el anuncio del 15 de septiembre de 2026 se indicó que los tokens de salida eran gratuitos.\n\n| Aspecto | Información pública | Ámbito de aplicación |\n| --- | --- | --- |\n| Precio de entrada | 0.042 dólares por 1 millón de tokens | Precio de TypeSafe en el momento del anuncio |\n| Precio de salida | Gratis | Precio de TypeSafe en el momento del anuncio |\n| Tiempo de respuesta | 70-500 milisegundos | Intervalo de medición anunciado por la empresa |\n| Entorno de medición | Principalmente ordenadores portátiles del oeste de Estados Unidos | Entorno de evaluación indicado en el anuncio de la empresa |\n\nEstas cifras no garantizan el rendimiento de todas las solicitudes. La evaluación de la empresa incluye comparaciones que toman como referencia las predicciones de modelos externos. No pueden considerarse equivalentes a la tasa de aciertos en tareas reales. Las condiciones de medición están publicadas en el [anuncio de lanzamiento de TypeSafe](https://typesafe.ai/blog/introducing-system-one-models-and-jev).\n\n### Ejemplo de cálculo con el precio público\n\nEl precio base de uso de 1,000 millones de tokens de entrada es de 42 dólares. La fórmula es `1,000,000,000 ÷ 1,000,000 × 0.042`. Es un ejemplo de conversión del precio público.\n\nEl precio de una decisión varía según la longitud de la entrada. Los reintentos o las llamadas posteriores a otros modelos también influyen en el coste real. Consulte los precios más recientes en la [documentación de TypeSafe sobre Models](https://docs.typesafe.ai/models).\n\n## Alcance de uso que muestra la demostración de Doom\n\nLa demostración de Doom es un caso en el que se elige una acción a partir de un estado estructurado del juego. No es una demostración que interprete directamente las imágenes de la pantalla del juego. TypeSafe explica que usó datos de estado en formato de texto. Esta condición aparece en la [explicación de Doom del anuncio de lanzamiento](https://typesafe.ai/blog/introducing-system-one-models-and-jev).\n\nAl aplicarlo al trabajo, los puntos donde se toman decisiones repetidamente son posibles candidatos. La siguiente tabla presenta ejemplos de diseño basados en sus funciones. El rendimiento en cada tarea debe validarse por separado.\n\n| Condición de la tarea | Función posible | Procesamiento adicional necesario |\n| --- | --- | --- |\n| Clasificar consultas en departamentos definidos | Elegir con Choice la ruta responsable | Ruta de revisión para consultas ambiguas |\n| Evaluar documentos con criterios comunes | Devolver con Score una puntuación por criterio | Definición clara de los criterios de evaluación |\n| Comprobar si se incluye una solicitud concreta | Evaluar la afirmación con Noul | Código que determine si debe ejecutarse |\n| Redactar un texto explicativo para el usuario | Conectar con un modelo generativo | Transmitir las fuentes originales y la decisión aprobada |\n\n## Limitaciones del trabajo en coreano y del procesamiento numérico\n\nLas tareas en coreano requieren una validación propia. TypeSafe indica que el inglés es el idioma principal de entrenamiento. También explica que el rendimiento no es igual en otros idiomas. Las condiciones de compatibilidad lingüística pueden consultarse en la [documentación de Models](https://docs.typesafe.ai/models).\n\nQue devuelva números no significa que los cálculos sean exactos. Así se explica en el documento sobre limitaciones revisado el 17 de septiembre de 2026. El documento recomienda hacer los cálculos en el código.\n\n\u003e Jev is not a calculator.\n\nLa frase anterior es el texto original de [Jev 1.13 jaggedness](https://docs.typesafe.ai/model-jaggedness/jev-1.13).\n\n| Limitación conocida | Medida durante el desarrollo |\n| --- | --- |\n| Cálculo exacto de cantidades | Calcular en el código la cantidad de elementos |\n| Comparación de fechas y horas | Convertir los valores extraídos a un tipo de datos de fecha y compararlos |\n| Entradas largas no relacionadas | Seleccionar solo el contenido necesario para la decisión |\n| Negaciones complejas y condiciones indirectas | Separarlas en preguntas claras y breves |\n| Criterios de evaluación ambiguos o contradictorios | Alinear el significado de la pregunta y las opciones |\n\nIncluya expresiones de tareas reales en los datos de validación en coreano. También deben comprobarse el lenguaje honorífico y los sujetos omitidos. Puede comparar las respuestas del modelo con casos cuyos resultados de procesamiento estén confirmados.\n\n## Comparación de las vías de uso de la API y los SDK\n\nAdemás de la conexión directa con TypeSafe, también se han confirmado vías mediante gateways. En el anuncio de lanzamiento se indicó que el acceso inicial sería por una lista de espera. Compruebe en cada servicio si su cuenta tiene acceso.\n\n| Vía | Forma de acceso confirmada | Documentación que debe consultarse |\n| --- | --- | --- |\n| TypeSafe | Consola, API, SDK de cliente | Quick start |\n| Vercel AI Gateway | Conexión de solicitudes de evaluación de Jev | Evaluation |\n| OpenRouter | Registro del modelo Jev 1.13 | Página del modelo Jev 1.13 |\n\nLa [Quick start de TypeSafe](https://docs.typesafe.ai/introduction/quickstart) explica el procedimiento de llamada directa. Estos son los pasos básicos de esa vía.\n\n1. Compruebe en la consola los permisos de acceso de la cuenta.\n2. Pruebe en Playground el objeto de la decisión y las preguntas.\n3. Obtenga una clave de API en el panel.\n4. Envíe una solicitud mediante el SDK o la API HTTP.\n5. Conecte los valores devueltos y las probabilidades con las reglas de procesamiento del código.\n\nLa [documentación de Evaluation de Vercel](https://vercel.com/docs/ai-gateway/modalities/evaluation) incluye un ejemplo de conexión. En esta vía, las preguntas de sí o no se representan como Boolean. El modelo también puede consultarse en la [página de Jev 1.13 de OpenRouter](https://openrouter.ai/typesafe/jev-1.13/). Use la documentación correspondiente como referencia para el formato de las solicitudes y los límites de cada vía.\n\n## Criterios de diseño para registrar las decisiones\n\nPara validar los resultados de la automatización, registre también los datos de entrada que sustentan la decisión. Si solo guarda el valor seleccionado, será difícil encontrar la causa de una decisión errónea. Los siguientes puntos son propuestas de diseño basadas en la interfaz oficial.\n\n| Elemento registrado | Problema que permite comprobar |\n| --- | --- |\n| Texto original y momento usados para la decisión | Información desactualizada u omitida |\n| Versión de las preguntas y las opciones | Diferencias en los resultados por cambios en los criterios |\n| ID real del modelo que respondió | Efectos de un cambio de modelo |\n| Respuesta y distribución de probabilidades | Motivo del procesamiento de casos ambiguos |\n| Acción ejecutada por el código | Discrepancias entre la decisión y la ejecución |\n| Resultado comprobado por una persona | Errores reales e historial de correcciones |\n\nLos alias de los nombres de modelo pueden cambiar para apuntar a una versión nueva. La versión validada puede fijarse mediante el ID del modelo. Este método operativo se explica en la [documentación de TypeSafe sobre Models](https://docs.typesafe.ai/models).\n\nDefina los criterios para derivar un caso a revisión usando casos reales. Evalúe tanto el coste de una clasificación errónea como la carga de la revisión humana. No existe un valor de confianza universalmente válido. Para el método de validación puede consultar las indicaciones de la [documentación de Confidence](https://docs.typesafe.ai/confidence).","content_html":"\u003cp\u003eJev es un modelo desarrollado por TypeSafe para tomar decisiones de software. Devuelve valores seleccionados y probabilidades en lugar de textos explicativos. Está diseñado para la clasificación y la bifurcación de tareas. Aunque el formato de salida sea correcto, la decisión puede ser errónea.\u003c/p\u003e\n\u003cp\u003eLas cifras de precios y velocidad se basan en el anuncio de TypeSafe del 15 de septiembre de 2026.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#qu%C3%A9-significan-jev-y-system-one-model\" class=\"anchor\" id=\"qué-significan-jev-y-system-one-model\"\u003e\u003c/a\u003eQué significan Jev y System One Model\u003c/h2\u003e\n\u003cp\u003eJev es una IA que produce resultados de decisión que el código puede usar directamente. Su nombre oficial de producto es Jev. TypeSafe denomina a esta familia System One Model.\u003c/p\u003e\n\u003cp\u003eLa entrada incluye \u003ccode\u003estate\u003c/code\u003e, que es el objeto de la decisión, y \u003ccode\u003equestions\u003c/code\u003e, que contiene las preguntas. \u003ccode\u003estate\u003c/code\u003e es la información necesaria para decidir, como una consulta de un cliente o un registro de trabajo. En las preguntas se especifican las respuestas permitidas y los criterios de evaluación.\u003c/p\u003e\n\u003cp\u003eEl nombre System One procede del pensamiento rápido e intuitivo. Es el término que usa la empresa para explicar la función del producto. También cuenta con la capacidad de comprender entradas en lenguaje natural. Puede consultar el concepto y el alcance de las entradas en la \u003ca href=\"https://docs.typesafe.ai/concepts/system-one\"\u003edocumentación de System One de TypeSafe\u003c/a\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#en-qu%C3%A9-se-diferencia-de-un-llm\" class=\"anchor\" id=\"en-qué-se-diferencia-de-un-llm\"\u003e\u003c/a\u003e¿En qué se diferencia de un LLM?\u003c/h2\u003e\n\u003cp\u003eLa diferencia principal es el alcance de las respuestas que puede producir. Un LLM genera contenido libre, como textos explicativos y código. Jev decide dentro del conjunto de respuestas definido por el desarrollador.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eAspecto comparado\u003c/th\u003e\n\u003cth\u003eUso habitual de un LLM\u003c/th\u003e\n\u003cth\u003eUso de Jev\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto comparado\"\u003eResultado principal\u003c/td\u003e\n\u003ctd data-label=\"Uso habitual de un LLM\"\u003eTexto explicativo, resumen, código generado\u003c/td\u003e\n\u003ctd data-label=\"Uso de Jev\"\u003eValor seleccionado, puntuación de evaluación, probabilidad\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto comparado\"\u003eAlcance de las respuestas\u003c/td\u003e\n\u003ctd data-label=\"Uso habitual de un LLM\"\u003eGeneración libre o salida estructurada\u003c/td\u003e\n\u003ctd data-label=\"Uso de Jev\"\u003eAlcance predefinido en la pregunta\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto comparado\"\u003eIntegración con software\u003c/td\u003e\n\u003ctd data-label=\"Uso habitual de un LLM\"\u003eInterpretación y validación según el formato de respuesta\u003c/td\u003e\n\u003ctd data-label=\"Uso de Jev\"\u003eConexión del valor devuelto con condiciones y clasificaciones\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto comparado\"\u003eGeneración de explicaciones\u003c/td\u003e\n\u003ctd data-label=\"Uso habitual de un LLM\"\u003ePuede redactar en frases los motivos de una decisión\u003c/td\u003e\n\u003ctd data-label=\"Uso de Jev\"\u003eNo admite la generación libre de textos explicativos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto comparado\"\u003eFunción adecuada\u003c/td\u003e\n\u003ctd data-label=\"Uso habitual de un LLM\"\u003eConversación, redacción, resolución de problemas complejos\u003c/td\u003e\n\u003ctd data-label=\"Uso de Jev\"\u003eClasificación, selección de la ruta responsable, evaluación por criterios\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eTambién se puede configurar un LLM para que responda en un formato estructurado. Por tanto, la salida JSON no es una función exclusiva de Jev. La documentación de Vercel también explica cómo conectarlo con un LLM estructurado. Sin embargo, un mismo formato de respuesta no implica el mismo comportamiento de evaluación. Esta distinción se explica en el \u003ca href=\"https://vercel.com/i/what-is-jev\"\u003eartículo de Vercel sobre Jev\u003c/a\u003e.\u003c/p\u003e\n\u003cp\u003eEn el software, el formato de salida debe ser correcto para poder ejecutar la siguiente tarea. Por ejemplo, el valor del departamento responsable debe contener un nombre permitido. Si se mezcla con texto explicativo, hace falta un proceso de interpretación adicional. Jev está diseñado para devolver directamente este tipo de resultados de decisión.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#resumen-de-choicescorenoul-seg%C3%BAn-las-condiciones\" class=\"anchor\" id=\"resumen-de-choicescorenoul-según-las-condiciones\"\u003e\u003c/a\u003eResumen de Choice·Score·Noul según las condiciones\u003c/h2\u003e\n\u003cp\u003eElija el tipo según la forma que deba tener la respuesta a la pregunta. Los tipos básicos de pregunta de Jev son Choice, Score y Noul. Las preguntas independientes sobre un mismo estado pueden agruparse en una sola llamada. La forma de configurarlas se explica en \u003ca href=\"https://docs.typesafe.ai/introduction\"\u003eTypeSafe Introduction\u003c/a\u003e.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eDecisión necesaria\u003c/th\u003e\n\u003cth\u003eTipo de pregunta\u003c/th\u003e\n\u003cth\u003eContenido devuelto\u003c/th\u003e\n\u003cth\u003eEjemplo de uso\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Decisión necesaria\"\u003eElegir entre opciones definidas\u003c/td\u003e\n\u003ctd data-label=\"Tipo de pregunta\"\u003eChoice\u003c/td\u003e\n\u003ctd data-label=\"Contenido devuelto\"\u003eValor seleccionado, probabilidad de cada opción, confianza\u003c/td\u003e\n\u003ctd data-label=\"Ejemplo de uso\"\u003eEnviar una consulta al departamento responsable\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Decisión necesaria\"\u003eEvaluar con criterios ordenados\u003c/td\u003e\n\u003ctd data-label=\"Tipo de pregunta\"\u003eScore\u003c/td\u003e\n\u003ctd data-label=\"Contenido devuelto\"\u003ePuntuación, probabilidad de cada nivel, confianza\u003c/td\u003e\n\u003ctd data-label=\"Ejemplo de uso\"\u003eEvaluar la gravedad de una incidencia\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Decisión necesaria\"\u003eDeterminar si una afirmación es cierta\u003c/td\u003e\n\u003ctd data-label=\"Tipo de pregunta\"\u003eNoul\u003c/td\u003e\n\u003ctd data-label=\"Contenido devuelto\"\u003eValor de 0-1 que representa la probabilidad de «sí»\u003c/td\u003e\n\u003ctd data-label=\"Ejemplo de uso\"\u003eDeterminar si se incluye una solicitud de reembolso\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eEl número de Score indica la posición dentro de los niveles de evaluación configurados. No siempre representa un porcentaje. Noul es un tipo que devuelve la probabilidad de «sí». La \u003ca href=\"https://docs.typesafe.ai/primitives/score\"\u003edocumentación de Score\u003c/a\u003e y la \u003ca href=\"https://docs.typesafe.ai/primitives/noul\"\u003edocumentación de Noul\u003c/a\u003e establecen los criterios de interpretación de cada uno.\u003c/p\u003e\n\u003cp\u003eDefina el orden de procesamiento de las preguntas que dependan entre sí. Si una pregunta posterior necesita una respuesta anterior, debe conectarlas en el código. Las preguntas incluidas en una misma llamada evalúan de forma independiente el estado común.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#c%C3%B3mo-deben-interpretarse-las-cifras-del-caso-de-atenci%C3%B3n-en-un-restaurante\" class=\"anchor\" id=\"cómo-deben-interpretarse-las-cifras-del-caso-de-atención-en-un-restaurante\"\u003e\u003c/a\u003e¿Cómo deben interpretarse las cifras del caso de atención en un restaurante?\u003c/h2\u003e\n\u003cp\u003eLas cifras de la demostración de atención en un restaurante no pueden considerarse una medida de la precisión general del producto. En la explicación del vídeo de presentación aparecen los siguientes valores. No se han podido comprobar la solicitud original a la API ni las condiciones de medición.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eValor presentado\u003c/th\u003e\n\u003cth\u003eSignificado en la explicación\u003c/th\u003e\n\u003cth\u003eAspectos que deben comprobarse al interpretarlo\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Valor presentado\"\u003e0.09 en una escala de 0-1\u003c/td\u003e\n\u003ctd data-label=\"Significado en la explicación\"\u003eEvaluación de la legitimidad de la conducta del cliente\u003c/td\u003e\n\u003ctd data-label=\"Aspectos que deben comprobarse al interpretarlo\"\u003eComprobar si es una puntuación o la probabilidad de «sí»\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Valor presentado\"\u003eIdoneidad de la opción 94%\u003c/td\u003e\n\u003ctd data-label=\"Significado en la explicación\"\u003eValor asignado a la opción de explicar el motivo del pago\u003c/td\u003e\n\u003ctd data-label=\"Aspectos que deben comprobarse al interpretarlo\"\u003eComprobar las opciones presentadas y los criterios de la pregunta\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Valor presentado\"\u003eConfianza 92%\u003c/td\u003e\n\u003ctd data-label=\"Significado en la explicación\"\u003eIndicación de la confianza en esa decisión\u003c/td\u003e\n\u003ctd data-label=\"Aspectos que deben comprobarse al interpretarlo\"\u003eNo interpretarla como la tasa real de aciertos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Valor presentado\"\u003eTiempo de procesamiento inferior a 0.1 segundos\u003c/td\u003e\n\u003ctd data-label=\"Significado en la explicación\"\u003eTiempo de respuesta presentado en la demostración\u003c/td\u003e\n\u003ctd data-label=\"Aspectos que deben comprobarse al interpretarlo\"\u003eComprobar si incluye el tiempo de comunicación\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eEste caso es un ejemplo para entender el formato de salida. Las cifras por sí solas no permiten resolver un conflicto real. En particular, si cambia la composición de las opciones, cambia también la propia pregunta.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#errores-frecuentes-al-confundir-la-probabilidad-y-la-confianza\" class=\"anchor\" id=\"errores-frecuentes-al-confundir-la-probabilidad-y-la-confianza\"\u003e\u003c/a\u003eErrores frecuentes al confundir la probabilidad y la confianza\u003c/h2\u003e\n\u003cp\u003eLa probabilidad y la confianza son valores diferentes. Las probabilidades de Choice son los valores asignados a cada opción. La confianza resume hasta qué punto está concentrada esa distribución de probabilidades.\u003c/p\u003e\n\u003cp\u003ePor tanto, una confianza del 92% no debe interpretarse como una tasa de aciertos del 92%. La tasa real de aciertos debe medirse con casos cuya respuesta correcta se haya confirmado. Noul no tiene un campo \u003ccode\u003econfidence\u003c/code\u003e independiente. Esta distinción se especifica en la \u003ca href=\"https://docs.typesafe.ai/confidence\"\u003edocumentación de TypeSafe sobre Confidence\u003c/a\u003e.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003eConfusión entre formato y precisión:\u003c/strong\u003e Aunque se elija un departamento permitido, el departamento responsable puede ser incorrecto.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eConfusión entre puntuación y probabilidad:\u003c/strong\u003e El valor de Score puede ser la posición dentro de los niveles de evaluación.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eConfusión entre confianza y tasa de aciertos:\u003c/strong\u003e Una confianza alta por sí sola no garantiza que una respuesta concreta sea correcta.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eOmisión de opciones:\u003c/strong\u003e Si la respuesta necesaria no está entre las opciones, resulta difícil tomar una decisión adecuada.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eLa calibración consiste en reunir varias predicciones para evaluar la relación entre las probabilidades y los resultados. No es un procedimiento que garantice la exactitud de una respuesta individual. Evalúe por separado el cumplimiento del formato de salida y la exactitud semántica.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#condiciones-de-la-comparaci%C3%B3n-p%C3%BAblica-de-precios-y-velocidad\" class=\"anchor\" id=\"condiciones-de-la-comparación-pública-de-precios-y-velocidad\"\u003e\u003c/a\u003eCondiciones de la comparación pública de precios y velocidad\u003c/h2\u003e\n\u003cp\u003eLos precios públicos se calculan según los tokens de entrada. Un token es una unidad que el modelo usa para procesar texto. En el anuncio del 15 de septiembre de 2026 se indicó que los tokens de salida eran gratuitos.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eAspecto\u003c/th\u003e\n\u003cth\u003eInformación pública\u003c/th\u003e\n\u003cth\u003eÁmbito de aplicación\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto\"\u003ePrecio de entrada\u003c/td\u003e\n\u003ctd data-label=\"Información pública\"\u003e0.042 dólares por 1 millón de tokens\u003c/td\u003e\n\u003ctd data-label=\"Ámbito de aplicación\"\u003ePrecio de TypeSafe en el momento del anuncio\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto\"\u003ePrecio de salida\u003c/td\u003e\n\u003ctd data-label=\"Información pública\"\u003eGratis\u003c/td\u003e\n\u003ctd data-label=\"Ámbito de aplicación\"\u003ePrecio de TypeSafe en el momento del anuncio\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto\"\u003eTiempo de respuesta\u003c/td\u003e\n\u003ctd data-label=\"Información pública\"\u003e70-500 milisegundos\u003c/td\u003e\n\u003ctd data-label=\"Ámbito de aplicación\"\u003eIntervalo de medición anunciado por la empresa\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto\"\u003eEntorno de medición\u003c/td\u003e\n\u003ctd data-label=\"Información pública\"\u003ePrincipalmente ordenadores portátiles del oeste de Estados Unidos\u003c/td\u003e\n\u003ctd data-label=\"Ámbito de aplicación\"\u003eEntorno de evaluación indicado en el anuncio de la empresa\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eEstas cifras no garantizan el rendimiento de todas las solicitudes. La evaluación de la empresa incluye comparaciones que toman como referencia las predicciones de modelos externos. No pueden considerarse equivalentes a la tasa de aciertos en tareas reales. Las condiciones de medición están publicadas en el \u003ca href=\"https://typesafe.ai/blog/introducing-system-one-models-and-jev\"\u003eanuncio de lanzamiento de TypeSafe\u003c/a\u003e.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#ejemplo-de-c%C3%A1lculo-con-el-precio-p%C3%BAblico\" class=\"anchor\" id=\"ejemplo-de-cálculo-con-el-precio-público\"\u003e\u003c/a\u003eEjemplo de cálculo con el precio público\u003c/h3\u003e\n\u003cp\u003eEl precio base de uso de 1,000 millones de tokens de entrada es de 42 dólares. La fórmula es \u003ccode\u003e1,000,000,000 ÷ 1,000,000 × 0.042\u003c/code\u003e. Es un ejemplo de conversión del precio público.\u003c/p\u003e\n\u003cp\u003eEl precio de una decisión varía según la longitud de la entrada. Los reintentos o las llamadas posteriores a otros modelos también influyen en el coste real. Consulte los precios más recientes en la \u003ca href=\"https://docs.typesafe.ai/models\"\u003edocumentación de TypeSafe sobre Models\u003c/a\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#alcance-de-uso-que-muestra-la-demostraci%C3%B3n-de-doom\" class=\"anchor\" id=\"alcance-de-uso-que-muestra-la-demostración-de-doom\"\u003e\u003c/a\u003eAlcance de uso que muestra la demostración de Doom\u003c/h2\u003e\n\u003cp\u003eLa demostración de Doom es un caso en el que se elige una acción a partir de un estado estructurado del juego. No es una demostración que interprete directamente las imágenes de la pantalla del juego. TypeSafe explica que usó datos de estado en formato de texto. Esta condición aparece en la \u003ca href=\"https://typesafe.ai/blog/introducing-system-one-models-and-jev\"\u003eexplicación de Doom del anuncio de lanzamiento\u003c/a\u003e.\u003c/p\u003e\n\u003cp\u003eAl aplicarlo al trabajo, los puntos donde se toman decisiones repetidamente son posibles candidatos. La siguiente tabla presenta ejemplos de diseño basados en sus funciones. El rendimiento en cada tarea debe validarse por separado.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eCondición de la tarea\u003c/th\u003e\n\u003cth\u003eFunción posible\u003c/th\u003e\n\u003cth\u003eProcesamiento adicional necesario\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Condición de la tarea\"\u003eClasificar consultas en departamentos definidos\u003c/td\u003e\n\u003ctd data-label=\"Función posible\"\u003eElegir con Choice la ruta responsable\u003c/td\u003e\n\u003ctd data-label=\"Procesamiento adicional necesario\"\u003eRuta de revisión para consultas ambiguas\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Condición de la tarea\"\u003eEvaluar documentos con criterios comunes\u003c/td\u003e\n\u003ctd data-label=\"Función posible\"\u003eDevolver con Score una puntuación por criterio\u003c/td\u003e\n\u003ctd data-label=\"Procesamiento adicional necesario\"\u003eDefinición clara de los criterios de evaluación\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Condición de la tarea\"\u003eComprobar si se incluye una solicitud concreta\u003c/td\u003e\n\u003ctd data-label=\"Función posible\"\u003eEvaluar la afirmación con Noul\u003c/td\u003e\n\u003ctd data-label=\"Procesamiento adicional necesario\"\u003eCódigo que determine si debe ejecutarse\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Condición de la tarea\"\u003eRedactar un texto explicativo para el usuario\u003c/td\u003e\n\u003ctd data-label=\"Función posible\"\u003eConectar con un modelo generativo\u003c/td\u003e\n\u003ctd data-label=\"Procesamiento adicional necesario\"\u003eTransmitir las fuentes originales y la decisión aprobada\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#limitaciones-del-trabajo-en-coreano-y-del-procesamiento-num%C3%A9rico\" class=\"anchor\" id=\"limitaciones-del-trabajo-en-coreano-y-del-procesamiento-numérico\"\u003e\u003c/a\u003eLimitaciones del trabajo en coreano y del procesamiento numérico\u003c/h2\u003e\n\u003cp\u003eLas tareas en coreano requieren una validación propia. TypeSafe indica que el inglés es el idioma principal de entrenamiento. También explica que el rendimiento no es igual en otros idiomas. Las condiciones de compatibilidad lingüística pueden consultarse en la \u003ca href=\"https://docs.typesafe.ai/models\"\u003edocumentación de Models\u003c/a\u003e.\u003c/p\u003e\n\u003cp\u003eQue devuelva números no significa que los cálculos sean exactos. Así se explica en el documento sobre limitaciones revisado el 17 de septiembre de 2026. El documento recomienda hacer los cálculos en el código.\u003c/p\u003e\n\u003cblockquote\u003e\n\u003cp\u003eJev is not a calculator.\u003c/p\u003e\n\u003c/blockquote\u003e\n\u003cp\u003eLa frase anterior es el texto original de \u003ca href=\"https://docs.typesafe.ai/model-jaggedness/jev-1.13\"\u003eJev 1.13 jaggedness\u003c/a\u003e.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eLimitación conocida\u003c/th\u003e\n\u003cth\u003eMedida durante el desarrollo\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Limitación conocida\"\u003eCálculo exacto de cantidades\u003c/td\u003e\n\u003ctd data-label=\"Medida durante el desarrollo\"\u003eCalcular en el código la cantidad de elementos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Limitación conocida\"\u003eComparación de fechas y horas\u003c/td\u003e\n\u003ctd data-label=\"Medida durante el desarrollo\"\u003eConvertir los valores extraídos a un tipo de datos de fecha y compararlos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Limitación conocida\"\u003eEntradas largas no relacionadas\u003c/td\u003e\n\u003ctd data-label=\"Medida durante el desarrollo\"\u003eSeleccionar solo el contenido necesario para la decisión\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Limitación conocida\"\u003eNegaciones complejas y condiciones indirectas\u003c/td\u003e\n\u003ctd data-label=\"Medida durante el desarrollo\"\u003eSepararlas en preguntas claras y breves\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Limitación conocida\"\u003eCriterios de evaluación ambiguos o contradictorios\u003c/td\u003e\n\u003ctd data-label=\"Medida durante el desarrollo\"\u003eAlinear el significado de la pregunta y las opciones\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eIncluya expresiones de tareas reales en los datos de validación en coreano. También deben comprobarse el lenguaje honorífico y los sujetos omitidos. Puede comparar las respuestas del modelo con casos cuyos resultados de procesamiento estén confirmados.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#comparaci%C3%B3n-de-las-v%C3%ADas-de-uso-de-la-api-y-los-sdk\" class=\"anchor\" id=\"comparación-de-las-vías-de-uso-de-la-api-y-los-sdk\"\u003e\u003c/a\u003eComparación de las vías de uso de la API y los SDK\u003c/h2\u003e\n\u003cp\u003eAdemás de la conexión directa con TypeSafe, también se han confirmado vías mediante gateways. En el anuncio de lanzamiento se indicó que el acceso inicial sería por una lista de espera. Compruebe en cada servicio si su cuenta tiene acceso.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eVía\u003c/th\u003e\n\u003cth\u003eForma de acceso confirmada\u003c/th\u003e\n\u003cth\u003eDocumentación que debe consultarse\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Vía\"\u003eTypeSafe\u003c/td\u003e\n\u003ctd data-label=\"Forma de acceso confirmada\"\u003eConsola, API, SDK de cliente\u003c/td\u003e\n\u003ctd data-label=\"Documentación que debe consultarse\"\u003eQuick start\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Vía\"\u003eVercel AI Gateway\u003c/td\u003e\n\u003ctd data-label=\"Forma de acceso confirmada\"\u003eConexión de solicitudes de evaluación de Jev\u003c/td\u003e\n\u003ctd data-label=\"Documentación que debe consultarse\"\u003eEvaluation\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Vía\"\u003eOpenRouter\u003c/td\u003e\n\u003ctd data-label=\"Forma de acceso confirmada\"\u003eRegistro del modelo Jev 1.13\u003c/td\u003e\n\u003ctd data-label=\"Documentación que debe consultarse\"\u003ePágina del modelo Jev 1.13\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eLa \u003ca href=\"https://docs.typesafe.ai/introduction/quickstart\"\u003eQuick start de TypeSafe\u003c/a\u003e explica el procedimiento de llamada directa. Estos son los pasos básicos de esa vía.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eCompruebe en la consola los permisos de acceso de la cuenta.\u003c/li\u003e\n\u003cli\u003ePruebe en Playground el objeto de la decisión y las preguntas.\u003c/li\u003e\n\u003cli\u003eObtenga una clave de API en el panel.\u003c/li\u003e\n\u003cli\u003eEnvíe una solicitud mediante el SDK o la API HTTP.\u003c/li\u003e\n\u003cli\u003eConecte los valores devueltos y las probabilidades con las reglas de procesamiento del código.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eLa \u003ca href=\"https://vercel.com/docs/ai-gateway/modalities/evaluation\"\u003edocumentación de Evaluation de Vercel\u003c/a\u003e incluye un ejemplo de conexión. En esta vía, las preguntas de sí o no se representan como Boolean. El modelo también puede consultarse en la \u003ca href=\"https://openrouter.ai/typesafe/jev-1.13/\"\u003epágina de Jev 1.13 de OpenRouter\u003c/a\u003e. Use la documentación correspondiente como referencia para el formato de las solicitudes y los límites de cada vía.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#criterios-de-dise%C3%B1o-para-registrar-las-decisiones\" class=\"anchor\" id=\"criterios-de-diseño-para-registrar-las-decisiones\"\u003e\u003c/a\u003eCriterios de diseño para registrar las decisiones\u003c/h2\u003e\n\u003cp\u003ePara validar los resultados de la automatización, registre también los datos de entrada que sustentan la decisión. Si solo guarda el valor seleccionado, será difícil encontrar la causa de una decisión errónea. Los siguientes puntos son propuestas de diseño basadas en la interfaz oficial.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eElemento registrado\u003c/th\u003e\n\u003cth\u003eProblema que permite comprobar\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Elemento registrado\"\u003eTexto original y momento usados para la decisión\u003c/td\u003e\n\u003ctd data-label=\"Problema que permite comprobar\"\u003eInformación desactualizada u omitida\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Elemento registrado\"\u003eVersión de las preguntas y las opciones\u003c/td\u003e\n\u003ctd data-label=\"Problema que permite comprobar\"\u003eDiferencias en los resultados por cambios en los criterios\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Elemento registrado\"\u003eID real del modelo que respondió\u003c/td\u003e\n\u003ctd data-label=\"Problema que permite comprobar\"\u003eEfectos de un cambio de modelo\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Elemento registrado\"\u003eRespuesta y distribución de probabilidades\u003c/td\u003e\n\u003ctd data-label=\"Problema que permite comprobar\"\u003eMotivo del procesamiento de casos ambiguos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Elemento registrado\"\u003eAcción ejecutada por el código\u003c/td\u003e\n\u003ctd data-label=\"Problema que permite comprobar\"\u003eDiscrepancias entre la decisión y la ejecución\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Elemento registrado\"\u003eResultado comprobado por una persona\u003c/td\u003e\n\u003ctd data-label=\"Problema que permite comprobar\"\u003eErrores reales e historial de correcciones\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eLos alias de los nombres de modelo pueden cambiar para apuntar a una versión nueva. La versión validada puede fijarse mediante el ID del modelo. Este método operativo se explica en la \u003ca href=\"https://docs.typesafe.ai/models\"\u003edocumentación de TypeSafe sobre Models\u003c/a\u003e.\u003c/p\u003e\n\u003cp\u003eDefina los criterios para derivar un caso a revisión usando casos reales. Evalúe tanto el coste de una clasificación errónea como la carga de la revisión humana. No existe un valor de confianza universalmente válido. Para el método de validación puede consultar las indicaciones de la \u003ca href=\"https://docs.typesafe.ai/confidence\"\u003edocumentación de Confidence\u003c/a\u003e.\u003c/p\u003e\n","tags":["IA generativa","Agentes de IA","Desarrollo de IA","Toma de decisiones","Herramientas de desarrollo"],"faqs":[{"question":"¿Qué tipo de IA es Jev?","answer":"Es un modelo para tomar decisiones sobre software desarrollado por TypeSafe AI. Devuelve respuestas y probabilidades predefinidas."},{"question":"¿Qué significa System One Model?","answer":"Es el nombre que TypeSafe dio a un modelo para tomar decisiones rápidas y de alcance definido. El nombre proviene del concepto de pensamiento rápido e intuitivo."},{"question":"¿Jev sustituye a todos los LLM conversacionales?","answer":"Jev no genera textos explicativos libres. Si se necesitan conversaciones y redacción, puede configurarse para usarlo junto con un modelo generativo."},{"question":"¿En qué se diferencia de la salida JSON de un LLM?","answer":"Los LLM también pueden admitir salidas estructuradas. Jev es un modelo diseñado para tomar decisiones dentro de un conjunto de respuestas definido. Aunque el formato de respuesta sea el mismo, el funcionamiento de la evaluación puede ser diferente."},{"question":"¿Cómo se distinguen Choice y Score?","answer":"Si se elige una opción entre varias sin un orden determinado, es Choice. Si se evalúa un criterio ordenado, como de bajo a alto, es Score."},{"question":"¿Un valor bajo de Noul significa que la confianza es baja?","answer":"Noul representa la probabilidad de «sí». Si está cerca de 0, el resultado se inclina hacia «no». No hay un campo de confianza separado."},{"question":"¿Una confianza del 92% significa una precisión del 92%?","answer":"No puede interpretarse así. La confianza es un valor que resume la distribución de probabilidades de las respuestas. La precisión real debe medirse con casos cuya respuesta correcta esté confirmada."},{"question":"¿Cuánto cuesta usar Jev?","answer":"La tarifa anunciada el 15 de septiembre de 2026 es de 0.042 dólares por cada millón de tokens de entrada. En ese momento se indicó que los tokens de salida eran gratuitos. Consulte la tarifa más reciente en la documentación de TypeSafe Models."},{"question":"¿Responde siempre en menos de 0.1 segundos?","answer":"No se ha confirmado que sea una garantía aplicable a todas las solicitudes. El intervalo indicado en el anuncio de lanzamiento de la empresa es de 70-500 milisegundos. Mida la latencia real con sus datos de entrada y en su entorno de conexión."},{"question":"¿La demostración de Doom analizó directamente la pantalla del juego?","answer":"TypeSafe explica que usó un estado del juego representado mediante texto. No fue una demostración en la que se introdujera la propia imagen."},{"question":"¿Se puede introducir texto en coreano?","answer":"También puede procesar entradas en idiomas distintos del inglés, como el coreano. Sin embargo, la documentación oficial indica que la precisión es mayor en inglés. Compruébelo por separado con casos de uso laborales en coreano."},{"question":"¿Se puede usar para hacer cálculos numéricos y comparar fechas?","answer":"La documentación sobre las limitaciones de Jev 1.13 explica que tiene dificultades con los cálculos exactos. Comparar el orden de las fechas también es una limitación conocida. Se recomienda procesar los cálculos y las comparaciones mediante código."},{"question":"¿También se puede usar en Vercel y OpenRouter?","answer":"Vercel explica cómo conectarse desde la función de evaluación de AI Gateway. OpenRouter también tiene una página del modelo Jev 1.13. Compruebe las condiciones de uso y el formato de las solicitudes de cada opción."},{"question":"¿Puede cambiar el modelo mientras está en funcionamiento?","answer":"El alias que apunta a la versión más reciente puede pasar a un modelo nuevo. Hay una forma de fijar el ID del modelo verificado. Registre también el ID real del modelo incluido en la respuesta."}],"sources":[{"url":"https://typesafe.ai/blog/introducing-system-one-models-and-jev","title":"TypeSafe AI, Presentación de los modelos System One y Jev, 15 de septiembre de 2026","type":"source"},{"url":"https://docs.typesafe.ai/concepts/system-one","title":"Documentación de TypeSafe AI, System One","type":"source"},{"url":"https://docs.typesafe.ai/introduction","title":"Documentación de TypeSafe AI, Introducción","type":"source"},{"url":"https://docs.typesafe.ai/primitives/score","title":"Documentación de TypeSafe AI, Puntuación","type":"source"},{"url":"https://docs.typesafe.ai/primitives/noul","title":"Documentación de TypeSafe AI, Noul","type":"source"},{"url":"https://docs.typesafe.ai/confidence","title":"Documentación de TypeSafe AI, Confianza","type":"source"},{"url":"https://docs.typesafe.ai/models","title":"Documentación de TypeSafe AI, Modelos","type":"data_point"},{"url":"https://docs.typesafe.ai/model-jaggedness/jev-1.13","title":"Documentación de TypeSafe AI, irregularidad de Jev 1.13, revisada el 17 de septiembre de 2026","type":"source"},{"url":"https://docs.typesafe.ai/introduction/quickstart","title":"Documentación de TypeSafe AI, Inicio rápido","type":"source"},{"url":"https://vercel.com/i/what-is-jev","title":"Vercel, ¿Qué es Jev, el modelo System One de TypeSafe AI?, 18 de septiembre de 2026","type":"source"},{"url":"https://vercel.com/docs/ai-gateway/modalities/evaluation","title":"Documentación de Vercel AI Gateway, Evaluación","type":"source"},{"url":"https://openrouter.ai/typesafe/jev-1.13/","title":"OpenRouter, TypeSafe: Jev 1.13","type":"source"}],"images":[{"id":1451,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjEwNTYsInB1ciI6ImJsb2JfaWQifX0=--e6b978aedcb8b8e82ef1491cad6918fb7c29680e/ai-92117be8.webp","is_representative":true,"generation_method":"ai_photo","license":"ai_generated","mime_type":"image/webp","width":1536,"height":1024,"translations":{"ko":{"alt":"식당 카운터에서 태블릿의 차트와 데이터를 살펴보는 여성","caption":"한 여성이 태블릿과 인쇄된 자료를 비교하며 데이터를 검토하고 있다.","description":null},"en":{"alt":"Woman reviewing charts and data on a tablet at a restaurant counter","caption":"A woman compares information on a tablet with a printed report.","description":null},"ja":{"alt":"飲食店のカウンターでタブレットのグラフとデータを確認する女性","caption":"女性がタブレットの情報と印刷資料を見比べている。","description":null},"es":{"alt":"Mujer revisando gráficos y datos en una tableta en el mostrador de un restaurante","caption":"Una mujer compara la información de una tableta con un informe impreso.","description":null},"id":{"alt":"Perempuan meninjau grafik dan data di tablet pada meja restoran","caption":"Seorang perempuan membandingkan informasi di tablet dengan laporan cetak.","description":null},"pt":{"alt":"Mulher analisando gráficos e dados em um tablet no balcão de um restaurante","caption":"Uma mulher compara informações no tablet com um relatório impresso.","description":null},"zh-hant":{"alt":"女子在餐廳櫃檯查看平板上的圖表與資料","caption":"一名女子正比對平板上的資訊與紙本報表。","description":null},"de":{"alt":"Frau prüft Diagramme und Daten auf einem Tablet an einem Restauranttresen","caption":"Eine Frau vergleicht Informationen auf einem Tablet mit einem gedruckten Bericht.","description":null}}},{"id":1452,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjEwNjMsInB1ciI6ImJsb2JfaWQifX0=--595ff001fb75deadb34c8a35159d13264fa08279/ai-2475489e.webp","is_representative":false,"generation_method":"ai_semi","license":"ai_generated","mime_type":"image/webp","width":1536,"height":1024,"translations":{"ko":{"alt":"카페에서 태블릿의 차트와 문서를 살펴보는 여성, 옆에 시스템 흐름 아이콘이 표시됨","caption":"태블릿의 데이터를 검토하는 장면 위로 시스템 구성과 사용자 흐름을 나타내는 아이콘이 겹쳐 보인다.","description":null},"en":{"alt":"Woman reviewing charts on a tablet in a café with overlaid system workflow icons","caption":"System components and a user flow are visualized beside a woman analyzing data on a tablet.","description":null},"ja":{"alt":"カフェでタブレットのグラフを確認する女性と、重ねて表示されたシステムフローのアイコン","caption":"タブレットでデータを分析する女性の横に、システム構成とユーザーフローが示されている。","description":null},"es":{"alt":"Mujer revisando gráficos en una tableta en una cafetería con iconos de flujo del sistema","caption":"Los iconos junto a la mujer representan componentes del sistema y un flujo dirigido al usuario.","description":null},"id":{"alt":"Perempuan meninjau grafik di tablet dalam kafe dengan ikon alur sistem di sampingnya","caption":"Ikon di samping perempuan tersebut menggambarkan komponen sistem dan alur menuju pengguna.","description":null},"pt":{"alt":"Mulher analisando gráficos em um tablet em um café com ícones de fluxo do sistema","caption":"Os ícones ao lado da mulher representam componentes do sistema e um fluxo direcionado ao usuário.","description":null},"zh-hant":{"alt":"女子在咖啡廳查看平板上的圖表，旁邊疊加系統流程圖示","caption":"女子分析平板資料時，畫面以圖示呈現系統元件與使用者流程。","description":null},"de":{"alt":"Frau prüft Diagramme auf einem Tablet in einem Café, daneben Symbole für einen Systemablauf","caption":"Die Symbole neben der Frau veranschaulichen Systemkomponenten und einen Ablauf zum Nutzer.","description":null}}}],"published_at":"2026-09-22T04:13:16+09:00","updated_at":"2026-09-22T04:13:16+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/es/articles/jev-system-one-model-llm-comparison"}