---
title: "Jev: diferenças entre modelo de sistema e LLMs"
locale: pt
category: knowledge_base
category_name: "Base de Conhecimento"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/jev-system-one-model-llm-comparison
published_at: 2026-09-22T04:13:16+09:00
---

# Jev: diferenças entre modelo de sistema e LLMs

> Jev é um modelo desenvolvido pela TypeSafe AI para decisões estruturadas. Ele conecta opções e probabilidades ao código e, na adoção prática, é preciso distinguir o formato da saída da precisão das decisões.

## Key Points

- Jev retorna respostas predefinidas e probabilidades em vez de textos explicativos livres.
- Choice e Score têm um nível de confiança, mas Noul não conta com um campo de confiança separado.
- A tarifa de entrada anunciada em 15 de setembro de 2026 é de 0.042 dólares por 1 milhão de tokens.
- A comparação de velocidade divulgada se baseia em uma tarefa e um ambiente de medição específicos.
- Em tarefas em coreano, verifique com casos reais a precisão e os critérios para encaminhamento à revisão.

Jev é um modelo para decisões de software desenvolvido pela TypeSafe AI. Em vez de textos explicativos, ele retorna valores selecionados e probabilidades. Foi projetado para classificação e ramificação de tarefas. Mesmo que o formato da saída esteja correto, a decisão pode estar errada.

Os valores de preço e velocidade têm como referência o anúncio da TypeSafe de 15 de setembro de 2026.

## O que significam Jev e System One Model

Jev é uma AI que produz resultados de decisão que podem ser usados diretamente pelo código. O nome oficial do produto é Jev. A TypeSafe chama essa família de System One Model.

A entrada inclui o `state`, que é o objeto da decisão, e as `questions`, que são as perguntas. O `state` contém as informações necessárias para a decisão, como uma consulta de cliente ou um registro de trabalho. Nas perguntas, são especificadas as respostas permitidas e os critérios de avaliação.

O nome System One vem do pensamento rápido e intuitivo. É a denominação usada pela empresa para explicar a função do produto. Ele também consegue compreender entradas em linguagem natural. O conceito e o escopo das entradas podem ser consultados na [documentação da TypeSafe sobre System One](https://docs.typesafe.ai/concepts/system-one).

## Qual é a diferença em relação a um LLM?

A principal diferença é o escopo das respostas que podem ser produzidas. Um LLM gera conteúdo livre, como textos explicativos e código. Jev toma decisões dentro do conjunto de respostas definido pelo desenvolvedor.

| Item de comparação | Uso comum de LLM | Uso de Jev |
| --- | --- | --- |
| Resultado principal | Texto explicativo, resumo, código gerado | Valor selecionado, pontuação de avaliação, probabilidade |
| Escopo da resposta | Geração livre ou saída estruturada | Escopo previamente definido na pergunta |
| Integração com software | Interpretação e validação conforme o formato da resposta | Vinculação do valor retornado a condições e classificações |
| Geração de explicações | Pode redigir em frases o motivo da decisão | Não oferece suporte à geração livre de textos explicativos |
| Função adequada | Conversação, redação, resolução de problemas complexos | Classificação, escolha do fluxo responsável, avaliação por critérios |

Também é possível configurar um LLM para responder em um formato estruturado. Portanto, a saída em JSON não é uma função exclusiva de Jev. A documentação da Vercel também explica como integrá-lo a um LLM estruturado. No entanto, o mesmo formato de resposta não significa o mesmo comportamento de avaliação. Essa distinção é explicada na [análise da Vercel sobre Jev](https://vercel.com/i/what-is-jev).

Em um software, o formato da saída precisa estar correto para que a próxima tarefa seja executada. Por exemplo, o valor do departamento responsável precisa usar um nome permitido. Se houver texto explicativo misturado, será necessário um processo adicional de interpretação. Jev foi projetado para retornar diretamente esses resultados de decisão.

## Resumo de Choice, Score e Noul por condição

Escolha o tipo conforme o formato da resposta à pergunta. Os tipos básicos de pergunta de Jev são Choice, Score e Noul. Perguntas independentes sobre o mesmo estado podem ser agrupadas em uma única chamada. A forma de configuração está descrita na [TypeSafe Introduction](https://docs.typesafe.ai/introduction).

| Decisão necessária | Tipo de pergunta | Conteúdo retornado | Exemplo de uso |
| --- | --- | --- | --- |
| Escolher entre opções predefinidas | Choice | Valor selecionado, probabilidade de cada opção, confiança | Encaminhar uma consulta ao departamento responsável |
| Avaliar segundo critérios ordenados | Score | Pontuação, probabilidade de cada nível, confiança | Avaliar a gravidade de uma falha |
| Determinar se uma afirmação é verdadeira | Noul | Valor de 0-1 que representa a probabilidade de “sim” | Identificar se há uma solicitação de reembolso |

O número de Score representa a posição nos níveis de avaliação configurados. Ele nem sempre corresponde a uma porcentagem. Noul é um tipo que retorna a probabilidade de “sim”. A [documentação de Score](https://docs.typesafe.ai/primitives/score) e a [documentação de Noul](https://docs.typesafe.ai/primitives/noul) apresentam os respectivos critérios de interpretação.

Defina a ordem de processamento para perguntas que dependem umas das outras. Se uma pergunta posterior precisar de uma resposta anterior, a ligação deverá ser feita no código. As perguntas incluídas na mesma chamada avaliam de forma independente um estado compartilhado.

## Como interpretar os números do caso de atendimento em restaurante?

Os números da demonstração de atendimento em restaurante não podem ser considerados a precisão geral do produto. A explicação do vídeo de apresentação inclui os valores abaixo. A solicitação original à API e as condições de medição não foram confirmadas.

| Valor apresentado | Significado na explicação | O que verificar na interpretação |
| --- | --- | --- |
| 0.09 em uma escala de 0-1 | Avaliação da legitimidade da conduta do cliente | Verificar se é uma pontuação ou a probabilidade de “sim” |
| Adequação de 94% da opção | Valor atribuído à alternativa de explicar o motivo da cobrança | Verificar as opções apresentadas e os critérios da pergunta |
| Confiança de 92% | Indicação da confiança nessa decisão | Não interpretar como taxa real de acerto |
| Tempo de processamento inferior a 0.1 segundo | Tempo de resposta apresentado na demonstração | Verificar se inclui o tempo de comunicação |

Esse caso é um exemplo para compreender o formato da saída. Não é possível julgar uma disputa real apenas com esses números. Em especial, se a composição das opções mudar, a própria pergunta também mudará.

## Erros comuns ao confundir probabilidade e confiança

Probabilidade e confiança são valores diferentes. As probabilidades de Choice são os valores atribuídos a cada opção. A confiança resume o grau de concentração dessa distribuição de probabilidades.

Portanto, uma confiança de 92% não deve ser interpretada como uma taxa de acerto de 92%. A taxa real de acerto deve ser medida com casos cuja resposta correta tenha sido confirmada. Noul não possui um campo `confidence` separado. Essa distinção está especificada na [documentação da TypeSafe sobre Confidence](https://docs.typesafe.ai/confidence).

- **Confusão entre formato e precisão:** mesmo escolhendo um departamento permitido, o departamento responsável pode estar errado.
- **Confusão entre pontuação e probabilidade:** o valor de Score pode representar uma posição nos níveis de avaliação.
- **Confusão entre confiança e taxa de acerto:** uma confiança alta, por si só, não garante que uma resposta específica esteja correta.
- **Opção ausente:** se a resposta necessária não estiver entre as opções, será difícil tomar uma decisão adequada.

A calibração é o conceito de reunir várias previsões e avaliar a relação entre probabilidades e resultados. Não é um procedimento que garante a precisão de uma única resposta. Avalie separadamente a conformidade com o formato da saída e a precisão semântica.

## Condições da comparação pública de preço e velocidade

O preço público é calculado com base nos tokens de entrada. Tokens são as unidades usadas pelo modelo para processar texto. No anúncio de 15 de setembro de 2026, foi informado que os tokens de saída seriam gratuitos.

| Item | Informação pública | Escopo de aplicação |
| --- | --- | --- |
| Preço de entrada | US$ 0.042 por 1 milhão de tokens | Preço da TypeSafe na época do anúncio |
| Preço de saída | Gratuito | Preço da TypeSafe na época do anúncio |
| Tempo de resposta | 70-500 milissegundos | Faixa de medição anunciada pela empresa |
| Ambiente de medição | Principalmente notebooks no oeste dos Estados Unidos | Ambiente de avaliação informado no anúncio da empresa |

Esses valores não garantem o desempenho de todas as solicitações. A avaliação da empresa inclui uma comparação que usa como referência as previsões de modelos externos. Isso não pode ser considerado equivalente à taxa de acerto em tarefas reais. As condições de medição estão disponíveis no [anúncio de lançamento da TypeSafe](https://typesafe.ai/blog/introducing-system-one-models-and-jev).

### Exemplo de cálculo com o preço público

O custo básico para 1 bilhão de tokens de entrada é de US$ 42. O cálculo é `1,000,000,000 ÷ 1,000,000 × 0.042`. Esse é um exemplo de conversão do preço público.

O preço de uma decisão varia conforme o tamanho da entrada. Novas tentativas ou chamadas posteriores a outros modelos também afetam o custo real. Consulte os preços mais recentes na [documentação da TypeSafe sobre Models](https://docs.typesafe.ai/models).

## Escopo de uso demonstrado pelo exemplo de Doom

A demonstração de Doom é um caso em que uma ação é escolhida a partir de um estado de jogo estruturado. Não é uma demonstração de compreensão direta das imagens da tela do jogo. A TypeSafe explica que usou dados de estado em formato de texto. Essa condição é apresentada na [explicação sobre Doom no anúncio de lançamento](https://typesafe.ai/blog/introducing-system-one-models-and-jev).

Para aplicação em tarefas profissionais, os pontos que exigem decisões repetidas são possíveis candidatos. A tabela abaixo apresenta exemplos de projeto baseados nas funcionalidades. O desempenho em cada tarefa deve ser validado separadamente.

| Condição da tarefa | Função possível | Processamento adicional necessário |
| --- | --- | --- |
| Classificar consultas em departamentos predefinidos | Selecionar o fluxo responsável com Choice | Fluxo de revisão para consultas ambíguas |
| Avaliar documentos segundo critérios comuns | Retornar pontuações por critério com Score | Definição clara dos critérios de avaliação |
| Verificar se uma solicitação específica está incluída | Avaliar a afirmação com Noul | Código que decide se a ação será executada |
| Redigir um texto explicativo para o usuário | Integrar a um modelo generativo | Fornecer a fonte original e a decisão aprovada |

## Limitações no processamento de tarefas em coreano e de números

Tarefas em coreano exigem validação própria. A TypeSafe informa que o inglês é o principal idioma de treinamento. Segundo a empresa, o desempenho não é igual em outros idiomas. As condições de suporte a idiomas podem ser consultadas na [documentação sobre Models](https://docs.typesafe.ai/models).

O retorno de números não significa que os cálculos também sejam precisos. Essa explicação consta na documentação de limitações revisada em 17 de setembro de 2026. O documento recomenda que os cálculos sejam realizados em código.

> Jev is not a calculator.

A frase acima é o texto original de [Jev 1.13 jaggedness](https://docs.typesafe.ai/model-jaggedness/jev-1.13).

| Limitação conhecida | Medida a adotar no desenvolvimento |
| --- | --- |
| Cálculo exato de quantidades | Calcular em código o número de itens |
| Comparação de datas e horários | Converter os valores extraídos em tipos de dados de data e compará-los |
| Entradas longas e irrelevantes | Selecionar apenas o conteúdo necessário para a decisão |
| Frases negativas complexas e condições indiretas | Separar em perguntas claras e curtas |
| Critérios de avaliação ambíguos ou conflitantes | Alinhar o significado das perguntas e das opções |

Inclua expressões usadas em tarefas reais nos dados de validação em coreano. Formas de tratamento honoríficas e sujeitos omitidos também devem ser verificados. É possível comparar as respostas do modelo com casos cujo resultado de processamento tenha sido confirmado.

## Comparação das formas de acesso por API e SDK

Além do acesso direto à TypeSafe, também foram confirmadas opções por gateway. No anúncio de lançamento, o acesso inicial era oferecido por meio de uma lista de espera. Verifique em cada serviço a disponibilidade de acesso para cada conta.

| Forma de acesso | Modalidade de fornecimento confirmada | Documentação a consultar |
| --- | --- | --- |
| TypeSafe | Console, API, SDK de cliente | Quick start |
| Vercel AI Gateway | Integração de solicitações de avaliação de Jev | Evaluation |
| OpenRouter | Registro do modelo Jev 1.13 | Página do modelo Jev 1.13 |

O [Quick start](https://docs.typesafe.ai/introduction/quickstart) da TypeSafe explica o procedimento de chamada direta. A sequência básica para essa forma de acesso é a seguinte.

1. Verifique no console as permissões de acesso da conta.
2. Teste no Playground o objeto da decisão e as perguntas.
3. Gere uma chave de API no painel.
4. Envie uma solicitação pelo SDK ou pela API HTTP.
5. Vincule os valores retornados e as probabilidades às regras de processamento do código.

A [documentação da Vercel sobre Evaluation](https://vercel.com/docs/ai-gateway/modalities/evaluation) contém um exemplo de integração. Perguntas de sim ou não são representadas como Boolean nessa forma de acesso. O modelo também pode ser consultado na [página de Jev 1.13 no OpenRouter](https://openrouter.ai/typesafe/jev-1.13/). Use a documentação de cada opção como referência para o formato e os limites das solicitações.

## Critérios de projeto para registrar decisões

Para validar os resultados da automação, registre também os dados usados como base para a entrada. Se apenas o valor selecionado for salvo, será difícil identificar a causa de uma decisão incorreta. Os itens abaixo são sugestões de projeto elaboradas com base na interface oficial.

| Item registrado | Problema que pode ser identificado |
| --- | --- |
| Texto original e momento usados na decisão | Informações desatualizadas ou ausentes |
| Versão das perguntas e opções | Diferenças nos resultados decorrentes de mudanças nos critérios |
| ID do modelo que realmente respondeu | Impacto da mudança de modelo |
| Resposta e distribuição de probabilidades | Motivo do processamento de casos ambíguos |
| Ação executada pelo código | Divergência entre decisão e execução |
| Resultado verificado por uma pessoa | Erros reais e histórico de correções |

O alias do nome de um modelo pode mudar para apontar para uma versão mais recente. A versão validada pode ser fixada por meio do ID do modelo. Esse método operacional é explicado na [documentação da TypeSafe sobre Models](https://docs.typesafe.ai/models).

Defina os critérios de encaminhamento para revisão com base em casos reais. Avalie em conjunto o custo de classificações incorretas e a carga da revisão humana. Não existe um valor universalmente correto de confiança. Para o método de validação, consulte as orientações da [documentação sobre Confidence](https://docs.typesafe.ai/confidence).

## FAQ

### Que tipo de IA é o Jev?
É um modelo para tomada de decisões em software desenvolvido pela TypeSafe AI. Ele retorna respostas e probabilidades predefinidas.

### O que significa System One Model?
É o nome dado pela TypeSafe a um modelo rápido e destinado a decisões com escopo definido. O nome vem do conceito de pensamento rápido e intuitivo.

### O Jev substitui todos os LLMs de conversação?
O Jev não gera textos explicativos livremente. Caso sejam necessários conversas e textos, é possível usar uma configuração que também inclua um modelo generativo.

### Qual é a diferença em relação à saída JSON de um LLM?
Um LLM também pode oferecer suporte a saídas estruturadas. O Jev é um modelo projetado para tomar decisões dentro de um conjunto predefinido de respostas. Mesmo que o formato da resposta seja igual, o modo de avaliação pode ser diferente.

### Como diferenciar Choice e Score?
É Choice quando se escolhe uma opção entre alternativas sem ordem. É Score quando se avalia um critério ordenado, como de baixo a alto.

### Um valor Noul baixo significa baixa confiança?
Noul representa a probabilidade de sim. Se estiver próximo de 0, o resultado indica uma decisão mais voltada para não. Não há um campo separado de confiança.

### Uma confiança de 92% significa uma taxa de acerto de 92%?
Não é possível interpretar dessa forma. A confiança é um valor que resume a distribuição de probabilidade das respostas. A taxa de acerto real deve ser medida com casos cuja resposta correta tenha sido confirmada.

### Quanto custa usar o Jev?
A tarifa anunciada em 15 de setembro de 2026 é de 0.042 dólar por 1 milhão de tokens de entrada. Na época, foi informado que os tokens de saída eram gratuitos. Consulte a documentação do TypeSafe Models para verificar a tarifa mais recente.

### Ele sempre responde em até 0,1 segundo?
Não foi confirmado como uma garantia aplicável a todas as solicitações. O intervalo informado no anúncio de lançamento da empresa é de 70-500 milissegundos. Meça a latência real de acordo com a entrada e o ambiente de conexão.

### A demonstração de Doom analisou diretamente a tela do jogo?
A TypeSafe explica que usou um estado do jogo representado em texto. Não foi uma demonstração que recebeu a própria imagem como entrada.

### Posso inserir texto em coreano?
Ele também consegue processar entradas em outros idiomas além do inglês, como o coreano. No entanto, a documentação oficial informa que a precisão é melhor em inglês. Faça uma validação separada com casos de uso profissionais em coreano.

### Posso usá-lo para cálculos numéricos e comparação de datas?
A documentação sobre as limitações do Jev 1.13 explica que ele tem dificuldades com cálculos exatos. A comparação da ordem de datas também é uma limitação conhecida. Recomenda-se processar cálculos e comparações por meio de código.

### Também é possível usá-lo na Vercel e no OpenRouter?
A Vercel explica como fazer a conexão no recurso de avaliação do AI Gateway. O OpenRouter também tem uma página do modelo Jev 1.13. Confira as condições de uso e o formato das solicitações de cada opção.

### O modelo pode mudar durante a operação?
Um alias que aponta para a versão mais recente pode passar a apontar para um novo modelo. É possível fixar o ID do modelo validado. Registre também o ID real do modelo incluído na resposta.

## Sources

- [TypeSafe AI, Apresentando os modelos System One e Jev, 15 de setembro de 2026](https://typesafe.ai/blog/introducing-system-one-models-and-jev)
- [Documentação da TypeSafe AI, System One](https://docs.typesafe.ai/concepts/system-one)
- [Documentação da TypeSafe AI, Introdução](https://docs.typesafe.ai/introduction)
- [Documentação da TypeSafe AI, Pontuação](https://docs.typesafe.ai/primitives/score)
- [Documentação da TypeSafe AI, Noul](https://docs.typesafe.ai/primitives/noul)
- [Documentação da TypeSafe AI, Confiança](https://docs.typesafe.ai/confidence)
- [Documentação da TypeSafe AI, Modelos](https://docs.typesafe.ai/models)
- [Documentação da TypeSafe AI, irregularidade do Jev 1.13, revisado em 17 de setembro de 2026](https://docs.typesafe.ai/model-jaggedness/jev-1.13)
- [Documentação da TypeSafe AI, Início rápido](https://docs.typesafe.ai/introduction/quickstart)
- [Vercel, O que é Jev, o modelo System One da TypeSafe AI?, 18 de setembro de 2026](https://vercel.com/i/what-is-jev)
- [Documentação do Vercel AI Gateway, Avaliação](https://vercel.com/docs/ai-gateway/modalities/evaluation)
- [OpenRouter, TypeSafe: Jev 1.13](https://openrouter.ai/typesafe/jev-1.13/)

## Images

![Mulher analisando gráficos e dados em um tablet no balcão de um restaurante](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjEwNTYsInB1ciI6ImJsb2JfaWQifX0=--e6b978aedcb8b8e82ef1491cad6918fb7c29680e/ai-92117be8.webp)
![Mulher analisando gráficos em um tablet em um café com ícones de fluxo do sistema](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjEwNjMsInB1ciI6ImJsb2JfaWQifX0=--595ff001fb75deadb34c8a35159d13264fa08279/ai-2475489e.webp)