{"content_id":"klwm55imio","slug":"jev-decision-model-branching-design-and-limitations","locale":"es","schema_type":"TechArticle","category":"knowledge_base","category_name":"Base de conocimiento","title":"Modelo de decisión Jev: diseño de ramificaciones y límites","summary":"Jev es el modelo de decisión de TypeSafe AI que devuelve opciones predefinidas y probabilidades. Se explica cómo vincular al código cada tipo de pregunta y cómo funciona la inferencia de tipos. También se resumen la interpretación de la confianza y los aspectos que deben verificarse al aplicarlo al coreano.","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 y probabilidades que el código puede usar en lugar de frases libres.","Choice sirve para elegir una categoría; Score, para evaluar por niveles; y Noul, para consultar la probabilidad de que algo sea verdadero.","El SDK de TypeScript infiere el tipo de respuesta a partir de la definición de la pregunta.","confidence es un valor que resume la distribución de probabilidad y no equivale a la tasa de aciertos.","Los servicios en coreano deben evaluar con sus propios datos tanto la tasa de procesamiento automático como la tasa de decisiones erróneas."],"content_markdown":"Jev es el modelo de decisión de TypeSafe AI que devuelve opciones predefinidas y probabilidades. Es adecuado para conectar juicios sobre lenguaje natural con condiciones de bifurcación en el código. Limita el formato de salida, pero no garantiza la exactitud del juicio.\n\nLos precios se basan en el anuncio del 15 de septiembre de 2026 y las limitaciones, en la documentación revisada el 17 de septiembre.\n\n## ¿Qué tarea cumple Jev?\n\nJev lee el contenido de entrada y devuelve respuestas estructuradas a preguntas definidas de antemano. El contenido que se evaluará se coloca en `state`. Los criterios de evaluación se definen en `questions`. Las respuestas devueltas pueden usarse para clasificar o establecer prioridades.\n\nTypeSafe AI llama a este enfoque modelo System One. Describe su método de entrenamiento con el nombre RLCD. Se trata de aprendizaje por refuerzo centrado en calibrar las probabilidades de los juicios. No obstante, la exactitud debe verificarse por separado para cada servicio.\n\nEl documento oficial Introduction expresa así el principio de diseño:\n\n\u003e Atomic questions, composed in code\n\u003e\n\u003e TypeSafe AI, Introduction\n\nEsto significa asignar un solo juicio a cada pregunta. La combinación de varios juicios se gestiona en el código. Las preguntas de una misma solicitud evalúan el mismo estado de forma independiente. Puede consultar la estructura en detalle en [TypeSafe AI Introduction](https://docs.typesafe.ai/introduction).\n\n## Comparación de Choice·Score·Noul\n\nElija el tipo de pregunta según cómo vaya a usar la respuesta en el código. Identificar el departamento responsable es un problema de selección de categorías. Evaluar la gravedad implica una escala ordenada. La presencia de una solicitud concreta puede dividirse entre verdadero y falso.\n\n| Tipo | Qué pregunta | Valores principales devueltos | Uso en el código |\n| --- | --- | --- | --- |\n| Choice | A cuál de las categorías predefinidas pertenece | `choice`, `probabilities`, `confidence` | Bifurcación con `switch` |\n| Score | A qué nivel de los descritos corresponde | `score`, `probabilities`, `confidence` | Comparación de la puntuación con un umbral |\n| Noul | Si se cumple una condición concreta | `noul` | Comparación de la probabilidad y bifurcación con `if` |\n\n### ¿Cómo se definen las opciones de Choice?\n\nChoice admite hasta 255 opciones por pregunta. Evalúa tanto el nombre como la descripción de cada opción. Si pueden llegar entradas que no figuren en la lista, considere incluir una opción como `other`. Esto ayuda a reducir las clasificaciones forzadas.\n\nChoice elige una de las opciones proporcionadas. Si también necesita determinar por separado si todas las opciones son inadecuadas, debe añadir una pregunta. La suma de las probabilidades devueltas es 1. Las definiciones y los límites figuran en la [documentación de Choice](https://docs.typesafe.ai/primitives/choice).\n\n### ¿En qué se diferencian Score y Noul?\n\nScore evalúa la posición dentro de una serie de niveles descritos. La numeración de los niveles empieza en 0. El resultado es la media ponderada por probabilidad de los números de nivel. Por eso también puede devolver puntuaciones no enteras.\n\nNoul devuelve la probabilidad de que una condición sea verdadera, entre 0 y 1. Un valor cercano a 0,5 significa que las probabilidades de verdadero y falso son parecidas. No debe interpretarse como un grado intermedio de descontento. Use [Score](https://docs.typesafe.ai/primitives/score) para medir el grado y [Noul](https://docs.typesafe.ai/primitives/noul) para preguntar por la presencia de algo.\n\n## Comparación de funciones con el código convencional y los modelos generativos\n\nDeje los cálculos exactos al código y encargue al modelo solo los juicios sobre el significado. Redactar texto nuevo corresponde a un modelo generativo. Jev es adecuado para juicios cuyo conjunto de respuestas está definido. Esta distinción permite decidir qué parte de una función existente conviene sustituir.\n\n| Condición de la tarea | Método adecuado | Motivo |\n| --- | --- | --- |\n| Calcular el intervalo entre fechas o contar elementos | Código convencional | Puede calcularse exactamente siguiendo reglas |\n| Clasificar el departamento responsable de una consulta de un cliente | Jev Choice | Juicio sobre el significado con opciones definidas |\n| Evaluar la gravedad de un informe de incidencia | Jev Score | Juicio entre niveles descritos |\n| Confirmar una solicitud de contacto con un agente | Jev Noul | Juicio sobre la presencia de una intención concreta |\n| Redactar respuestas o resumir libremente | Modelo generativo | Es necesario generar texto nuevo |\n\nAl procesar salidas de texto, puede hacer falta código que valide el formato. Jev devuelve directamente respuestas con el formato definido. Esto no elimina todas las validaciones ni los reintentos. El SDK oficial también ofrece una política de reintentos ante errores de comunicación, entre otros.\n\nSiga diseñando por separado la validación de entradas externas y las comprobaciones de reglas de negocio. Aunque la respuesta del modelo tenga el tipo correcto, puede ser incorrecta para la tarea. Esta distinción es una interpretación de diseño basada en [Client SDKs](https://docs.typesafe.ai/sdk) y en la [documentación sobre las limitaciones del modelo](https://docs.typesafe.ai/model-jaggedness/jev-1.13) oficiales.\n\n## Definición de preguntas y tipos de respuesta en TypeScript\n\nEl SDK de TypeScript infiere el tipo de los valores devueltos a partir de la definición de las preguntas. Las claves de las opciones de Choice pasan a ser los valores permitidos de la respuesta. Así, las comparaciones con cadenas no permitidas pueden detectarse durante la compilación. El SDK requiere Node.js 20 o posterior.\n\nEl siguiente código es un ejemplo explicativo basado en el formato de llamada del SDK oficial. No muestra resultados de ejecución ni mediciones de exactitud. Es necesario configurar la variable de entorno `TYPESAFE_API_KEY`.\n\n```typescript\nimport { TypeSafeClient, choice } from \"@typesafe-ai/sdk\";\n\nconst api = new TypeSafeClient();\n\nasync function classifyMessage(message: string) {\n  const result = await api.systemOne({\n    model: \"jev-1.13.0\",\n    state: { message },\n    questions: {\n      topic: choice(\"Classify the subject of message.\", {\n        account: \"Account access or password problems\",\n        delivery: \"Shipment tracking or delivery problems\",\n        other: \"Any subject outside those categories\",\n      }),\n    },\n  });\n\n  return result.answers.topic;\n}\n```\n\nEn este ejemplo, el tipo de `choice` es `account | delivery | other`. En TypeScript, estas cadenas son tipos literales que se muestran entre comillas. Sin embargo, la comprobación de tipos no determina si una consulta se ha clasificado correctamente. Consulte los requisitos de instalación y el formato de las llamadas en la [documentación del SDK de JavaScript](https://docs.typesafe.ai/sdk/javascript).\n\n## Ejemplo de cálculo de la confianza y errores habituales\n\n`confidence` es un valor que resume las probabilidades devueltas. No es la misma cifra que la probabilidad de la respuesta elegida. Tampoco debe interpretarse directamente como la tasa real de aciertos. Es especialmente importante tener en cuenta esta diferencia al definir criterios de ejecución automática.\n\nLa fórmula oficial de Choice es la siguiente:\n\n`confidence = (probabilidad máxima - 1 / número de opciones) / (1 - 1 / número de opciones)`\n\nLa distribución de probabilidades del documento oficial es `0.6, 0.3, 0.1`. Hay 3 opciones. Al sustituir la probabilidad máxima por 0,6, el valor de confidence es 0,4. La probabilidad de la opción elegida, 60 %, y la confianza, 0,4, son indicadores distintos.\n\n| Interpretación habitual | Interpretación correcta |\n| --- | --- |\n| Una confidence de 0,4 equivale a una tasa de aciertos del 40 % | Es un valor que resume la distribución de probabilidades según la fórmula |\n| Un Noul de 0,5 indica un nivel medio | Se han asignado probabilidades parecidas a verdadero y falso |\n| Los decimales de Score son una medición precisa | Son la media ponderada por probabilidad de los números de nivel definidos |\n| Una confianza alta permite omitir las comprobaciones de permisos | Los permisos de negocio y las condiciones de ejecución se comprueban por separado en el código |\n\nEl significado de estas cifras se basa en la [documentación oficial de Confidence](https://docs.typesafe.ai/confidence). La recomendación de separar las comprobaciones de permisos es una propuesta de diseño para su aplicación operativa.\n\n## ¿Cómo comparar el precio y el tiempo de respuesta?\n\nEl precio anunciado es de 0,042 dólares por cada millón de tokens de entrada. Se indicó que los tokens de salida son gratuitos. El intervalo de tiempos de respuesta anunciado es de 70 a 500 milisegundos. Estas cifras se basan en el anuncio de la empresa del 15 de septiembre de 2026.\n\nLas comparaciones por múltiplos de la empresa proceden de la evaluación de un flujo de trabajo concreto. En vez de respuestas correctas reales, se tomó como referencia la predicción media de otros modelos grandes. La evaluación de velocidad se hizo principalmente desde el oeste de Estados Unidos. Por tanto, no indica la exactitud en todas las tareas ni los tiempos de respuesta en Corea.\n\n| Aspecto de la comparación | Qué comprobar |\n| --- | --- |\n| Coste de la API | Uso real de tokens de entrada y precio aplicable |\n| Tiempo de respuesta | Tiempo de ida y vuelta desde la región donde se ejecuta el servicio |\n| Exactitud | Resultados de muestras de trabajo real con respuestas correctas asignadas |\n| Coste operativo | Coste incluidos los reintentos y la revisión humana |\n\nComparar solo los precios puede pasar por alto situaciones en las que aumenta el trabajo de revisión. Para decidir si adoptarlo, hay que considerar también el coste de los resultados del procesamiento. Las condiciones de las cifras anunciadas figuran en el [anuncio público de Jev](https://typesafe.ai/blog/introducing-system-one-models-and-jev).\n\n## Nueve limitaciones de Jev 1.13\n\nLa documentación oficial agrupa en nueve categorías los tipos de fallos de Jev 1.13. Esta lista corresponde a la revisión del 17 de septiembre de 2026. Que funcione en algunos casos no garantiza que sea fiable para esa tarea.\n\n| Tipo de fallo | Respuesta de diseño |\n| --- | --- |\n| Interpretación literal de las expresiones | Especificar en las instrucciones las condiciones implícitas |\n| Cálculos y recuentos | Gestionar la aritmética en el código |\n| Comparación de fechas y horas | Construir las fechas y compararlas en el código |\n| Doble negación y razonamientos de varios pasos | Separarlos en preguntas directas |\n| Entradas con mucho contenido irrelevante | Enviar solo los campos necesarios |\n| Entradas que inducen una respuesta | Hacer una evaluación previa que incluya frases inductivas |\n| Conflictos entre las instrucciones y los criterios de selección | Alinear el significado de la pregunta y los criterios |\n| Falta de coherencia matemática entre preguntas | Gestionar las relaciones lógicas en el código |\n| Generación libre de texto | Usar un modelo generativo |\n\nUn mismo significado puede producir probabilidades distintas en Noul y Choice. No traslade directamente a un tipo un umbral ajustado para otro. La referencia es [Jev 1.13 jaggedness](https://docs.typesafe.ai/model-jaggedness/jev-1.13).\n\n## Condiciones para aplicarlo a un servicio en coreano\n\nProcesa entradas en coreano, pero no garantiza un rendimiento equivalente al del inglés. La documentación oficial explica que el idioma principal de entrenamiento es el inglés. También señala diferencias de rendimiento en los sistemas de escritura CJK, incluido el coreano. No proporciona una cifra general de exactitud para el coreano.\n\nDecida si aplicarlo al coreano a partir de muestras propias. Conviene incluir consultas con expresiones indirectas y omisiones. Si solo evalúa traducciones, puede pasar por alto las diferencias en la forma de escribir de los clientes reales. Esta es una propuesta de evaluación que tiene en cuenta las diferencias de rendimiento entre idiomas.\n\n- Evaluar por separado las solicitudes claras y las ambiguas\n- Registrar por separado la clasificación por departamento y la evaluación de emociones\n- Volver a validar en coreano los umbrales definidos en inglés\n- Comparar las mismas muestras antes y después de cambiar el modelo\n\nCuando sale una versión nueva, cambia el modelo al que apunta `jev-latest`. Si ajustó los umbrales para una versión concreta, considere fijar esa versión. Puede consultar las políticas de idioma y versiones en la [documentación oficial de Models](https://docs.typesafe.ai/models).\n\n## La tasa de procesamiento automático que suele pasarse por alto al evaluar un cambio de modelo\n\nAl cambiar de modelo, hay que examinar tanto la exactitud general como la tasa de procesamiento automático. Si todos los casos ambiguos se envían a revisión humana, disminuye el volumen procesado automáticamente. Si se amplía el alcance del procesamiento automático, pueden aumentar las ejecuciones incorrectas. El siguiente método de evaluación amplía el criterio de bifurcación basado en la confianza de la documentación oficial.\n\n| Indicador | Método de cálculo o registro | Qué permite comprobar |\n| --- | --- | --- |\n| Tasa de procesamiento automático | Casos procesados automáticamente / total de casos evaluados | Trabajo manual que realmente se reduce |\n| Tasa de errores en el procesamiento automático | Errores entre los casos procesados automáticamente / casos procesados automáticamente | Calidad de los resultados de la automatización |\n| Tasa de revisión humana | Casos enviados a revisión / total de casos evaluados | Carga de revisión restante |\n| Tiempo total de procesamiento | Medición desde la entrada hasta la finalización | Tiempo de espera, incluida la revisión |\n\nSi no hay casos procesados automáticamente, no se puede calcular la tasa de errores en el procesamiento automático. En ese caso, regístrela como «no calculable» en lugar de 0 %. Es necesario conservar el denominador de los indicadores para poder comparar modelos.\n\nLa evaluación puede seguir estos pasos:\n\n1. Pida a una persona que asigne las respuestas correctas a muestras de trabajo real.\n2. Fije la redacción de las preguntas y la definición de las opciones.\n3. Registre la versión del modelo, las probabilidades y la bifurcación final.\n4. Compare la tasa de procesamiento automático y la tasa de errores para cada umbral.\n5. Defina los criterios operativos según el nivel de error aceptable.\n\nNo existe un umbral adecuado para todos los casos. Los criterios deben reflejar las consecuencias de una ejecución incorrecta. Puede consultar el principio de bifurcación que sirve de punto de partida en la [documentación de Confidence](https://docs.typesafe.ai/confidence).","content_html":"\u003cp\u003eJev es el modelo de decisión de TypeSafe AI que devuelve opciones predefinidas y probabilidades. Es adecuado para conectar juicios sobre lenguaje natural con condiciones de bifurcación en el código. Limita el formato de salida, pero no garantiza la exactitud del juicio.\u003c/p\u003e\n\u003cp\u003eLos precios se basan en el anuncio del 15 de septiembre de 2026 y las limitaciones, en la documentación revisada el 17 de septiembre.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#qu%C3%A9-tarea-cumple-jev\" class=\"anchor\" id=\"qué-tarea-cumple-jev\"\u003e\u003c/a\u003e¿Qué tarea cumple Jev?\u003c/h2\u003e\n\u003cp\u003eJev lee el contenido de entrada y devuelve respuestas estructuradas a preguntas definidas de antemano. El contenido que se evaluará se coloca en \u003ccode\u003estate\u003c/code\u003e. Los criterios de evaluación se definen en \u003ccode\u003equestions\u003c/code\u003e. Las respuestas devueltas pueden usarse para clasificar o establecer prioridades.\u003c/p\u003e\n\u003cp\u003eTypeSafe AI llama a este enfoque modelo System One. Describe su método de entrenamiento con el nombre RLCD. Se trata de aprendizaje por refuerzo centrado en calibrar las probabilidades de los juicios. No obstante, la exactitud debe verificarse por separado para cada servicio.\u003c/p\u003e\n\u003cp\u003eEl documento oficial Introduction expresa así el principio de diseño:\u003c/p\u003e\n\u003cblockquote\u003e\n\u003cp\u003eAtomic questions, composed in code\u003c/p\u003e\n\u003cp\u003eTypeSafe AI, Introduction\u003c/p\u003e\n\u003c/blockquote\u003e\n\u003cp\u003eEsto significa asignar un solo juicio a cada pregunta. La combinación de varios juicios se gestiona en el código. Las preguntas de una misma solicitud evalúan el mismo estado de forma independiente. Puede consultar la estructura en detalle en \u003ca href=\"https://docs.typesafe.ai/introduction\"\u003eTypeSafe AI Introduction\u003c/a\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#comparaci%C3%B3n-de-choicescorenoul\" class=\"anchor\" id=\"comparación-de-choicescorenoul\"\u003e\u003c/a\u003eComparación de Choice·Score·Noul\u003c/h2\u003e\n\u003cp\u003eElija el tipo de pregunta según cómo vaya a usar la respuesta en el código. Identificar el departamento responsable es un problema de selección de categorías. Evaluar la gravedad implica una escala ordenada. La presencia de una solicitud concreta puede dividirse entre verdadero y falso.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eTipo\u003c/th\u003e\n\u003cth\u003eQué pregunta\u003c/th\u003e\n\u003cth\u003eValores principales devueltos\u003c/th\u003e\n\u003cth\u003eUso en el código\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo\"\u003eChoice\u003c/td\u003e\n\u003ctd data-label=\"Qué pregunta\"\u003eA cuál de las categorías predefinidas pertenece\u003c/td\u003e\n\u003ctd data-label=\"Valores principales devueltos\"\u003e\n\u003ccode\u003echoice\u003c/code\u003e, \u003ccode\u003eprobabilities\u003c/code\u003e, \u003ccode\u003econfidence\u003c/code\u003e\n\u003c/td\u003e\n\u003ctd data-label=\"Uso en el código\"\u003eBifurcación con \u003ccode\u003eswitch\u003c/code\u003e\n\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo\"\u003eScore\u003c/td\u003e\n\u003ctd data-label=\"Qué pregunta\"\u003eA qué nivel de los descritos corresponde\u003c/td\u003e\n\u003ctd data-label=\"Valores principales devueltos\"\u003e\n\u003ccode\u003escore\u003c/code\u003e, \u003ccode\u003eprobabilities\u003c/code\u003e, \u003ccode\u003econfidence\u003c/code\u003e\n\u003c/td\u003e\n\u003ctd data-label=\"Uso en el código\"\u003eComparación de la puntuación con un umbral\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo\"\u003eNoul\u003c/td\u003e\n\u003ctd data-label=\"Qué pregunta\"\u003eSi se cumple una condición concreta\u003c/td\u003e\n\u003ctd data-label=\"Valores principales devueltos\"\u003e\u003ccode\u003enoul\u003c/code\u003e\u003c/td\u003e\n\u003ctd data-label=\"Uso en el código\"\u003eComparación de la probabilidad y bifurcación con \u003ccode\u003eif\u003c/code\u003e\n\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch3\u003e\n\u003ca href=\"#c%C3%B3mo-se-definen-las-opciones-de-choice\" class=\"anchor\" id=\"cómo-se-definen-las-opciones-de-choice\"\u003e\u003c/a\u003e¿Cómo se definen las opciones de Choice?\u003c/h3\u003e\n\u003cp\u003eChoice admite hasta 255 opciones por pregunta. Evalúa tanto el nombre como la descripción de cada opción. Si pueden llegar entradas que no figuren en la lista, considere incluir una opción como \u003ccode\u003eother\u003c/code\u003e. Esto ayuda a reducir las clasificaciones forzadas.\u003c/p\u003e\n\u003cp\u003eChoice elige una de las opciones proporcionadas. Si también necesita determinar por separado si todas las opciones son inadecuadas, debe añadir una pregunta. La suma de las probabilidades devueltas es 1. Las definiciones y los límites figuran en la \u003ca href=\"https://docs.typesafe.ai/primitives/choice\"\u003edocumentación de Choice\u003c/a\u003e.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#en-qu%C3%A9-se-diferencian-score-y-noul\" class=\"anchor\" id=\"en-qué-se-diferencian-score-y-noul\"\u003e\u003c/a\u003e¿En qué se diferencian Score y Noul?\u003c/h3\u003e\n\u003cp\u003eScore evalúa la posición dentro de una serie de niveles descritos. La numeración de los niveles empieza en 0. El resultado es la media ponderada por probabilidad de los números de nivel. Por eso también puede devolver puntuaciones no enteras.\u003c/p\u003e\n\u003cp\u003eNoul devuelve la probabilidad de que una condición sea verdadera, entre 0 y 1. Un valor cercano a 0,5 significa que las probabilidades de verdadero y falso son parecidas. No debe interpretarse como un grado intermedio de descontento. Use \u003ca href=\"https://docs.typesafe.ai/primitives/score\"\u003eScore\u003c/a\u003e para medir el grado y \u003ca href=\"https://docs.typesafe.ai/primitives/noul\"\u003eNoul\u003c/a\u003e para preguntar por la presencia de algo.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#comparaci%C3%B3n-de-funciones-con-el-c%C3%B3digo-convencional-y-los-modelos-generativos\" class=\"anchor\" id=\"comparación-de-funciones-con-el-código-convencional-y-los-modelos-generativos\"\u003e\u003c/a\u003eComparación de funciones con el código convencional y los modelos generativos\u003c/h2\u003e\n\u003cp\u003eDeje los cálculos exactos al código y encargue al modelo solo los juicios sobre el significado. Redactar texto nuevo corresponde a un modelo generativo. Jev es adecuado para juicios cuyo conjunto de respuestas está definido. Esta distinción permite decidir qué parte de una función existente conviene sustituir.\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\u003eMétodo adecuado\u003c/th\u003e\n\u003cth\u003eMotivo\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\"\u003eCalcular el intervalo entre fechas o contar elementos\u003c/td\u003e\n\u003ctd data-label=\"Método adecuado\"\u003eCódigo convencional\u003c/td\u003e\n\u003ctd data-label=\"Motivo\"\u003ePuede calcularse exactamente siguiendo reglas\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Condición de la tarea\"\u003eClasificar el departamento responsable de una consulta de un cliente\u003c/td\u003e\n\u003ctd data-label=\"Método adecuado\"\u003eJev Choice\u003c/td\u003e\n\u003ctd data-label=\"Motivo\"\u003eJuicio sobre el significado con opciones definidas\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Condición de la tarea\"\u003eEvaluar la gravedad de un informe de incidencia\u003c/td\u003e\n\u003ctd data-label=\"Método adecuado\"\u003eJev Score\u003c/td\u003e\n\u003ctd data-label=\"Motivo\"\u003eJuicio entre niveles descritos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Condición de la tarea\"\u003eConfirmar una solicitud de contacto con un agente\u003c/td\u003e\n\u003ctd data-label=\"Método adecuado\"\u003eJev Noul\u003c/td\u003e\n\u003ctd data-label=\"Motivo\"\u003eJuicio sobre la presencia de una intención concreta\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Condición de la tarea\"\u003eRedactar respuestas o resumir libremente\u003c/td\u003e\n\u003ctd data-label=\"Método adecuado\"\u003eModelo generativo\u003c/td\u003e\n\u003ctd data-label=\"Motivo\"\u003eEs necesario generar texto nuevo\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eAl procesar salidas de texto, puede hacer falta código que valide el formato. Jev devuelve directamente respuestas con el formato definido. Esto no elimina todas las validaciones ni los reintentos. El SDK oficial también ofrece una política de reintentos ante errores de comunicación, entre otros.\u003c/p\u003e\n\u003cp\u003eSiga diseñando por separado la validación de entradas externas y las comprobaciones de reglas de negocio. Aunque la respuesta del modelo tenga el tipo correcto, puede ser incorrecta para la tarea. Esta distinción es una interpretación de diseño basada en \u003ca href=\"https://docs.typesafe.ai/sdk\"\u003eClient SDKs\u003c/a\u003e y en la \u003ca href=\"https://docs.typesafe.ai/model-jaggedness/jev-1.13\"\u003edocumentación sobre las limitaciones del modelo\u003c/a\u003e oficiales.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#definici%C3%B3n-de-preguntas-y-tipos-de-respuesta-en-typescript\" class=\"anchor\" id=\"definición-de-preguntas-y-tipos-de-respuesta-en-typescript\"\u003e\u003c/a\u003eDefinición de preguntas y tipos de respuesta en TypeScript\u003c/h2\u003e\n\u003cp\u003eEl SDK de TypeScript infiere el tipo de los valores devueltos a partir de la definición de las preguntas. Las claves de las opciones de Choice pasan a ser los valores permitidos de la respuesta. Así, las comparaciones con cadenas no permitidas pueden detectarse durante la compilación. El SDK requiere Node.js 20 o posterior.\u003c/p\u003e\n\u003cp\u003eEl siguiente código es un ejemplo explicativo basado en el formato de llamada del SDK oficial. No muestra resultados de ejecución ni mediciones de exactitud. Es necesario configurar la variable de entorno \u003ccode\u003eTYPESAFE_API_KEY\u003c/code\u003e.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eimport { TypeSafeClient, choice } from \"@typesafe-ai/sdk\";\n\u003c/span\u003e\u003cspan\u003e\n\u003c/span\u003e\u003cspan\u003econst api = new TypeSafeClient();\n\u003c/span\u003e\u003cspan\u003e\n\u003c/span\u003e\u003cspan\u003easync function classifyMessage(message: string) {\n\u003c/span\u003e\u003cspan\u003e  const result = await api.systemOne({\n\u003c/span\u003e\u003cspan\u003e    model: \"jev-1.13.0\",\n\u003c/span\u003e\u003cspan\u003e    state: { message },\n\u003c/span\u003e\u003cspan\u003e    questions: {\n\u003c/span\u003e\u003cspan\u003e      topic: choice(\"Classify the subject of message.\", {\n\u003c/span\u003e\u003cspan\u003e        account: \"Account access or password problems\",\n\u003c/span\u003e\u003cspan\u003e        delivery: \"Shipment tracking or delivery problems\",\n\u003c/span\u003e\u003cspan\u003e        other: \"Any subject outside those categories\",\n\u003c/span\u003e\u003cspan\u003e      }),\n\u003c/span\u003e\u003cspan\u003e    },\n\u003c/span\u003e\u003cspan\u003e  });\n\u003c/span\u003e\u003cspan\u003e\n\u003c/span\u003e\u003cspan\u003e  return result.answers.topic;\n\u003c/span\u003e\u003cspan\u003e}\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eEn este ejemplo, el tipo de \u003ccode\u003echoice\u003c/code\u003e es \u003ccode\u003eaccount | delivery | other\u003c/code\u003e. En TypeScript, estas cadenas son tipos literales que se muestran entre comillas. Sin embargo, la comprobación de tipos no determina si una consulta se ha clasificado correctamente. Consulte los requisitos de instalación y el formato de las llamadas en la \u003ca href=\"https://docs.typesafe.ai/sdk/javascript\"\u003edocumentación del SDK de JavaScript\u003c/a\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#ejemplo-de-c%C3%A1lculo-de-la-confianza-y-errores-habituales\" class=\"anchor\" id=\"ejemplo-de-cálculo-de-la-confianza-y-errores-habituales\"\u003e\u003c/a\u003eEjemplo de cálculo de la confianza y errores habituales\u003c/h2\u003e\n\u003cp\u003e\u003ccode\u003econfidence\u003c/code\u003e es un valor que resume las probabilidades devueltas. No es la misma cifra que la probabilidad de la respuesta elegida. Tampoco debe interpretarse directamente como la tasa real de aciertos. Es especialmente importante tener en cuenta esta diferencia al definir criterios de ejecución automática.\u003c/p\u003e\n\u003cp\u003eLa fórmula oficial de Choice es la siguiente:\u003c/p\u003e\n\u003cp\u003e\u003ccode\u003econfidence = (probabilidad máxima - 1 / número de opciones) / (1 - 1 / número de opciones)\u003c/code\u003e\u003c/p\u003e\n\u003cp\u003eLa distribución de probabilidades del documento oficial es \u003ccode\u003e0.6, 0.3, 0.1\u003c/code\u003e. Hay 3 opciones. Al sustituir la probabilidad máxima por 0,6, el valor de confidence es 0,4. La probabilidad de la opción elegida, 60 %, y la confianza, 0,4, son indicadores distintos.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eInterpretación habitual\u003c/th\u003e\n\u003cth\u003eInterpretación correcta\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Interpretación habitual\"\u003eUna confidence de 0,4 equivale a una tasa de aciertos del 40 %\u003c/td\u003e\n\u003ctd data-label=\"Interpretación correcta\"\u003eEs un valor que resume la distribución de probabilidades según la fórmula\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Interpretación habitual\"\u003eUn Noul de 0,5 indica un nivel medio\u003c/td\u003e\n\u003ctd data-label=\"Interpretación correcta\"\u003eSe han asignado probabilidades parecidas a verdadero y falso\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Interpretación habitual\"\u003eLos decimales de Score son una medición precisa\u003c/td\u003e\n\u003ctd data-label=\"Interpretación correcta\"\u003eSon la media ponderada por probabilidad de los números de nivel definidos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Interpretación habitual\"\u003eUna confianza alta permite omitir las comprobaciones de permisos\u003c/td\u003e\n\u003ctd data-label=\"Interpretación correcta\"\u003eLos permisos de negocio y las condiciones de ejecución se comprueban por separado en el código\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eEl significado de estas cifras se basa en la \u003ca href=\"https://docs.typesafe.ai/confidence\"\u003edocumentación oficial de Confidence\u003c/a\u003e. La recomendación de separar las comprobaciones de permisos es una propuesta de diseño para su aplicación operativa.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#c%C3%B3mo-comparar-el-precio-y-el-tiempo-de-respuesta\" class=\"anchor\" id=\"cómo-comparar-el-precio-y-el-tiempo-de-respuesta\"\u003e\u003c/a\u003e¿Cómo comparar el precio y el tiempo de respuesta?\u003c/h2\u003e\n\u003cp\u003eEl precio anunciado es de 0,042 dólares por cada millón de tokens de entrada. Se indicó que los tokens de salida son gratuitos. El intervalo de tiempos de respuesta anunciado es de 70 a 500 milisegundos. Estas cifras se basan en el anuncio de la empresa del 15 de septiembre de 2026.\u003c/p\u003e\n\u003cp\u003eLas comparaciones por múltiplos de la empresa proceden de la evaluación de un flujo de trabajo concreto. En vez de respuestas correctas reales, se tomó como referencia la predicción media de otros modelos grandes. La evaluación de velocidad se hizo principalmente desde el oeste de Estados Unidos. Por tanto, no indica la exactitud en todas las tareas ni los tiempos de respuesta en Corea.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eAspecto de la comparación\u003c/th\u003e\n\u003cth\u003eQué comprobar\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto de la comparación\"\u003eCoste de la API\u003c/td\u003e\n\u003ctd data-label=\"Qué comprobar\"\u003eUso real de tokens de entrada y precio aplicable\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto de la comparación\"\u003eTiempo de respuesta\u003c/td\u003e\n\u003ctd data-label=\"Qué comprobar\"\u003eTiempo de ida y vuelta desde la región donde se ejecuta el servicio\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto de la comparación\"\u003eExactitud\u003c/td\u003e\n\u003ctd data-label=\"Qué comprobar\"\u003eResultados de muestras de trabajo real con respuestas correctas asignadas\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspecto de la comparación\"\u003eCoste operativo\u003c/td\u003e\n\u003ctd data-label=\"Qué comprobar\"\u003eCoste incluidos los reintentos y la revisión humana\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eComparar solo los precios puede pasar por alto situaciones en las que aumenta el trabajo de revisión. Para decidir si adoptarlo, hay que considerar también el coste de los resultados del procesamiento. Las condiciones de las cifras anunciadas figuran en el \u003ca href=\"https://typesafe.ai/blog/introducing-system-one-models-and-jev\"\u003eanuncio público de Jev\u003c/a\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#nueve-limitaciones-de-jev-113\" class=\"anchor\" id=\"nueve-limitaciones-de-jev-113\"\u003e\u003c/a\u003eNueve limitaciones de Jev 1.13\u003c/h2\u003e\n\u003cp\u003eLa documentación oficial agrupa en nueve categorías los tipos de fallos de Jev 1.13. Esta lista corresponde a la revisión del 17 de septiembre de 2026. Que funcione en algunos casos no garantiza que sea fiable para esa tarea.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eTipo de fallo\u003c/th\u003e\n\u003cth\u003eRespuesta de diseño\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de fallo\"\u003eInterpretación literal de las expresiones\u003c/td\u003e\n\u003ctd data-label=\"Respuesta de diseño\"\u003eEspecificar en las instrucciones las condiciones implícitas\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de fallo\"\u003eCálculos y recuentos\u003c/td\u003e\n\u003ctd data-label=\"Respuesta de diseño\"\u003eGestionar la aritmética en el código\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de fallo\"\u003eComparación de fechas y horas\u003c/td\u003e\n\u003ctd data-label=\"Respuesta de diseño\"\u003eConstruir las fechas y compararlas en el código\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de fallo\"\u003eDoble negación y razonamientos de varios pasos\u003c/td\u003e\n\u003ctd data-label=\"Respuesta de diseño\"\u003eSepararlos en preguntas directas\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de fallo\"\u003eEntradas con mucho contenido irrelevante\u003c/td\u003e\n\u003ctd data-label=\"Respuesta de diseño\"\u003eEnviar solo los campos necesarios\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de fallo\"\u003eEntradas que inducen una respuesta\u003c/td\u003e\n\u003ctd data-label=\"Respuesta de diseño\"\u003eHacer una evaluación previa que incluya frases inductivas\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de fallo\"\u003eConflictos entre las instrucciones y los criterios de selección\u003c/td\u003e\n\u003ctd data-label=\"Respuesta de diseño\"\u003eAlinear el significado de la pregunta y los criterios\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de fallo\"\u003eFalta de coherencia matemática entre preguntas\u003c/td\u003e\n\u003ctd data-label=\"Respuesta de diseño\"\u003eGestionar las relaciones lógicas en el código\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tipo de fallo\"\u003eGeneración libre de texto\u003c/td\u003e\n\u003ctd data-label=\"Respuesta de diseño\"\u003eUsar un modelo generativo\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eUn mismo significado puede producir probabilidades distintas en Noul y Choice. No traslade directamente a un tipo un umbral ajustado para otro. La referencia es \u003ca href=\"https://docs.typesafe.ai/model-jaggedness/jev-1.13\"\u003eJev 1.13 jaggedness\u003c/a\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#condiciones-para-aplicarlo-a-un-servicio-en-coreano\" class=\"anchor\" id=\"condiciones-para-aplicarlo-a-un-servicio-en-coreano\"\u003e\u003c/a\u003eCondiciones para aplicarlo a un servicio en coreano\u003c/h2\u003e\n\u003cp\u003eProcesa entradas en coreano, pero no garantiza un rendimiento equivalente al del inglés. La documentación oficial explica que el idioma principal de entrenamiento es el inglés. También señala diferencias de rendimiento en los sistemas de escritura CJK, incluido el coreano. No proporciona una cifra general de exactitud para el coreano.\u003c/p\u003e\n\u003cp\u003eDecida si aplicarlo al coreano a partir de muestras propias. Conviene incluir consultas con expresiones indirectas y omisiones. Si solo evalúa traducciones, puede pasar por alto las diferencias en la forma de escribir de los clientes reales. Esta es una propuesta de evaluación que tiene en cuenta las diferencias de rendimiento entre idiomas.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eEvaluar por separado las solicitudes claras y las ambiguas\u003c/li\u003e\n\u003cli\u003eRegistrar por separado la clasificación por departamento y la evaluación de emociones\u003c/li\u003e\n\u003cli\u003eVolver a validar en coreano los umbrales definidos en inglés\u003c/li\u003e\n\u003cli\u003eComparar las mismas muestras antes y después de cambiar el modelo\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eCuando sale una versión nueva, cambia el modelo al que apunta \u003ccode\u003ejev-latest\u003c/code\u003e. Si ajustó los umbrales para una versión concreta, considere fijar esa versión. Puede consultar las políticas de idioma y versiones en la \u003ca href=\"https://docs.typesafe.ai/models\"\u003edocumentación oficial de Models\u003c/a\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#la-tasa-de-procesamiento-autom%C3%A1tico-que-suele-pasarse-por-alto-al-evaluar-un-cambio-de-modelo\" class=\"anchor\" id=\"la-tasa-de-procesamiento-automático-que-suele-pasarse-por-alto-al-evaluar-un-cambio-de-modelo\"\u003e\u003c/a\u003eLa tasa de procesamiento automático que suele pasarse por alto al evaluar un cambio de modelo\u003c/h2\u003e\n\u003cp\u003eAl cambiar de modelo, hay que examinar tanto la exactitud general como la tasa de procesamiento automático. Si todos los casos ambiguos se envían a revisión humana, disminuye el volumen procesado automáticamente. Si se amplía el alcance del procesamiento automático, pueden aumentar las ejecuciones incorrectas. El siguiente método de evaluación amplía el criterio de bifurcación basado en la confianza de la documentación oficial.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eIndicador\u003c/th\u003e\n\u003cth\u003eMétodo de cálculo o registro\u003c/th\u003e\n\u003cth\u003eQué permite comprobar\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Indicador\"\u003eTasa de procesamiento automático\u003c/td\u003e\n\u003ctd data-label=\"Método de cálculo o registro\"\u003eCasos procesados automáticamente / total de casos evaluados\u003c/td\u003e\n\u003ctd data-label=\"Qué permite comprobar\"\u003eTrabajo manual que realmente se reduce\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Indicador\"\u003eTasa de errores en el procesamiento automático\u003c/td\u003e\n\u003ctd data-label=\"Método de cálculo o registro\"\u003eErrores entre los casos procesados automáticamente / casos procesados automáticamente\u003c/td\u003e\n\u003ctd data-label=\"Qué permite comprobar\"\u003eCalidad de los resultados de la automatización\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Indicador\"\u003eTasa de revisión humana\u003c/td\u003e\n\u003ctd data-label=\"Método de cálculo o registro\"\u003eCasos enviados a revisión / total de casos evaluados\u003c/td\u003e\n\u003ctd data-label=\"Qué permite comprobar\"\u003eCarga de revisión restante\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Indicador\"\u003eTiempo total de procesamiento\u003c/td\u003e\n\u003ctd data-label=\"Método de cálculo o registro\"\u003eMedición desde la entrada hasta la finalización\u003c/td\u003e\n\u003ctd data-label=\"Qué permite comprobar\"\u003eTiempo de espera, incluida la revisión\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eSi no hay casos procesados automáticamente, no se puede calcular la tasa de errores en el procesamiento automático. En ese caso, regístrela como «no calculable» en lugar de 0 %. Es necesario conservar el denominador de los indicadores para poder comparar modelos.\u003c/p\u003e\n\u003cp\u003eLa evaluación puede seguir estos pasos:\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003ePida a una persona que asigne las respuestas correctas a muestras de trabajo real.\u003c/li\u003e\n\u003cli\u003eFije la redacción de las preguntas y la definición de las opciones.\u003c/li\u003e\n\u003cli\u003eRegistre la versión del modelo, las probabilidades y la bifurcación final.\u003c/li\u003e\n\u003cli\u003eCompare la tasa de procesamiento automático y la tasa de errores para cada umbral.\u003c/li\u003e\n\u003cli\u003eDefina los criterios operativos según el nivel de error aceptable.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eNo existe un umbral adecuado para todos los casos. Los criterios deben reflejar las consecuencias de una ejecución incorrecta. Puede consultar el principio de bifurcación que sirve de punto de partida en la \u003ca href=\"https://docs.typesafe.ai/confidence\"\u003edocumentación de Confidence\u003c/a\u003e.\u003c/p\u003e\n","tags":["Agentes de IA","Desarrollo de IA","Toma de decisiones","Herramientas de desarrollo"],"faqs":[{"question":"¿Jev sustituye a la IA generativa de uso general?","answer":"Es adecuado para tareas en las que hay que elegir entre respuestas predefinidas. Para redactar respuestas libres o hacer resúmenes se necesita un modelo generativo."},{"question":"¿Cuántas opciones se pueden incluir como máximo en Choice?","answer":"Según la documentación oficial de Choice, el límite es de 255 opciones por pregunta. Si necesita procesar entradas que no figuran en la lista, considere incluir una opción «Otros»."},{"question":"Si Noul es 0.5, ¿significa que está en un nivel medio?","answer":"Significa que las probabilidades de verdadero y falso son similares. Para evaluar el grado o nivel, es adecuado usar Score con niveles descritos."},{"question":"¿Qué significan los decimales de Score?","answer":"Son el resultado de multiplicar el número de cada nivel definido por su probabilidad y sumar los resultados. No indican una medición precisa ni el porcentaje correspondiente a ese cliente."},{"question":"Si confidence es alta, ¿puedo considerar correcta la respuesta?","answer":"confidence es un valor que resume la distribución de probabilidades. Hay que comprobar si la respuesta es realmente correcta con una muestra de casos de la actividad."},{"question":"¿Qué comprueba el SDK de TypeScript?","answer":"Infiere el tipo de respuesta a partir de la definición de la pregunta. Ayuda a detectar comparaciones con cadenas que no figuran entre las opciones permitidas. No comprueba si la clasificación es correcta."},{"question":"Si uso Jev, ¿no necesito hacer reintentos?","answer":"El tratamiento del formato de salida y el de los errores de comunicación son cosas distintas. El SDK oficial incluye una política de reintentos predeterminada, así que también debe comprobar cómo se tratan los errores de la API."},{"question":"¿Qué precisión tiene con el coreano?","answer":"La documentación oficial de Models no ofrece cifras de precisión en coreano que puedan generalizarse. Evalúe el rendimiento de cada pregunta con entradas reales en coreano."},{"question":"¿Cuánto cuesta Jev?","answer":"El precio anunciado el 15 de septiembre de 2026 es de 0.042 dólares por cada 1 millón de tokens de entrada. Se indicó que los tokens de salida son gratuitos. Vuelva a comprobar el precio aplicable en la documentación oficial de Models."},{"question":"¿Puedo usar jev-latest en un entorno de producción?","answer":"Sí, pero cuando salga una nueva versión, cambiará el modelo al que apunta. Si quiere mantener la versión con la que validó los umbrales, indique el ID de esa versión."}],"sources":[{"url":"https://docs.typesafe.ai/introduction","title":"Introducción a TypeSafe AI","type":"source"},{"url":"https://docs.typesafe.ai/primitives/choice","title":"Elección de TypeSafe AI","type":"source"},{"url":"https://docs.typesafe.ai/primitives/score","title":"Puntuación de TypeSafe AI","type":"source"},{"url":"https://docs.typesafe.ai/primitives/noul","title":"TypeSafe AI Noul","type":"source"},{"url":"https://docs.typesafe.ai/confidence","title":"Confianza de TypeSafe AI","type":"source"},{"url":"https://docs.typesafe.ai/sdk","title":"SDKs de cliente de TypeSafe AI","type":"source"},{"url":"https://docs.typesafe.ai/sdk/javascript","title":"SDK de JavaScript de TypeSafe AI","type":"source"},{"url":"https://typesafe.ai/blog/introducing-system-one-models-and-jev","title":"Presentamos los modelos System One y Jev, 15 de septiembre de 2026","type":"data_point"},{"url":"https://docs.typesafe.ai/model-jaggedness/jev-1.13","title":"Irregularidad de Jev 1.13, revisado el 17 de septiembre de 2026","type":"source"},{"url":"https://docs.typesafe.ai/models","title":"Modelos de TypeSafe AI","type":"source"}],"images":[{"id":1601,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjQwNDYsInB1ciI6ImJsb2JfaWQifX0=--ea906281db18091febeba00926fa1dd9ebe90294/ai-cb0d0c3f.webp","is_representative":true,"generation_method":"ai_photo","license":"ai_generated","mime_type":"image/webp","width":1536,"height":1024,"translations":{"ko":{"alt":"고객지원 사무실에서 헤드셋을 쓴 두 직원이 모니터를 보며 상의하고, 책상에 청록색 표시등이 켜져 있다.","caption":"신뢰도는 정답률이 아니므로 자동 처리율과 오판율을 함께 평가해야 합니다.","description":null},"en":{"alt":"Two headset-wearing support staff confer over a monitor, with a teal light glowing at their desk and other agents behind them.","caption":"Confidence is not accuracy, so automatic handling and misclassification rates must be evaluated together.","description":null},"ja":{"alt":"カスタマーサポート室でヘッドセットを着けた二人がモニターを見ながら話し合い、机上で青緑色のランプが光っている。","caption":"信頼度は正答率ではないため、自動処理率と誤判定率を併せて評価する必要があります。","description":null},"es":{"alt":"Dos agentes con auriculares consultan un monitor; una luz verde azulada brilla en su mesa y hay más agentes al fondo.","caption":"La confianza no equivale a la tasa de aciertos, por lo que deben evaluarse tanto el procesamiento automático como los errores de clasificación.","description":null},"id":{"alt":"Dua staf dukungan berheadset berdiskusi sambil melihat monitor, dengan lampu hijau kebiruan menyala di meja dan agen lain di belakang.","caption":"Tingkat keyakinan bukan tingkat ketepatan, sehingga penanganan otomatis dan kesalahan klasifikasi perlu dievaluasi bersama.","description":null},"pt":{"alt":"Dois atendentes com fones de ouvido conversam diante de um monitor; uma luz verde-azulada brilha na mesa, com outros agentes ao fundo.","caption":"A confiança não é a taxa de acerto; o atendimento automático e os erros de classificação devem ser avaliados em conjunto.","description":null},"zh-hant":{"alt":"客服辦公室裡，兩名戴耳麥的員工看著螢幕討論，桌上亮著藍綠色指示燈，後方還有其他客服人員。","caption":"信心值不等於正確率，因此須同時評估自動處理率與誤判率。","description":null},"de":{"alt":"Zwei Supportmitarbeitende mit Headsets besprechen sich vor einem Monitor; am Arbeitsplatz leuchtet ein türkisfarbenes Licht.","caption":"Konfidenz ist keine Trefferquote; daher müssen automatisierte Bearbeitung und Fehlklassifikationen gemeinsam bewertet werden.","description":null}}},{"id":1602,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjQwNTIsInB1ciI6ImJsb2JfaWQifX0=--d07e76337161b074535590d09b1f479ecd50d738/ai-893d1efb.webp","is_representative":false,"generation_method":"ai_semi","license":"ai_generated","mime_type":"image/webp","width":1536,"height":1024,"translations":{"ko":{"alt":"여성이 분기 화살표가 그려진 테스트 보드에서 문의 카드를 사람 검토 쪽으로 옮긴다.","caption":"Jev의 결정 결과를 자동 처리와 사람 검토로 나누는 분기 설계가 중요합니다.","description":null},"en":{"alt":"A woman moves an inquiry card toward the human-review side of a branching test board.","caption":"Jev’s decisions need a clear path to either automatic processing or human review.","description":null},"ja":{"alt":"女性が分岐を示すテストボードで問い合わせカードを人による確認の側へ移している。","caption":"Jevの決定を自動処理と人による確認に振り分ける分岐設計が重要です。","description":null},"es":{"alt":"Una mujer mueve una tarjeta de consulta hacia la zona de revisión humana de un tablero con bifurcaciones.","caption":"Las decisiones de Jev requieren una ruta clara hacia el procesamiento automático o la revisión humana.","description":null},"id":{"alt":"Seorang perempuan memindahkan kartu pertanyaan ke sisi tinjauan manusia pada papan uji bercabang.","caption":"Keputusan Jev perlu diarahkan dengan jelas ke pemrosesan otomatis atau tinjauan manusia.","description":null},"pt":{"alt":"Uma mulher move um cartão de consulta para a área de revisão humana em um quadro de testes com ramificações.","caption":"As decisões do Jev precisam de um caminho claro para o processamento automático ou a revisão humana.","description":null},"zh-hant":{"alt":"一名女子在有分支箭頭的測試板上，將詢問卡移向人工審查區。","caption":"Jev 的決定需要明確分流至自動處理或人工審查。","description":null},"de":{"alt":"Eine Frau verschiebt eine Anfragekarte auf einer verzweigten Testtafel in den Bereich für menschliche Prüfung.","caption":"Für Jevs Entscheidungen braucht es eine klare Verzweigung zwischen automatischer Bearbeitung und menschlicher Prüfung.","description":null}}}],"published_at":"2026-10-02T23:30:14+09:00","updated_at":"2026-10-02T23:30:14+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-decision-model-branching-design-and-limitations"}