---
title: "Modelo de decisão Jev: design de ramificações e limites"
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-decision-model-branching-design-and-limitations
published_at: 2026-10-02T23:30:14+09:00
---

# Modelo de decisão Jev: design de ramificações e limites

> Jev é o modelo de decisão da TypeSafe AI que retorna opções predefinidas e probabilidades. O texto explica como conectar cada tipo de pergunta ao código e como funciona a inferência de tipos, além de abordar a interpretação da confiança e os pontos a verificar na aplicação ao coreano.

## Key Points

- Jev retorna opções e probabilidades que o código pode usar, em vez de frases livres.
- Choice trata da escolha de categorias, Score da avaliação por etapas e Noul da probabilidade de algo ser verdadeiro.
- O SDK de TypeScript infere o tipo da resposta a partir da definição da pergunta.
- confidence é um valor que resume a distribuição de probabilidades, não a taxa de acerto em si.
- Serviços em coreano devem avaliar conjuntamente a taxa de processamento automático e a taxa de decisões equivocadas com dados próprios.

Jev é um modelo de decisão da TypeSafe AI que retorna opções predefinidas e probabilidades. É adequado para conectar julgamentos sobre linguagem natural a condições de ramificação no código. Ele restringe o formato da saída, mas não garante a precisão do julgamento.

Os preços seguem o anúncio de 15 de setembro de 2026, e as limitações seguem a documentação consultada em 17 de setembro.

## Que tipo de tarefa o Jev realiza?

Jev lê a entrada e retorna respostas estruturadas a perguntas predefinidas. O conteúdo a ser avaliado vai em `state`. Os critérios de julgamento são definidos em `questions`. As respostas retornadas podem ser usadas para classificação ou definição de prioridades.

A TypeSafe AI chama essa abordagem de modelo System One. Seu método de treinamento é descrito como RLCD, uma forma de aprendizado por reforço voltada à calibração das probabilidades dos julgamentos. Ainda assim, a precisão deve ser validada separadamente para cada serviço.

O documento oficial Introduction expressa o princípio de design da seguinte forma.

> Atomic questions, composed in code
>
> TypeSafe AI, Introduction

Isso significa atribuir um único julgamento a cada pergunta. A combinação de vários julgamentos é tratada no código. As perguntas de uma mesma solicitação avaliam o mesmo estado de forma independente. A estrutura está detalhada em [TypeSafe AI Introduction](https://docs.typesafe.ai/introduction).

## Comparação entre Choice, Score e Noul

Escolha o tipo de pergunta conforme a forma como a resposta será usada no código. Identificar o departamento responsável é uma questão de escolha entre categorias. Avaliar a gravidade envolve níveis ordenados. A presença de uma solicitação específica pode ser dividida entre verdadeiro e falso.

| Tipo | O que pergunta | Principais valores retornados | Uso no código |
| --- | --- | --- | --- |
| Choice | A qual das categorias definidas pertence | `choice`, `probabilities`, `confidence` | Ramificação com `switch` |
| Score | Em qual dos níveis descritos se enquadra | `score`, `probabilities`, `confidence` | Comparação da pontuação com um limite |
| Noul | Se uma condição específica é verdadeira | `noul` | Comparação da probabilidade antes de uma ramificação com `if` |

### Como definir as opções de Choice?

Choice aceita até 255 opções por pergunta. Ele avalia o nome e a descrição de cada opção. Se também puderem chegar entradas que não se encaixem na lista, considere incluir uma opção como `other`. Isso ajuda a reduzir classificações forçadas.

Choice seleciona uma das opções fornecidas. Para avaliar separadamente se todas as opções são inadequadas, é preciso acrescentar outra pergunta. A soma das probabilidades retornadas é 1. As definições e restrições estão na [documentação de Choice](https://docs.typesafe.ai/primitives/choice).

### Qual é a diferença entre Score e Noul?

Score avalia em qual dos níveis descritos uma entrada se enquadra. A numeração dos níveis começa em 0. O resultado é a média ponderada pelas probabilidades dos números dos níveis. Por isso, ele também pode retornar uma pontuação não inteira.

Noul retorna a probabilidade de uma condição ser verdadeira, entre 0 e 1. Um valor próximo de 0.5 significa que as probabilidades de verdadeiro e falso são semelhantes. Não deve ser interpretado como um grau intermediário de insatisfação. Para medir a intensidade, use [Score](https://docs.typesafe.ai/primitives/score); para perguntar se algo está presente, use [Noul](https://docs.typesafe.ai/primitives/noul).

## Comparação de papéis com código convencional e modelos generativos

Deixe os cálculos exatos para o código e atribua ao modelo apenas julgamentos de significado. Redigir um novo texto é tarefa de um modelo generativo. Jev é adequado para julgamentos com respostas delimitadas. Essa distinção ajuda a definir quais funcionalidades existentes devem ser substituídas.

| Condição da tarefa | Forma de processamento adequada | Motivo |
| --- | --- | --- |
| Calcular o intervalo entre datas ou o número de itens | Código convencional | Pode ser calculado exatamente segundo regras |
| Classificar o departamento responsável por uma consulta de cliente | Jev Choice | Julgamento de significado entre opções definidas |
| Avaliar a gravidade de um relatório de incidente | Jev Score | Julgamento entre níveis descritos |
| Verificar se há uma solicitação de contato com um atendente | Jev Noul | Julgamento sobre a presença de uma intenção específica |
| Redigir uma resposta ou fazer um resumo livre | Modelo generativo | Exige a criação de um novo texto |

Ao processar saídas de texto, pode ser necessário ter código para validar o formato. Jev retorna diretamente respostas no formato definido. Isso não elimina, porém, toda validação nem todas as novas tentativas. O SDK oficial também oferece uma política de novas tentativas para lidar, por exemplo, com erros de comunicação.

Continue projetando separadamente a validação de entradas externas e a verificação das regras de negócio. Mesmo que a resposta do modelo tenha o tipo correto, ela pode estar errada para a operação. Essa distinção é uma interpretação de design baseada nos documentos oficiais [Client SDKs](https://docs.typesafe.ai/sdk) e [limitações do modelo](https://docs.typesafe.ai/model-jaggedness/jev-1.13).

## Definição de perguntas e tipos de resposta em TypeScript

O SDK de TypeScript infere o tipo do valor retornado a partir da definição das perguntas. As chaves das opções de Choice se tornam os valores permitidos para a resposta. Assim, comparações com strings não permitidas podem ser detectadas durante a compilação. O SDK exige Node.js 20 ou superior.

O código abaixo é um exemplo explicativo adaptado da forma de chamada do SDK oficial. Não é um exemplo de medição de resultados de execução ou de precisão. É necessário configurar a variável de ambiente `TYPESAFE_API_KEY`.

```typescript
import { TypeSafeClient, choice } from "@typesafe-ai/sdk";

const api = new TypeSafeClient();

async function classifyMessage(message: string) {
  const result = await api.systemOne({
    model: "jev-1.13.0",
    state: { message },
    questions: {
      topic: choice("Classify the subject of message.", {
        account: "Account access or password problems",
        delivery: "Shipment tracking or delivery problems",
        other: "Any subject outside those categories",
      }),
    },
  });

  return result.answers.topic;
}
```

O tipo de `choice` neste exemplo é `account | delivery | other`. No TypeScript real, essas strings são tipos literais indicados entre aspas. A verificação de tipos, porém, não determina se a consulta foi classificada corretamente. Consulte a [documentação do SDK de JavaScript](https://docs.typesafe.ai/sdk/javascript) para conferir a instalação e o formato das chamadas.

## Exemplo de cálculo de confiança e erros comuns

`confidence` é um valor que resume as probabilidades retornadas. Não é o mesmo número que a probabilidade da resposta escolhida. Também não deve ser interpretado diretamente como taxa real de acerto. Essa diferença exige atenção especial ao definir critérios de execução automática.

A fórmula oficial de Choice é a seguinte.

`confidence = (probabilidade máxima - 1 / número de opções) / (1 - 1 / número de opções)`

A distribuição de probabilidades no documento oficial é `0.6, 0.3, 0.1`. Há 3 opções. Substituindo a probabilidade máxima por 0.6, o confidence é 0.4. A probabilidade de 60% da opção escolhida e a confiança de 0.4 são métricas diferentes.

| Interpretação comum | Interpretação correta |
| --- | --- |
| Confidence 0.4 significa taxa de acerto de 40% | Valor que resume a distribuição de probabilidades segundo a fórmula |
| Noul 0.5 significa um nível moderado | As probabilidades atribuídas a verdadeiro e falso são semelhantes |
| As casas decimais de Score são uma medição precisa | Média ponderada pelas probabilidades dos números dos níveis definidos |
| Confiança alta permite dispensar a verificação de permissões | Permissões e condições de execução devem ser verificadas em código separado |

O significado dos números se baseia na [documentação de Confidence](https://docs.typesafe.ai/confidence). A recomendação de separar a verificação de permissões é uma proposta de design para aplicar isso à operação.

## Como comparar preços e tempos de resposta?

O preço anunciado é de 0.042 dólar por 1 milhão de tokens de entrada. Os tokens de saída foram informados como gratuitos. A faixa de tempo de resposta anunciada é de 70~500 milissegundos. Esses números seguem o anúncio da empresa de 15 de setembro de 2026.

As comparações em múltiplos feitas pela empresa vieram da avaliação de um fluxo de trabalho específico. Em vez das respostas corretas reais, foi usada como referência a média das previsões de outros modelos de grande porte. A avaliação de velocidade foi realizada principalmente na costa oeste dos Estados Unidos. Portanto, ela não representa a precisão em todas as tarefas nem o tempo de resposta na Coreia.

| Item de comparação | O que verificar |
| --- | --- |
| Custo da API | Consumo real de tokens de entrada e preço aplicado |
| Tempo de resposta | Tempo de ida e volta na região onde o serviço é executado |
| Precisão | Resultados de uma amostra de tarefas reais com respostas corretas atribuídas |
| Custo operacional | Custo que inclui novas tentativas e revisão humana |

Comparar apenas os preços pode deixar passar situações em que o trabalho de revisão aumenta. Para decidir pela adoção, é preciso considerar o custo até a conclusão do processamento. As condições dos números anunciados estão no [anúncio público do Jev](https://typesafe.ai/blog/introducing-system-one-models-and-jev).

## Nove limitações do Jev 1.13

A documentação oficial organiza os modos de falha do Jev 1.13 em nove tipos. Esta lista segue a documentação consultada em 17 de setembro de 2026. O sucesso em alguns casos não garante a confiabilidade para a tarefa.

| Tipo de falha | Medida de design |
| --- | --- |
| Interpretação literal da redação | Explicitar condições implícitas nas instruções |
| Cálculos e contagem de itens | Tratar a aritmética no código |
| Comparação de datas e horários | Construir as datas e compará-las no código |
| Dupla negação e raciocínio em várias etapas | Separar em perguntas diretas |
| Entrada com muito conteúdo irrelevante | Enviar apenas os campos necessários |
| Entrada que induz um julgamento | Fazer uma avaliação prévia que inclua frases indutoras |
| Conflito entre instruções e critérios de escolha | Alinhar o significado da pergunta e dos critérios |
| Falta de consistência matemática entre perguntas | Gerenciar as relações lógicas no código |
| Geração livre de texto | Usar um modelo generativo |

O mesmo significado pode receber probabilidades diferentes em Noul e Choice. Não transfira diretamente para um tipo um limite ajustado para outro. A referência é [Jev 1.13 jaggedness](https://docs.typesafe.ai/model-jaggedness/jev-1.13).

## Condições de aplicação em serviços em coreano

Entradas em coreano são processadas, mas não há garantia de desempenho equivalente ao do inglês. A documentação oficial explica que o principal idioma de treinamento é o inglês. Ela também aponta diferenças de desempenho para idiomas escritos com caracteres CJK, incluindo o coreano. Não apresenta um número geral de precisão para o coreano.

Decida sobre a aplicação em coreano com base em uma amostra própria. É recomendável incluir consultas com expressões indiretas e omissões. Avaliar apenas textos traduzidos pode deixar de fora diferenças na forma como os clientes realmente escrevem. Esta é uma proposta de avaliação que considera as diferenças de desempenho entre idiomas.

- Avaliar separadamente solicitações claras e ambíguas
- Apurar separadamente a classificação por departamento e a avaliação de sentimento
- Revalidar em coreano os limites definidos em inglês
- Comparar a mesma amostra antes e depois de uma mudança de modelo

Quando uma nova versão é lançada, o modelo para o qual `jev-latest` aponta muda. Se os limites foram ajustados para uma versão específica, considere fixar essa versão. As políticas de idioma e versão podem ser consultadas na [documentação oficial de Models](https://docs.typesafe.ai/models).

## A taxa de processamento automático que é fácil ignorar ao avaliar a troca de modelo

Ao avaliar a troca de modelo, é preciso considerar tanto a precisão geral quanto a taxa de processamento automático. Se todos os casos ambíguos forem encaminhados a pessoas, o volume processado automaticamente diminuirá. Se o escopo do processamento automático for ampliado, os casos de execução incorreta poderão aumentar. O método de avaliação a seguir amplia o critério de ramificação por confiança da documentação oficial.

| Métrica | Método de cálculo ou registro | Objetivo |
| --- | --- | --- |
| Taxa de processamento automático | Número de casos processados automaticamente / número total de casos avaliados | Trabalho manual efetivamente reduzido |
| Taxa de erro no processamento automático | Número de erros entre os casos processados automaticamente / número de casos processados automaticamente | Qualidade dos resultados da automação |
| Taxa de revisão humana | Número de casos enviados para revisão / número total de casos avaliados | Carga de revisão restante |
| Tempo até a conclusão | Medido da entrada até a conclusão final | Tempo de espera, incluindo a revisão |

Se não houver casos processados automaticamente, não é possível calcular a taxa de erro no processamento automático. Nesse caso, registre como impossível de calcular, não como 0%. É preciso manter o denominador de cada métrica para comparar os modelos.

A avaliação pode seguir esta ordem.

1. Peça a pessoas que atribuam as respostas corretas a uma amostra de tarefas reais.
2. Fixe a redação das perguntas e a definição das opções.
3. Registre a versão do modelo, as probabilidades e a ramificação final.
4. Compare a taxa de processamento automático e a taxa de erro para cada limite.
5. Defina os critérios operacionais conforme o nível de erro aceitável.

Não existe um limite universalmente correto. Os critérios devem considerar o impacto de uma execução incorreta. Os princípios de ramificação que servem de ponto de partida estão na [documentação de Confidence](https://docs.typesafe.ai/confidence).

## FAQ

### Jev substitui a IA generativa de uso geral?
É adequado para tarefas que exigem escolher entre respostas predefinidas. Para redigir respostas livremente ou fazer resumos, é necessário um modelo generativo.

### Quantas opções posso incluir em Choice?
Segundo a documentação oficial de Choice, o limite é de 255 opções por pergunta. Se precisar lidar com entradas que não estão na lista, considere uma opção para outros casos.

### Se Noul for 0.5, isso significa um nível mediano?
Significa que as probabilidades de verdadeiro e falso são semelhantes. Para avaliar um grau ou nível, é mais adequado usar Score com etapas descritas.

### O que significam as casas decimais de Score?
São o resultado da soma dos números das etapas definidas, cada um multiplicado pela respectiva probabilidade. Não representam uma medição precisa nem a proporção relativa ao cliente em questão.

### Se confidence for alto, posso considerar a resposta correta?
confidence é um valor que resume a distribuição de probabilidades. É preciso verificar se a resposta está realmente correta com amostras de casos de trabalho.

### O que o SDK de TypeScript verifica?
Ele infere o tipo da resposta a partir da definição da pergunta. Ajuda a identificar comparações com strings que não estão entre as opções permitidas. Não verifica se o conteúdo da classificação está correto.

### Se eu usar Jev, não preciso fazer novas tentativas?
O tratamento do formato de saída e o tratamento de erros de comunicação são coisas distintas. O SDK oficial tem uma política padrão de novas tentativas, portanto, verifique também o tratamento de erros da API.

### Qual é a precisão em coreano?
A documentação oficial de Models não apresenta um índice de precisão em coreano que possa ser generalizado. Avalie o desempenho de cada pergunta com entradas reais em coreano.

### Qual é o preço do Jev?
O preço anunciado em 15 de setembro de 2026 é de US$ 0.042 por 1 milhão de tokens de entrada. Os tokens de saída foram anunciados como gratuitos. Confira novamente o preço aplicável na documentação oficial de Models.

### Posso usar jev-latest no ambiente de produção?
Pode, mas, quando uma nova versão for lançada, o modelo associado mudará. Para manter a versão na qual os limiares foram validados, especifique o ID dessa versão.

## Sources

- [Introdução ao TypeSafe AI](https://docs.typesafe.ai/introduction)
- [Escolha do TypeSafe AI](https://docs.typesafe.ai/primitives/choice)
- [Pontuação do TypeSafe AI](https://docs.typesafe.ai/primitives/score)
- [TypeSafe AI Noul](https://docs.typesafe.ai/primitives/noul)
- [Confiança do TypeSafe AI](https://docs.typesafe.ai/confidence)
- [SDKs de cliente do TypeSafe AI](https://docs.typesafe.ai/sdk)
- [SDK JavaScript do TypeSafe AI](https://docs.typesafe.ai/sdk/javascript)
- [Apresentando os modelos System One e Jev, 15 de setembro de 2026](https://typesafe.ai/blog/introducing-system-one-models-and-jev)
- [Irregularidade do Jev 1.13, revisado em 17 de setembro de 2026](https://docs.typesafe.ai/model-jaggedness/jev-1.13)
- [Modelos do TypeSafe AI](https://docs.typesafe.ai/models)

## Images

![Dois atendentes com fones de ouvido conversam diante de um monitor; uma luz verde-azulada brilha na mesa, com outros agentes ao fundo.](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjQwNDYsInB1ciI6ImJsb2JfaWQifX0=--ea906281db18091febeba00926fa1dd9ebe90294/ai-cb0d0c3f.webp)
![Uma mulher move um cartão de consulta para a área de revisão humana em um quadro de testes com ramificações.](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjQwNTIsInB1ciI6ImJsb2JfaWQifX0=--d07e76337161b074535590d09b1f479ecd50d738/ai-893d1efb.webp)