Jev: el modelo que no escribe. Por qué el "400x más barato" no significa lo que crees

El Cuñado dice: "Bro, Jev es 400 veces más barato que GPT-5 y con cero alucinaciones. Los frontier se van a enterar."

La realidad es: Jev no escribe una línea de texto. El 400x es el mejor caso del proveedor, contra "LLM comparables", sin el cálculo publicado. TypeSafe lo deja 6,3 puntos por debajo del mejor comparador en su propio panel.

Por qué importa saberlo: Si lo pones donde hacía falta un modelo que redacte, te ahorras céntimos y te cargas el producto. Si lo que necesitabas era una decisión tipada sobre un ticket, entonces sí: era esto.

Jev no tiene chat

Jev no genera texto. Recibe un estado (correo, línea de log, ticket, JSON) más preguntas con tipo, y devuelve respuestas que un programa puede tragar sin parsear un párrafo. Una elección. Una puntuación. Un sí o un no. Cada una con su valor de confianza.

La API tiene tres primitivas, combinables en una sola llamada:

• Choice: elige de una lista de hasta 255 opciones y devuelve probabilidad por candidato y confianza. Si te pasas de 255, TypeSafe documenta un patrón de dos etapas.
• Score: sitúa el estado en una rúbrica ordenada, como ponerle nota a un ticket.
• Noul: un sí/no con probabilidad calibrada.

TypeSafe lo entrena con RLCD (Reinforcement Learning for Calibrated Decisions). RLHF premia la salida que más le gusta a un humano. RLVR premia la que se puede verificar. RLCD aprieta otra tuerca: que una confianza del 70% acierte cerca del 70% de las veces. El número que te devuelve tiene que significar lo que dice.

En su manifiesto TypeSafe rechaza la carrera hacia AGI y habla de "IA composable machine-native": inteligencia como primitiva que un programador invoca para un juicio semántico, con fiabilidad como precondición para apilar software encima. Un clasificador no necesita escribirte una oda.

El nombre no es un capricho. Jev viene de William Stanley Jevons. Según la FAQ de TypeSafe, esperan que cada orden de magnitud de bajada en el coste de la inteligencia desbloquee órdenes de magnitud más casos de uso: la paradoja de Jevons. Bautizaron el modelo con su propia tesis.

El precio que sí está en la hoja

Lo verificable está en la web de TypeSafe: 0,042 $ por millón de tokens de entrada. La salida se factura a cero. No hay decodificación autorregresiva que medir: el modelo no va escupiendo palabra a palabra, así que no hay tokens de salida que cobrar.

Llenar la ventana de 32.000 tokens sale a 0,0013 $ por llamada. Mil llamadas a tope: 1,34 $.

TypeSafe presenta ese precio de entrada como "238x más barato que Claude Fable 5.1". La comparación la pone la propia empresa. No es un dato de mercado independiente.

Por qué el 400x no se puede ganar nunca

El claim que corre: de 20 a 200 veces más rápido y de 40 a 400 veces más barato que "LLM comparables". Un workflow concreto, anunciado en la misma web, sale como 193,6x más rápido y 444,6x más barato. TypeSafe reconoce que son mejores casos, no cifras universales. La metodología exacta del 400x no consta en las fuentes consultadas: ni contra qué modelo concreto se midió ni el cálculo completo.

En la demo propia, Jev cierra una tarea por 0,000081 $ en 0,114 s. El LLM de esa comparativa sale a 0,013880 $ y 8,566 s. Autoreportado, sin evaluación independiente.

Aquí está el truco, y no es fino. Comparar el coste por token de un modelo que genera texto con el de un modelo que devuelve un enum es tramposo por construcción. Un semáforo es infinitamente más barato que un taxi y no te lleva a ningún sitio. Nadie contrata un semáforo para ir al aeropuerto. Si lo que necesitas es decidir si el coche pasa, el semáforo era la herramienta correcta.

Eso conecta con otra cosa que ya cubrimos: la guerra de precios de la IA se juega en el coste por trabajo terminado, no en el céntimo del token. Jev gana la comparativa de tarifa porque el trabajo que hace es otro.

Lo que TypeSafe admite con la boca pequeña

En el SKILL.md oficial hay una frase que el gráfico de "Zero Hallucinations" no imprime:

La salida tipada garantiza la interfaz, no la verdad.

Los modelos que TypeSafe llama System One (nomenclatura suya, no una categoría científica) están entrenados para decisiones calibradas. Hay que validar el rendimiento en el dominio objetivo. Eso le recorta el claim de marketing de cero alucinaciones.

El 0% del gráfico no es empírico. Se deduce de que el esquema de salida está garantizado por diseño. Jev elimina alucinaciones estructurales: JSON roto, enum inventado, herramienta que no existe. Dentro del esquema puede fallar. Las cifras de LLM de ese gráfico salen de datos de OpenRouter.

El panel interno de TypeSafe recorre 711 casos en cuatro tareas. Jev se agrega en 67,8% frente al 74,1% del mejor comparador. Son 6,3 puntos, una caída relativa del 8,5%. Las etiquetas salen del juicio promedio de GPT-6 Astra y Claude Fable 5.1, no de una verdad fundamental: mide acuerdo entre modelos. Jev gana en coste y latencia. Pierde en precisión.

Un recuento de esas cifras del proveedor, panel incluido, está aquí.

Cuando alguien lo enchufó de verdad

Hay una prueba citada por terceros (la fuente original de Empryo no se ha localizado) que es la más honesta precisamente porque incluye un fracaso. El equipo integró Jev en su harness de agente de programación: probó 8 usos y conservó 5.

Sobre 102 fallos reales de proveedores, Jev acertó los 102. Mediana de 273 ms frente a ~1.387 ms de un frontier con el mismo resultado. Un 80,3% más rápido, a ~0,00002 $ por comprobación.

Al reranquear resultados de grep, el archivo recién leído quedó en el top-3 el 78,6% de las veces con el orden nativo. Con el orden de Jev, el 74,1%. Caída de 4,5 puntos. Ese uso se descartó.

Every, en una prueba pequeña, planteó 21 preguntas a 37 documentos a la vez: 777 juicios en menos de 0,7 segundos por un cuarto de centavo. En total, 1.709 juicios en 11 experimentos por menos de un centavo. En una segunda pasada (12 pasajes, la mitad con defectos plantados), Jev respondió con mediana de 0,35 s frente a 8,83 s de Claude Fable 5.1 y detectó 6 de 7 defectos frente a 7 de 7. El veredicto de Every: "bueno, pero no perfecto". Pidieron una evaluación más exhaustiva antes de producción. Son muestras chicas. No se pueden generalizar.

El techo, el agujero y el puente

Presupuesto de unos 32.000 tokens por solicitud: del orden de 8.000 palabras. Sin entrada de imagen ni audio. El formato no sigue la convención chat-completions de OpenAI, así que hace falta un cliente a medida.

La arquitectura no consta publicada en las fuentes consultadas: sin paper en el lanzamiento, sin conteo de parámetros, sin cómputo de entrenamiento, sin pesos. TypeSafe la mantiene "bajo reserva por ahora", con un paper como posibilidad futura. En lo consultado, tampoco aparece cobertura en TechCrunch, The Verge, Ars Technica, VentureBeat, The Information, WIRED ni Hacker News.

El dato que cierra el círculo está en los repos oficiales: TypeSafe publica un system-one-adapter-python descrito como reemplazo drop-in respaldado por APIs de LLM estándar. Construye el puente hacia los modelos que dice superar. Un agente que trabaja sigue necesitando algo que escriba. Jev es el semáforo barato de ese pipeline.

Jev no es humo. Tampoco es el relevo de un frontier. Es una pieza de arquitectura que convierte un estado en bruto en una decisión tipada, rápida y barata, con menos precisión que el modelo al que le estás pidiendo otra cosa.

El problema no es Jev. Es venderlo como lo que no es.

Preguntas frecuentes

¿Es Jev 400 veces más barato que GPT-5?

No está verificado que Jev sea 400 veces más barato que GPT-5 ni que ese múltiplo valga para cualquier tarea. TypeSafe habla de 40-400x frente a "LLM comparables" y de un workflow de mejor caso a 444,6x. La metodología completa no consta en las fuentes consultadas. El precio que sí está en la hoja es 0,042 $ por millón de tokens de entrada, con la salida a cero.

¿Jev tiene cero alucinaciones?

Jev elimina las alucinaciones de formato (JSON roto, enum inventado, herramienta inexistente) porque el esquema de salida está garantizado por diseño. Dentro de ese esquema puede equivocarse, y con confianza alta. El SKILL.md oficial lo dice claro: la salida tipada garantiza la interfaz, no la verdad. El 0% del gráfico de marketing no es una medida empírica.

¿Puede Jev sustituir a un modelo frontier?

No. El panel interno de TypeSafe lo sitúa en 67,8% de acierto agregado frente al 74,1% del mejor comparador, 6,3 puntos menos. Jev no genera texto ni tiene chat: devuelve una Choice, un Score o un Noul. Gana en coste y latencia cuando la tarea es decidir sobre un estado. Pierde si le pides lo que hace un frontier.