Conheça JEV, o modelo de IA de Sistema 1 que conversar menos e decide mais.
Decisão 01
Um e-mail às 2h17 da manhã
Imagine a central de atendimento de uma faculdade particular de porte médio, numa madrugada de setembro. Às 2h17 chega um e-mail de aluna: "Boa noite, é a terceira vez que escrevo. Meu boleto de rematrícula venceu ontem, o portal não gera segunda via e a prova é sexta. Se eu perder a prova por causa disso, vou procurar o Procon." Nenhum humano lerá isso antes das 8h. Mas um sistema pode — e precisa — tomar três decisões agora: isso é urgente? Para qual setor vai? Qual o tom da pessoa?
Até semana passada, a resposta reflexa de quem monta esse tipo de sistema era chamar um modelo de linguagem, pedir "classifique este e-mail e responda em JSON", esperar alguns segundos e torcer para o JSON vir bem formado. Funciona — e é justamente isso que a TypeSafe AI está tentando convencer o mercado de que é a ferramenta errada para o trabalho. O software não queria um parágrafo; queria três valores tipados, com uma medida honesta de quanto confiar em cada um.
A cena é fictícia, mas o problema não é. Ele é o motivo de existir de uma empresa que, até 15 de setembro de 2026, quase ninguém conhecia.
Decisão 02
Quem é a TypeSafe, e por que o nome Jev
A TypeSafe AI foi fundada em 2024, em São Francisco, por Diogo Almeida, Erik Gafni e Sasha Sheng. Almeida, o CEO, é ex-pesquisador da OpenAI, onde trabalhou no aprendizado por reforço com retorno humano (RLHF), no InstructGPT, no ChatGPT e no GPT-4 (Gillin, 2026). A empresa passou dois anos em modo furtivo e saiu dele em 15 de setembro de 2026 com uma rodada semente de US$ 40 milhões liderada pela DCVC e, segundo a Forbes citada pelo SiliconANGLE, uma avaliação de US$ 200 milhões (Gillin, 2026).
Um parêntese necessário para o leitor brasileiro: apesar do nome, Diogo Almeida não é brasileiro. Seu nome completo é Diogo Miguel Moitinho de Almeida, e o registro público mais antigo que se encontra dele é o da Olimpíada Internacional de Matemática de 2008, em que competiu pelas Filipinas e conquistou medalha de bronze (International Mathematical Olympiad, 2008). Dali seguiu para os Estados Unidos: graduação no Rensselaer Polytechnic Institute, mestrado em ciência da computação na Georgia Tech, passagens pelo Google Brain e pela OpenAI, e a TypeSafe em São Francisco. Um levantamento da imprensa brasileira, feito justamente porque o sobrenome gerou confusão por aqui, concluiu que "nenhum registro público o liga ao Brasil": a trajetória documentada aponta para as Filipinas e os Estados Unidos (Abrão, 2026). O sobrenome é de origem portuguesa, mas nem o site da empresa nem as biografias de palestrante declaram nacionalidade — o que se pode afirmar com fonte é por qual país ele competiu e onde estudou.
O currículo do fundador importa para a história, porque a tese da empresa é uma autocrítica. O RLHF — a técnica que transformou modelos de completar texto em assistentes que seguem instruções (Ouyang et al., 2022) — otimiza o modelo para a preferência humana. O manifesto da TypeSafe argumenta que isso produziu "carruagens sem cavalo": assistentes voltados para pessoas, quando o que falta ao software é inteligência como primitiva composável, um bloco que outros programas chamem como quem chama uma função (TypeSafe AI, 2026b). Almeida resumiu ao SiliconANGLE: "Estivemos otimizando para humanos, e somos sobre-humanos em agradar humanos" (Gillin, 2026, tradução nossa).
Dois anos em modo furtivo: a TypeSafe saiu do silêncio em setembro de 2026 com um modelo que não conversa — e com uma crítica ao caminho que o próprio fundador ajudou a abrir na OpenAI.
E o nome? Jev é homenagem a William Stanley Jevons, o economista inglês que observou, em 1865, que motores a vapor mais eficientes não reduziram o consumo de carvão na Inglaterra — aumentaram-no, porque o carvão barato abriu usos novos (Jevons, 1865). A TypeSafe escreve que espera "que a inteligência de máquina siga um caminho parecido com o do carvão" (TypeSafe AI, 2026a, tradução nossa). É uma aposta declarada: se decidir custar cem vezes menos, o software passará a decidir em lugares onde hoje nem tenta.
O paradoxo do carvão
Jevons publica The Coal Question e observa que a eficiência dos motores a vapor aumentou, e não reduziu, o consumo de carvão. Cento e sessenta anos depois, o modelo ganha o nome dele por isso.
Decisão 03
Sistema 1, Sistema 2 — e o que a metáfora não diz
A TypeSafe chama o Jev de "modelo de Sistema Um", em referência direta a Daniel Kahneman. Em Rápido e devagar, Kahneman descreve dois modos de pensar: o Sistema 1, rápido, automático, intuitivo, que reconhece um rosto zangado ou completa "pão com…" sem esforço; e o Sistema 2, lento, deliberado, que resolve 17 × 24 e revisa o que o Sistema 1 propôs (Kahneman, 2012). A analogia da empresa é que os grandes modelos de linguagem, com suas cadeias de raciocínio de dezenas de segundos, ocupam o território do Sistema 2, e que faltava uma classe de modelo para o outro lado: julgamentos rápidos, estruturados, baratos, que o software consome diretamente (TypeSafe AI, 2026a).
A metáfora é boa e vale a pena levá-la a sério, inclusive nos limites. Em Kahneman, o Sistema 1 não é só rápido: é também a fonte da maioria dos vieses do livro, porque responde a uma pergunta mais fácil no lugar da pergunta feita (Kahneman, 2012). Curiosamente, a própria documentação e a imprensa técnica apontam o mesmo defeito no Jev: ele tende a responder à letra da pergunta em vez de ao sentido, erra em aritmética e comparação de datas, e é vulnerável a entradas adversariais (Ferreira, 2026) (Jaigu, 2026). A analogia com o Sistema 1 é honesta nos dois sentidos: promete velocidade e intuição, e herda a miopia.
Triagem é Sistema 1 profissionalizado: uma decisão em segundos, entre opções fechadas, com a régua de "quando chamar alguém mais experiente". É a forma de pergunta que o Jev foi feito para responder.
Decisão 04
Estado entra, decisão tipada sai
A descrição mais precisa do que o Jev faz vem da própria TypeSafe: uma "chamada de função com inteligência de fronteira — estado não estruturado entra, decisões probabilísticas tipadas saem" (TypeSafe AI, 2026a, tradução nossa). Na prática, cada requisição tem duas partes. O estado é o contexto: o e-mail da aluna, um trecho de log, um currículo, o histórico de um chamado. As perguntas são tipadas, e há só três tipos (Cloudflare, 2026):
O termo noul é um neologismo da empresa — a documentação não explica a origem —, mas a ideia é a de um booleano que devolve probabilidade em vez de verdadeiro/falso (TypeSafe AI, 2026c). Todas as perguntas de uma chamada são avaliadas em paralelo e em isolamento, e adicionar perguntas quase não muda o tempo de resposta (Jaigu, 2026). A documentação do Cloudflare, que oferece o modelo em sua plataforma, mostra o formato: um estado como "Socorro! Meus repasses estão falhando há 3 dias", uma pergunta noul "isso transmite urgência?" e a resposta {"noul": 0.95} (Cloudflare, 2026).
Probabilidade não é confiança
Aqui mora uma distinção que vale um parágrafo, porque é a mais mal compreendida. Para choice e score, o modelo devolve duas coisas diferentes: a probabilidade de cada opção — quanto o modelo acha que "financeiro" é a resposta certa — e a confiança, um segundo eixo que diz se vale a pena agir com base nessa resposta (Fathima, 2026). A TypeSafe recomenda usar a confiança como sinal de roteamento: acima de um limiar, o software decide sozinho; abaixo, manda para um humano ou para um modelo mais lento (Crabtree, 2026).
Isso só funciona se as probabilidades forem calibradas: quando o modelo diz 80%, o evento precisa acontecer em cerca de 80% das vezes (Jaigu, 2026). É o mesmo critério pelo qual julgamos um meteorologista. E é uma propriedade que redes neurais modernas, treinadas para acertar, costumam perder: Guo e colegas mostraram em 2017 que, quanto mais fundas e mais precisas as redes de classificação de imagens ficavam, mais superconfiantes elas se tornavam (Guo et al., 2017). A TypeSafe diz ter atacado isso no treinamento, com uma técnica batizada de RLCD — Reinforcement Learning for Calibrated Decisions, aprendizado por reforço para decisões calibradas — que substitui o RLHF e usa exclusivamente dados sintéticos (Fernholz, 2026).
Calibração é a régua do meteorologista: "80% de chance de chuva" só é uma boa previsão se chover em oito de cada dez dias assim. É o que a TypeSafe promete para cada número que o Jev devolve.
Experimente: um console de decisões
O painel abaixo simula o que um sistema veria ao mandar três e-mails da nossa faculdade fictícia para um modelo de decisão. Escolha o e-mail, veja as três respostas tipadas e mova a régua de confiança para decidir quais casos o software resolveria sozinho e quais iriam para uma pessoa. Os números são ilustrativos, escritos à mão para este texto — não são saídas reais do Jev.
"Boa noite, é a terceira vez que escrevo. Meu boleto de rematrícula venceu ontem, o portal não gera segunda via e a prova é sexta. Se eu perder a prova por causa disso, vou procurar o Procon."
noul urgente?
choice setor
confiança: 0,66
score hostilidade (1–5)
confiança: 0,81
Urgência decidida pelo software (0,94 ≥ 0,80). Setor vai para um humano (0,66 < 0,80). Tom decidido pelo software (0,81 ≥ 0,80).
Uma única passagem pelo modelo responde às três perguntas de uma vez; o custo de saída é zero porque nenhum texto é gerado. Valores simulados para fins didáticos.
Decisão 05
Por que a TypeSafe diz que isso não é um LLM
A pergunta óbvia — "mas um LLM não faz isso com structured output?" — merece uma resposta em camadas, porque a diferença não está só no formato de saída.
Camada 1: como a resposta é produzida
Um modelo de linguagem é autorregressivo: gera um token, acrescenta-o à entrada, gera o próximo, e assim por diante. A arquitetura Transformer, que sustenta todos os LLMs atuais, foi apresentada em 2017 justamente como um modelo de sequência para sequência que produz a saída "um elemento por vez", consumindo os símbolos já gerados como entrada adicional (Vaswani et al., 2017, tradução nossa). Mesmo quando o pedido é um JSON de três campos, o modelo escreve o JSON caractere a caractere, e cada caractere custa uma passagem pela rede.
O Jev é descrito pela TypeSafe como não autorregressivo: uma nova arquitetura e um "amostrador paralelo" leem o estado uma vez e produzem todas as respostas na mesma passagem (Fathima, 2026) (Chavez-Mattos, 2026). É isso que permite duas coisas que soam como truque de marketing e são consequência técnica: os tokens de saída são gratuitos, porque não há geração sequencial a cobrar, e acrescentar perguntas quase não aumenta a latência, porque elas são respondidas em paralelo. A TypeSafe informa que o Jev continua sendo um Transformer, treinado com dados sintéticos (Fernholz, 2026); o que muda é a cabeça de saída, o amostrador e o objetivo de treinamento.
Camada 2: para que o modelo foi treinado
O RLHF ensina o modelo a produzir o texto que avaliadores humanos preferem (Ouyang et al., 2022). O RLCD, segundo a empresa, ensina o modelo a produzir decisões cujas probabilidades batem com a frequência real de acerto (TypeSafe AI, 2026a). Um LLM que devolve JSON continua otimizado para agradar; um modelo treinado para calibração é otimizado para ser honesto sobre a própria incerteza. A diferença de objetivo de treinamento é, para a TypeSafe, o argumento central de que o Jev não é "um LLM menor" — é outra classe de modelo.
Camada 3: o que "não alucina" quer dizer, e o que não quer
A TypeSafe afirma taxa de alucinação de 0% e chama isso de "matematicamente impossível" dado o esquema (TypeSafe AI, 2026a). É preciso ler com cuidado. A afirmação é verdadeira no sentido estreito: o modelo só pode devolver valores do esquema definido antes — uma probabilidade entre 0 e 1, uma das opções listadas, uma nota da escala. Ele não inventa um setor que não existe nem devolve um JSON quebrado. Mas não poder produzir uma saída inválida não é o mesmo que não poder errar. O Jev pode classificar mal, responder à letra em vez de ao sentido e cair em manipulações adversariais (Ferreira, 2026). O que ele oferece, no lugar da infalibilidade, é uma probabilidade calibrada — o que, para o software, é mais útil do que uma resposta confiante e errada.
Quadro 1 — Diferenças entre modelos de linguagem (LLMs) e o modelo de decisão Jev, segundo a TypeSafe AI e a imprensa técnica, 2026
| Aspecto | LLMs (RLHF) | Jev (Sistema Um) |
|---|---|---|
| Saída | Texto livre, token a token (autorregressivo) | Valores tipados (noul, choice, score) numa única passagem |
| Formato garantido | Depende de instrução e validação posterior | Restrito ao esquema por construção |
| Objetivo de treinamento | Preferência humana (RLHF) e recompensas verificáveis | Decisões calibradas (RLCD), dados sintéticos |
| Incerteza | Não expressa, ou expressa em texto e tipicamente superconfiante | Probabilidade por opção + confiança separada |
| Custo de saída | Cobrado, em geral ~5× o de entrada | Gratuito (nenhum texto é gerado) |
| Explicação e raciocínio | Pode explicar, resumir, redigir | Não gera texto; não explica a decisão |
| Memória e conhecimento | Conhecimento amplo dos dados de treino | Sem estado; todo o contexto vai em cada chamada (até 64 mil tokens) |
| Pontos fracos | Alucinação, formato, latência, custo | Aritmética, datas, perguntas indiretas, entradas adversariais |
Fonte: elaborado pelo autor com base em TypeSafe AI (2026a), Fathima (2026), Ferreira (2026), Jaigu (2026) e Ouyang et al. (2022).Nota: "noul", "choice" e "score" são os nomes dos tipos de pergunta na API; mantidos no original por serem identificadores de código.
Decisão 06
Os números, com a pinça
As manchetes falam em "193 vezes mais rápido e 445 vezes mais barato" (Ferreira, 2026). Os números são reais — e vêm da própria TypeSafe, que os apresenta como resultado de avaliações internas em fluxos de trabalho, com a ressalva, no mesmo anúncio, de que "estão no lado alto dos ganhos do mundo real" (TypeSafe AI, 2026a, tradução nossa). Quem repete o número costuma esquecer a ressalva. O que se pode reproduzir com mais clareza é a comparação em quatro fluxos publicada pela TypeSafe e detalhada pelo DataCamp:
Tabela 1 — Acurácia, custo e latência do Jev e de um LLM de fronteira em quatro fluxos de trabalho avaliados pela TypeSafe AI, 2026
| Modelo | Acurácia (%) | Custo por caso (US$) | Latência (s) |
|---|---|---|---|
| Jev | 67,8 | 0,0004 | 0,4 |
| GPT-5.6 Terra | 67,9 | 0,0304 | 10,1 |
Fonte: elaborado pelo autor com base em Crabtree (2026), que reproduz avaliações da TypeSafe AI.Nota: os quatro fluxos avaliados foram resposta a incidentes de segurança, observabilidade, processamento de faturas e atendimento ao cliente. Avaliação conduzida pela própria empresa; não há, até a data de acesso, replicação independente.
Leia a tabela pela primeira coluna antes das outras. A acurácia é praticamente a mesma; o que muda em duas ordens de grandeza é o custo e a latência. É uma reivindicação de eficiência, não de inteligência superior — e a empresa é explícita sobre isso ao dizer que "os modelos atuais já têm inteligência suficiente" para gerar valor econômico enorme, e que o gargalo é compô-la em sistemas (TypeSafe AI, 2026b).
O preço de tabela ajuda a entender de onde sai a diferença. A TypeSafe cobra US$ 42 por bilhão de tokens de entrada — US$ 0,042 por milhão — e nada pela saída, que descreve como "barata demais para medir"; os LLMs de referência que ela compara cobram entre US$ 0,20 e US$ 10 por milhão de tokens de entrada, e a saída costuma custar cerca de cinco vezes mais (TypeSafe AI, 2026a). A conta do Requesty é didática: cem mil requisições de mil tokens cada custam US$ 4,20 (Jaigu, 2026).
Tabela 2 — Preço de tabela por milhão de tokens do Jev e faixa dos LLMs de referência, em dólares, set. 2026
| Modelo | Entrada (US$/M tokens) | Saída (US$/M tokens) |
|---|---|---|
| Jev | 0,042 | 0,00 |
| LLMs de referência (faixa) | 0,20 a 10,00 | ≈ 5 × a entrada |
Fonte: elaborado pelo autor com base em TypeSafe AI (2026a) e Jaigu (2026).Nota: preços de lista no lançamento (15 set. 2026), sujeitos a alteração; a faixa dos LLMs é a informada pela própria TypeSafe no anúncio, não uma pesquisa de preços independente.
Há também depoimentos de terceiros, que valem o que valem: um engenheiro da Vercel relatou ao TechCrunch resultados "cinco a dezoito vezes" mais rápidos que o modelo da OpenAI que usava; um fundador da Bryo AI disse que o Jev saiu "dez a vinte vezes" mais barato que o Gemini, com melhor pontuação de probabilidade (Fernholz, 2026). Note que esses números são uma ordem de grandeza menores que os da manchete — e são, provavelmente, mais parecidos com o que um sistema comum vai encontrar.
Decisão 07
Onde ele entra num sistema — e onde não entra
O Jev não substitui o LLM; ele se encaixa ao redor dele. O guia do LangChain descreve três encaixes numa arquitetura de agentes: roteamento de modelos (classificar a requisição e mandar as fáceis para um modelo barato e as difíceis para um caro), guarda-corpos (avaliar cada chamada de ferramenta antes de executá-la e barrar as arriscadas) e verificação (fazer várias perguntas de classificação em paralelo sobre o mesmo estado) (Runkle; Lovell, 2026). A TypeSafe acrescenta um quarto uso, o mais ambicioso: processar dados em massa, "transformar petabytes em atributos", porque o custo por decisão ficou pequeno o bastante para isso (TypeSafe AI, 2026a, tradução nossa).
As demonstrações da empresa são reveladoras do que ela considera Sistema 1: um agente jogando Doom com cerca de dez decisões por segundo, e um "wikiracing" em que o modelo escolhe, a cada passo, um link entre centenas na página da Wikipédia para chegar a um artigo-alvo (TypeSafe AI, 2026a). Em nenhuma delas o modelo explica o que fez. É reflexo, não deliberação.
O que ele não faz é igualmente claro. Não redige a resposta para a aluna do e-mail. Não explica por que classificou como urgente. Não soma, não compara datas com segurança, não faz raciocínio em vários saltos, e sofre com estados grandes e ruidosos, que o distraem (Fathima, 2026). A documentação da própria empresa lista as "arestas" da versão 1.13 e insiste em perguntas atômicas: em vez de "este chamado deve ser escalado?", três perguntas separadas — é urgente? é reincidente? o tom é hostil? — e a combinação fica no código (TypeSafe AI, 2026c). A divisão de trabalho proposta é antiga na engenharia de software: o modelo faz o julgamento semântico; o programa faz a lógica exata.
Isso também tem um custo de projeto que raramente aparece nas manchetes. Decompor uma decisão em perguntas atômicas bem escritas, com critérios para o "sim" e o "não", é trabalho de análise de requisitos — e quem escreve mal a pergunta recebe uma probabilidade calibrada para a pergunta errada.
Aplicação prática
Seis perguntas antes de trocar um LLM por um modelo de decisão
Pense num ponto do seu sistema — ou da sua instituição — em que hoje um modelo de linguagem é chamado só para classificar, pontuar ou rotear. Na educação, os candidatos são muitos: triagem de dúvidas no ambiente virtual, detecção de plágio evidente, pré-classificação de respostas abertas por rubrica, sinalização de risco de evasão a partir de mensagens. Marque o que consegue responder.
0 de 6 — comece pelo conjunto de respostas.
Decisão final
De volta ao e-mail das 2h17
Volte à central de atendimento. Com um modelo de decisão bem encaixado, o e-mail da aluna é lido às 2h17 e, em menos de meio segundo, ganha três rótulos: urgente com 0,94; financeiro com 0,71 e confiança 0,66; tom 4 de 5. O sistema não responde à aluna — não sabe redigir. Mas abre o chamado no setor certo, marca como prioritário, e, porque a confiança do setor ficou abaixo da régua, deixa uma nota para a primeira pessoa que chegar às 8h confirmar o encaminhamento. Foram três decisões, uma passagem, uma fração de centavo.
Se a aposta de Jevons se confirmar, o interessante não será esse e-mail: será a quantidade de decisões que hoje ninguém toma porque custa caro demais pedir a um modelo de linguagem que as tome. A TypeSafe está apostando que, a US$ 42 por bilhão de tokens, o software vai começar a perguntar coisas que nunca perguntou. Como o carvão barato, isso pode ser muito bom — e pode também significar decisões automáticas em lugares onde ainda não decidimos se queremos que sejam automáticas.
Na sua instituição, qual é a decisão que hoje é tomada por uma pessoa cansada às 8h da manhã, entre opções fechadas, que um Sistema 1 calibrado poderia tomar às 2h17 — e qual é a régua de confiança abaixo da qual você ainda quer uma pessoa olhando?
Nota do autor: a central de atendimento e os três e-mails são fictícios; todos os números do console de decisões foram escritos à mão para ilustrar o formato de saída e não são respostas do Jev. Os dados das Tabelas 1 e 2 e do painel de barras são avaliações e preços divulgados pela própria TypeSafe AI no lançamento, conforme reproduzidos pelas fontes citadas; até a data de acesso não localizei replicação independente. As fontes divergem nos multiplicadores de velocidade e custo: o anúncio oficial fala em 193,6× e 444,6×; o Tom's Hardware arredonda para 193× e 445×; o SiliconANGLE, para 194× e 445×; o LangChain, para 200× e 400×; o MindStudio, para 100× e 100×. Adotei, no corpo do texto, os números do anúncio oficial e a comparação de quatro fluxos, que é a única apresentada com acurácia, custo e latência lado a lado. A janela de contexto também é informada de modo diferente: 64 mil tokens para estado mais perguntas (Tom's Hardware, Firecrawl) e 32 mil na documentação do Cloudflare, que corresponde ao estado mais a pergunta mais longa. Sobre as fontes: o anúncio e o manifesto da TypeSafe são documentos da própria empresa; os artigos do DataCamp, Requesty, Firecrawl, MindStudio e LangChain são literatura cinzenta de acesso aberto, e os dois últimos são de empresas com integração comercial com o produto. O livro de Kahneman é citado na edição brasileira da Objetiva, disponível em livraria online; Jevons, na edição da Online Library of Liberty; os artigos de Vaswani et al., Ouyang et al. e Guo et al., nas versões abertas do arXiv, conforme o critério de acesso livre deste blog. As traduções de citações diretas são minhas. Sobre a origem de Diogo Almeida: nenhuma fonte oficial (site da TypeSafe, biografias de palestrante) declara nacionalidade; o que se afirma no texto é o que consta em registro verificável — a participação pelas Filipinas na IMO de 2008, no banco de dados oficial da olimpíada — e o levantamento do Antihype sobre a formação nos Estados Unidos. O texto evita, por isso, atribuir-lhe uma nacionalidade que nenhuma fonte primária confirma. O nome do modelo comparado na Tabela 1 (GPT-5.6 Terra) é reproduzido como consta na fonte.
Referências
- ABRÃO, Gustavo Bonato. Cocriador do ChatGPT, Diogo Almeida lança Jev, IA que não escreve e virou sensação. Antihype, [s. l.], 19 set. 2026. Disponível em: https://antihype.com.br/c/ia/diogo-almeida-typesafe-jev-ia-nao-escreve/. Acesso em: 22 set. 2026.
- CHAVEZ-MATTOS, Luis. Jev explained: Typesafe AI's non-autoregressive System-1 model. MindStudio, [s. l.], 18 set. 2026. Disponível em: https://www.mindstudio.ai/blog/jev-system-one-model-launch. Acesso em: 21 set. 2026.
- CLOUDFLARE. Jev (typesafe): Cloudflare AI docs. [S. l.]: Cloudflare, 2026. Disponível em: https://developers.cloudflare.com/ai/models/typesafe/jev/. Acesso em: 21 set. 2026.
- CRABTREE, Matt. Jev: TypeSafe's System One model that never hallucinates. DataCamp Blog, [s. l.], 16 set. 2026. Disponível em: https://www.datacamp.com/blog/system-one-models-jev. Acesso em: 21 set. 2026.
- FATHIMA, Hiba. What is Jev? Inside TypeSafe's decision-only AI model and its developer use cases. Firecrawl Blog, [s. l.], 21 set. 2026. Disponível em: https://www.firecrawl.dev/blog/what-is-jev. Acesso em: 21 set. 2026.
- FERNHOLZ, Tim. A new kind of AI model from a ChatGPT inventor is thrilling developers. TechCrunch, [s. l.], 18 set. 2026. Disponível em: https://techcrunch.com/2026/09/18/a-new-kind-of-ai-model-from-a-chatgpt-inventor-is-thrilling-developers/. Acesso em: 21 set. 2026.
- FERREIRA, Bruno. TypeSafe AI's Jev offers an alternative to LLMs that claims to be 193x faster and 445x cheaper: System One type model is bespoke for probabilistic decision-making. Tom's Hardware, [s. l.], 21 set. 2026. Disponível em: https://www.tomshardware.com/tech-industry/artificial-intelligence/typesafe-ais-jev-offers-an-alternative-to-llms-that-claims-to-be-193x-faster-and-445x-cheaper-system-one-type-model-is-bespoke-for-probabilistic-decision-making. Acesso em: 21 set. 2026.
- GILLIN, Paul. TypeSafe AI exits stealth with $40M to build AI for use by software. SiliconANGLE, [s. l.], 16 set. 2026. Disponível em: https://siliconangle.com/2026/09/16/typesafe-ai-exits-stealth-with-40m-to-build-ai-for-use-by-software/. Acesso em: 21 set. 2026.
- GUO, Chuan; PLEISS, Geoff; SUN, Yu; WEINBERGER, Kilian Q. On calibration of modern neural networks. [S. l.]: arXiv, 2017. Pré-publicação arXiv:1706.04599. Disponível em: https://arxiv.org/abs/1706.04599. Acesso em: 21 set. 2026.
- INTERNATIONAL MATHEMATICAL OLYMPIAD. Diogo Miguel Moitinho de Almeida: individual results, Philippines, IMO 2008. [S. l.]: IMO, 2008. Disponível em: https://www.imo-official.org/participant_r.aspx?id=17909. Acesso em: 22 set. 2026.
- JAIGU, Thibault. TypeSafe Jev explained: how it works, LLM differences and API pricing. Requesty Blog, [s. l.], 19 set. 2026. Disponível em: https://www.requesty.ai/blog/typesafe-jev-explained. Acesso em: 21 set. 2026.
- JEVONS, William Stanley. The coal question: an inquiry concerning the progress of the nation, and the probable exhaustion of our coal-mines. Londres: Macmillan, 1865. Edição eletrônica: Online Library of Liberty. Disponível em: https://oll.libertyfund.org/titles/jevons-the-coal-question. Acesso em: 21 set. 2026.
- KAHNEMAN, Daniel. Rápido e devagar: duas formas de pensar. Rio de Janeiro: Objetiva, 2012.
- OUYANG, Long et al. Training language models to follow instructions with human feedback. [S. l.]: arXiv, 2022. Pré-publicação arXiv:2203.02155. Disponível em: https://arxiv.org/abs/2203.02155. Acesso em: 21 set. 2026.
- RUNKLE, Sydney; LOVELL, Hunter. What is Jev? A guide to TypeSafe AI's System One model. LangChain Blog, [s. l.], 17 set. 2026. Disponível em: https://www.langchain.com/blog/building-a-harness-with-jev. Acesso em: 21 set. 2026.
- TYPESAFE AI. Introducing System One models & Jev. TypeSafe AI Blog, São Francisco, 15 set. 2026a. Disponível em: https://typesafe.ai/blog/introducing-system-one-models-and-jev. Acesso em: 21 set. 2026.
- TYPESAFE AI. Manifesto. São Francisco: TypeSafe AI, 2026b. Disponível em: https://typesafe.ai/manifesto. Acesso em: 21 set. 2026.
- TYPESAFE AI. Noul: TypeSafe AI docs. São Francisco: TypeSafe AI, 2026c. Disponível em: https://docs.typesafe.ai/primitives/noul. Acesso em: 21 set. 2026.
- VASWANI, Ashish et al. Attention is all you need. [S. l.]: arXiv, 2017. Pré-publicação arXiv:1706.03762. Disponível em: https://arxiv.org/abs/1706.03762. Acesso em: 21 set. 2026.
Comentários