TypeSafe AI es un laboratorio de IA de San Francisco que construye modelos para tomar decisiones dentro del software, no para chatear con personas. Su primer modelo público, Jev, llegó a Vercel AI Gateway el 16 de septiembre de 2026, razón por la cual el nombre comenzó a aparecer en los registros de cambios y en los feeds de desarrolladores esta semana.
Si ha visto "Modelos de Sistema Uno" y se ha preguntado si es una nueva familia de modelos, una nueva forma de API o marketing, esta guía responde a eso. Aprenderá quién es TypeSafe AI, qué hace un Modelo de Sistema Uno, en qué se diferencia Jev de los LLM que ya utiliza, cómo obtener una clave API y precios, y cómo enviar su primera solicitud desde Apidog.
Una aclaración inicial: TypeSafe AI no tiene conexión con Typesafe, la compañía de Scala que se convirtió en Lightbend, y el modelo Jev no está relacionado con el YouTuber FaZe Jev o la vacuna JEV.
Quién es TypeSafe AI
La compañía se describe en typesafe.ai como "un laboratorio de IA que construye infraestructura de inteligencia nativa de máquina para la automatización, diseñada para tomar decisiones dentro del software". El lema es "Inteligencia Nativa de Máquina", y el pie de página dice "Hecho en SF".
El manifiesto explica la apuesta. Los modelos actuales están "entrenados para ser un asistente útil, elocuente y agradable", lo que mantiene a un humano en el bucle por diseño. TypeSafe llama a esto un problema de "coche sin caballos": nueva tecnología forzada a una forma antigua. Su respuesta es la "IA componible nativa de máquina", un modelo que se llama como una base de datos o una función, uno que permite que el código "se bifurque en el sentido común, la comprensión y la intención" de la misma manera que ya se bifurca en valores booleanos.
Qué es un "Modelo de Sistema Uno"
TypeSafe acuñó la categoría en su publicación de lanzamiento. Un Modelo de Sistema Uno está "diseñado para tomar decisiones rápidas y estructuradas que el software puede usar directamente". El nombre toma prestado del modo de pensamiento rápido e intuitivo "Sistema 1": juicios rápidos, no razonamiento en múltiples pasos.
Tres opciones de diseño definen la categoría:
- Decisiones tipificadas de salida, no texto. El modelo devuelve una probabilidad, una elección con una distribución o una puntuación. Nunca devuelve un párrafo.
- Probabilidades calibradas. Los modelos se entrenan con un método que TypeSafe denomina Aprendizaje por Refuerzo para Decisiones Calibradas (RLCD), que optimiza para "probabilidades epistemológicamente honestas" en lugar de la preferencia humana o una recompensa verificable.
- Sin generación de cadenas. La publicación es directa: "Jev renuncia a la generación de cadenas". Debido a que nunca compone texto libre, TypeSafe afirma que "no puede alucinar". Lea eso cuidadosamente. Jev aún puede estar equivocado, pero una respuesta incorrecta aparece como una probabilidad mal calibrada, no como un hecho fabricado o una URL inventada.
La publicación de lanzamiento presenta a Jev como "una llamada de función de inteligencia de frontera: estado no estructurado de entrada, decisiones probabilísticas tipificadas de salida". Ese es el resumen más claro de una línea de toda la categoría.
| LLM Típico | Modelo de Sistema Uno (Jev) | |
|---|---|---|
| Salida | Texto libre o una cadena restringida por esquema | Una probabilidad, elección o puntuación |
| Modo de fallo | Texto plausible pero incorrecto | Una confianza sobre la que se puede establecer un umbral |
| Latencia (afirmaciones del proveedor) | Segundos, con razonamiento | De 70ms a 500ms de principio a fin |
| Mejor en | Escritura, codificación, razonamiento en múltiples pasos | Clasificación, enrutamiento, verificación, control de acceso |
| Entrada | Texto, imágenes, audio | Solo texto (cadena, objeto o array) |
La fila de latencia es la propia referencia de TypeSafe, no una medición independiente. La compañía también afirma que Jev fue "hasta 193.6 veces más rápido y 444.6 veces más barato que los LLM" en sus evaluaciones de flujo de trabajo. Planifique una pequeña prueba propia antes de repetir esos números.
Qué hace Jev
Jev es el primer Modelo de Sistema Uno público de TypeSafe. Según la página de modelos, el alias jev-latest se resuelve a jev-1.13.0, y jev-preview actualmente apunta a la misma compilación. Los alias cambian con las nuevas versiones, por lo que si ajusta los umbrales contra una versión, fije el ID versionado.
Cada solicitud responde a una o más preguntas sobre un estado compartido. Hay tres tipos de preguntas, que TypeSafe llama primitivas:
Noul es una decisión de sí/no. Se obtiene una única probabilidad.
{ "type": "noul", "noul": 0.92 }
Choice selecciona una opción de un conjunto nombrado. Usted proporciona un mapa de criterios de nombres de opción a descripciones y obtiene la elección seleccionada, una probabilidad para cada opción y una confianza general. Jev admite hasta 255 opciones en una sola elección.
{
"type": "choice",
"choice": "technical",
"probabilities": { "billing": 0.08, "technical": 0.85, "sales": 0.07 },
"confidence": 0.82
}
Score clasifica el estado a lo largo de una escala ordenada de 2 a 10 niveles. La respuesta es una puntuación interpolada más una leyenda y una probabilidad por escalón.
{
"type": "score",
"score": 1.6,
"legend": { "0": "Calmado", "1": "Frustrado", "2": "Muy enfadado" },
"probabilities": { "0": 0.05, "1": 0.3, "2": 0.65 },
"confidence": 0.78
}
Límites de la documentación: solo texto (sin entrada de imagen, audio o video), 64k tokens por solicitud, y 32k tokens para el estado más la pregunta más larga. El campo state acepta "una cadena simple para texto, o datos estructurados (objeto/array) para cosas como registros de chat, registros o el estado actual de su aplicación", por lo que puede pasar un registro JSON sin serializarlo primero.
Para una explicación más profunda del modelo en sí, vea qué es Jev y cómo funciona.
Cómo Jev difiere de un proveedor de LLM
El error más fácil es clasificar TypeSafe junto a OpenAI o Anthropic. No compite en el mismo eje.
Un proveedor de LLM vende generación. Incluso las salidas estructuradas de OpenAI funcionan restringiendo una cadena generada a un esquema JSON; el modelo sigue escribiendo tokens, y el esquema mantiene la forma válida. Jev omite la generación. Califica las opciones que le diste y devuelve la distribución. No hay un flujo de tokens para analizar, ni JSON para reparar, ni texto de rechazo de "lo siento, no puedo".
Eso hace que Jev sea un complemento de su LLM, no un reemplazo. Los trabajos para los que encaja:
- Enrutamiento de un ticket, mensaje o carga útil de webhook al manejador correcto
- Controlar la siguiente acción de un agente ("¿Es seguro ejecutar esta llamada de herramienta?")
- Verificar la respuesta de un LLM contra una rúbrica antes de devolverla
- Calificar la calidad, urgencia o sentimiento para paneles de control y alertas
- Clasificar registros a granel donde el costo por llamada importa
En una pila de API, Jev se encuentra en la misma capa que una función de validación o una verificación de bandera de características: una llamada rápida y económica cuyo resultado su código ramifica.
Cómo obtener acceso
Hay tres puertas, y ninguna requiere una interfaz de chat.
Consola y API directa. Cree una clave en console.typesafe.ai en Configuración, luego llame al endpoint documentado en la referencia de la API:
curl -X POST https://api.typesafe.ai/v1/systemone \
-H "Authorization: Bearer $TYPESAFE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "jev-latest",
"state": "Help! My payouts have been failing for 3 days.",
"questions": {
"is_urgent": { "type": "noul", "instructions": "¿Esto transmite urgencia?" }
}
}'
La respuesta refleja la solicitud: un objeto answers indexado por los nombres de sus preguntas, más usage con los recuentos de tokens de entrada y salida.
SDKs. TypeSafe publica un paquete de Python (typesafe-sdk) y un SDK de JavaScript que envuelven el mismo endpoint.
Vercel AI Gateway. A partir del registro de cambios del 16 de septiembre, Jev está disponible como typesafe-ai/jev a través de la función experimental_evaluate en AI SDK 7.0.105 y posteriores. La documentación de evaluación de Vercel es explícita en que esta modalidad es solo para AI SDK; no se expone a través de los endpoints compatibles con OpenAI o Anthropic. Si ya enruta modelos a través del Vercel AI SDK, Jev se integra con la misma clave de gateway, y puede configurar opciones de retención de datos cero y sin entrenamiento por solicitud a través de providerOptions.gateway. El uso de tokens se informa por solicitud y se factura a las tarifas del modelo.
Precios y límites de tasa
El precio es un número. Los tokens de entrada cuestan $0.042 por millón (TypeSafe también lo escribe como $42 por mil millones). Los tokens de salida son gratuitos, lo que la publicación de lanzamiento describe como "demasiado barato para medir".
| Estado | Significado | Qué hacer |
|---|---|---|
| 401 | Clave faltante o inválida | Verifique el encabezado Bearer |
| 422 | Error de validación de solicitud | Verifique los tipos de preguntas y la forma de los criterios |
| 429 | Límite de tasa excedido | Reintente con retroceso exponencial |
| 529 | Servicio sobrecargado | Reintente con retroceso exponencial |
Pruebe su primera solicitud Jev en Apidog
Antes de conectar Jev a un enrutador o a un bucle de agente, ejecútelo como una solicitud HTTP simple y verifique el resultado. Eso toma unos dos minutos en Apidog.
- Cree un proyecto y abra el panel de entorno. Añada una variable llamada
TYPESAFE_API_KEY, márquela como variable secreta para que el valor se enmascare en la UI y nunca aparezca en colecciones exportadas, y pegue su clave de la consola. - Cree una solicitud
POSTahttps://api.typesafe.ai/v1/systemone. Añada un encabezadoAuthorization: Bearer {{TYPESAFE_API_KEY}}. Apidog rellena la variable en el momento del envío. - Pegue el cuerpo JSON del ejemplo de curl anterior y envíelo. Debería ver
answers.is_urgent.noulcerca de 0.9. - Abra la pestaña del post-procesador y añada una aserción: JSONPath
$.answers.is_urgent.noul, condición mayor que0.8. Ahora la solicitud fallará ruidosamente si la confianza del modelo se desvía. - Duplique la solicitud, cambie
"model": "jev-latest"por"jev-1.13.0", y guarde ambas en un escenario de prueba. Ejecútelo en un horario o en CI. Cuando el alias se mueva a una nueva versión, la solicitud fijada y la solicitud del alias divergirán, y su aserción lo detectará antes de que lo haga la producción.
El mismo escenario sirve también como verificación de calibración. Aliméntelo con diez estados que haya etiquetado manualmente, verifique cada probabilidad y tendrá una suite de regresión para un modelo de decisión, construida sin escribir un arnés de prueba. Descargue Apidog para seguir el ejemplo; el plan gratuito cubre este flujo de trabajo para equipos de hasta cuatro personas.
Preguntas frecuentes
¿Es TypeSafe AI lo mismo que Typesafe, la compañía de Scala? No. Typesafe Inc. fue la compañía de Akka y Play Framework, renombrada Lightbend en 2016. TypeSafe AI es un laboratorio separado de San Francisco fundado en torno a la idea de los Modelos de Sistema Uno, sin productos ni personas compartidos listados en ninguna de las partes.
¿Jev reemplaza mi LLM? No. Jev no genera texto, código o resúmenes. Mantenga su LLM para esos trabajos y coloque a Jev delante o detrás de él como enrutador, puerta o verificador. La inmersión profunda en Jev cubre patrones concretos para emparejar ambos.
¿Necesito Vercel para usar Jev? No. La API directa funciona con una clave de la consola de TypeSafe. Vercel AI Gateway es una comodidad si ya usa el SDK de IA y desea una clave y una factura para todos los proveedores.
¿Puede Jev alucinar? Esa es la afirmación de TypeSafe, y es cierta en el sentido estricto de que Jev no puede inventar texto porque nunca emite ninguno. Aún así puede tener demasiada confianza en una entrada fuera de su distribución de entrenamiento. Establezca un umbral en confidence y pruebe con sus propios datos etiquetados antes de confiar en una puntuación en producción.
¿Quién financia TypeSafe AI? La página del equipo dice "inversores de primer nivel" y nada más. Ninguna página oficial los nombra ni declara una cantidad, por lo que cualquier cifra que lea en otro lugar no está verificada.