O que é TypeSafe AI? A Empresa Por Trás dos Modelos Jev e System One

TypeSafe AI é um laboratório de IA de São Francisco que constrói modelos para tomar decisões dentro de softwares, não para conversar com pessoas. Seu primeiro modelo público, Jev, foi lançado no Vercel AI Gateway em 16 de setembro de 2026, e é por isso que o nome começou a aparecer em changelogs e feeds de desenvolvedores esta semana.

Se você já viu "System One Models" e se perguntou se é uma nova família de modelos, um novo formato de API ou marketing, este guia responde a isso. Você aprenderá quem é a TypeSafe AI, o que um Modelo Sistema Um faz, como Jev difere dos LLMs que você já usa, como obter uma chave de API e preços, e como enviar sua primeira requisição do Apidog.

Um esclarecimento inicial: a TypeSafe AI não tem conexão com a Typesafe, a empresa Scala que se tornou Lightbend, e o modelo Jev não está relacionado ao YouTuber FaZe Jev ou à vacina JEV.

Quem é a TypeSafe AI

A empresa se descreve em typesafe.ai como "um laboratório de IA construindo infraestrutura de inteligência nativa de máquina para automação, projetada para tomar decisões dentro de softwares." O slogan é "Inteligência Nativa de Máquina," e o rodapé diz "Feito em SF."

O manifesto explica a aposta. Os modelos atuais são "treinados para serem um assistente útil, articulado e agradável," o que mantém um humano no circuito por design. A TypeSafe chama isso de problema do "cavalo sem carruagem": nova tecnologia forçada em um formato antigo. Sua resposta é a "IA composable nativa de máquina," um modelo que você chama como um banco de dados ou uma função, que permite que o código "ramifique com base no senso comum, compreensão e intenção" da mesma forma que já ramifica com base em booleanos.

O que é um "Modelo Sistema Um"

A TypeSafe cunhou a categoria em sua postagem de lançamento. Um Modelo Sistema Um é "construído para tomar decisões rápidas e estruturadas que o software pode usar diretamente." O nome empresta do modo de pensamento rápido e intuitivo "Sistema 1": julgamentos rápidos, não raciocínio em várias etapas.

Três escolhas de design definem a categoria:

• Decisões tipadas na saída, não texto. O modelo retorna uma probabilidade, uma escolha com uma distribuição, ou uma pontuação. Ele nunca retorna um parágrafo.
• Probabilidades calibradas. Os modelos são treinados com um método que a TypeSafe chama de Aprendizagem por Reforço para Decisões Calibradas (RLCD), que otimiza para "probabilidades epistemicamente honestas" em vez de preferência humana ou uma recompensa verificável.
• Sem geração de strings. A postagem é direta: "Jev desiste da geração de strings." Como ele nunca compõe texto livre, a TypeSafe afirma que ele "não pode alucinar." Leia isso com atenção. Jev ainda pode estar errado, mas uma resposta errada aparece como uma probabilidade mal calibrada, não como um fato fabricado ou um URL inventado.

A postagem de lançamento enquadra Jev como "uma chamada de função de inteligência de fronteira: estado não estruturado na entrada, decisões probabilísticas tipadas na saída." Esse é o resumo mais limpo de uma linha de toda a categoria.

A linha de latência é o próprio benchmark da TypeSafe, não uma medição independente. A empresa também afirma que Jev foi "até 193,6x mais rápido e 444,6x mais barato que os LLMs" em suas avaliações de fluxo de trabalho. Planeje um pequeno teste próprio antes de repetir esses números.

O que Jev faz

Jev é o primeiro Modelo Sistema Um público da TypeSafe. De acordo com a página de modelos, o alias jev-latest resolve para jev-1.13.0, e jev-preview atualmente aponta para a mesma compilação. Os aliases mudam em novos lançamentos, então se você ajustar os limites para uma versão, fixe o ID versionado.

Cada requisição responde a uma ou mais perguntas sobre um state compartilhado. Existem três tipos de perguntas, que a TypeSafe chama de primitivas:

Noul é uma decisão de sim/não. Você recebe uma única probabilidade.

{ "type": "noul", "noul": 0.92 }

Choice escolhe uma opção de um conjunto nomeado. Você fornece um mapa de criteria de nomes de opções para descrições e obtém a escolha selecionada, uma probabilidade para cada opção e uma confiança geral. Jev suporta até 255 opções em uma escolha.

{
  "type": "choice",
  "choice": "technical",
  "probabilities": { "billing": 0.08, "technical": 0.85, "sales": 0.07 },
  "confidence": 0.82
}

Score classifica o estado ao longo de uma escala ordenada de 2 a 10 níveis. A resposta é uma pontuação interpolada mais uma legenda e uma probabilidade por nível.

{
  "type": "score",
  "score": 1.6,
  "legend": { "0": "Calm", "1": "Frustrated", "2": "Very angry" },
  "probabilities": { "0": 0.05, "1": 0.3, "2": 0.65 },
  "confidence": 0.78
}

Limites da documentação: apenas texto (sem entrada de imagem, áudio ou vídeo), 64k tokens por requisição, e 32k tokens para state mais a pergunta mais longa. O campo state aceita "uma string simples para texto, ou dados estruturados (objeto/array) para coisas como logs de chat, registros ou o estado atual da sua aplicação," então você pode passar um registro JSON sem serializá-lo primeiro.

Para um aprofundamento maior no modelo em si, veja o que é Jev e como funciona.

Como Jev difere de um fornecedor de LLM

O erro mais fácil é colocar a TypeSafe ao lado da OpenAI ou Anthropic. Ela não compete no mesmo eixo.

Um fornecedor de LLM vende geração. Mesmo as saídas estruturadas da OpenAI funcionam restringindo uma string gerada a um esquema JSON; o modelo ainda escreve tokens, e o esquema mantém o formato válido. Jev pula a geração. Ele pontua as opções que você forneceu e retorna a distribuição. Não há fluxo de tokens para analisar, nenhum JSON para reparar, e nenhum texto de recusa "desculpe, não posso".

Isso torna Jev um complemento ao seu LLM, não um substituto. Os trabalhos que ele se encaixa:

• Roteamento de um ticket, mensagem ou payload de webhook para o manipulador correto
• Controlando a próxima ação de um agente ("Esta chamada de ferramenta é segura para executar?")
• Verificando a resposta de um LLM contra um conjunto de regras antes de retorná-la
• Pontuando qualidade, urgência ou sentimento para dashboards e alertas
• Classificando registros em massa onde o custo por chamada é importante

Em uma pilha de API, Jev fica na mesma camada que uma função de validação ou uma verificação de flag de recurso: uma chamada rápida e barata cujo resultado seu código ramifica.

Como obter acesso

Existem três portas, e nenhuma exige uma interface de chat.

Console e API direta. Crie uma chave em console.typesafe.ai em Configurações, então chame o endpoint documentado na referência da 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": "Does this convey urgency?" }
    }
  }'

A resposta espelha a requisição: um objeto answers chaveado pelos nomes de suas perguntas, mais usage com contagens de tokens de entrada e saída.

SDKs. A TypeSafe publica um pacote Python (typesafe-sdk) e um SDK JavaScript que encapsulam o mesmo endpoint.

Vercel AI Gateway. A partir do changelog de 16 de setembro, Jev está disponível como typesafe-ai/jev através da função experimental_evaluate no AI SDK 7.0.105 e posterior. A documentação de avaliação da Vercel é explícita que esta modalidade é apenas para o AI SDK; não é exposta através dos endpoints compatíveis com OpenAI ou Anthropic. Se você já roteia modelos através do Vercel AI SDK, Jev se encaixa com a mesma chave de gateway, e você pode definir opções de retenção zero de dados e sem treinamento por requisição através de providerOptions.gateway. O uso de tokens é relatado por requisição e cobrado pelas taxas do modelo.

Preços e Limites de Taxa

O preço é um número. Tokens de entrada custam $0,042 por milhão (a TypeSafe também escreve como $42 por bilhão). Tokens de saída são gratuitos, o que a postagem de lançamento descreve como "muito barato para ser medido."

Os limites de taxa na página de modelos são de 250.000 tokens por segundo e 1.200 requisições por minuto, com uma nota de que eles se ajustam dinamicamente. Quatro códigos de erro importam:

Teste sua primeira requisição Jev no Apidog

Antes de conectar Jev a um roteador ou loop de agente, execute-o como uma requisição HTTP simples e faça asserções no resultado. Isso leva cerca de dois minutos no Apidog.

1. Crie um projeto e abra o painel de ambiente. Adicione uma variável chamada TYPESAFE_API_KEY, marque-a como uma variável secreta para que o valor seja mascarado na UI e nunca apareça em coleções exportadas, e cole sua chave do console.
2. Crie uma requisição POST para https://api.typesafe.ai/v1/systemone. Adicione um cabeçalho Authorization: Bearer {{TYPESAFE_API_KEY}}. O Apidog preencherá a variável no momento do envio.
3. Cole o corpo JSON do exemplo do curl acima e envie. Você deve ver answers.is_urgent.noul próximo a 0,9.
4. Abra a aba de pós-processador e adicione uma asserção: JSONPath $.answers.is_urgent.noul, condição maior que 0.8. Agora a requisição falha ruidosamente se a confiança do modelo variar.
5. Duplique a requisição, troque "model": "jev-latest" por "jev-1.13.0", e salve ambas em um cenário de teste. Execute-o em um cronograma ou em CI. Quando o alias muda para um novo lançamento, a requisição fixada e a requisição do alias divergem, e sua asserção detecta isso antes da produção.

O mesmo cenário serve como uma verificação de calibração. Forneça dez estados rotulados manualmente, faça asserções em cada probabilidade, e você terá um conjunto de regressão para um modelo de decisão, construído sem escrever um harness de teste. Baixe o Apidog para acompanhar; o plano gratuito cobre este fluxo de trabalho para equipes de até quatro pessoas.

FAQ

TypeSafe AI é o mesmo que Typesafe, a empresa Scala? Não. A Typesafe Inc. era a empresa por trás do Akka e Play Framework, renomeada Lightbend em 2016. A TypeSafe AI é um laboratório separado de São Francisco fundado em torno da ideia dos Modelos Sistema Um, sem produtos ou pessoas compartilhadas listadas em nenhum dos lados.

Jev substitui meu LLM? Não. Jev não gera texto, código ou resumos. Mantenha seu LLM para esses trabalhos e coloque Jev antes ou depois dele como um roteador, portão ou verificador. O aprofundamento sobre Jev aborda padrões concretos para emparelhar os dois.

Preciso da Vercel para usar Jev? Não. A API direta funciona com uma chave do console da TypeSafe. O Vercel AI Gateway é uma conveniência se você já usa o AI SDK e deseja uma chave e uma fatura unificadas entre provedores.

Jev pode alucinar? Essa é a afirmação da TypeSafe, e é verdadeira no sentido restrito de que Jev não pode inventar texto porque nunca emite nenhum. Ele ainda pode estar superconfiante em uma entrada fora de sua distribuição de treinamento. Defina um limite para a confidence e teste com seus próprios dados rotulados antes de confiar em uma pontuação em produção.

Quem financia a TypeSafe AI? A página da equipe diz "investidores de primeira linha" e nada mais. Nenhuma página oficial os nomeia ou declara um valor, então qualquer cifra que você leia em outro lugar não é verificada.