Como usar o modelo classificador Jev no seu código

O modelo classificador Jev é um classificador rápido e barato que devolve JSON tipado e confiável. Ele não gera texto, não escreve código e não substitui modelos de raciocínio. Serve para classificar, organizar, ranquear e decidir rotas em tempo real.

O que é o modelo classificador Jev e por que ele não substitui LLMs

O modelo classificador Jev é o primeiro modelo "sistema 1" da Typesafe AI, lançado em setembro de 2026 em acesso antecipado apenas por convite. Ele não gera texto nem escreve código: recebe dados estruturados, toma uma decisão e devolve JSON no formato exato que você definiu. Segundo o anúncio da empresa, ele não alucina o formato da resposta.

Isso significa que o Jev não substitui modelos de raciocínio como os usados no ChatGPT ou no Claude, da Anthropic. O argumento do Theo, do canal t3.gg, é direto: se a sua tarefa exige pensar, navegar por um codebase ou justificar uma decisão, o Jev não serve. Se exige classificar, rotular, ranquear ou decidir um caminho em milissegundos, ele é excelente.

A empresa o descreve como uma "chamada de função de inteligência de fronteira": dados não estruturados entram, decisões probabilísticas tipadas saem. O nome vem do paradoxo de Jevons, quando tornar algo barato e rápido amplia o consumo em vez de reduzir, e é exatamente a tese do produto: viabilizar casos de uso que antes não compensavam.

Sistema 1 x sistema 2: a lógica por trás do modelo

A Typesafe AI baseia o posicionamento do Jev na distinção do livro "Rápido e Devagar" de Daniel Kahneman. Sistema 1 é o julgamento intuitivo e instantâneo, como identificar a cor de uma camisa. Sistema 2 é o raciocínio lento e deliberado, como depurar um bug complexo.

Na prática, você usa o Jev como um "if statement inteligente" dentro do seu código: uma parte do programa passa dados ao modelo e recebe uma decisão tipada de volta, quase como chamar uma função. A proposta é que ele viva integrado ao software, não em um chat. Você dispara um fluxo, o modelo decide qual caminho seguir e o código continua.

Dois detalhes importam muito aqui. Primeiro, o formato é determinístico, mas o conteúdo não: o Jev sempre honra o contrato de saída, embora a decisão em si seja probabilística. Segundo, o modelo não mantém histórico de conversa, ele espera estado estruturado como entrada, o que muda completamente a forma de arquitetar a integração.

Velocidade, custo e janela de contexto: os números do Jev

Os números divulgados pela própria Typesafe AI são agressivos e precisam ser lidos como métricas do fornecedor, não como medição independente. O anúncio afirma que LLMs tradicionais levam de 3 a mais de 300 segundos em tarefas de classificação que o Jev resolve em 70 a 500 milissegundos, uma diferença de 40 a 200 vezes. Na página inicial, a empresa cita ganhos de 193,6x em velocidade e 444,6x em custo, deixando claro que espera que esses valores representem o topo do que se vê em produção.

No custo, a empresa cobra cerca de 4 centavos de dólar por milhão de tokens de entrada, contra valores como 10 dólares por milhão em modelos de raciocínio, e não cobra pelos tokens de saída. Num dos testes citados no vídeo, 27 perguntas sobre um conjunto de dados foram respondidas em 0,114 segundo por custo que arredonda para zero, contra 9 segundos e 1,3 dólar no LLM de referência.

Dois limites técnicos merecem destaque. A janela de contexto é de apenas 32 mil tokens, muito pequena para tarefas longas. E o modelo não tem visão: ele processa texto e dados estruturados, não imagens, embora suporte a imagens esteja nos planos da empresa.

Outro dado divulgado pela Typesafe AI em suas comparações: taxa de 0% de erro em saída estruturada, contra taxas de dois dígitos em alguns modelos concorrentes, incluindo um modelo Haiku da Anthropic com 45,5% de erro em formato estruturado segundo a mesma tabela. Como a empresa não publicou o benchmark completo, trate esses percentuais como reivindicação do fornecedor.

Casos de uso reais: onde o Jev brilha

Os exemplos que circularam nas semanas após o lançamento mostram bem o perfil do modelo. Veja os cenários em que ele faz sentido:

O padrão comum é simples: se você consegue responder a pergunta em menos de 10 segundos depois de ver a informação, o Jev provavelmente serve. Se a resposta exige análise longa, ele não é a ferramenta certa.

Onde o Jev falha: julgar LLMs e compactar contexto

Nem tudo que viralizou faz sentido. O Theo critica duramente a sugestão, feita por uma empresa de observabilidade, de usar o Jev como juiz de saídas de outros LLMs. Um classificador que recebe um trecho de texto e responde em JSON não tem o contexto nem a capacidade de raciocínio para avaliar qual implementação de código é melhor. A comparação mais rápida não é a melhor decisão.

O caso mais polêmico foi a compactação de contexto. Usar o Jev para filtrar o histórico de uma sessão de agente parece atraente pela velocidade, mas quebra por vários motivos: compactação é síntese, não filtragem; o modelo tem só 32 mil tokens de contexto; os rastros de raciocínio dos laboratórios não são expostos pelas APIs; e alterar o histórico no meio invalida o cache de prefixo, encarecendo tudo depois do ponto editado.

Nos próprios testes do vídeo, o modelo perdeu damas de forma constrangedora, porque joga sem "pensar" nas consequências. Na demo de Doom rodando a 10 decisões por segundo por menos de 7 dólares por hora, o personagem gira sem parar, já que cada frame é uma decisão nova sem memória da anterior. São demos impressionantes que ilustram exatamente o limite: reflexo rápido, zero estratégia.

BAML e outputs estruturados: a alternativa com qualquer LLM

Antes do Jev, quem precisava de saídas estruturadas confiáveis já contava com ferramentas como o BAML, uma linguagem de interface que define, em sintaxe parecida com TypeScript, qual formato o modelo deve devolver. Você declara tipos para o veredito e a confiança, define a função de classificação e chama tudo direto do seu código.

A diferença conceitual é importante: o BAML força modelos gerais a respeitar o formato, corrigindo em runtime o JSON malformado que eles produzem. Isso funciona, mas custa tempo de processamento e não elimina alucinações de conteúdo. O Jev ataca o problema na arquitetura, já que foi treinado para devolver o formato exato, com confiança calibrada em cada saída.

Para quem já usa o ecossistema Vercel, o modelo está disponível pelo gateway da empresa, além de provedores como OpenRouter. A integração é o ponto central: o valor aparece quando o modelo é chamado por código, não por humanos em um chat.

A leitura da comunidade brasileira sobre o Jev

Por aqui, a discussão sobre modelos especializados tem ganhado espaço em comunidades como o Crazystack. O Crazystack Typescript acompanha de perto movimentos como esse, e o Gustavo Dev Doido tem usado o Bootcamp do Dev Doido para traduzir lançamentos de frontend e IA em decisões práticas de arquitetura, em vez de hype.

A tradução do debate para quem trabalha com React e Node no Brasil é a mesma de fora: avalie o custo real das suas chamadas a LLMs. Se parte do seu pipeline é classificação pura, um modelo dedicado pode reduzir a conta e a latência sem mudar o produto. Se a sua tarefa exige raciocínio, nenhum classificador resolve.

Do vídeo ao artigo escrito

Este artigo partiu de uma análise de 31 minutos sobre o Jev e preservou o que importa: a tese do sistema 1, os números com suas fontes e os limites do modelo. Esse é o tipo de conhecimento que fica preso em vídeos longos, e transformá-lo em texto permite que outra pessoa encontre, cite e aplique a ideia em minutos.

Se você também tem análises, opiniões ou aulas gravadas no YouTube, o Skala Blog converte o vídeo em transcrição e a transcrição em artigo estruturado, pronto para revisão. Basta colar a URL e editar o resultado.

Perguntas frequentes

• O modelo classificador Jev substitui LLMs de raciocínio? Não. Ele foi projetado para classificação, ranqueamento e decisões rápidas com saída JSON tipada. Tarefas que exigem raciocínio, navegação em código ou justificativa continuam dependendo de modelos como os usados no ChatGPT e no Claude.

• Quanto custa usar o Jev? Segundo a Typesafe AI, cerca de 4 centavos de dólar por milhão de tokens de entrada, com tokens de saída gratuitos. São valores divulgados pelo fornecedor e podem mudar após o período de acesso antecipado.

• O Jev realmente nunca erra o formato da resposta? A empresa reporta 0% de erro em saída estruturada nos seus próprios testes. O formato é determinístico, mas o conteúdo da decisão continua probabilístico, então valide thresholds de confiança no seu caso de uso.

• O Jev funciona com imagens? Ainda não na versão de acesso antecipado de 2026. O modelo processa texto e estado estruturado; suporte a imagens está entre os planos da empresa e ampliaria casos como moderação de vídeo e uso de computador.

• Posso usar o Jev como juiz para comparar saídas de outros LLMs? Não é recomendado. Um classificador sem raciocínio não tem contexto suficiente para avaliar implementações de código ou respostas complexas, e gerar várias saídas só para julgá-las encarece o fluxo.

Source video