Jev de TypeSafe: qué es un modelo de decisión y cómo usarlo (Noul, Choice y Score)

1. Qué es Jev#

Jev es el modelo de TypeSafe que la documentación de Cloudflare describe como un modelo de evaluación estructurada: toma un estado (un texto o un objeto) y lo evalúa contra preguntas tipadas, devolviendo respuestas calibradas con probabilidades y confianza. No genera texto libre. Se ofrece en Workers AI como typesafe/jev y, según guías de terceros, también por otros proveedores.

Las preguntas son de tres tipos, que se pueden combinar en una sola llamada.

La utilidad práctica es poner una decisión tipada en el flujo de una aplicación: a qué equipo va un ticket, si un mensaje es urgente, si un texto intenta una inyección de instrucciones. En lugar de pedirle a un modelo de lenguaje que redacte una respuesta y luego interpretar el texto, recibes números que puedes comparar con un umbral.

Documentación: Cloudflare: Jev (typesafe/jev) ↗

2. Cómo se hace la llamada#

La petición lleva el estado y un objeto de preguntas, cada una con su tipo, sus instrucciones y sus criterios. El código arma exactamente la solicitud de ejemplo de la documentación de Cloudflare (en Workers AI se pasa a env.AI.run con el modelo typesafe/jev; por la API REST va dentro del campo input).

import json

solicitud = {
    "state": "Help! My payouts have been failing for 3 days.",
    "questions": {
        "is_urgent": {"type": "noul", "instructions": "Does this convey urgency?",
                      "criteria": {"true": "Explicitly time-sensitive", "false": "No urgency expressed"}},
        "department": {"type": "choice", "instructions": "Which team should handle this?",
                       "criteria": {"billing": "Payments, invoicing, refunds",
                                    "technical": "Bugs, outages, integrations",
                                    "sales": "Pricing, upgrades, new accounts"}},
        "frustration": {"type": "score", "instructions": "How frustrated is the customer?",
                        "criteria": ["Calm", "Frustrated", "Very angry"]},
    },
}

cuerpo = json.dumps({"model": "typesafe/jev", "input": solicitud})
print(sorted(solicitud["questions"]), len(cuerpo) > 0)

La respuesta trae, para cada pregunta, su tipo y los números: un noul de 0,95, una opción elegida con confianza 0,8 y un puntaje de 1,04 sobre la leyenda de niveles, además del modelo usado y los tokens consumidos.

3. De la respuesta a una decisión#

Una probabilidad no es una decisión hasta que fijas qué hacer con ella. La función aplica un umbral de confianza: si la confianza de la opción elegida no lo alcanza, el caso pasa a una persona. El puntaje se redondea al nivel más cercano de la leyenda. Se prueba con la respuesta de ejemplo de la documentación.

import json

# Respuesta de ejemplo de la documentación de Cloudflare para typesafe/jev
RESPUESTA = json.loads("""
{"model": "jev-1.13.0",
 "answers": {
  "is_urgent": {"type": "noul", "noul": 0.95},
  "department": {"type": "choice", "choice": "billing", "confidence": 0.8,
                 "probabilities": {"billing": 0.87, "sales": 0, "technical": 0.13}},
  "frustration": {"type": "score", "score": 1.04, "confidence": 0.94,
                  "legend": {"0": "Calm", "1": "Frustrated", "2": "Very angry"},
                  "probabilities": {"0": 0, "1": 0.96, "2": 0.04}}},
 "usage": {"input_tokens": 426, "output_tokens": 73}}
""")

def decidir(respuesta, umbral=0.7):
    """Convierte las respuestas calibradas en una acción; si la confianza es baja, pasa a una persona."""
    a = respuesta["answers"]
    area = a["department"]
    return {
        "urgente": a["is_urgent"]["noul"] >= 0.5,
        "equipo": area["choice"] if area["confidence"] >= umbral else "revision_humana",
        "tono": a["frustration"]["legend"][str(round(a["frustration"]["score"]))],
        "modelo": respuesta["model"],
    }

print(decidir(RESPUESTA))
print(decidir(RESPUESTA, umbral=0.9)["equipo"])

4. Cuánto cuesta frente a un LLM#

La tabla resume los datos de la ficha de Jev en Cloudflare. La salida no se cobra: solo cuenta la entrada.

Con los tokens de la respuesta de ejemplo (426 de entrada y 73 de salida), un millón de solicitudes cuesta alrededor de $17,89 con Jev. Hacer la misma clasificación con un modelo de lenguaje a la tarifa introductoria de Gemini 4 Argon ($2 de entrada y $10 de salida por millón) costaría unos $1.582 por millón de solicitudes, 88 veces más. En pesos, con la TRM del 17 de octubre de 2026: COP 56,801 frente a COP 5,022,328.

from decimal import Decimal as D

TOKENS_ENTRADA, TOKENS_SALIDA = 426, 73        # "usage" de la respuesta de ejemplo de la documentación
JEV_ENTRADA = D("0.042")                       # USD por millón de tokens de entrada; la salida cuesta 0
ARGON = (D("2"), D("10"))                      # Gemini 4 Argon, tarifa introductoria hasta el 30 nov 2026
TRM = D("3174.67")                             # TRM del 17 oct 2026

millon = D(1_000_000)
jev = D(TOKENS_ENTRADA) * JEV_ENTRADA / millon * millon                      # USD por millón de solicitudes
llm = (D(TOKENS_ENTRADA) * ARGON[0] + D(TOKENS_SALIDA) * ARGON[1]) / millon * millon

print(f"Jev: ${jev:,.2f} | LLM: ${llm:,.2f} por millón de solicitudes | {llm / jev:.0f} veces")
print(f"En pesos: COP {jev * TRM:,.0f} vs COP {llm * TRM:,.0f}")

Para profundizarPrecios de las APIs de IA en octubre de 2026: cuánto cuesta cada modelo

Documentación: OpenRouter: qué es Jev ↗ · DataCamp: Jev, el modelo System One ↗ · LangChain: qué es Jev ↗

5. Cuándo usarlo y cuándo no#

• Sirve para clasificar, enrutar, filtrar y puntuar con alto volumen y baja latencia.
• Sirve para decisiones que necesitan una probabilidad que puedas comparar con un umbral y auditar.
• No sirve para redactar, resumir ni conversar: no genera texto.
• Tiene una ventana de 32.000 tokens: un documento largo hay que recortarlo antes.
• Es un modelo de un tercero: revisa qué datos le envías y sus términos antes de mandar información sensible.

Las guías de terceros destacan que Jev nunca alucina y que es mucho más rápido y barato que un LLM. Son afirmaciones de la empresa o de contenido cercano a ella: pruébalas con tus propios datos antes de apoyarte en ellas.

6. Cómo adoptarlo sin riesgo#

• Empieza en modo sombra: deja que Jev decida en paralelo y compara con tu decisión actual antes de aplicarla.
• Mide el acuerdo y, sobre todo, los desacuerdos: ahí se ve si las descripciones de tus opciones son claras.
• Escribe criterios distintos y específicos para cada opción; la calidad del enrutamiento depende de ellos.
• Fija un umbral de confianza y una salida a una persona para lo que no lo alcance.
• Registra la versión del modelo que devuelve cada respuesta, porque puede cambiar.
• Revisa en la documentación de tu proveedor el punto de acceso y el nombre del modelo: las guías de terceros citan otros distintos (jev-1.14, jev-latest).

Para profundizarModelos de decisión: Jev, Microsoft-Decision-1 y la Decisions API de OpenAI