Modelos de decisão: Jev, Microsoft-Decision-1 e a Decisions API da OpenAI

1. Uma categoria nova: modelos que devolvem probabilidades#

O Jev, da TypeSafe, abriu a categoria. Em outubro de 2026 chegaram mais dois: o Microsoft-Decision-1, um modelo pequeno da Microsoft baseado no Qwen3.5-9B da Alibaba, e a Decisions API da OpenAI, que roda sobre o gpt-6-luna. Os três recebem um caso e uma pergunta com opções fechadas e devolvem probabilidades, sem gerar texto.

A tabela compara o que dizem as documentações e as matérias consultadas. Onde não há dado, a célula diz isso em vez de supor.

As fontes não coincidem sobre o estado do Microsoft-Decision-1: o catálogo do Foundry o marca como Preview e uma matéria de 12 de outubro o chama de geralmente disponível. Confirme o estado no catálogo antes de depender dele.

Documentação: Cloudflare: Jev (typesafe/jev) ↗ · OpenAI: Decisions API (inglês) ↗

2. Uma resposta comum para sim ou não#

As três ofertas compartilham a ideia de pergunta de sim ou não, mas com nomes diferentes: o Jev a chama de noul e a Decisions API da OpenAI de predicate. O código leva as duas respostas de exemplo das documentações a uma probabilidade comum e aplica um limiar com saída para revisão humana. Do Microsoft-Decision-1 não incluímos adaptador porque as fontes não mostram o formato exato da sua resposta.

# Respostas de exemplo das documentações da Cloudflare (Jev) e da OpenAI (Decisions API)
jev = {"type": "noul", "noul": 0.95}
openai = {"type": "predicate", "name": "visible_damage", "probability": 0.92}

def prob_yes(answer):
    """Leva a pergunta de sim ou não dos dois provedores a uma probabilidade comum."""
    if answer["type"] == "noul":
        return answer["noul"]
    if answer["type"] == "predicate":
        return answer["probability"]
    raise ValueError("tipo não suportado: " + answer["type"])

def decide(p, threshold=0.9):
    return "yes" if p >= threshold else "no" if p <= 1 - threshold else "human_review"

for answer in (jev, openai):
    print(answer["type"], prob_yes(answer), decide(prob_yes(answer)))

Documentação: Microsoft Foundry: Microsoft-Decision-1 (inglês) ↗ · Help Net Security: Microsoft-Decision-1 (inglês) ↗

3. Quanto custa cada uma#

Com os 426 tokens de entrada da requisição de exemplo da documentação do Jev, um milhão de requisições custa $17,89 com o Jev ou o Microsoft-Decision-1 e $42,60 com a Decisions API da OpenAI. Em pesos, com a TRM de 17 de outubro de 2026: COP 56,801 e COP 135,241.

from decimal import Decimal as D

INPUT_TOKENS = 426            # tokens da requisição de exemplo da documentação do Jev
RATES = {"Jev": D("0.042"), "Microsoft-Decision-1": D("0.042"), "OpenAI Decisions API": D("0.10")}   # USD por milhão de tokens de entrada
TRM = D("3174.67")            # TRM de 17 out 2026

for name, rate in RATES.items():
    usd = D(INPUT_TOKENS) * rate           # USD por milhão de requisições
    print(f"{name}: ${usd:,.2f} | COP {usd * TRM:,.0f}")

O preço por token é só uma parte: o que importa é o custo por decisão correta. Um modelo mais barato com pior calibração pode obrigar você a enviar mais casos para revisão humana.

4. Meça a calibração com os seus dados#

As afirmações de calibração, velocidade e custo das três opções vêm dos seus fabricantes. A Microsoft informa testes em 36 conjuntos de avaliação e reconhece que convém validar o limiar com exemplos próprios; as nossas fontes não mostram uma avaliação independente. Uma forma simples de medir é a pontuação de Brier, o erro quadrático médio entre a probabilidade e o que aconteceu.

# Quatro previsões de exemplo e o que realmente aconteceu (1 = sim)
predictions = [0.9, 0.8, 0.3, 0.1]
outcomes = [1, 1, 0, 0]

def brier(predictions, outcomes):
    """Erro quadrático médio das probabilidades: 0 é perfeito, 0,25 é não saber nada."""
    return sum((p - o) ** 2 for p, o in zip(predictions, outcomes)) / len(predictions)

def automatable(predictions, threshold):
    """Fração de casos que uma pessoa não precisaria revisar."""
    return sum(p >= threshold or p <= round(1 - threshold, 10) for p in predictions) / len(predictions)

print(round(brier(predictions, outcomes), 4), brier([0.5] * 4, outcomes))
print(automatable(predictions, 0.8), automatable(predictions, 0.9))

Com os seus próprios casos rotulados, calcule a pontuação de cada modelo e, para o limiar que escolher, que fração pode ser automatizada e quantos erros passam.

5. Qual escolher#

• Se as suas decisões incluem imagens, a Decisions API da OpenAI é a única das três que as aceita, segundo a documentação.
• Se você trabalha no ecossistema Azure e Foundry, o Microsoft-Decision-1 está no catálogo deles.
• Se já usa o Workers AI ou quer o menor preço de entrada com janela de 32.000 tokens, o Jev é uma opção.
• Se precisa de retenção zero e HIPAA, a documentação da OpenAI indica isso para clientes elegíveis; a Cloudflare indica retenção zero para o Jev; verifique a Microsoft.
• Com qualquer uma, comece em modo sombra e defina um limiar com saída para revisão humana.
• Não use um destes modelos como único decisor em assuntos de crédito, emprego, moradia, seguros, educação, saúde ou direitos legais: a Microsoft o desaconselha para o seu modelo e a mesma prudência vale para os outros.

Para se aprofundarJev da TypeSafe: o que é um modelo de decisão e como usá-lo (Noul, Choice e Score)

6. Mantenha seus números em dia#

A Decisions API estava em beta pública e o Microsoft-Decision-1 na versão 1 em 19 de outubro de 2026. Preços, formatos e estado mudam rápido; confirme em cada documentação antes de integrar.

• Veja quando a Decisions API chega à disponibilidade geral.
• Veja a licença do Microsoft-Decision-1, que as fontes não indicam.
• Guarde uma amostra de casos rotulados para medir de novo quando um modelo mudar.