TypeSafe lancia Jev, modello che risponde con numeri e confidenze
Testo scritto con l’intelligenza artificiale a partire da fonti pubbliche, senza revisione umana prima della pubblicazione.
Jev non genera testo ma valori numerici tipizzati per decisioni probabilistiche, con latenza e costi dichiarati molto bassi.
TypeSafe AI ha presentato Jev: non genera testo. Restituisce numeri in virgola mobile con punteggi di confidenza per categorie, sì/no e valutazioni. Prezzo dichiarato: 0,042 dollari per milione di token in input. L’output non si paga. La fonte confronta la cifra con il riferimento citato per GPT‑5 Nano: 0,05 dollari per milione di token.
TypeSafe colloca Jev nella nuova famiglia “System One models”. L’autore della fonte preferisce “decision models”, in linea con Maggie Appleton. La descrizione dell’azienda: “un frontier‑intelligence function call: unstructured state in, typed probabilistic decisions out”.
Input e output seguono un flusso diverso dagli LLM testuali. Si invia uno “state” che può essere:
- una stringa,
- un array di stringhe,
- un insieme di coppie nome‑valore. Lo “state” può rappresentare, per esempio, un articolo o dati semi‑strutturati. Il modello risponde con decisioni probabilistiche tipizzate: numeri in virgola mobile per categorie, binari e rating, ciascuno con il proprio punteggio di confidenza.
La scelta di prezzo ribalta lo schema citato per i modelli generativi classici, dove si paga sia l’input sia l’output, spesso a tariffe più alte per l’uscita. Qui si addebita solo l’input. L’output resta gratuito.
La fonte presenta Jev come primo esemplare pubblico di questa classe. L’articolo porta la data del 21 settembre 2026.
Il posizionamento economico è un punto centrale della notizia. La fatturazione “solo input” riduce la complessità del calcolo dei costi e, nel confronto citato, colloca Jev sotto il riferimento riportato per GPT‑5 Nano sul milione di token. L’autore definisce il modello molto veloce ed economico.
Il lessico proposto (“System One models” o “decision models”) mette in primo piano la natura tipizzata delle uscite. Non c’è testo da parsare. Ci sono numeri con confidenze, allineati a domande su categorie, risposte binarie e valutazioni.
Nell’uso descritto, l’utente compone lo “state”, invia la richiesta e ottiene decisioni pronte per l’aggregazione o l’impiego diretto. La definizione “function call” richiama questa modalità: stato non strutturato in ingresso, decisioni probabilistiche tipizzate in uscita.
Resta il nodo della terminologia. La scelta “System One models” segna una distanza dai LLM testuali; la preferenza dell’autore per “decision models”, condivisa con Maggie Appleton, punta l’attenzione sull’atto che conta: prendere decisioni in forma numerica e con confidenza.
Per chi valuta l’adozione, due elementi guidano la prova sul campo: l’output numerico con confidenze e la fatturazione dell’input. Entrambi incidono sul modo di progettare flussi dove servono categorie, sì/no e rating, senza generazione di testo.
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate nel pezzo. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Il filo della storia
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.