Enquanto eu estudava o Jev e a Laya, o feed vendia os dois como o próximo LLM pequeno. Mini-ChatGPT, tweet de lançamento. Esse é o hype. Além dele, o que eles fazem é escolher uma porta, não escrever um parágrafo.
A porta serve delivery no WhatsApp, central de atendimento, marketplace, loja que vive de pedido e estorno. "Cadê o pedido?", "cancela", "quero estorno". O reflexo é chamar um LLM: ele escreve um texto e você ainda extrai a etiqueta. O Jev devolve a escolha em 0,17 s de P50 no OpenRouter. Time pequeno resolve com a API, ou com a Laya no localhost. A Julia-1 entra na mesma família, de passagem.
Eu cheguei nisso pelo Downshift. Cada subagente acordava no topo do SWE-bench. Jev e Laya são classificadores. Estudar eles me deu a ideia de adotar um no Downshift também. O MiniLM local foi essa adoção. Com Jev e Laya eu só fiz POCs. Os exemplos da seção 8 saem do Downshift.
Índice LLM adivinha a próxima palavra, Jev escolhe uma porta Jev na prática: saída finita, confiança e log 2b. Preço, latência e o que o pessoal já fez Quando texto livre vence: o LLM entra depois da decisão A dupla que economiza token: Jev filtra, LLM só entra quando precisa Trade-offs honestos de modelo de decisão contra LLM Antes de mandar pro Opus, decida se ele entra na rota Evidência: o que a pesquisa sustenta Jev e Laya no seu harness pessoal LLM adivinha a próxima palavra, Jev escolhe uma porta
LLM é um modelo generativo. Ele prevê a próxima palavra dada a sequência anterior. Por isso ele escreve, resume, traduz e explica bem. E por isso a mesma pergunta pode gerar três respostas diferentes, com temperatura, ordem e contexto mudando o resultado.
Jev é o oposto: um modelo classificador e de decisão. Ele é produto real, o System One decision model da TypeSafe, disponível como typesafe/jev-1.13 no OpenRouter. Ele recebe um estado e devolve uma entre N classes que você definiu antes, com probabilidade calibrada e tipos nativos como noul, choice e score. Cena didática, para o mecanismo ficar visível. Não é telemetria da minha loja:
Nada de parágrafo. Só etiqueta mais confiança. O número que não é cena está no Jev Lab de triage: 95 mensagens, cinco perguntas sim ou não, 475 respostas em 1,2 s, $0,0014 a rodada. E Laya também não é apelido: é um engine System One open-source que expõe o mesmo protocolo /v1/systemone do Jev, com modelos english, multilingual e typed-decisions (ver guia de uso), para decidir local sem API key. Quem redige a resposta final para o cliente é um LLM comum, que entra depois que a rota já foi decidida.
A diferença que importa para um mid-level recontar em uma frase: LLM escreve texto aberto e varia; Jev aponta uma porta entre poucas portas e repete. Jev na prática: saída finita, confiança e log
O mecanismo, sem chamar a API do Jev. Um classificador simples resolve sem GPU, sem prompt de 2 mil tokens, sem retry criativo. Qualquer dev roda local:
Três propriedades que o LLM não te dá de graça: Saída finita: só existem reembolso, rastreio, comercial. Dá para validar com enum, testar com tabela, auditar no Grafana. Confiança calibrável: abaixo de 0.70 você manda para revisão humana ou para o LLM com contexto extra. Acima, segue o fluxo automático. Determinismo: mesma entrada, mesma saída. Sem temperatura para tunar, sem prompt que quebra porque alguém mudou uma vírgula.
É por isso que time de suporte e pagamento gosta de decisor: dá para escrever teste unitário em cima. Com LLM puro, cada teste vira aproximação semântica.
Isso não é opinião. Em intenção com rótulo fixo, pequeno fine-tuned ainda vence grande generativo: em Banking-77 e CLINC-150, DistilBERT superou Phi-2 e Llama-3-8B com PEFT, com F1 em torno de 0.92 contra 0.88 e 0.83, treinando e inferindo mais rápido. Em CLINC-150 com 151 intenções, DistilBERT marcou 0.889 de acurácia com 5.3ms contra 0.888 da RoBERTa. Para tabular, CatBoost, LightGBM e XGBoost seguem no topo do benchmark amplo com 20 modelos, à frente de MLP e ResNet na maioria dos datasets.
Números do OpenRouter no dia em que eu conferi. A latência do LLM é o começo da resposta: depois ele escreve e você paga a saída. A do Jev é a decisão inteira.
| Modelo | Entrada / 1M | Saída / 1M | Latência P50 | |---|---|---|---| | Jev 1.13 | $0.042 | $0 | 0,17 s | | Gemini 2.5 Flash Lite | $0.10 | $0.40 | 0,47 s | | DeepSeek V3 | $0.2574 | $1.029 | 0,58 s | | DeepSeek V3.2 | $0.2088 | $0.3096 | 0,27 s no melhor provider | | DeepSeek R1 | $0.70 | $2.50 | 1,17 s |
O V3.2 barato no papel ($0.2088) aparece com 1,32 s em um provider. O R1 é o extremo: entrada 16x a do Jev, saída cara, mais de um segundo antes de começar. Para classificar antifraude ou liberar um request, o DeepSeek é o modelo errado. Para escrever o parecer depois da etiqueta, aí sim.
O que já existe, com URL. Não achei delivery no WhatsApp em produção com número de negócio. O encaixe da intro é analogia. O que tem nome é isto.
Lab, ao vivo no browser (Jev Lab): Triage de atendimento: 95 mensagens, 475 respostas em 1,2 s, $0,0014 a rodada. Checkout que reage ao clique: 8 respostas em 300 ms, $0,0001 por checagem. Filtro de feed: 40 posts em 0,5 s, $0,0003 a rodada.
Receita oficial (hub do Jev): Permissão de coding agent: libera git diff e bun test, segura git push --force. Classificar e taguear em lote: ticket, post, review. $0,014 em 550 tweets no exemplo publicado. Moderação de marketplace: categoria errada, preço estranho, PIX por fora. Cascata barata com verificação: o frontier só entra se o Jev recusar o rascunho.