TypeSafe AI lanza Jev, un modelo que devuelve números en lugar de texto por $0,042 por millón de tokens
TypeSafe AI presentó Jev la semana pasada, un modelo que acepta texto como entrada pero devuelve únicamente números de punto flotante - puntuaciones, probabilidades y distribuciones - a un precio de $0,042 por millón de tokens de entrada.
👁 117 lecturas
TypeSafe AI presentó la semana pasada Jev, un modelo que acepta texto como entrada pero devuelve únicamente números de punto flotante en lugar de texto generado, a un precio de $0,042 por millón de tokens de entrada - inferior al $0,05/millón de GPT-5 Nano de OpenAI.
- Jev cobra solo por tokens de entrada ($0,042/millón), más barato que GPT-5 Nano ($0,05/millón), y no cobra nada por la salida.
- El modelo responde tres tipos de preguntas: sí/no ("Noul", abreviatura de Bernoulli), selección múltiple con distribución de probabilidad, y puntuaciones numéricas con niveles descriptivos.
- Las preguntas se evalúan en paralelo dentro de una misma llamada a la API, por lo que enviar muchas preguntas toma un tiempo similar a enviar una sola.
La salida es siempre numérica. El desarrollador envía un objeto de estado - una cadena, un array de cadenas o pares nombre-valor que describen un artículo, un cliente o cualquier otro registro - junto con una o varias preguntas. Jev responde con tres tipos de resultado: preguntas sí/no llamadas Noul (abreviatura de Bernoulli, según confirmó el CEO de la compañía en Hacker News), que devuelven un valor entre 0 y 1; preguntas de opción múltiple con distribución de probabilidad entre todas las opciones; y puntuaciones numéricas sobre una escala con niveles descritos por el usuario. La compañía describe el modelo como:
«Think of Jev as a frontier-intelligence function call: unstructured state in, typed probabilistic decisions out.»- TypeSafe AI
Las preguntas se procesan en paralelo dentro de una misma llamada, de modo que enviar cien preguntas toma un tiempo similar a enviar una sola. Entre los casos de uso identificados figuran detección de spam, clasificación de contenidos, priorización y reranking de resultados de búsqueda. El modelo no ofrece explicaciones sobre sus decisiones, lo que plantea dudas sobre transparencia y sesgo cuando se aplica a evaluaciones de personas.
Google · Tus fuentesBrilla más alto en tu Google - con un solo clicAñadir a fuentes preferidas →
More on this from FULGOR
noticias·OpenAI crea un grupo asesor de matemáticos tras resolver más de 100 problemas abiertos con IA