Probado en Doom: nuevo modelo 70 veces más rápido y 238 veces más barato que las IA líderes

A veces la IA más rápida no surge de acelerar un chatbot convencional, sino de renunciar a la idea misma de conversación. La startup TypeSafe AI presentó el modelo Jev, que recibe el estado de una tarea y devuelve de inmediato una solución estructurada. En la demostración una consulta tardó 0,114 segundos frente a 8,566 segundos de GPT-5.6 Terra, es decir, más de 70 veces menos.

Jev no está pensada para conversar con una persona, sino para trabajar dentro de programas. En lugar de texto libre, el modelo devuelve tipos de valores predefinidos junto con probabilidades y una medida de confianza. Por ejemplo, una aplicación puede transmitir la descripción de una incidencia del cliente y obtener las probabilidades de que la solicitud corresponda a pago, problema técnico o ventas, sin procesar adicionalmente el texto.

Un modelo de lenguaje grande convencional construye la respuesta de forma secuencial, prediciendo el siguiente token tras el anterior. Jev conforma un conjunto de valores de salida en paralelo, por lo que no pierde tiempo generando una cadena larga. TypeSafe denomina este enfoque System One Models y entrena el sistema con el método Reinforcement Learning for Calibrated Decisions, orientado a decisiones probabilísticas rápidas.

La diferencia es especialmente notable en el precio. TypeSafe fijó una tarifa de $0,042 por millón de tokens de entrada, y por ahora no cobra por los datos de salida. Según los cálculos de la empresa, en una de las comparaciones Jev resultó 238 veces más barata que Fable 5.1. Frente a los precios actuales de los modelos de IA la brecha parece enorme, pero la comparación directa se limita a las tareas para las que sirve el nuevo formato.

La prueba más ilustrativa fue Doom. El modelo no analizó la imagen de la pantalla: el motor entregó a Jev el estado del juego en forma de texto estructurado, tras lo cual el sistema escogió la acción. La demostración funcionó aproximadamente con diez solicitudes por segundo y costaba alrededor de $7 por hora. TypeSafe admite que un bot especializado habría jugado mejor, así que la prueba muestra sobre todo la rapidez de respuesta.

La compañía también afirma que Jev no presenta alucinaciones, pero la formulación requiere matices. El modelo no puede producir texto arbitrario ni un valor de tipo incorrecto, porque la estructura de respuesta permitida se define de antemano. Sin embargo, Jev puede elegir una opción equivocada o estimar mal una probabilidad. Para agentes de IA esa limitación reduce una clase de fallos, pero no garantiza la corrección de la decisión.

En sus propias pruebas de flujos de trabajo TypeSafe obtuvo coeficientes aún mayores: hasta 193,6 veces en velocidad y hasta 444,6 veces en coste. Los desarrolladores califican esos resultados como el límite superior de la mejora posible. Los conjuntos de tareas los preparó el equipo de TypeSafe y el referente se construyó a partir de las respuestas de grandes modelos externos, por lo que la ventaja real queda por confirmar con pruebas independientes.

La apuesta principal de TypeSafe no son los juegos, sino la automatización. Jev debe clasificar datos, enrutar solicitudes, evaluar opciones, verificar otros modelos y tomar decisiones breves dentro de cadenas de programas. Esta IA se puede invocar muchas veces por segundo en contextos donde un chatbot convencional resulta demasiado lento, caro o impredecible para operar sin supervisión humana constante.

Al mismo tiempo, TypeSafe salió de un modo sigiloso de dos años y captó $40 millones de financiación semilla liderada por DCVC. La empresa fue fundada por el ex empleado de OpenAI Diogo Almeida junto con Eric Gafni y Sasha Shen. Jev se convirtió en el primer producto público de la startup, cuyo acceso se está abriendo de forma gradual. La compañía admite desarrolladores desde una lista de espera.

Por ahora los resultados no muestran la llegada de una IA universal que supere a los referentes en todo, sino otro compromiso entre capacidades y costes. Jev renuncia a la generación libre de texto a cambio de decisiones limitadas, baja latencia y llamadas baratas. Qué tan bien se traslada el esquema de las demostraciones a sistemas de producción se sabrá tras un acceso más amplio y pruebas independientes.