{ "aboutHtml": "

O Jev é o modelo principal da TypeSafe e o primeiro de uma nova classe, System One. Não escreve texto: toma rapidamente decisões que um programa pode utilizar de imediato. Fornece-se um estado (state) — texto ou JSON — e um conjunto de perguntas, e recebem-se valores tipados com probabilidades calibradas.

Os modelos de linguagem escrevem palavras para pessoas; segundo a TypeSafe, o Jev está mais próximo do código: a resposta vem logo no formato de que o código precisa, com elevada velocidade e sem valores fora das opções definidas. O modelo foi concebido para dar respostas estáveis a pedidos repetidos.

Em que difere o System One de um modelo de linguagem

O nome remete para o «Sistema 1» do livro de Daniel Kahneman «Pensar, Depressa e Devagar»: o juízo intuitivo rápido, em contraste com o pensamento lento e deliberado do «Sistema 2». O Jev foi criado para juízos rápidos e bem delimitados.

Três tipos de pergunta

Uma pergunta corresponde a um juízo sobre o estado; a resposta é um valor que o código compara com um limiar, ordena ou transmite à etapa seguinte.

  1. Choice — escolha de uma opção. O departamento responsável por um pedido, a categoria de um produto ou a linguagem de um fragmento de código. As opções são um dicionário «opção → descrição», com até 255 entradas. A resposta inclui a opção escolhida, choice, as probabilidades probabilities de todas as opções, cuja soma é 1, e a confiança confidence. Se a lista puder não abranger todos os casos, acrescente «outro» ou «nenhuma das opções».
  2. Score — avaliação numa escala. Uma posição numa escala ordenada definida por quem faz o pedido: gravidade de um erro, irritação de um cliente ou nível de uma competência. Existem entre 2 e 10 níveis, do mais baixo ao mais alto; o modelo avalia cada nível separadamente, sem ver o seu número nem os níveis vizinhos. A resposta inclui score — a soma dos números dos níveis multiplicados pelas respetivas probabilidades, pelo que o valor pode situar-se entre níveis —, legend com as descrições dos níveis, probabilities e confidence.
  3. Noul — sim ou não. Indica se uma afirmação é verdadeira. A resposta noul é a probabilidade de «sim», entre 0 e 1: perto de 1 significa um «sim» confiante; perto de 0, um «não» confiante; perto de 0,5, o modelo está indeciso. Não existe um confidence separado: um único número descreve a resposta por completo. O campo opcional criteria especifica o que deve contar como «sim» e como «não».

Como escolher: opções conhecidas sem ordem — choice; graus de um espectro — score; «sim/não» puro, em que a própria probabilidade é importante — noul. Noul 0,5 significa probabilidades iguais de «sim» e «não», e não um «nível médio»: é o score que mede o grau. Se dois tipos forem adequados, escolha aquele que permita ao código agir de imediato: choice para ramificações, score para um limiar e noul para if.

Os tipos podem ser combinados num pedido. A resposta está sempre limitada às opções definidas e é independente das outras perguntas: é possível acrescentar ou retirar perguntas sem alterar as restantes respostas.

Estado

O estado é aquilo que o modelo avalia: uma mensagem de um cliente, um fragmento de documento, um registo de uma base de dados ou o estado da aplicação.

Prepare o estado como prepararia materiais para especialistas: junte a correspondência, a encomenda e as regras de devolução se a decisão exigir a sua comparação. Coloque o conteúdo no estado e os juízos nas perguntas. Se uma pergunta disser respeito a uma parte do estado, indique nela o caminho até essa parte entre acentos graves, por exemplo ticket.messages[0].text.

Como formular perguntas

Confiança

Em choice e score, confidence, entre 0 e 1, indica até que ponto a probabilidade se concentra numa única resposta: 1 significa que está toda numa opção; 0, que está distribuída igualmente por todas. Em score, um nível vizinho reduz menos a confiança do que um nível distante. Em noul, a confiança é o próprio valor: quanto mais se afasta de 0,5, mais firme é a resposta.

A TypeSafe recomenda três intervalos:

  1. Confiança elevada — agir automaticamente.
  2. Média — agir com cautela, por exemplo, pedir confirmação ao utilizador.
  3. Baixa — encaminhar o caso para uma pessoa, esclarecer o pedido ou utilizar uma alternativa, como um modelo mais potente com raciocínio.

Quanto maior for o custo de um erro, mais rigoroso deve ser o limiar: para ações irreversíveis, deve ser mais elevado do que para leitura. A resposta indica o que escolher; a confiança indica se vale a pena agir. Ajuste os limiares com os seus próprios dados, comparando confiança e exatidão.

Como construir um sistema em torno do Jev

O Jev foi concebido para programas em que o código controla o processo e o modelo responde a perguntas semânticas específicas, em vez de agentes que escolhem autonomamente o passo seguinte e podem perder o rumo em cada ciclo. Oito passos de conceção segundo a TypeSafe:

  1. Tudo o que puder ser feito em código deve ser feito em código, de forma fiável e económica.
  2. Coloque no estado apenas o que as perguntas atuais exigem; obtenha factos recentes na sua própria base de conhecimento, em vez de os obter da memória do modelo.
  3. Estruture o estado: JSON aninhado e, na pergunta, o caminho até ao campo necessário entre acentos graves, quando isso reduzir a ambiguidade.
  4. Faça perguntas tão específicas e concretas quanto possível — segundo a TypeSafe, esta é talvez a regra principal: uma pergunta abrangente esconde vários juízos numa única resposta.
  5. Estruture as perguntas: mantenha a pergunta em si curta; coloque explicações, exemplos e valores da sua base de dados em campos adjacentes do objeto instructions ou criteria, em vez de uma única cadeia de texto longa.
  6. Reúna muitas perguntas independentes sobre o mesmo estado num único pedido, para obter mais utilidade por dólar.
  7. Combine as respostas em código: através de regras, de uma soma ponderada ou como características para um modelo clássico de aprendizagem automática.
  8. Crie ramificações segundo a confiança: os casos incertos vão para uma pessoa ou para um modelo com raciocínio.

O Jev não é um modelo de conversação nem de preenchimento automático de código, e não pode substituir um modelo de linguagem num agente de programação. Um agente pode, contudo, escrever código que chame o Jev quando for necessária uma resposta rápida e calibrada.

Aplicações

Características

Limitações conhecidas do Jev 1.13

A TypeSafe enumera abertamente as limitações da versão atual e promete corrigir muitas delas nas seguintes. O modelo é rápido, calibrado e faz bons juízos de senso comum, mas:

  1. Lê literalmente. Responde à pergunta escrita, e não à que se pretendia fazer: entende ressalvas, negações e condições implícitas de forma literal. Escreva a condição exata e os casos limite em criteria; se uma interpretação for inevitável, divida-a em duas perguntas literais.
  2. Não é uma calculadora. A contagem de caracteres, repetições e elementos de listas é pouco fiável, e o erro aumenta com a dimensão; faça a contagem em código, com uma pergunta por candidato. O modelo compreende pior cores em hex ou RGB do que nomes de cores. score serve para definir um limiar, não para obter um número exato entre níveis.
  3. Datas e horas. Determinar qual a data anterior, o intervalo entre datas ou se uma data pertence a um período é pouco fiável, sobretudo com formatos mistos e datas relativas. Extraia as partes da data através de choice, incluindo uma opção «não indicado», e compare-as em código.
  4. Formulação indireta. Duplas negações e perguntas sobre uma propriedade de outra propriedade reduzem a exatidão. Escreva diretamente e identifique pelo nome as partes do estado.
  5. Conteúdo supérfluo no estado. Texto alheio à tarefa reduz a exatidão. Filtre-o em código; quando isso não for possível, exclua o que não é relevante através de perguntas noul.
  6. Texto hostil. Por predefinição, o modelo não espera armadilhas no estado: uma instrução injetada ou um texto que conteste a sua própria classificação pode alterar a resposta. Escreva critérios precisos e verifique casos limite antes de colocar o sistema em funcionamento.
  7. Contradições. Se instructions e criteria pedirem coisas diferentes — por exemplo, se numa pergunta noul o «sim» for descrito como «não» —, a exatidão diminui. Os critérios são uma continuação da pergunta.
  8. Ordem das opções. Por vezes, o modelo tende para a primeira opção choice. Altere a ordem das opções e verifique se a resposta se mantém.
  9. Geração. O Jev não foi treinado para escrever texto. Para extrair dados, encontre candidatos com uma expressão regular ou um modelo generativo e deixe o Jev escolher o correto através de choice.
", "aboutText": "O Jev é o modelo principal da TypeSafe e o primeiro de uma nova classe, **System One**. Não escreve texto: toma rapidamente decisões que um programa pode utilizar de imediato. Fornece-se um **estado** (`state`) — texto ou JSON — e um conjunto de **perguntas**, e recebem-se valores tipados com probabilidades calibradas.\n\nOs modelos de linguagem escrevem palavras para pessoas; segundo a TypeSafe, o Jev está mais próximo do código: a resposta vem logo no formato de que o código precisa, com elevada velocidade e sem valores fora das opções definidas. O modelo foi concebido para dar respostas estáveis a pedidos repetidos.\n\n### Em que difere o System One de um modelo de linguagem\n\n- **Não gera conteúdo.** O Jev não escreve respostas para o utilizador, código ou explicações do raciocínio. As respostas possíveis são definidas por quem faz o pedido, através de um dos três tipos de pergunta.\n- **Treinado para decisões calibradas.** A TypeSafe treina o modelo pelo método RLCD (Reinforcement Learning for Calibrated Decisions): as probabilidades são ajustadas aos resultados reais e refletem a incerteza. Numa grande amostra de respostas com probabilidade 0,8, cerca de 80% deverão estar corretas. A calibração é uma propriedade de uma amostra grande, e não uma garantia de que uma resposta individual está correta.\n- **Um objetivo de treino diferente.** Os modelos de conversação são treinados para agradar às pessoas (RLHF); segundo a observação da TypeSafe, isto incentiva respostas complacentes e erros que soam confiantes. Diogo Almeida, um dos coautores do RLHF, é cofundador da TypeSafe.\n\nO nome remete para o «Sistema 1» do livro de Daniel Kahneman «Pensar, Depressa e Devagar»: o juízo intuitivo rápido, em contraste com o pensamento lento e deliberado do «Sistema 2». O Jev foi criado para juízos rápidos e bem delimitados.\n\n### Três tipos de pergunta\n\nUma pergunta corresponde a um juízo sobre o estado; a resposta é um valor que o código compara com um limiar, ordena ou transmite à etapa seguinte.\n\n1. **Choice — escolha de uma opção.** O departamento responsável por um pedido, a categoria de um produto ou a linguagem de um fragmento de código. As opções são um dicionário «opção → descrição», com até 255 entradas. A resposta inclui a opção escolhida, `choice`, as probabilidades `probabilities` de todas as opções, cuja soma é 1, e a confiança `confidence`. Se a lista puder não abranger todos os casos, acrescente «outro» ou «nenhuma das opções».\n2. **Score — avaliação numa escala.** Uma posição numa escala ordenada definida por quem faz o pedido: gravidade de um erro, irritação de um cliente ou nível de uma competência. Existem entre 2 e 10 níveis, do mais baixo ao mais alto; o modelo avalia cada nível separadamente, sem ver o seu número nem os níveis vizinhos. A resposta inclui `score` — a soma dos números dos níveis multiplicados pelas respetivas probabilidades, pelo que o valor pode situar-se entre níveis —, `legend` com as descrições dos níveis, `probabilities` e `confidence`.\n3. **Noul — sim ou não.** Indica se uma afirmação é verdadeira. A resposta `noul` é a probabilidade de «sim», entre 0 e 1: perto de 1 significa um «sim» confiante; perto de 0, um «não» confiante; perto de 0,5, o modelo está indeciso. Não existe um `confidence` separado: um único número descreve a resposta por completo. O campo opcional `criteria` especifica o que deve contar como «sim» e como «não».\n\nComo escolher: opções conhecidas sem ordem — choice; graus de um espectro — score; «sim/não» puro, em que a própria probabilidade é importante — noul. Noul 0,5 significa probabilidades iguais de «sim» e «não», e não um «nível médio»: é o score que mede o grau. Se dois tipos forem adequados, escolha aquele que permita ao código agir de imediato: choice para ramificações, score para um limiar e noul para `if`.\n\nOs tipos podem ser combinados num pedido. A resposta está sempre limitada às opções definidas e é independente das outras perguntas: é possível acrescentar ou retirar perguntas sem alterar as restantes respostas.\n\n### Estado\n\nO estado é aquilo que o modelo avalia: uma mensagem de um cliente, um fragmento de documento, um registo de uma base de dados ou o estado da aplicação.\n\n- **Cadeia de texto** — quando existe um único texto: uma mensagem, um artigo ou um excerto.\n- **Objeto** — campos com nome, registos relacionados ou o estado da aplicação. A TypeSafe recomenda objetos para a maioria dos pedidos: cada parte tem um nome claro.\n- **Matriz** — uma sequência de mensagens ou registos.\n\nPrepare o estado como prepararia materiais para especialistas: junte a correspondência, a encomenda e as regras de devolução se a decisão exigir a sua comparação. Coloque o conteúdo no estado e os juízos nas perguntas. Se uma pergunta disser respeito a uma parte do estado, indique nela o caminho até essa parte entre acentos graves, por exemplo `ticket.messages[0].text`.\n\n### Como formular perguntas\n\n- **Um juízo rápido por pergunta.** Uma boa pergunta é aquela a que uma pessoa conhecedora, com o contexto necessário, responderia num segundo: «A mensagem transmite urgência?». «Analisa a mensagem e decide o que fazer» já exige raciocínio lento; deve ser dividido em perguntas simples.\n- **A pergunta completa em `instructions`.** A chave da pergunta, por exemplo `refund_requested`, serve apenas para o código e não é transmitida ao modelo.\n- **Todas as perguntas sobre o mesmo estado num único pedido.** O modelo avalia-as em paralelo: segundo a TypeSafe, perguntas adicionais quase não aumentam o tempo de resposta e custam apenas os seus próprios tokens. Uma pergunta «por precaução» custa muito pouco; o código decide quais as respostas de que precisa.\n- **Um juízo complexo dividido em partes.** Em vez de «avalia a candidatura da startup», pergunte separadamente sobre a dimensão do mercado, a viabilidade técnica e as diferenças face à concorrência, e calcule o resultado no código com pesos. Se as prioridades mudarem, alteram-se os pesos, sem reformular a pergunta.\n- **Perguntas dependentes num segundo pedido.** As respostas de um pedido não servem de contexto umas às outras. Um segundo pedido só é necessário se não puder ser construído sem a primeira resposta: por exemplo, para carregar dados ou escolher as opções da pergunta seguinte.\n- **Uma pergunta longa em formato de objeto.** `instructions` e `criteria` são normalmente cadeias de texto, mas também podem ser um objeto ou uma matriz: a pergunta num campo e os dados noutros. Isto facilita, por exemplo, a comparação de um currículo com registos de uma base de dados através de uma única pergunta.\n\n### Confiança\n\nEm choice e score, `confidence`, entre 0 e 1, indica até que ponto a probabilidade se concentra numa única resposta: 1 significa que está toda numa opção; 0, que está distribuída igualmente por todas. Em score, um nível vizinho reduz menos a confiança do que um nível distante. Em noul, a confiança é o próprio valor: quanto mais se afasta de 0,5, mais firme é a resposta.\n\nA TypeSafe recomenda três intervalos:\n\n1. **Confiança elevada** — agir automaticamente.\n2. **Média** — agir com cautela, por exemplo, pedir confirmação ao utilizador.\n3. **Baixa** — encaminhar o caso para uma pessoa, esclarecer o pedido ou utilizar uma alternativa, como um modelo mais potente com raciocínio.\n\nQuanto maior for o custo de um erro, mais rigoroso deve ser o limiar: para ações irreversíveis, deve ser mais elevado do que para leitura. A resposta indica o que escolher; a confiança indica se vale a pena agir. Ajuste os limiares com os seus próprios dados, comparando confiança e exatidão.\n\n### Como construir um sistema em torno do Jev\n\nO Jev foi concebido para programas em que o código controla o processo e o modelo responde a perguntas semânticas específicas, em vez de agentes que escolhem autonomamente o passo seguinte e podem perder o rumo em cada ciclo. Oito passos de conceção segundo a TypeSafe:\n\n1. Tudo o que puder ser feito em código deve ser feito em código, de forma fiável e económica.\n2. Coloque no estado apenas o que as perguntas atuais exigem; obtenha factos recentes na sua própria base de conhecimento, em vez de os obter da memória do modelo.\n3. Estruture o estado: JSON aninhado e, na pergunta, o caminho até ao campo necessário entre acentos graves, quando isso reduzir a ambiguidade.\n4. Faça perguntas tão específicas e concretas quanto possível — segundo a TypeSafe, esta é talvez a regra principal: uma pergunta abrangente esconde vários juízos numa única resposta.\n5. Estruture as perguntas: mantenha a pergunta em si curta; coloque explicações, exemplos e valores da sua base de dados em campos adjacentes do objeto `instructions` ou `criteria`, em vez de uma única cadeia de texto longa.\n6. Reúna muitas perguntas independentes sobre o mesmo estado num único pedido, para obter mais utilidade por dólar.\n7. Combine as respostas em código: através de regras, de uma soma ponderada ou como características para um modelo clássico de aprendizagem automática.\n8. Crie ramificações segundo a confiança: os casos incertos vão para uma pessoa ou para um modelo com raciocínio.\n\nO Jev não é um modelo de conversação nem de preenchimento automático de código, e não pode substituir um modelo de linguagem num agente de programação. Um agente pode, contudo, escrever código que chame o Jev quando for necessária uma resposta rápida e calibrada.\n\n### Aplicações\n\n- **Automatização em segundo plano** — decisões executadas um milhão de vezes sem uma pessoa por perto.\n- **Tempo real** — segundo a TypeSafe, a maioria dos pedidos é executada em cerca de 100 ms, o suficiente para processamento em tempo real e interfaces.\n- **Grandes volumes de dados** — pesquisa em grandes conjuntos de documentos, anotação de registos de agentes e características para previsões.\n- **Verificação de outros modelos** — pedidos, extrações, raciocínio e chamadas de ferramentas: contorno de restrições, erros de citação e informação inventada.\n- **Pesquisa e ordenação** — relevância de um par «consulta — candidato», reordenação e seleção de contexto.\n- **Encaminhamento por intenção** — o que pretende o utilizador e qual o tratamento necessário: lógica simples, um modelo especializado ou uma pessoa; o tema, a complexidade e o risco determinam a que modelo de linguagem se atribui o pedido.\n- **Verificações de proteção** — entrada, saída e chamadas de ferramentas de um modelo de linguagem: instruções injetadas, violações de regras e fuga de dados pessoais.\n- **Apoio ao cliente** — tema e intenção do pedido, urgência, irritação, risco de abandono, pedido de reembolso e fila de atendimento.\n- **Moderação** — segundo as regras da plataforma: toxicidade, assédio, spam, fraude, conselhos perigosos e dados pessoais; consoante a gravidade e a confiança, permitir, avisar, verificar ou bloquear.\n- **Setores** — sinistros de seguros, investigações financeiras e KYC, contratos e publicidade, fichas de produtos, recrutamento, potenciais clientes, jogos, riscos, previsão da procura, grafos de conhecimento, revisões científicas e verificações semânticas de código em CI.\n\n### Características\n\n- **`jev-latest`** — alias da versão estável mais recente, atualmente Jev 1.13; a versão que respondeu consta do campo `model`, por exemplo `jev-1.13.0`. Quando surge uma nova versão, o alias passa a apontar para ela, e as respostas podem mudar sem alterações da sua parte; acompanhe este campo se os limiares tiverem sido ajustados a uma versão.\n- **Contexto** — 64K tokens por pedido, contando o estado e todas as perguntas; o estado com a pergunta mais longa pode atingir 32K. O modelo lê o estado uma única vez e verifica todas as perguntas contra ele em paralelo.\n- **Entrada** — apenas texto: uma cadeia de texto, um objeto JSON ou uma matriz de textos. Imagens, áudio e vídeo ainda não são suportados; converta-os previamente em texto.\n- **Língua** — a principal língua de treino é o inglês, que apresenta atualmente a maior exatidão. O modelo aceita outras línguas, incluindo chinês, japonês e coreano, mas com menor exatidão; verifique com os seus próprios dados.\n- **Preços e faturação na Ailoot API** — as condições dependem do método escolhido e estão indicadas na respetiva ficha.\n- **Configuração** — o Jev não é sujeito a treino adicional com dados do cliente: os materiais próprios vão em `state`, e as regras do domínio, em `instructions` e `criteria`.\n- **Dados** — a TypeSafe afirma que o Jev não é treinado com os pedidos e respostas dos clientes.\n\n### Limitações conhecidas do Jev 1.13\n\nA TypeSafe enumera abertamente as limitações da versão atual e promete corrigir muitas delas nas seguintes. O modelo é rápido, calibrado e faz bons juízos de senso comum, mas:\n\n1. **Lê literalmente.** Responde à pergunta escrita, e não à que se pretendia fazer: entende ressalvas, negações e condições implícitas de forma literal. Escreva a condição exata e os casos limite em `criteria`; se uma interpretação for inevitável, divida-a em duas perguntas literais.\n2. **Não é uma calculadora.** A contagem de caracteres, repetições e elementos de listas é pouco fiável, e o erro aumenta com a dimensão; faça a contagem em código, com uma pergunta por candidato. O modelo compreende pior cores em hex ou RGB do que nomes de cores. `score` serve para definir um limiar, não para obter um número exato entre níveis.\n3. **Datas e horas.** Determinar qual a data anterior, o intervalo entre datas ou se uma data pertence a um período é pouco fiável, sobretudo com formatos mistos e datas relativas. Extraia as partes da data através de choice, incluindo uma opção «não indicado», e compare-as em código.\n4. **Formulação indireta.** Duplas negações e perguntas sobre uma propriedade de outra propriedade reduzem a exatidão. Escreva diretamente e identifique pelo nome as partes do estado.\n5. **Conteúdo supérfluo no estado.** Texto alheio à tarefa reduz a exatidão. Filtre-o em código; quando isso não for possível, exclua o que não é relevante através de perguntas noul.\n6. **Texto hostil.** Por predefinição, o modelo não espera armadilhas no estado: uma instrução injetada ou um texto que conteste a sua própria classificação pode alterar a resposta. Escreva critérios precisos e verifique casos limite antes de colocar o sistema em funcionamento.\n7. **Contradições.** Se `instructions` e `criteria` pedirem coisas diferentes — por exemplo, se numa pergunta noul o «sim» for descrito como «não» —, a exatidão diminui. Os critérios são uma continuação da pergunta.\n8. **Ordem das opções.** Por vezes, o modelo tende para a primeira opção choice. Altere a ordem das opções e verifique se a resposta se mantém.\n9. **Geração.** O Jev não foi treinado para escrever texto. Para extrair dados, encontre candidatos com uma expressão regular ou um modelo generativo e deixe o Jev escolher o correto através de choice.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "70a2db2a7d68b0af81da35715410e81ab85d60785a942ff9d6629bae32afaf72", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "
TS

jev-latest

TypeSafe /jev-latest

Introdução

Um modelo de decisão da TypeSafe: não escreve texto; responde a perguntas tipadas sobre texto ou JSON — escolha de uma opção, avaliação numa escala ou «sim/não» com probabilidades. É adequado para encaminhamento, triagem de pedidos, moderação e atribuição de pontuações; todas as perguntas de um pedido são avaliadas em paralelo.

Entradas aceites
Texto
Resultados
structured
Sobre o modelo

Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.

O Jev é o modelo principal da TypeSafe e o primeiro de uma nova classe, System One. Não escreve texto: toma rapidamente decisões que um programa pode utilizar de imediato. Fornece-se um estado (state) — texto ou JSON — e um conjunto de perguntas, e recebem-se valores tipados com probabilidades calibradas.

Os modelos de linguagem escrevem palavras para pessoas; segundo a TypeSafe, o Jev está mais próximo do código: a resposta vem logo no formato de que o código precisa, com elevada velocidade e sem valores fora das opções definidas. O modelo foi concebido para dar respostas estáveis a pedidos repetidos.

Em que difere o System One de um modelo de linguagem

  • Não gera conteúdo. O Jev não escreve respostas para o utilizador, código ou explicações do raciocínio. As respostas possíveis são definidas por quem faz o pedido, através de um dos três tipos de pergunta.
  • Treinado para decisões calibradas. A TypeSafe treina o modelo pelo método RLCD (Reinforcement Learning for Calibrated Decisions): as probabilidades são ajustadas aos resultados reais e refletem a incerteza. Numa grande amostra de respostas com probabilidade 0,8, cerca de 80% deverão estar corretas. A calibração é uma propriedade de uma amostra grande, e não uma garantia de que uma resposta individual está correta.
  • Um objetivo de treino diferente. Os modelos de conversação são treinados para agradar às pessoas (RLHF); segundo a observação da TypeSafe, isto incentiva respostas complacentes e erros que soam confiantes. Diogo Almeida, um dos coautores do RLHF, é cofundador da TypeSafe.

O nome remete para o «Sistema 1» do livro de Daniel Kahneman «Pensar, Depressa e Devagar»: o juízo intuitivo rápido, em contraste com o pensamento lento e deliberado do «Sistema 2». O Jev foi criado para juízos rápidos e bem delimitados.

Três tipos de pergunta

Uma pergunta corresponde a um juízo sobre o estado; a resposta é um valor que o código compara com um limiar, ordena ou transmite à etapa seguinte.

  1. Choice — escolha de uma opção. O departamento responsável por um pedido, a categoria de um produto ou a linguagem de um fragmento de código. As opções são um dicionário «opção → descrição», com até 255 entradas. A resposta inclui a opção escolhida, choice, as probabilidades probabilities de todas as opções, cuja soma é 1, e a confiança confidence. Se a lista puder não abranger todos os casos, acrescente «outro» ou «nenhuma das opções».
  2. Score — avaliação numa escala. Uma posição numa escala ordenada definida por quem faz o pedido: gravidade de um erro, irritação de um cliente ou nível de uma competência. Existem entre 2 e 10 níveis, do mais baixo ao mais alto; o modelo avalia cada nível separadamente, sem ver o seu número nem os níveis vizinhos. A resposta inclui score — a soma dos números dos níveis multiplicados pelas respetivas probabilidades, pelo que o valor pode situar-se entre níveis —, legend com as descrições dos níveis, probabilities e confidence.
  3. Noul — sim ou não. Indica se uma afirmação é verdadeira. A resposta noul é a probabilidade de «sim», entre 0 e 1: perto de 1 significa um «sim» confiante; perto de 0, um «não» confiante; perto de 0,5, o modelo está indeciso. Não existe um confidence separado: um único número descreve a resposta por completo. O campo opcional criteria especifica o que deve contar como «sim» e como «não».

Como escolher: opções conhecidas sem ordem — choice; graus de um espectro — score; «sim/não» puro, em que a própria probabilidade é importante — noul. Noul 0,5 significa probabilidades iguais de «sim» e «não», e não um «nível médio»: é o score que mede o grau. Se dois tipos forem adequados, escolha aquele que permita ao código agir de imediato: choice para ramificações, score para um limiar e noul para if.

Os tipos podem ser combinados num pedido. A resposta está sempre limitada às opções definidas e é independente das outras perguntas: é possível acrescentar ou retirar perguntas sem alterar as restantes respostas.

Estado

O estado é aquilo que o modelo avalia: uma mensagem de um cliente, um fragmento de documento, um registo de uma base de dados ou o estado da aplicação.

  • Cadeia de texto — quando existe um único texto: uma mensagem, um artigo ou um excerto.
  • Objeto — campos com nome, registos relacionados ou o estado da aplicação. A TypeSafe recomenda objetos para a maioria dos pedidos: cada parte tem um nome claro.
  • Matriz — uma sequência de mensagens ou registos.

Prepare o estado como prepararia materiais para especialistas: junte a correspondência, a encomenda e as regras de devolução se a decisão exigir a sua comparação. Coloque o conteúdo no estado e os juízos nas perguntas. Se uma pergunta disser respeito a uma parte do estado, indique nela o caminho até essa parte entre acentos graves, por exemplo ticket.messages[0].text.

Como formular perguntas

  • Um juízo rápido por pergunta. Uma boa pergunta é aquela a que uma pessoa conhecedora, com o contexto necessário, responderia num segundo: «A mensagem transmite urgência?». «Analisa a mensagem e decide o que fazer» já exige raciocínio lento; deve ser dividido em perguntas simples.
  • A pergunta completa em instructions. A chave da pergunta, por exemplo refund_requested, serve apenas para o código e não é transmitida ao modelo.
  • Todas as perguntas sobre o mesmo estado num único pedido. O modelo avalia-as em paralelo: segundo a TypeSafe, perguntas adicionais quase não aumentam o tempo de resposta e custam apenas os seus próprios tokens. Uma pergunta «por precaução» custa muito pouco; o código decide quais as respostas de que precisa.
  • Um juízo complexo dividido em partes. Em vez de «avalia a candidatura da startup», pergunte separadamente sobre a dimensão do mercado, a viabilidade técnica e as diferenças face à concorrência, e calcule o resultado no código com pesos. Se as prioridades mudarem, alteram-se os pesos, sem reformular a pergunta.
  • Perguntas dependentes num segundo pedido. As respostas de um pedido não servem de contexto umas às outras. Um segundo pedido só é necessário se não puder ser construído sem a primeira resposta: por exemplo, para carregar dados ou escolher as opções da pergunta seguinte.
  • Uma pergunta longa em formato de objeto. instructions e criteria são normalmente cadeias de texto, mas também podem ser um objeto ou uma matriz: a pergunta num campo e os dados noutros. Isto facilita, por exemplo, a comparação de um currículo com registos de uma base de dados através de uma única pergunta.

Confiança

Em choice e score, confidence, entre 0 e 1, indica até que ponto a probabilidade se concentra numa única resposta: 1 significa que está toda numa opção; 0, que está distribuída igualmente por todas. Em score, um nível vizinho reduz menos a confiança do que um nível distante. Em noul, a confiança é o próprio valor: quanto mais se afasta de 0,5, mais firme é a resposta.

A TypeSafe recomenda três intervalos:

  1. Confiança elevada — agir automaticamente.
  2. Média — agir com cautela, por exemplo, pedir confirmação ao utilizador.
  3. Baixa — encaminhar o caso para uma pessoa, esclarecer o pedido ou utilizar uma alternativa, como um modelo mais potente com raciocínio.

Quanto maior for o custo de um erro, mais rigoroso deve ser o limiar: para ações irreversíveis, deve ser mais elevado do que para leitura. A resposta indica o que escolher; a confiança indica se vale a pena agir. Ajuste os limiares com os seus próprios dados, comparando confiança e exatidão.

Como construir um sistema em torno do Jev

O Jev foi concebido para programas em que o código controla o processo e o modelo responde a perguntas semânticas específicas, em vez de agentes que escolhem autonomamente o passo seguinte e podem perder o rumo em cada ciclo. Oito passos de conceção segundo a TypeSafe:

  1. Tudo o que puder ser feito em código deve ser feito em código, de forma fiável e económica.
  2. Coloque no estado apenas o que as perguntas atuais exigem; obtenha factos recentes na sua própria base de conhecimento, em vez de os obter da memória do modelo.
  3. Estruture o estado: JSON aninhado e, na pergunta, o caminho até ao campo necessário entre acentos graves, quando isso reduzir a ambiguidade.
  4. Faça perguntas tão específicas e concretas quanto possível — segundo a TypeSafe, esta é talvez a regra principal: uma pergunta abrangente esconde vários juízos numa única resposta.
  5. Estruture as perguntas: mantenha a pergunta em si curta; coloque explicações, exemplos e valores da sua base de dados em campos adjacentes do objeto instructions ou criteria, em vez de uma única cadeia de texto longa.
  6. Reúna muitas perguntas independentes sobre o mesmo estado num único pedido, para obter mais utilidade por dólar.
  7. Combine as respostas em código: através de regras, de uma soma ponderada ou como características para um modelo clássico de aprendizagem automática.
  8. Crie ramificações segundo a confiança: os casos incertos vão para uma pessoa ou para um modelo com raciocínio.

O Jev não é um modelo de conversação nem de preenchimento automático de código, e não pode substituir um modelo de linguagem num agente de programação. Um agente pode, contudo, escrever código que chame o Jev quando for necessária uma resposta rápida e calibrada.

Aplicações

  • Automatização em segundo plano — decisões executadas um milhão de vezes sem uma pessoa por perto.
  • Tempo real — segundo a TypeSafe, a maioria dos pedidos é executada em cerca de 100 ms, o suficiente para processamento em tempo real e interfaces.
  • Grandes volumes de dados — pesquisa em grandes conjuntos de documentos, anotação de registos de agentes e características para previsões.
  • Verificação de outros modelos — pedidos, extrações, raciocínio e chamadas de ferramentas: contorno de restrições, erros de citação e informação inventada.
  • Pesquisa e ordenação — relevância de um par «consulta — candidato», reordenação e seleção de contexto.
  • Encaminhamento por intenção — o que pretende o utilizador e qual o tratamento necessário: lógica simples, um modelo especializado ou uma pessoa; o tema, a complexidade e o risco determinam a que modelo de linguagem se atribui o pedido.
  • Verificações de proteção — entrada, saída e chamadas de ferramentas de um modelo de linguagem: instruções injetadas, violações de regras e fuga de dados pessoais.
  • Apoio ao cliente — tema e intenção do pedido, urgência, irritação, risco de abandono, pedido de reembolso e fila de atendimento.
  • Moderação — segundo as regras da plataforma: toxicidade, assédio, spam, fraude, conselhos perigosos e dados pessoais; consoante a gravidade e a confiança, permitir, avisar, verificar ou bloquear.
  • Setores — sinistros de seguros, investigações financeiras e KYC, contratos e publicidade, fichas de produtos, recrutamento, potenciais clientes, jogos, riscos, previsão da procura, grafos de conhecimento, revisões científicas e verificações semânticas de código em CI.

Características

  • jev-latest — alias da versão estável mais recente, atualmente Jev 1.13; a versão que respondeu consta do campo model, por exemplo jev-1.13.0. Quando surge uma nova versão, o alias passa a apontar para ela, e as respostas podem mudar sem alterações da sua parte; acompanhe este campo se os limiares tiverem sido ajustados a uma versão.
  • Contexto — 64K tokens por pedido, contando o estado e todas as perguntas; o estado com a pergunta mais longa pode atingir 32K. O modelo lê o estado uma única vez e verifica todas as perguntas contra ele em paralelo.
  • Entrada — apenas texto: uma cadeia de texto, um objeto JSON ou uma matriz de textos. Imagens, áudio e vídeo ainda não são suportados; converta-os previamente em texto.
  • Língua — a principal língua de treino é o inglês, que apresenta atualmente a maior exatidão. O modelo aceita outras línguas, incluindo chinês, japonês e coreano, mas com menor exatidão; verifique com os seus próprios dados.
  • Preços e faturação na Ailoot API — as condições dependem do método escolhido e estão indicadas na respetiva ficha.
  • Configuração — o Jev não é sujeito a treino adicional com dados do cliente: os materiais próprios vão em state, e as regras do domínio, em instructions e criteria.
  • Dados — a TypeSafe afirma que o Jev não é treinado com os pedidos e respostas dos clientes.

Limitações conhecidas do Jev 1.13

A TypeSafe enumera abertamente as limitações da versão atual e promete corrigir muitas delas nas seguintes. O modelo é rápido, calibrado e faz bons juízos de senso comum, mas:

  1. Lê literalmente. Responde à pergunta escrita, e não à que se pretendia fazer: entende ressalvas, negações e condições implícitas de forma literal. Escreva a condição exata e os casos limite em criteria; se uma interpretação for inevitável, divida-a em duas perguntas literais.
  2. Não é uma calculadora. A contagem de caracteres, repetições e elementos de listas é pouco fiável, e o erro aumenta com a dimensão; faça a contagem em código, com uma pergunta por candidato. O modelo compreende pior cores em hex ou RGB do que nomes de cores. score serve para definir um limiar, não para obter um número exato entre níveis.
  3. Datas e horas. Determinar qual a data anterior, o intervalo entre datas ou se uma data pertence a um período é pouco fiável, sobretudo com formatos mistos e datas relativas. Extraia as partes da data através de choice, incluindo uma opção «não indicado», e compare-as em código.
  4. Formulação indireta. Duplas negações e perguntas sobre uma propriedade de outra propriedade reduzem a exatidão. Escreva diretamente e identifique pelo nome as partes do estado.
  5. Conteúdo supérfluo no estado. Texto alheio à tarefa reduz a exatidão. Filtre-o em código; quando isso não for possível, exclua o que não é relevante através de perguntas noul.
  6. Texto hostil. Por predefinição, o modelo não espera armadilhas no estado: uma instrução injetada ou um texto que conteste a sua própria classificação pode alterar a resposta. Escreva critérios precisos e verifique casos limite antes de colocar o sistema em funcionamento.
  7. Contradições. Se instructions e criteria pedirem coisas diferentes — por exemplo, se numa pergunta noul o «sim» for descrito como «não» —, a exatidão diminui. Os critérios são uma continuação da pergunta.
  8. Ordem das opções. Por vezes, o modelo tende para a primeira opção choice. Altere a ordem das opções e verifique se a resposta se mantém.
  9. Geração. O Jev não foi treinado para escrever texto. Para extrair dados, encontre candidatos com uma expressão regular ou um modelo generativo e deixe o Jev escolher o correto através de choice.

Disponível no Ailoot · entradas e métodos

Ailoot · System One POST /v1/systemone
Entrada
text
Saída
structured
Contexto
64 000 tokens
Formato de saída
json
CampoTipoRequisitoValores e limitesPredefinição
CampomodelTipostringRequisitoObrigatórioValores e limites
jev-latest
Predefinição—
CampostateTipostring|object|arrayRequisitoObrigatórioValores e limitesPredefinição—
CampoquestionsTipoobjectRequisitoObrigatórioValores e limites
Número mínimo de campos do objeto: 1
Predefinição—
Campoquestions.<id>.typeTipostringRequisitoObrigatórioValores e limites
noul, choice, score
Predefinição—
Campoquestions.<id>.instructionsTipostring|object|array|nullRequisitoOpcionalValores e limitesPredefinição—
Campoquestions.<id>.criteriaTipoobject|array|nullRequisitoOpcionalValores e limites
Condições: noul: descrições opcionais e anuláveis de true/false; choice: objeto de critérios; score: matriz não vazia de critérios
Predefinição—
CampostreamTipoboolean|nullRequisitoOpcionalValores e limites
false, null
Predefinição—
Combinações de materiais de entrada

noul · Obrigatório: state, questions.<id>.type=noul

choice · Obrigatório: state, questions.<id>.type=choice, criteria object

score · Obrigatório: state, questions.<id>.type=score, nonemptycriteriaarray

Parâmetros e ciclo de vida do método
ParâmetroContrato
Parâmetromaterial_typesContratotext
ParâmetrorequiredContratomodel, state, questions
Parâmetrooptional_controlsContratonull
Parâmetrocontent_typeContratoapplication/json

Ciclo de vida: exact retained published method

As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.

Tarifários

Tarifas dos métodos Ailoot

Ailoot System OnePOST /v1/systemone
Entrada
≈0,000084 US$ / 1K
Saída
0,00 US$ / 1K

O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →

Exemplos de pedidos

Ailoot · System One

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 customer message}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "jev-latest", "state": "", "questions": {"is_urgent": {"type": "noul", "instructions": "Does the supplied customer message express urgency?"}}}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["state"]=text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\n

Receber e guardar os resultados

Ailoot · System One

json

Guardar todos os resultados concluídos

Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.

Conserve cada resposta pelo ID de pergunta fornecido, com a probabilidade e a legenda; a fórmula de confiança com n exige n>1, sem afirmar uma regra de número mínimo de opções da API.

Campos da resposta
CampoTipo
Campoanswers.<id>.typeTipostring
Campoanswers.<id>.noulTiponumber
Campoanswers.<id>.choiceTipostring
Campoanswers.<id>.scoreTiponumber
Campoanswers.<id>.confidenceTiponumber
Campoanswers.<id>.probabilitiesTipoobject
Campoanswers.<id>.legendTipoobject
CampousageTipoobject
Erros e passos seguintes
RespostaCondiçãoPasso seguinte
Resposta400 · invalid_request_errorCondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidosPasso seguinteCorrija os campos indicados antes de um novo pedido de criação.

Aliases

Aliases do modelo

Ailoot jev-latest

Aliases dos caminhos dos métodos

Use os caminhos dos métodos indicados acima.

IDs de chamada relacionados

jev-latest

", "method_identity": { "effective_request_model_id": "jev-latest", "fmt": "systemone", "http": "POST", "path": "/v1/systemone", "request_model_id": "jev-latest", "route_label": "Core" }, "method_key": "Core|systemone|/v1/systemone|jev-latest", "ordinal": 0, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Retain every answer by its supplied question ID, probability and legend; confidenceformulausingnrequiresn>1withoutassertinganAPIminchoicesrule.", "errors": [ { "code": null, "condition": "Campos obrigatórios, representação do material ou valor do parâmetro inválidos", "http_status": 400, "recovery": "Corrija os campos indicados antes de um novo pedido de criação.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "mode": "exact retained published method" }, "material_combinations": [ { "mode": "noul", "required": [ "state", "questions..type=noul" ] }, { "mode": "choice", "required": [ "state", "questions..type=choice", "criteria object" ] }, { "mode": "score", "required": [ "state", "questions..type=score", "nonemptycriteriaarray" ] } ], "operation_modes": [ "noul", "choice", "score" ], "outputs": { "all_results": "Conserve cada resposta pelo ID de pergunta fornecido, com a probabilidade e a legenda; a fórmula de confiança com n exige n>1, sem afirmar uma regra de número mínimo de opções da API.", "family": "structured", "fields": [ { "description": null, "name": "answers..type", "type": "string" }, { "description": null, "name": "answers..noul", "type": "number" }, { "description": null, "name": "answers..choice", "type": "string" }, { "description": null, "name": "answers..score", "type": "number" }, { "description": null, "name": "answers..confidence", "type": "number" }, { "description": null, "name": "answers..probabilities", "type": "object" }, { "description": null, "name": "answers..legend", "type": "object" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "jev-latest" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "state", "required": true, "type": "string|object|array" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_properties": 1, "name": "questions", "required": true, "type": "object" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "noul", "choice", "score" ], "enum_known": true, "name": "questions..type", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "questions..instructions", "required": false, "type": "string|object|array|null" }, { "availability": "source_interface", "conditions": "noul: descrições opcionais e anuláveis de true/false; choice: objeto de critérios; score: matriz não vazia de critérios", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "questions..criteria", "required": false, "type": "object|array|null" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ false, null ], "enum_known": true, "name": "stream", "required": false, "type": "boolean|null" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "stream=true", "duplicateandcase-variedcanonicalkeys" ] }, "hints": [ "As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "state", "questions" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/systemone" }, "operation_modes": [ "systemone" ], "output": { "family": [ "structured" ], "format": "structured decisions JSON", "multioutputs": "retain every actual response output" } }, "ctx": 64000, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 customer message}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"jev-latest\", \"state\": \"\", \"questions\": {\"is_urgent\": {\"type\": \"noul\", \"instructions\": \"Does the supplied customer message express urgency?\"}}}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"state\"]=text\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"result.json\").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\n", "label": "Classify your actual customer message", "language": "bash" } ], "family": "systemone", "fast_multiplier": null, "flex_multiplier": null, "fmt": "systemone", "http": "POST", "img_in": null, "img_out": null, "in": 0.084, "input": [ "text" ], "label": "System One", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "structured" ], "path": "/v1/systemone", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.084, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "jev-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } } ], "model_id": "jev-latest", "nativeProvenance": { "input_facts_canonical_sha256": "26ba44001cacdb16971158d739951248bd39f8cf9815241090594935617c500d", "input_html_sha256": "bf282c7330d70dec2dc3f78aa2b6ff4d8a27fc05890732d91648684447f6856b", "private_audit_sha256": "33f8473dfeae2d3c518f382af95a965a1fa88d39fbba38819feb05e0c6b5e5f5", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/pt-pt/jev-latest/", "description": "Um modelo de decisão da TypeSafe: não escreve texto; responde a perguntas tipadas sobre texto ou JSON — escolha de uma opção, avaliação numa escala ou «sim/não» com probabilidades. É adequado para encaminhamento, triagem de pedidos, moderação e atribuição de pontuações; todas as perguntas de um pedido são avaliadas em paralelo.", "locale": "pt-pt", "md_url": "https://ailoot.ai/models/pt-pt/jev-latest/index.md", "title": "jev-latest — Ailoot", "url": "https://ailoot.ai/models/pt-pt/jev-latest/" }, "rawModel": { "about": "O Jev é o modelo principal da TypeSafe e o primeiro de uma nova classe, **System One**. Não escreve texto: toma rapidamente decisões que um programa pode utilizar de imediato. Fornece-se um **estado** (`state`) — texto ou JSON — e um conjunto de **perguntas**, e recebem-se valores tipados com probabilidades calibradas.\n\nOs modelos de linguagem escrevem palavras para pessoas; segundo a TypeSafe, o Jev está mais próximo do código: a resposta vem logo no formato de que o código precisa, com elevada velocidade e sem valores fora das opções definidas. O modelo foi concebido para dar respostas estáveis a pedidos repetidos.\n\n### Em que difere o System One de um modelo de linguagem\n\n- **Não gera conteúdo.** O Jev não escreve respostas para o utilizador, código ou explicações do raciocínio. As respostas possíveis são definidas por quem faz o pedido, através de um dos três tipos de pergunta.\n- **Treinado para decisões calibradas.** A TypeSafe treina o modelo pelo método RLCD (Reinforcement Learning for Calibrated Decisions): as probabilidades são ajustadas aos resultados reais e refletem a incerteza. Numa grande amostra de respostas com probabilidade 0,8, cerca de 80% deverão estar corretas. A calibração é uma propriedade de uma amostra grande, e não uma garantia de que uma resposta individual está correta.\n- **Um objetivo de treino diferente.** Os modelos de conversação são treinados para agradar às pessoas (RLHF); segundo a observação da TypeSafe, isto incentiva respostas complacentes e erros que soam confiantes. Diogo Almeida, um dos coautores do RLHF, é cofundador da TypeSafe.\n\nO nome remete para o «Sistema 1» do livro de Daniel Kahneman «Pensar, Depressa e Devagar»: o juízo intuitivo rápido, em contraste com o pensamento lento e deliberado do «Sistema 2». O Jev foi criado para juízos rápidos e bem delimitados.\n\n### Três tipos de pergunta\n\nUma pergunta corresponde a um juízo sobre o estado; a resposta é um valor que o código compara com um limiar, ordena ou transmite à etapa seguinte.\n\n1. **Choice — escolha de uma opção.** O departamento responsável por um pedido, a categoria de um produto ou a linguagem de um fragmento de código. As opções são um dicionário «opção → descrição», com até 255 entradas. A resposta inclui a opção escolhida, `choice`, as probabilidades `probabilities` de todas as opções, cuja soma é 1, e a confiança `confidence`. Se a lista puder não abranger todos os casos, acrescente «outro» ou «nenhuma das opções».\n2. **Score — avaliação numa escala.** Uma posição numa escala ordenada definida por quem faz o pedido: gravidade de um erro, irritação de um cliente ou nível de uma competência. Existem entre 2 e 10 níveis, do mais baixo ao mais alto; o modelo avalia cada nível separadamente, sem ver o seu número nem os níveis vizinhos. A resposta inclui `score` — a soma dos números dos níveis multiplicados pelas respetivas probabilidades, pelo que o valor pode situar-se entre níveis —, `legend` com as descrições dos níveis, `probabilities` e `confidence`.\n3. **Noul — sim ou não.** Indica se uma afirmação é verdadeira. A resposta `noul` é a probabilidade de «sim», entre 0 e 1: perto de 1 significa um «sim» confiante; perto de 0, um «não» confiante; perto de 0,5, o modelo está indeciso. Não existe um `confidence` separado: um único número descreve a resposta por completo. O campo opcional `criteria` especifica o que deve contar como «sim» e como «não».\n\nComo escolher: opções conhecidas sem ordem — choice; graus de um espectro — score; «sim/não» puro, em que a própria probabilidade é importante — noul. Noul 0,5 significa probabilidades iguais de «sim» e «não», e não um «nível médio»: é o score que mede o grau. Se dois tipos forem adequados, escolha aquele que permita ao código agir de imediato: choice para ramificações, score para um limiar e noul para `if`.\n\nOs tipos podem ser combinados num pedido. A resposta está sempre limitada às opções definidas e é independente das outras perguntas: é possível acrescentar ou retirar perguntas sem alterar as restantes respostas.\n\n### Estado\n\nO estado é aquilo que o modelo avalia: uma mensagem de um cliente, um fragmento de documento, um registo de uma base de dados ou o estado da aplicação.\n\n- **Cadeia de texto** — quando existe um único texto: uma mensagem, um artigo ou um excerto.\n- **Objeto** — campos com nome, registos relacionados ou o estado da aplicação. A TypeSafe recomenda objetos para a maioria dos pedidos: cada parte tem um nome claro.\n- **Matriz** — uma sequência de mensagens ou registos.\n\nPrepare o estado como prepararia materiais para especialistas: junte a correspondência, a encomenda e as regras de devolução se a decisão exigir a sua comparação. Coloque o conteúdo no estado e os juízos nas perguntas. Se uma pergunta disser respeito a uma parte do estado, indique nela o caminho até essa parte entre acentos graves, por exemplo `ticket.messages[0].text`.\n\n### Como formular perguntas\n\n- **Um juízo rápido por pergunta.** Uma boa pergunta é aquela a que uma pessoa conhecedora, com o contexto necessário, responderia num segundo: «A mensagem transmite urgência?». «Analisa a mensagem e decide o que fazer» já exige raciocínio lento; deve ser dividido em perguntas simples.\n- **A pergunta completa em `instructions`.** A chave da pergunta, por exemplo `refund_requested`, serve apenas para o código e não é transmitida ao modelo.\n- **Todas as perguntas sobre o mesmo estado num único pedido.** O modelo avalia-as em paralelo: segundo a TypeSafe, perguntas adicionais quase não aumentam o tempo de resposta e custam apenas os seus próprios tokens. Uma pergunta «por precaução» custa muito pouco; o código decide quais as respostas de que precisa.\n- **Um juízo complexo dividido em partes.** Em vez de «avalia a candidatura da startup», pergunte separadamente sobre a dimensão do mercado, a viabilidade técnica e as diferenças face à concorrência, e calcule o resultado no código com pesos. Se as prioridades mudarem, alteram-se os pesos, sem reformular a pergunta.\n- **Perguntas dependentes num segundo pedido.** As respostas de um pedido não servem de contexto umas às outras. Um segundo pedido só é necessário se não puder ser construído sem a primeira resposta: por exemplo, para carregar dados ou escolher as opções da pergunta seguinte.\n- **Uma pergunta longa em formato de objeto.** `instructions` e `criteria` são normalmente cadeias de texto, mas também podem ser um objeto ou uma matriz: a pergunta num campo e os dados noutros. Isto facilita, por exemplo, a comparação de um currículo com registos de uma base de dados através de uma única pergunta.\n\n### Confiança\n\nEm choice e score, `confidence`, entre 0 e 1, indica até que ponto a probabilidade se concentra numa única resposta: 1 significa que está toda numa opção; 0, que está distribuída igualmente por todas. Em score, um nível vizinho reduz menos a confiança do que um nível distante. Em noul, a confiança é o próprio valor: quanto mais se afasta de 0,5, mais firme é a resposta.\n\nA TypeSafe recomenda três intervalos:\n\n1. **Confiança elevada** — agir automaticamente.\n2. **Média** — agir com cautela, por exemplo, pedir confirmação ao utilizador.\n3. **Baixa** — encaminhar o caso para uma pessoa, esclarecer o pedido ou utilizar uma alternativa, como um modelo mais potente com raciocínio.\n\nQuanto maior for o custo de um erro, mais rigoroso deve ser o limiar: para ações irreversíveis, deve ser mais elevado do que para leitura. A resposta indica o que escolher; a confiança indica se vale a pena agir. Ajuste os limiares com os seus próprios dados, comparando confiança e exatidão.\n\n### Como construir um sistema em torno do Jev\n\nO Jev foi concebido para programas em que o código controla o processo e o modelo responde a perguntas semânticas específicas, em vez de agentes que escolhem autonomamente o passo seguinte e podem perder o rumo em cada ciclo. Oito passos de conceção segundo a TypeSafe:\n\n1. Tudo o que puder ser feito em código deve ser feito em código, de forma fiável e económica.\n2. Coloque no estado apenas o que as perguntas atuais exigem; obtenha factos recentes na sua própria base de conhecimento, em vez de os obter da memória do modelo.\n3. Estruture o estado: JSON aninhado e, na pergunta, o caminho até ao campo necessário entre acentos graves, quando isso reduzir a ambiguidade.\n4. Faça perguntas tão específicas e concretas quanto possível — segundo a TypeSafe, esta é talvez a regra principal: uma pergunta abrangente esconde vários juízos numa única resposta.\n5. Estruture as perguntas: mantenha a pergunta em si curta; coloque explicações, exemplos e valores da sua base de dados em campos adjacentes do objeto `instructions` ou `criteria`, em vez de uma única cadeia de texto longa.\n6. Reúna muitas perguntas independentes sobre o mesmo estado num único pedido, para obter mais utilidade por dólar.\n7. Combine as respostas em código: através de regras, de uma soma ponderada ou como características para um modelo clássico de aprendizagem automática.\n8. Crie ramificações segundo a confiança: os casos incertos vão para uma pessoa ou para um modelo com raciocínio.\n\nO Jev não é um modelo de conversação nem de preenchimento automático de código, e não pode substituir um modelo de linguagem num agente de programação. Um agente pode, contudo, escrever código que chame o Jev quando for necessária uma resposta rápida e calibrada.\n\n### Aplicações\n\n- **Automatização em segundo plano** — decisões executadas um milhão de vezes sem uma pessoa por perto.\n- **Tempo real** — segundo a TypeSafe, a maioria dos pedidos é executada em cerca de 100 ms, o suficiente para processamento em tempo real e interfaces.\n- **Grandes volumes de dados** — pesquisa em grandes conjuntos de documentos, anotação de registos de agentes e características para previsões.\n- **Verificação de outros modelos** — pedidos, extrações, raciocínio e chamadas de ferramentas: contorno de restrições, erros de citação e informação inventada.\n- **Pesquisa e ordenação** — relevância de um par «consulta — candidato», reordenação e seleção de contexto.\n- **Encaminhamento por intenção** — o que pretende o utilizador e qual o tratamento necessário: lógica simples, um modelo especializado ou uma pessoa; o tema, a complexidade e o risco determinam a que modelo de linguagem se atribui o pedido.\n- **Verificações de proteção** — entrada, saída e chamadas de ferramentas de um modelo de linguagem: instruções injetadas, violações de regras e fuga de dados pessoais.\n- **Apoio ao cliente** — tema e intenção do pedido, urgência, irritação, risco de abandono, pedido de reembolso e fila de atendimento.\n- **Moderação** — segundo as regras da plataforma: toxicidade, assédio, spam, fraude, conselhos perigosos e dados pessoais; consoante a gravidade e a confiança, permitir, avisar, verificar ou bloquear.\n- **Setores** — sinistros de seguros, investigações financeiras e KYC, contratos e publicidade, fichas de produtos, recrutamento, potenciais clientes, jogos, riscos, previsão da procura, grafos de conhecimento, revisões científicas e verificações semânticas de código em CI.\n\n### Características\n\n- **`jev-latest`** — alias da versão estável mais recente, atualmente Jev 1.13; a versão que respondeu consta do campo `model`, por exemplo `jev-1.13.0`. Quando surge uma nova versão, o alias passa a apontar para ela, e as respostas podem mudar sem alterações da sua parte; acompanhe este campo se os limiares tiverem sido ajustados a uma versão.\n- **Contexto** — 64K tokens por pedido, contando o estado e todas as perguntas; o estado com a pergunta mais longa pode atingir 32K. O modelo lê o estado uma única vez e verifica todas as perguntas contra ele em paralelo.\n- **Entrada** — apenas texto: uma cadeia de texto, um objeto JSON ou uma matriz de textos. Imagens, áudio e vídeo ainda não são suportados; converta-os previamente em texto.\n- **Língua** — a principal língua de treino é o inglês, que apresenta atualmente a maior exatidão. O modelo aceita outras línguas, incluindo chinês, japonês e coreano, mas com menor exatidão; verifique com os seus próprios dados.\n- **Preços e faturação na Ailoot API** — as condições dependem do método escolhido e estão indicadas na respetiva ficha.\n- **Configuração** — o Jev não é sujeito a treino adicional com dados do cliente: os materiais próprios vão em `state`, e as regras do domínio, em `instructions` e `criteria`.\n- **Dados** — a TypeSafe afirma que o Jev não é treinado com os pedidos e respostas dos clientes.\n\n### Limitações conhecidas do Jev 1.13\n\nA TypeSafe enumera abertamente as limitações da versão atual e promete corrigir muitas delas nas seguintes. O modelo é rápido, calibrado e faz bons juízos de senso comum, mas:\n\n1. **Lê literalmente.** Responde à pergunta escrita, e não à que se pretendia fazer: entende ressalvas, negações e condições implícitas de forma literal. Escreva a condição exata e os casos limite em `criteria`; se uma interpretação for inevitável, divida-a em duas perguntas literais.\n2. **Não é uma calculadora.** A contagem de caracteres, repetições e elementos de listas é pouco fiável, e o erro aumenta com a dimensão; faça a contagem em código, com uma pergunta por candidato. O modelo compreende pior cores em hex ou RGB do que nomes de cores. `score` serve para definir um limiar, não para obter um número exato entre níveis.\n3. **Datas e horas.** Determinar qual a data anterior, o intervalo entre datas ou se uma data pertence a um período é pouco fiável, sobretudo com formatos mistos e datas relativas. Extraia as partes da data através de choice, incluindo uma opção «não indicado», e compare-as em código.\n4. **Formulação indireta.** Duplas negações e perguntas sobre uma propriedade de outra propriedade reduzem a exatidão. Escreva diretamente e identifique pelo nome as partes do estado.\n5. **Conteúdo supérfluo no estado.** Texto alheio à tarefa reduz a exatidão. Filtre-o em código; quando isso não for possível, exclua o que não é relevante através de perguntas noul.\n6. **Texto hostil.** Por predefinição, o modelo não espera armadilhas no estado: uma instrução injetada ou um texto que conteste a sua própria classificação pode alterar a resposta. Escreva critérios precisos e verifique casos limite antes de colocar o sistema em funcionamento.\n7. **Contradições.** Se `instructions` e `criteria` pedirem coisas diferentes — por exemplo, se numa pergunta noul o «sim» for descrito como «não» —, a exatidão diminui. Os critérios são uma continuação da pergunta.\n8. **Ordem das opções.** Por vezes, o modelo tende para a primeira opção choice. Altere a ordem das opções e verifique se a resposta se mantém.\n9. **Geração.** O Jev não foi treinado para escrever texto. Para extrair dados, encontre candidatos com uma expressão regular ou um modelo generativo e deixe o Jev escolher o correto através de choice.", "alias_of": null, "aliases": [], "author": "TypeSafe", "ctx": 64000, "formats": [ "systemone" ], "guide": "/docs/api/systemone/", "id": "jev-latest", "input": [ "text" ], "kind": "decision", "max_out": null, "methods": [ { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Retain every answer by its supplied question ID, probability and legend; confidenceformulausingnrequiresn>1withoutassertinganAPIminchoicesrule.", "errors": [ { "code": null, "condition": "Campos obrigatórios, representação do material ou valor do parâmetro inválidos", "http_status": 400, "recovery": "Corrija os campos indicados antes de um novo pedido de criação.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "mode": "exact retained published method" }, "material_combinations": [ { "mode": "noul", "required": [ "state", "questions..type=noul" ] }, { "mode": "choice", "required": [ "state", "questions..type=choice", "criteria object" ] }, { "mode": "score", "required": [ "state", "questions..type=score", "nonemptycriteriaarray" ] } ], "operation_modes": [ "noul", "choice", "score" ], "outputs": { "all_results": "Conserve cada resposta pelo ID de pergunta fornecido, com a probabilidade e a legenda; a fórmula de confiança com n exige n>1, sem afirmar uma regra de número mínimo de opções da API.", "family": "structured", "fields": [ { "description": null, "name": "answers..type", "type": "string" }, { "description": null, "name": "answers..noul", "type": "number" }, { "description": null, "name": "answers..choice", "type": "string" }, { "description": null, "name": "answers..score", "type": "number" }, { "description": null, "name": "answers..confidence", "type": "number" }, { "description": null, "name": "answers..probabilities", "type": "object" }, { "description": null, "name": "answers..legend", "type": "object" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "jev-latest" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "state", "required": true, "type": "string|object|array" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_properties": 1, "name": "questions", "required": true, "type": "object" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "noul", "choice", "score" ], "enum_known": true, "name": "questions..type", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "questions..instructions", "required": false, "type": "string|object|array|null" }, { "availability": "source_interface", "conditions": "noul: descrições opcionais e anuláveis de true/false; choice: objeto de critérios; score: matriz não vazia de critérios", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "questions..criteria", "required": false, "type": "object|array|null" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ false, null ], "enum_known": true, "name": "stream", "required": false, "type": "boolean|null" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "stream=true", "duplicateandcase-variedcanonicalkeys" ] }, "hints": [ "As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "state", "questions" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/systemone" }, "operation_modes": [ "systemone" ], "output": { "family": [ "structured" ], "format": "structured decisions JSON", "multioutputs": "retain every actual response output" } }, "ctx": 64000, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 customer message}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"jev-latest\", \"state\": \"\", \"questions\": {\"is_urgent\": {\"type\": \"noul\", \"instructions\": \"Does the supplied customer message express urgency?\"}}}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"state\"]=text\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"result.json\").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\n", "label": "Classify your actual customer message", "language": "bash" } ], "family": "systemone", "fast_multiplier": null, "flex_multiplier": null, "fmt": "systemone", "http": "POST", "img_in": null, "img_out": null, "in": 0.084, "input": [ "text" ], "label": "System One", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "structured" ], "path": "/v1/systemone", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.084, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "jev-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } ], "model_aliases": [ { "canonical_model_id": "jev-latest", "request_model_id": "jev-latest", "route_label": "Core" } ], "name": "jev-latest", "price": { "in": 0.084, "in_label": null, "out": 0, "out_label": null, "sort_in": 0.084, "sort_out": 0, "varies": false }, "short": "Um modelo de decisão da TypeSafe: não escreve texto; responde a perguntas tipadas sobre texto ou JSON — escolha de uma opção, avaliação numa escala ou «sim/não» com probabilidades. É adequado para encaminhamento, triagem de pedidos, moderação e atribuição de pontuações; todas as perguntas de um pedido são avaliadas em paralelo." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Um modelo de decisão da TypeSafe: não escreve texto; responde a perguntas tipadas sobre texto ou JSON — escolha de uma opção, avaliação numa escala ou «sim/não» com probabilidades. É adequado para encaminhamento, triagem de pedidos, moderação e atribuição de pontuações; todas as perguntas de um pedido são avaliadas em paralelo.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "d21cbf7393f6af85a789d941bc69ff6723d41e0071f41a155db861b2b609e8a4", "renderer_sha256": "8caea4544177cc2b7d2cb3356b5f07bfd3660386d75f2714a6f603fa5e2a6cd2" }, "sourceRevision": "2a5d34b77af71aa73da9ee12a309996b0d56a88da4c2679e79b442781e2c6d95" }