Modelos System One

En qué se diferencia de un LLM

Un LLM se entrena para continuar texto. Un modelo System One se entrena para tomar decisiones calibradas: las probabilidades se optimizan según los resultados para que reflejen la incertidumbre en grupos de predicciones. La calibración no garantiza que una respuesta concreta sea correcta. Sí permite establecer controles en el código —actuar, revisar o escalar— en vez de analizar un párrafo.

Nunca le pides a Jev que redacte un correo electrónico o una función. Le preguntas qué cola debe gestionar un ticket, cuánto parece frustrado un cliente o si un mensaje solicita un reembolso. La tabla de la página conceptual de TypeSafe usa esos tres ejemplos: Choice devuelve choice: "billing", Score puede devolver 1.4 en una escala de frustración de 0-2 y Noul puede devolver 0.95 para una comprobación de reembolso de sí o no.

El nombre System One proviene de Thinking, Fast and Slow, de Daniel Kahneman. System 1 es rápido e intuitivo. System 2 es más lento y deliberativo. TypeSafe asigna al modelo la evaluación rápida y a tu aplicación el flujo de control lento. Si una tarea requiere largas cadenas de referencias indirectas o redacción libre, corresponde usar un modelo generativo o código, no Jev 1.13.

RLCD en lugar de RLHF

TypeSafe entrena Jev con Reinforcement Learning for Calibrated Decisions (RLCD). RLHF es el método usado para hacer que los modelos de chat sean complacientes. RLVR es la vía habitual para los modelos de razonamiento extenso. RLCD es el método que TypeSafe documenta para System One: recompensar decisiones calibradas en lugar de tokens fluidos. La publicación de lanzamiento también menciona una arquitectura nueva y un muestreador paralelo que evalúa muchas preguntas frente a un solo estado.

Como los pesos son compartidos, no ajustas ni adaptas mediante LoRA a Jev con datos de clientes. Coloca los registros propietarios en el estado. Codifica las reglas del dominio en instrucciones y criterios. Divide una evaluación amplia en preguntas atómicas y combina los números mediante código. La puntuación compuesta y un modelo clásico posterior que use las probabilidades de Jev son las formas documentadas de especializar el sistema sin entrenar una copia privada.

Actualmente, Jev solo acepta texto. Se permiten cadenas, objetos JSON y arreglos de texto. No se admiten píxeles ni formas de onda. El inglés es el idioma principal de entrenamiento; CJK y otros sistemas de escritura se aceptan con menor precisión, así que prueba el sistema antes de dirigirle una carga de trabajo en otro idioma. La confianza de Choice y Score es la forma práctica de mantener esos idiomas menos fiables sujetos a revisión humana.

Evaluaciones rápidas dentro de un flujo de trabajo mayor

Para una solicitud de reembolso, el ciclo documentado es el siguiente: crear un estado con el mensaje, las transacciones y la política; formular juntas varias preguntas independientes (si se solicitó un reembolso, si las pruebas muestran un cargo duplicado y si la política lo permite); y después combinar las respuestas con comprobaciones deterministas para dirigir el caso a una acción o revisión. Una vez definidos los Primitives, puedes combinarlos. Las salidas tipadas permiten que tu código examine las respuestas sin necesitar un analizador para texto residual.

fan-out especulativo es el patrón que abarata este proceso. Envías preguntas que quizá no necesites, incluidas las que presuponen un tipo de dispositivo o una intención, y descartas los resultados irrelevantes después de la llamada. Los intercambios secuenciales tendrían que esperar cada paso. Jev evalúa el mapa en paralelo, por lo que añadir preguntas apenas aumenta la latencia. Por eso la demo del hogar inteligente puede preguntar a la vez por categoría, dominio, dispositivo y acción.

Llama a un modelo System One con typesafe-sdk, @typesafe-ai/sdk o POST https://api.typesafe.ai/v1/systemone. El campo del modelo selecciona la compilación; los ejemplos de la documentación usan jev-latest, que actualmente apunta a jev-1.13.0. Empieza con estructuras de estado y Primitives, y después añade controles de confianza antes de cualquier efecto secundario automático.

Qué queda fuera de System One

La generación, la planificación a largo plazo y los agentes que usan herramientas son tareas de System Two en la terminología de Kahneman. Jev 1.13 no redactará el correo de reembolso, el SQL ni el siguiente párrafo de Wikipedia. Te indicará si el ticket solicita un reembolso, qué cola debe gestionarlo y qué grado de certeza tiene esa decisión. Combínalo con un modelo generativo cuando realmente necesites producir tokens.

La identidad numérica también queda fuera. El conteo, el orden de fechas y la distancia hexadecimal deben resolverse en código. La página de jaggedness cataloga esos casos límite y se revisó por última vez el 17 September 2026. Un flujo de trabajo con System One que ignore ese catálogo parecerá bien calibrado, pero aun así se desviará por una lectura literal errónea.

Los píxeles quedan fuera hasta que TypeSafe incorpore entrada de imágenes. Doom, Wikiracing y el asistente para el hogar inteligente envían texto. Si tu producto es una cámara, primero transcribe o describe su contenido. Si es de audio, se aplica la misma regla. Los presupuestos de 64k y 32k son para tokens, no para fotogramas.

System One es una clase de producto que hoy solo tiene un miembro público. Si TypeSafe publica un segundo modelo en el mismo endpoint, podrás seleccionarlo mediante el campo del modelo. Hasta entonces, jev-1.13.0 es el identificador con versión tras jev-latest y jev-preview. Trata cualquier otro modelo de chat o razonamiento como una clase distinta, aunque forme parte del mismo flujo de trabajo general.

RLCD es el método de entrenamiento que TypeSafe denomina para esta clase. No es una opción que se envíe en la solicitud. Sigues escribiendo instrucciones y criterios, y combinando las respuestas mediante código. La diferencia radica en el objetivo para el que se optimizaron los pesos: decisiones calibradas, no tokens de chat. Por eso la salida es Choice, Score o Noul en vez de un párrafo.

Reserva los modelos de chat para redactar. Usa Jev para decidir qué camino tomar. Ambos pueden compartir un flujo de trabajo, pero no deberían compartir un prompt. Esa separación es precisamente la razón de colocar un modelo System One junto a un LLM.

Kahneman da nombre al concepto, no a un modo de ejecución. Tú sigues eligiendo Choice, Score o Noul.