Según MarkTechPost (AI/ML News), a partir de septiembre de 2026, TypeSafe lanzó Jev, un modelo de decisión que no opera como chatbot. En su funcionamiento, los usuarios definen opciones permitidas, y Jev devuelve una etiqueta, una puntuación o una probabilidad de respuesta binaria. En apenas cuatro semanas, al menos 20 alternativas a Jev han sido presentadas por empresas como Cloudflare, OpenAI, Perplexity, Liquid AI, AWS a través de Strands Labs y desarrolladores independientes. Este análisis detalla cada opción en términos de tamaño, licencia, hardware requerido, precios, compatibilidad con la API de Jev y resultados publicados en pruebas específicas.
El rango de tamaño de estos modelos oscila entre 287 millones de parámetros (GLiNER2.5-multi-Decide) y 35 billones (Mapika Decider), mientras que el tamaño exacto de Jev no se ha revelado públicamente. Algunos modelos, como Von y Laya, funcionan en hardware básico, como procesadores centrales, y requieren adaptadores de hasta 4 billones de parámetros para operar en GPUs de 24 GB o en computadoras Mac de 32 GB. En cuanto al rendimiento, la mayoría de los modelos abiertos presentan una inferioridad en tareas de razonamiento complejo, aunque algunos logran resultados comparables o superiores en clasificaciones específicas. Por ejemplo, Cloudflare Clef alcanza una puntuación de 94.20 en el conjunto BANKING77, frente a los 79.74 de Jev, según pruebas internas de Cloudflare. En contraste, Von 1.2 registra una precisión de solo 0.422 en una evaluación de Respan, frente a los 0.932 de Jev.
Los modelos de decisión como Jev son diseñados para integrarse en flujos de trabajo que requieren respuestas estructuradas, sin generación de texto. Al enviar un estado como un registro o un ticket, junto con preguntas predefinidas (opción, puntuación, sí/no), Jev evalúa todas en una sola pasada y entrega una respuesta numérica. El servicio ofrece un costo de $0.042 por millón de tokens de entrada, sin costo de salida, con un contexto de 64 mil tokens por solicitud. Los pesos del modelo son cerrados y el acceso se otorga solo mediante lista de espera. En pruebas de procesamiento, Jev logra un 67.8% de concordancia con flujos de trabajo y un tiempo de ejecución de 0.4 segundos por caso. Sin embargo, cuatro límites persisten: ausencia de soporte para imágenes, no disponibilidad de autogestión, falta de información sobre su tamaño y no existencia de opciones de fine-tuning.
Para el lector peruano, este panorama es especialmente relevante en contextos de servicios financieros, logística o gestión de operaciones. Muchas empresas en el país enfrentan necesidades de automatización de decisiones en procesos como validación de tickets, control de riesgos o clasificación de reclamos. Aunque Jev ofrece eficiencia en respuesta estructurada, su incapacidad de integrarse a entornos sin internet o con limitaciones de infraestructura puede ser un obstáculo. Las alternativas presentadas, especialmente aquellas que permiten operar en hardware local o con bajo costo, podrían ser más accesibles para pymes y entidades que priorizan la autonomía tecnológica. La elección de un modelo debe basarse no solo en rendimiento, sino también en la viabilidad de implementación en entornos reales, especialmente en zonas rurales o con recursos tecnológicos limitados.