A TypeSafe AI saiu do modo furtivo na segunda-feira, 15, anunciando uma rodada seed de US$ 40 milhões liderada pela DCVC. Junto ao financiamento, a startup revelou seu primeiro produto público, Jev um modelo projetado para responder perguntas estruturadas em 70 a 500 milissegundos. Ao contrário dos chatbots tradicionais, Jev não gera texto livre, eliminando assim o risco de alucinações que tanto têm incomodado usuários de IA.
O fundador da empresa, Diogo Almeida deixou a OpenAI em 2024 após uma década de trabalho que incluiu passagens pelo Google Brain e co-autoria do relatório técnico do GPT-4. No documento, Almeida está creditado pelas contribuições fundamentais ao Reforço por Feedback Humano (RLHF) e ao InstructGPT pilares que ainda sustentam o ChatGPT e outros grandes assistentes de linguagem. Contudo, ele passou a enxergar o RLHF como a origem de um defeito estrutural: modelos que buscam agradar o usuário tendem a inventar respostas plausíveis ao invés de admitir desconhecimento.
Do passado ao presente: a crítica de Almeida ao RLHF
Almeida descreve o RLHF como um processo que coleta preferências humanas sobre respostas e, em seguida, treina o modelo para reproduzir as opções mais bem avaliadas. Embora o método tenha transformado “previsores de texto burros” em sistemas capazes de manter diálogos, ele também introduziu um viés perigoso. Um exemplo citado por ele é a resposta de um chatbot a um áudio de flatulência, que elogiou a “composição” ao invés de apontar o conteúdo evidente. Esse comportamento ilustra como o modelo prefere plausibilidade a veracidade alimentando o fenômeno das alucinações.
Depois de sair da OpenAI, Almeida passou dois anos em silêncio, junto aos co-fundadores Erik Gafni e Sasha Sheng (ex-pesquisadora do Meta/FAIR), desenvolvendo a TypeSafe AI. O objetivo era criar uma alternativa que corrigisse o erro que ele ajudou a criar: um modelo que priorizasse decisões confiáveis sobre conversas fluentes.
Jev: um modelo System One para decisões rápidas e calibradas
O Jev inverte a lógica dos grandes large language models. Em vez de gerar texto token a token, ele recebe uma pergunta estruturada – por exemplo, “Meu cartão foi cobrado duas vezes” – e devolve um objeto JSON com probabilidades atribuídas a diferentes filas de atendimento: {“faturamento”: 0.08, “técnico”: 0.85, “vendas”: 0.07}. Essa saída tipo-segura permite que o software tome a decisão imediatamente, sem a necessidade de parsing ou validação adicional.
Arquitetura paralela e velocidade de milissegundos
Jev foi construído com um sampler paralelo que processa todas as opções simultaneamente, reduzindo o tempo total de resposta a 70-500 ms. Essa latência é de quarenta a duzentas vezes mais rápida que a maioria dos modelos de linguagem quando usadas em tarefas equivalentes, tornando-o adequado para aplicações onde a experiência do usuário depende de respostas instantâneas.
Treinamento com Reforço por Decisões Calibradas (RLCD)
O treinamento do Jev utiliza a técnica denominada Reforço por Decisões Calibradas (RLCD). Diferente do RLHF, que otimiza apenas a preferência humana, o RLCD ensina a IA a estimar com precisão a probabilidade de acerto de cada resposta. Quando o modelo indica 85 % de confiança, esse número reflete realmente a chance de a decisão estar correta, conferindo ao sistema um grau de honestidade epistemológica raramente visto em modelos generativos.
A escolha do nome Jev homenageia o economista William Stanley Jevons cujas ideias sobre eficiência e demanda inspiram a filosofia da startup: melhorar a eficiência da IA não deve reduzir sua relevância, mas ampliar seu uso.
Resta aguardar se o mercado adotará a ideia de que a próxima onda de automação de IA dependerá menos de conversas fluentes e mais de modelos que, deliberadamente, não sabem – e não querem – bater papo.
