TypeSafe AI Jev vs. Laya: o que são e qual é a controvérsia até agora

Autoria: Adam Gardner · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: TypeSafe AI Jev vs. Laya (what they are and the controversy so far) · Canal: Adam Gardner · 06:53 · Assistir no YouTube

Tópicos: Agentes de IA, Modelos de IA, Open source e ecossistemas de software

Resumo

Jev, da TypeSafe AI, é apresentado como um modelo de decisão que classifica dados em respostas estruturadas, em vez de conversar como um LLM. O vídeo explica usos possíveis, como avaliar textos e automatizar etapas de publicação, destacando a velocidade e o baixo custo alegados. Em seguida, apresenta a contestação de Nandakishor Mukkunnoth, que afirma ter desenvolvido antes uma arquitetura semelhante, agora disponibilizada como open source no projeto Laya. A TypeSafe AI, por sua vez, descreve Jev como o primeiro modelo system-one público; o vídeo não resolve a disputa, mas compara as propostas e convida o público a experimentá-las.

Pontos-chave

Jev recebe texto e perguntas com respostas possíveis estruturadas, como opções de múltipla escolha ou verdadeiro/falso.
O vídeo descreve Jev como um decision model para ser integrado a outros workflows e aplicativos, não como uma interface de conversa direta.
Entre os usos sugeridos estão avaliar o estilo e o tema de um texto, recomendar quando publicá-lo e indicar quem poderia revisá-lo.
O apresentador afirma que Jev responde em paralelo, com rapidez e baixo custo, e que os tokens de saída seriam gratuitos.
Nandakishor Mukkunnoth afirma que publicou trabalhos, pesos de modelo, um conjunto de dados e um pacote antes do lançamento de Jev.
Mukkunnoth diz que seu trabalho anterior usava reinforcement learning para orientar decisões baseadas em schemas.
O projeto Laya é apresentado como a versão open source que Mukkunnoth desenvolveu a partir de seu trabalho anterior.
A TypeSafe AI descreve Jev como o primeiro modelo system-one público; o vídeo contrapõe essa descrição às alegações de Mukkunnoth.
O apresentador relata que não conseguiu executar Laya em seu Mac e que teve uma experiência positiva com Jev.

Capítulos

Início	Capítulo	Resumo
00:00	O que Jev faz	O vídeo apresenta Jev como um modelo que responde a perguntas sobre dados com opções estruturadas, em vez de conversar como um LLM.
02:35	A origem da controvérsia	O apresentador introduz as alegações de Nandakishor Mukkunnoth sobre uma arquitetura anterior e resume os trabalhos que ele diz ter publicado.
04:38	Laya e a resposta da TypeSafe AI	Mukkunnoth descreve a criação de Laya, enquanto o vídeo apresenta a caracterização de Jev pela TypeSafe AI como o primeiro modelo system-one público.
05:42	Retenção de dados e impressões finais	O apresentador comenta a política de dados da TypeSafe AI, compara sua experiência com Jev e Laya e pondera sobre o futuro desses modelos.

Citações

Jev não é um LLM com o qual você conversa de um lado para o outro. — 00:00

Jev é um decision engine, e você o usa dentro de outros workflows e aplicativos. — 02:05

Trabalhei nisso literalmente um ano atrás, em março de 2025. — 03:06

Em vez de continuar ressentido, decidi usar tudo o que aprendi e construir um modelo de decisão system-one totalmente aberto e horizontal. — 04:38

A página inicial deles diz que é o primeiro modelo system-one público. — 05:09

Conceitos e entidades

Jev (modelo): Modelo de decisão da TypeSafe AI que produz respostas estruturadas para perguntas sobre dados.
Laya (repo): Projeto open source que Nandakishor Mukkunnoth apresenta como continuação de sua arquitetura anterior de decisão.
TypeSafe AI (empresa): Laboratório de IA que lançou Jev e o descreve como o primeiro modelo system-one público.
Nandakishor Mukkunnoth (pessoa): Pesquisador que afirma ter desenvolvido e publicado uma arquitetura semelhante antes do lançamento de Jev.
Diogo Almeida (pessoa): Fundador da TypeSafe AI, identificado no vídeo como coinventor do ChatGPT e da OpenAI.
decision model (conceito): Modelo voltado a escolher respostas ou categorias estruturadas, em vez de gerar uma conversa aberta.
System 1 (conceito): Termo usado pela TypeSafe AI para descrever a categoria de modelo à qual Jev pertenceria.
reinforcement learning (conceito): Abordagem que Mukkunnoth diz ter usado para orientar decisões baseadas em schemas.

Tradução completa (pt-BR)

00:00 Jev, da TypeSafe, é o projeto de IA mais comentado desta semana, mas há outra coisa começando também: Laya. Tenho experimentado o Jev nos últimos dias e preciso dizer que ele é realmente impressionante. Para quem não sabe, Jev não é um LLM com o qual você pode conversar. O que você pode fazer é fornecer uma entrada textual e um conjunto de resultados possíveis, que podem ser verdadeiro ou falso, ou uma resposta de múltipla escolha, e então a pergunta pode ser classificada em uma dessas opções.

00:30 Basicamente, se você tem alguns dados e já consegue perceber que uma pessoa poderia responder com sim ou não, ou com uma resposta de múltipla escolha, Jev também consegue avaliá-los. Vamos ver um exemplo. Imagine que você recebe o rascunho de uma postagem de blog de um colega e precisa avaliar o documento. O estilo de escrita está de acordo com o padrão corporativo? Por exemplo, sou britânico, então escrevo com ISE. O padrão corporativo talvez exija IZE e toda a redação e terminologia correspondentes. Isso está mesmo de acordo com o nosso padrão corporativo? O tema está alinhado à nossa marca?

01:01 Com base nas áreas de foco da empresa para cada mês entre agora e o fim do ano, em que mês devemos publicar esta postagem de blog? E qual dos nossos profissionais técnicos devemos procurar para validar ou coescrever esta postagem? Basicamente, olhando para as postagens de blog anteriores da equipe, qual seria a melhor pessoa para dar uma olhada nesta postagem e dizer sim ou não? Para cada uma dessas perguntas, nós, humanos, conseguimos imaginar uma resposta com base no guia de estilo e ortografia da empresa; por exemplo, a postagem de blog está adequada ou precisa de ajustes.

01:34 Com base nos temas em que a empresa vai se concentrar nos próximos 12 meses, como eu disse, podemos avaliar se esta postagem parece adequada para ser publicada e quando. Com base nas áreas de foco de cada mês, podemos dizer que esta postagem provavelmente deveria sair em setembro. E, com base em quem escreveu e validou postagens de blog anteriores, provavelmente conseguiremos adivinhar qual é a melhor pessoa da equipe para revisar esta postagem antes de ela ser publicada. Jev consegue responder a todas essas perguntas, e consegue respondê-las em paralelo,

02:05 o que significa que é rapidíssimo e barato. E, na verdade, acredito que os tokens de saída são gratuitos. Então, Jev é um mecanismo de decisão, usado dentro de outros workflows e aplicativos. Provavelmente, você não vai interagir diretamente com Jev. Haverá uma interface, uma espécie de camada em volta dele. Jev fornecerá as respostas, e você as usará para conduzir outros processos, como definir a data de publicação do blog em um calendário ou entrar em contato com um membro da equipe que possa revisar a postagem,

02:35 sabe, enviar aquele e-mail antes da publicação, seja lá qual for o caso. E talvez a história tivesse terminado aí: um projeto muito, muito útil, com uma engenharia bastante inteligente por trás, criado por um laboratório do Vale do Silício muito bem financiado, que certamente seria adquirido ou teria sua equipe contratada nos próximos meses. Só que descobrimos Nandakishor Mukkunnoth e sua alegação de ter criado a arquitetura do Jev um ano atrás, agora open source como Laya. Então, o que está acontecendo?

03:06 Qual é a verdade? Bem, a boa notícia é que podemos ouvi-la pelas próprias palavras dele, graças às publicações no LinkedIn e a uma postagem no dev.to. Veja o que ele diz. Todo mundo na área de IA está falando agora sobre um novo tipo de modelo, uma arquitetura que não é autorregressiva, não gera texto e produz previsões de probabilidade rapidíssimas em um esquema JSON estruturado. Ver toda essa empolgação na internet é ao mesmo tempo gratificante e profundamente frustrante. Trabalhei nisso há exatamente um ano, em março de 2025.

03:36 Passei meses trabalhando duro, suando e passando noites em claro para desenvolvê-lo, publiquei um artigo, disponibilizei os pesos do modelo no Hugging Face, publiquei o conjunto de dados open source, criei um pacote PyPI e publiquei toda a abordagem no Reddit. Depois, em setembro de 2025, publiquei um segundo artigo, que apresentava a estrutura exata para decisões baseadas em esquemas e orientadas por aprendizado por reforço. Para quem tiver curiosidade, o cérebro que orientava meu sistema sempre foi o aprendizado por reforço, não apenas um modelo de embedding ou um LLM autorregressivo.

04:06 E então, em setembro de 2026, um laboratório de fronteira bem financiado chamado TypeSafe AI, fundado por Diogo Almeida, coinventor do ChatGPT e da OpenAI, lançou o Jev. Eles propuseram exatamente o mesmo conceito de decisão não autorregressiva, como se fosse uma descoberta científica totalmente nova, mas lançaram o produto sem artigos técnicos, sem pesos abertos e sem nenhum conjunto de dados de treinamento aberto. É incrivelmente frustrante quando algo em que você colocou todo o seu coração e toda a sua alma durante meses, como pesquisador de open source,

04:38 passa despercebido por ter sido desenvolvido para um caso de uso vertical, enquanto um laboratório bem financiado empacota a mesma ideia central de forma horizontal e recebe todo o reconhecimento. Mas essa é a história do open source em geral. Em seguida, ele diz: Em vez de ficar ressentido, decidi pegar tudo o que aprendi com meus artigos de março de 2025 e setembro de 2025, corrigir todas as limitações arquiteturais da abordagem antiga e criar um decision model de sistema 1 totalmente aberto e horizontal, um agent de RL.

05:09 Vou pular o restante porque está cheio de detalhes técnicos e matemática que, francamente, não entendo. Mas queria chamar sua atenção para isso, caso você tenha ouvido falar do Jev e queira experimentar algo open source. Também incluí links para tudo, incluindo todas as postagens, o Hugging Face e todo o resto, na descrição do vídeo. Agora, em defesa da TypeSafe, a página inicial diz que é o primeiro modelo público de sistema 1. Ou seja, o primeiro modelo público de sistema 1.

05:42 E é preciso presumir que os advogados revisaram cada palavra deste site e de seu texto para garantir que tudo esteja em conformidade. A TypeSafe retém seus dados, mas promete não treinar nem fazer fine-tuning com eles. Se você for um cliente corporativo, obviamente pode entrar em contato com a empresa para negociar um contrato de retenção zero de dados. Pronto. Agora você está por dentro de toda a situação do Jev e da Laya. Basicamente, o criador, responsável pela manutenção e desenvolvedor original disponibilizou a Laya como open source porque diz e acredita que sua solução surgiu um ano antes,

06:19 e o Jev simplesmente apareceu e meio que tomou para si a ideia. Experimente um deles ou o outro, ou ambos, especialmente se você tiver uma GPU. Não consegui fazer a Laya funcionar no meu Mac, francamente bem fraquinho, mas fiquei muito impressionado com o Jev, para ser sincero. Vai levar um tempinho para se acostumar, agora que estamos todos habituados a conversar de um lado para o outro com LLMs. É preciso desaprender alguns desses maus hábitos de ficar só conversando, e acho que veremos no futuro aonde isso vai dar e se este é o próximo passo de baixo overhead e baixo custo que todos estávamos esperando e de que precisávamos,

06:53 ou se é só mais uma moda passageira.

Transcrição original

[00:00] Jev by TypeSafe is the hottest project this week in AI, but there’s something else kicking off too, laya. I’ve been experimenting with Jev for the last few days, and I’ve got to say, it’s really impressive. For those of you not aware, Jev is not an LLM that you can chat back and forth with. What you can do is provide textual input and a set of outcomes, either true or false, or sort of a multi-choice answer that the question can then go into one of those buckets.

[00:30] Basically, if you’ve got some data and you can already tell that a human could answer that with a yes or a no, or a multiple choice answer, Jev can evaluate it too. Let’s work through an example. Imagine you get a draft blog post from a colleague and you need to evaluate the document. Does the writing style fit our corporate standard? For example, I’m British, so I write ISE. The corporate standard might be IZE and all the wording and terminology. Does that actually fit our corporate standard? Is the topic on brand for us?

[01:01] Based on what focus areas we have as a company each month, between now and the end of the year, which month should we publish this blog post in? And which of our technical staff should be approached to validate or co-author this blog post? Basically, looking at the previous staff blog posts, which would be the best staff member to have a look at this blog post and say yes or no. Now, for each of these questions, we humans can imagine an answer based on the corporate style and spelling guide, for example, the blog post is either going to fit or it needs work.

[01:34] Based on what topics we’re focusing on as a company in the next 12 months, as I say, we can judge whether this post feels right to be published and when. Based on the focus areas for each month, we can say that this blog post should probably go out in September. And based on which staff authored and validated previous blog posts, we’ll probably be able to guess the best staff member to look over this post before it goes out into the world. Jev can answer all of those questions and it can answer them in parallel,

[02:05] meaning it’s lightning quick and it’s cheap. And actually, I believe the Outlook, the Outlook, the output tokens are actually free. So Jev is a decision engine and you use it inside other workflows and apps. You probably won’t be interacting with Jev directly. There’ll be kind of a UI, a wrapper around it. Jev’s going to provide the answers and you’ll use those answers to drive other processes, setting the publish date for the blog in a calendar or contacting a member of staff who can review the blog,

[02:35] you know, sending that email out before publication, whatever the case may be. And that’s where the story might have ended. A very, very useful project with some really clever engineering behind it by a well-cashed up Silicon Valley lab, sure to be acquired or acqui-hired in the next couple of months. Except we discover Nandakishor Mukkunnoth and his claim to have built the Jev architecture a year ago, which is now open-sourced as Laya. So what’s going on?

[03:06] What’s the truth? Well, the good news is actually we can hear it from his own words due to his LinkedIn posts and a post on dev.to Here’s what he says. Everyone in AI right now is talking about a new kind of model, an architecture that is not auto-regressive, does not generate text, and gives lightning-fast probability productions over a structured JSON schema. Seeing the hype online feels both validating and deeply frustrating. I worked on this literally one year back in March 2025.

[03:36] I spent months of hard work, sweat, and sleepless nights building it, published a paper, released the model weights on Hugging Face, published the open dataset, built a PiPi package, and posted the whole approach on Reddit. Then, in September 2025, I published a second paper, laying out the exact framework for schema-based decisions guided by reinforcement learning. For anyone curious, the guiding brain in my system was always reinforcement learning, not just an embedding model or an auto-regressive LLM.

[04:06] And then, in September 2026, a well-funded frontier lab called TypeSafe AI, founded by Diogo Almeida, a co-inventor of ChatGPT and OpenAI, launched Jev. They proposed the exact same non-auto-regressive decision concept as if it was a brand new scientific breakthrough, except they launched without technical papers, without open weights, and with zero open training datasets. It is incredibly frustrating when something you poured your heart and soul into for months as an open-source researcher

[04:38] gets overlooked because it was built for a vertical use case, while a well-funded lab packages the same core idea horizontally and gets all the glory. But that is the open-source story in general. He then goes on to say, Instead of staying bitter, I decided to take everything I learned from my March 2025 and September 2025 papers, fix every architectural limitation of the old approach, and build a completely open, horizontal, system-one decision model, RL agent.

[05:09] Now, I am going to skip over the rest because it’s full of very technical details and maths that, frankly, I don’t understand. But I wanted to put this on your radar in case you’ve heard about Jev and are wanting to try out something open-source. I’ve also linked to everything, including all of the posts and HuggingFace and all of that stuff, in the video description. Now, in TypeSafe’s defense, their homepage does say the first public system-one model. As in, the first public system-one model.

[05:42] And you’ve got to assume here that lawyers have been over every single word of this website and copy to make sure that they are compliant. TypeSafe do retain your data, but they promise not to train or fine-tune on it. Now, if you’re an Enterprise customer, you can obviously contact them to negotiate a zero-data-retention contract. So, there you are. Now, you’re up to speed with the whole Jev / Laya situation. Basically, the original producer, maintainer, developer has open-sourced Laya because he says and feels that his solution was a year ago,

[06:19] and JEV has just come along and kind of taken it. Definitely do try out one or the other, or both, especially if you have a GPU. I couldn’t get Laya to work on my, frankly, quite piddly Mac, but I’ve been very impressed with Jev, to be honest. It’ll take a little getting used to now that we’re all used to kind of chatting backwards and forwards with LLMs. You kind of need to unlearn some of those bad habits of just chatting, and I guess we will see in the future where this goes, and whether this is the next low-overhead, low-cost step that we’ve all been waiting for and all needing,

[06:53] or it’s just another flash in the pan.