A ascensão e a queda do hype em torno do Jev

O texto de Alex Ewerlof usa o Jev como estudo de caso de marketing de IA. Segundo ele, o Jev é basicamente um classificador de propósito geral, que dispensa muito treinamento, mas perde utilidade por isso. Chamá-lo de "modelo de decisão" seria exagero, já que não enxerga (rivais open-weight são multimodais) nem raciocina, e é por isso que sai barato. A ideia, diz o autor, também não é nova: modelos de decisão não autorregressivos com RL já circulavam havia mais de um ano, e o autor original ficou contrariado.

O autor desmonta o anúncio em quatro peças: name dropping (ex-criador do ChatGPT, paradoxo de Jevons, curva de Pareto, "System one"), alegação grande (não alucina, é muito mais rápido e barato), jargão sem detalhe (o método RLCD, sem implementação divulgada) e drama (a disputa com o Laya). Sobre "não alucinar", ele nota que isso só significa que a saída respeita o schema, não que esteja logicamente correta. Modelos comuns chegariam perto com um laço de controle, como type checker ou parser de JSON schema. Segundo o texto, o ruído inicial morreu quase tão rápido quanto surgiu, e o Jev passou do "pico de expectativas infladas" ao "vale da desilusão" em tempo recorde. Ele não está morto: algumas empresas o usam, e seu diferencial é rodar localmente na borda com qualidade equivalente. Para o autor, a maior parte dos casos de uso é atendida por rivais open-weight.

Para quem avalia ferramentas de IA no trabalho, a leitura prática é checar o que o anúncio entrega: schema válido não é resposta correta, e benchmark sem detalhe de método pede teste próprio. Comparar custo e desempenho com alternativas open-weight na sua tarefa específica vale mais do que o barulho das primeiras semanas.