Torna al blog

Jev e il drago di Minecraft: cosa ci dice davvero il nuovo modello di TypeSafe AI

Il modello costruito da TypeSafe AI appartiene a una famiglia di AI diversa da quella che usi ogni giorno, ed è lì che diventa interessante.

 minimal illustration of arrows routing through a switchboard, fast decisions, clean vector style

Un'AI sconfigge il drago di Minecraft. Costo dell'impresa: 97 centesimi. Tempo: pochi minuti. Il video fa il giro di LinkedIn, i commenti si accendono e il sottotesto è chiaro: ormai l'AI gioca meglio di te.

Poi qualcuno apre le note del repository. Peaceful mode, mondo scelto in anticipo, attacco al letto scritto a mano nel codice. E la storia cambia parecchio.

Il punto, però, non è il drago. Il punto è che Jev, il modello costruito da TypeSafe AI, appartiene a una famiglia di AI diversa da quella che usi ogni giorno, ed è lì che diventa interessante.

Jev non è un chatbot, è un modello decisionale

ChatGPT, Claude e Gemini sono Large Language Models: scrivono un token alla volta, uno dopo l'altro. Jev non scrive niente.

TypeSafe lo descrive come un System One model, prendendo in prestito il concetto di Daniel Kahneman: il Sistema 1 è il pensiero rapido e istintivo, quello che non ragiona ma reagisce. Jev riceve uno stato non strutturato (i dati di un programma, il contesto di una richiesta, la situazione di un gioco) e risponde con una decisione tipizzata, accompagnata da probabilità calibrate. In inglese si chiama AI decision model; in italiano, senza troppi giri, è un'AI per software più che per conversazioni.

Ecco cosa significa in pratica:

  • Non produce testo, ma valori strutturati: un numero, una categoria, un sì o un no con il suo livello di confidenza.
  • Sul formato non può allucinare, perché l'output deve rispettare uno schema.
  • Elabora tutto in parallelo con una sola query: la latenza va da 70 a 500 millisecondi, contro i 3-329 secondi di un LLM frontier.
  • Costa circa 0,04 dollari per milione di token in input, e gli output sono gratuiti.

Dietro TypeSafe c'è Diogo Almeida, ex ricercatore OpenAI e co-inventore della tecnica RLHF. L'azienda ha raccolto 40 milioni di dollari in un seed round guidato da DCVC, tra i più grandi della storia dell'AI.

Il drago di Minecraft, e quello che il video non dice

Nella demo, un agente basato su Jev (più precisamente DJev, un progetto open source di Matt Mastracci) legge lo stato del gioco e sceglie fra azioni già definite: attaccare, schivare di lato, ripararsi, alzare un muro, usare l'arco, piazzare una trappola di lava, tentare un colpo critico, ritirarsi.

Ogni decisione richiede circa 24 millisecondi, e su una GPU NVIDIA B200 il sistema raggiunge 40 decisioni al secondo. Abbastanza per reagire in tempo reale in un gioco 3D.

I dettagli, però, ridimensionano il quadro:

  • Peaceful mode: niente mob ostili tranne il drago. Niente creeper, scheletri o zombie, l'arena è sgombra.
  • Seed scelto in anticipo: il mondo non è casuale, quindi l'agente sa già dove trovare risorse e com'è fatto il terreno.
  • Attacco al letto scritto a mano: la mossa più efficace contro il drago (piazzare un letto nell'End e farlo esplodere) non l'ha scoperta l'AI. Sta nello script.
  • Nessuna verifica esterna: i 24 ms e la difficoltà dell'impresa sono dichiarazioni del laboratorio, non benchmark misurati da terzi.

La demo resta valida, ma cambia significato. Non vediamo un'intelligenza generale che impara a giocare: vediamo un sistema di decisione veloce, messo a lavorare in un ambiente molto controllato. Ed è esattamente quello che serve capire.

I numeri veri: dove Jev eccelle e dove no

I benchmark sui workflow di produzione reali raccontano una storia con più sfumature.

Affidabilità del formato: il punto forte

  • Errori nel formato strutturato: Jev 0%, Claude Haiku 4.5 al 45,5%, GPT-5.6 Sol al 17%.
  • Errori nelle chiamate a tool: Jev 0%, e per costruzione non possono esserci, grazie ai vincoli dello schema.

Accuratezza: dove non fa la differenza

  • Jev: 67,8% (media su 4 workflow di produzione).
  • GPT-5.6 Terra: 67,9%. GPT-5.6 Sol: 74,1%.
  • Claude Opus 5: 73,1%.

Il quadro è questo: sul formato Jev non sbaglia mai, ma sulla sostanza della decisione sta al livello dei modelli di fascia media. Non è più preciso dei modelli frontier, è più prevedibile.

Perché è interessante (e il drago non c'entra)

Il valore di Jev sta nei compiti in cui contano più la velocità e la struttura che la comprensione profonda:

  • Smistamento di ticket ad alto volume: classificare migliaia di richieste al secondo spendendo quasi niente.
  • Guardrail per gli LLM: un filtro rapido che controlla e classifica in tempo reale le risposte di un modello più grande.
  • Scoring su dataset enormi: TypeSafe dichiara di poter analizzare 50 milioni di recensioni con circa 20 dollari.
  • Decisioni dentro i cicli applicativi: dove una risposta serve in millisecondi, non in secondi.

Un modello così non prende il posto di un LLM, gli sta accanto. In un'architettura a più livelli, avere qualcuno che decide in fretta e non sbaglia mai il formato è un ruolo concreto.

Cosa cambia per la tua azienda

Quando si costruisce un sistema AI aziendale, il modello giusto non è mai uno solo. Servono strumenti diversi per compiti diversi: un LLM che genera, un modello decisionale che classifica e instrada, un livello di validazione che garantisce la qualità.

È l'impostazione di un buon progetto di AI per l'azienda: portare i processi in una forma che l'AI sa eseguire e scegliere il modello adatto a ogni passaggio. Niente chatbot generico, ma un sistema che sa quando serve la rapidità di un Jev e quando serve la profondità di un agente AI completo.

La lezione del drago: noi le note a piè di pagina le leggiamo

Ogni settimana esce una demo AI spettacolare: un modello che gioca, che disegna, che scrive codice da solo. E ogni settimana la realtà è più interessante del titolo.

Jev è un prodotto vero con un uso concreto, ma quell'uso non è sconfiggere draghi. È prendere milioni di micro-decisioni al secondo, senza sbagliare il formato, a una frazione del costo di un LLM.

Noi di Devpunks abbiamo preso un'abitudine: davanti a un video virale, la prima cosa che facciamo è cercare le note del repository. Nella nostra community ci sono AI engineer e sviluppatori senior che di mestiere separano la demo dal prodotto, e che a un'azienda sanno dire con garbo se un modello serve davvero oppure no. Peaceful mode, mondo scelto in anticipo, attacco scritto a mano: la storia vera sta quasi sempre lì.

Se vuoi capire quale architettura AI serve davvero al tuo business, parliamone.

Domande frequenti

Cos'è Jev di TypeSafe AI?

Jev è un modello di tipo System One, ispirato al pensiero rapido di Kahneman. Non scrive testo come un LLM: restituisce decisioni tipizzate con probabilità calibrate, in meno di 500 millisecondi.

Jev sostituisce ChatGPT o Claude?

No, li affianca. È bravo nello smistamento, nella classificazione e nella validazione ad alta velocità. Per generare testo, ragionare su problemi complessi o produrre contenuti creativi servono ancora i Large Language Models.

Cos'è successo davvero nella demo di Minecraft?

Un agente basato su DJev (la versione open source) ha sconfitto l'Ender Dragon. Ma il mondo era in Peaceful mode, senza mob ostili, con un seed scelto in anticipo e l'attacco principale scritto a mano nello script. Il risultato è reale, il contesto molto controllato.

Quanto costa Jev rispetto a un LLM?

TypeSafe dichiara circa 0,04 dollari per milione di token in input, con output gratuiti. Un LLM frontier costa tra 0,20 e 10 dollari per milione di token. Sui grandi volumi la differenza è di ordini di grandezza.

Come si integra un modello decisionale in azienda?

Si parte mappando i processi che richiedono decisioni rapide e ripetitive, come classificazione, smistamento e validazione. Poi si sceglie il modello giusto per ogni fase del workflow. Collective Intelligence di Devpunks lavora proprio così: trasforma questi processi in competenze che l'AI può eseguire.