Red Hat ha publicado un análisis técnico que compara los modelos de decisión de TypeSafe AI, específicamente su modelo Jev, con las técnicas de seguridad tradicionales y los modelos de lenguaje grandes (LLM) como guardrails. El objetivo es determinar si la nueva arquitectura ofrece ventajas reales en velocidad, coste y seguridad frente a las soluciones existentes.
Los modelos de decisión, como Jev, generan decisiones calibradas fijas en lugar de generar texto, lo que permite una integración más segura con aplicaciones empresariales gracias a la tipificación garantizada. Además, son significativamente más rápidos y baratos que los LLMs para tareas lógicas simples. Sin embargo, el artículo cuestiona la novedad de esta tecnología, señalando que técnicas similares como los clasificadores de texto sin entrenamiento (zero-shot text classifiers) han existido desde 2019, como el modelo BART-large-mnli de Meta.
Para validar estas afirmaciones, el equipo de Red Hat diseñó un experimento con nueve modelos candidatos en cuatro metodologías, incluyendo clasificadores preentrenados, BART-large-mnli, Shieldstral-1.0-3B, Nemotron-3.5, Qwen3.6, Laya, DiffusionGemma y Jev. Se evaluaron dos tipos de guardrails: inyección de prompts y seguridad de contenido. Los resultados muestran que, aunque Jev ofrece un rendimiento similar a los LLMs-as-a-judge con menor latencia, los clasificadores preentrenados pequeños y los modelos especializados en seguridad (como Shieldstral o Nemotron) mantienen una ventaja clara en precisión para problemas específicos, dado que están adaptados a tareas concretas y no requieren entrenamiento adicional.