Unsiloed y Jev: validar OCR en documentos con IA

Por qué un OCR perfecto no alcanza para confiar en un documento

Un pipeline de extracción puede leer un valor correctamente y aun así enviar datos malos al siguiente paso: un cero extra bien impreso sobrevive incluso al mejor reconocimiento óptico de caracteres (OCR). Esa es la premisa del flujo que Unsiloed y Jev, el modelo de TypeSafe, proponen para revisión documental.

Para un founder que automatiza facturas, recetas médicas o contratos, el problema no es que el modelo no lea. Es que no hay forma de saber, campo por campo, cuándo la lectura merece que alguien la mire antes de que el dato siga viaje.

Qué hace cada pieza: extracción con coordenadas y preguntas tipadas

Unsiloed extrae campos estructurados y los ubica en la página. Cada campo vuelve con dos puntajes de confianza entre 0 y 1: extractionscore mide la confianza en el valor extraído y groundingscore la confianza en que ese valor se encontró realmente en el documento. Además entrega una cita con la página y el rectángulo (bounding box) que rodea el texto fuente.

Jev hace otra cosa. No genera texto: recibe un estado y una serie de preguntas tipadas, y devuelve decisiones tipadas. Según Marktechpost, el modelo es transformer-based pero no es un modelo de lenguaje grande, y se apoya en una pila propia que incluye un sampler paralelo y Reinforcement Learning for Calibrated Decisions (RLCD). Hay tres primitivas: Noul (¿es verdadera esta afirmación?, devuelve una probabilidad de 0 a 1), Choice (elige una opción de una lista, hasta 255 según Marktechpost) y Score (evalúa contra niveles ordenados). Choice y Score devuelven además una distribución de probabilidad y un valor de confianza.

Un detalle que suele malinterpretarse: un Noul de 0.04 no significa "Jev está 4% seguro", significa 4% de probabilidad de que la respuesta sea sí. Y la confianza de Choice y Score no es precisión. La documentación de TypeSafe, citada por el blog note.com, la describe como el grado de concentración de la distribución: con cuatro opciones y 70% en la ganadora, la confianza es 0.60; con dos opciones y el mismo 70%, cae a 0.40.

El caso de la lista de medicamentos: dos errores que ningún modelo detecta solo

El ejemplo del artículo original usa una lista de seis medicamentos. Una mancha de café tapa una dosis y otra fila tiene una cantidad claramente impresa pero implausible.

• Cetirizina: Unsiloed lee "1 tablet" con extractionscore de 0.74 y groundingscore de 0.76. Jev devuelve 0.94 de plausibilidad, pero nunca ve la mancha: su juicio depende de que el texto extraído sea correcto. La fila se marca igual, porque alguien tiene que confirmar la marca borroneada.
• Ibuprofeno: Unsiloed lee "10 tablets, three times daily" con ambos puntajes en 0.99. Jev devuelve 0.04. Aquí el problema no es la lectura, es la instrucción impresa.

Ninguno de los dos modelos corrige por su cuenta. La regla del pipeline es explícita: no ajustar cantidades sorprendentes ni adivinar texto tapado a partir de la práctica habitual de prescripción. Cada chequeo marca una necesidad de revisión que el otro no ve.

El ruteo se resuelve con dos umbrales de demo: lectura por debajo de 0.90 dispara "Verify source reading" y plausibilidad por debajo de 0.50 dispara "Review instruction". El artículo aclara que son cortes de ejemplo y que hay que probarlos contra documentos revisados a mano antes de usarlos en producción. También advierte que las respuestas de Jev cerca de 0.50 merecen revisión, porque ni el sí ni el no están claros.

Cuánto cuesta sumar Jev a un pipeline de extracción

En el demo, una lista de medicamentos genera una request con seis preguntas y 1.812 tokens de entrada. A US$42 por cada mil millones de tokens de entrada —precio publicado de Jev 1.13.0, con salida gratuita, verificado el 30 de septiembre de 2026— eso equivale a US$0,000076 por documento. Procesar 100.000 documentos similares sumaría unos US$7,61 en cargos de Jev.

Es una estimación solo de Jev: la extracción de Unsiloed y la revisión humana se cobran aparte. Marktechpost ubica el precio de Jev en US$42 por mil millones de tokens de entrada y señala que TypeSafe compara los LLM existentes en un rango de US$0,20 a US$10 por millón de tokens de entrada. El mismo medio advierte que los benchmarks principales —incluido el claim de 193,6 veces más rápido y 444,6 veces más barato— son corridas del propio proveedor y que conviene probarlos con datos propios. También aclara que el "cero alucinaciones" se refiere a que el esquema de salida está garantizado, no a que las respuestas sean correctas.

Un dato operativo que cambia el diseño: según HackerNoon, agrupar varias preguntas en una sola llamada sale aproximadamente diez veces más barato y diez veces más rápido que dispararlas por separado, sin cambios en las respuestas. Y TypeSafe reporta tiempos de respuesta de entre 70 y 500 milisegundos, según Marktechpost.

Qué significa esto para tu startup

La lección no es "usa Jev" ni "usa Unsiloed". Es que separar la lectura del juicio te da dos señales independientes y te deja decidir con umbrales explícitos en lugar de confiar en un solo número de confianza.

Tres cosas concretas que puedes implementar esta semana:

• Guarda siempre la cita y el bounding box. Sin la coordenada, un revisor humano tiene que buscar el campo en la página. Con ella, abre el documento exactamente donde está el problema. Es la diferencia entre una cola de revisión usable y una que nadie atiende.
• No dejes que una señal cancele a la otra. Una instrucción plausible puede contener texto mal leído. Si la lectura viene baja, la fila se revisa aunque el juicio de plausibilidad sea alto. En el ejemplo, la cetirizina tiene 0.94 de plausibilidad y aun así se marca.
• Calibra los umbrales con tus propios documentos antes de producción. Los 0.90 y 0.50 del demo son puntos de partida. Si tu costo de error es alto (salud, dinero, cumplimiento normativo), sube el umbral de lectura; si es bajo, bájalo y ahorra revisiones.

Un cuarto punto, más de arquitectura: define las preguntas como las haría una persona con contexto en pocos segundos. Preguntas amplias y vagas que intentan atrapar todo a la vez no funcionan bien con este tipo de modelo, según la experiencia que relata HackerNoon. Descompón el problema en preguntas separadas y combina las respuestas en tu código.

Y ojo con el idioma. La documentación de TypeSafe, citada por note.com, indica que el inglés es el idioma principal de entrenamiento y el de mayor precisión, y que otros idiomas están soportados pero no al mismo nivel. Si tu operación es en español, ese es un factor de riesgo que conviene medir con tus propios documentos antes de automatizar decisiones sensibles.

Conclusión

El aporte real de este pipeline no es la extracción ni el juicio por separado, sino el punto donde se cruzan: dos señales que fallan en momentos distintos y que, combinadas, deciden qué fila necesita ojos humanos. Para un equipo pequeño que procesa documentos a escala, eso es lo que hace viable automatizar sin apostar la operación entera a un solo puntaje de confianza.

Fuentes

• Document Review with Unsiloed and TypeSafe Jev (fuente original)
• TypeSafe AI Releases Jev: A System One Model That Returns Typed, Calibrated Decisions Instead of Text
• Before You Hit Send: Building a Reply Co-Pilot on TypeSafe's Jev, Deployed on Cloudways Velocity
• TypeSafe on Make.com: Sorting inquiries by confidence level