Jev คืออะไร? โมเดล AI ที่ส่งคำตัดสินแบบมีโครงสร้าง แทนการเขียนข้อความ

Jev คือโมเดล System One รุ่นแรกของ TypeSafe AI ที่สร้างมาเพื่อให้ซอฟต์แวร์ตัดสินใจอย่างรวดเร็วในรูปแบบมีโครงสร้าง แทนการสร้างประโยคให้มนุษย์อ่าน บริษัทจากซานฟรานซิสโกเปิดให้เข้าถึงระยะแรกเมื่อวันที่ 15 กันยายน 2026 โดยก่อตั้งโดย Diogo Almeida อดีตนักวิจัย OpenAI ร่วมกับ Erik Gafni และ Sasha Sheng 216

ต่างจาก LLM อย่างไร: เน้น “ตัดสินใจ” ไม่ใช่ “แต่งข้อความ”

โมเดลภาษาขนาดใหญ่ หรือ LLM สร้างผลลัพธ์เป็นลำดับโทเค็นข้อความ จึงทำงานได้กว้าง ตั้งแต่ตอบคำถาม เขียนบทความ วางแผน ไปจนถึงเขียนโค้ด แต่เมื่อจะนำผลลัพธ์ไปใช้ในระบบจริง แอปพลิเคชันมักต้องแยกวิเคราะห์ข้อความ หรือตรวจสอบ JSON ที่โมเดลสร้างขึ้นก่อน

Jev ถูกออกแบบมาสำหรับโจทย์ที่แคบกว่า แอปส่ง state เข้าไป ซึ่งอาจเป็นสตริงข้อความ ออบเจ็กต์ JSON หรืออาร์เรย์ข้อความ พร้อมชุดคำถามที่ระบุชนิดข้อมูลไว้ โมเดลจะคืนคำตอบแบบมีโครงสร้างหนึ่งรายการต่อหนึ่งคำถาม เอกสาร API ของ TypeSafe อธิบายว่าเป็นการประเมิน state เทียบกับแผนที่คำถาม แล้วส่งกลับคำตอบที่จัดโครงสร้างแล้ว 17

รูปแบบการตัดสินใจที่รองรับ ได้แก่

• Boolean: ประเมินความน่าจะเป็นที่ข้อความหนึ่งจะเป็นจริง เช่น คำสั่งนี้ปลอดภัยพอจะรันหรือไม่
• Choice: เลือกคำตอบจากตัวเลือกที่นักพัฒนากำหนดไว้
• Score: ให้คะแนนตามเกณฑ์ที่เรียงลำดับได้ หรือมาตรวัดเชิงตัวเลข

ด้วยเหตุนี้ TypeSafe จึงวางตำแหน่ง Jev เป็นองค์ประกอบสำหรับงานอย่างการจัดเส้นทางคำขอ การจัดประเภท การคัดกรองผลการค้นคืนข้อมูล การให้คะแนนความเสี่ยง และรั้วความปลอดภัยสำหรับ AI agent ไม่ใช่แชตบอต เอกสารของบริษัทชูตัวอย่างการเลือกโมเดล การค้นคืนข้อมูลเชิงความหมาย การจัดประเภท trace และการตรวจผลลัพธ์ของ AI ตัวอื่น 18

“System One” หมายถึงอะไร

ชื่อนี้อ้างอิงแนวคิดของ Daniel Kahneman ที่แบ่งการคิดเป็น System 1 ซึ่งเร็วและอาศัยสัญชาตญาณ กับ System 2 ซึ่งช้าและไตร่ตรองมากกว่า TypeSafe ใช้คำนี้กับโมเดลที่เน้นการตัดสินใจเร็ว มีขอบเขตชัดเจน แทนการให้เหตุผลแบบเปิดกว้างหรือสร้างเนื้อหา 16

ไม่ได้หมายความว่า Jev แก้ปัญหาการให้เหตุผลทั่วไปได้แล้ว แต่หมายความว่าอินเทอร์เฟซของมันต่างออกไป: ส่งข้อมูลสถานะและโจทย์ตัดสินใจที่นิยามชัด แล้วรับผลลัพธ์ที่มีขอบเขตพร้อมการกระจายความน่าจะเป็น แทนที่จะได้ย่อหน้าคำอธิบาย

เหตุใดผลลัพธ์ที่ถูกจำกัดกรอบจึงช่วยระบบอัตโนมัติได้

Jev ให้แอปพลิเคชันกำหนดรูปร่างผลลัพธ์ล่วงหน้า และสำหรับคำถามแบบ Choice ก็ระบุคำตอบที่อนุญาตได้ ดังนั้นโมเดลจึงไม่ควรส่งฟิลด์ที่ไม่ได้ร้องขอ ตั้งชื่อเครื่องมือที่ไม่มีอยู่ หรือเขียนคำอธิบายอิสระในจุดที่โปรแกรมต้องการค่าจำกัดชุดหนึ่ง

อย่างไรก็ดี นี่เป็นการรับประกันด้าน โครงสร้าง ไม่ใช่การรับประกันว่าคำตอบถูกต้อง โมเดลยังอาจเลือกตัวเลือกที่อนุญาตแต่ผิด ตีความบริบทคลาดเคลื่อน หรือให้ระดับความมั่นใจที่ไม่ตรงกับผลจริงได้ Vercel ระบุชัดว่าการเป็นไปตาม schema เป็นเรื่องรูปแบบคำตอบ ส่วนความถูกต้องเชิงความหมายยังต้องประเมินแยกต่างหาก

สำหรับงานจริง ทีมพัฒนาควรมองเกณฑ์ความมั่นใจเป็นค่าทางนโยบายที่ต้องทดสอบ ไม่ใช่หลักฐานความน่าเชื่อถืออัตโนมัติ แนวทางใช้งานที่สมเหตุสมผลคือให้ระบบทำงานอัตโนมัติกับการตัดสินใจความเสี่ยงต่ำที่มั่นใจสูง และส่งกรณีคลุมเครือหรือผลกระทบสูงไปยัง LLM, rules engine หรือเจ้าหน้าที่มนุษย์

การฝึกและการปรับเทียบความมั่นใจ: สิ่งที่ TypeSafe ระบุ

TypeSafe ระบุว่า Jev ฝึกด้วยข้อมูลสังเคราะห์ทั้งหมด ผ่านวิธี Reinforcement Learning for Calibrated Decisions หรือ RLCD เป้าหมายที่บริษัทกล่าวคือทำให้ค่าความน่าจะเป็นที่รายงานสอดคล้องกับอัตราความถูกต้องที่สังเกตได้ มากกว่าปรับให้คำตอบข้อความเป็นที่ชื่นชอบของมนุษย์

หากการปรับเทียบทำได้ดี ความน่าจะเป็น 0.9 ก็อาจช่วยให้นักพัฒนาตั้งเกณฑ์ส่งต่อเพื่อตรวจสอบได้อย่างมีความหมาย แต่ RLCD ยังไม่มีการยืนยันอย่างกว้างขวางจากการทดสอบอิสระ และข้อมูลที่มีไม่ได้แสดงการตรวจสอบจากบุคคลที่สามแบบครอบคลุม ทั้งด้าน calibration ความทนทานต่อข้อมูลโจมตี หรือความแม่นยำข้ามโดเมน ดังนั้นองค์กรควรทดสอบกับข้อมูลและนโยบายการตัดสินใจของตนเองก่อนใช้งานจริง

ราคา บริบทข้อมูล และความเร็ว

TypeSafe ระบุราคา Jev 1.13 ที่ 0.042 ดอลลาร์ต่อ 1 ล้านโทเค็นอินพุต หรือ 42 ดอลลาร์ต่อ 1 พันล้านโทเค็น ส่วนโทเค็นเอาต์พุตไม่คิดค่าใช้จ่าย ตามอัตรานี้ เครดิต 5 ดอลลาร์ครอบคลุมอินพุตราว 119 ล้านโทเค็น ก่อนภาษีหรือเงื่อนไขเฉพาะบัญชี เอกสารโมเดลระบุ context ต่อคำขอ 64,000 โทเค็น โดย state ใช้ได้สูงสุด 32,000 โทเค็น รวมกับคำถามที่ยาวที่สุด

บริษัทและรายงานช่วงเปิดตัวอ้างค่า latency ราว 70–500 มิลลิวินาทีตามลักษณะงาน ตัวเลขนี้เหมาะเป็นจุดเริ่มต้นสำหรับการประเมิน แต่ผลจริงขึ้นกับขนาดคำขอ การออกแบบคำถาม ภูมิภาค และสภาพการให้บริการ

การใช้งานระยะแรกผ่าน Vercel

Vercel เพิ่ม Jev เข้าสู่ AI Gateway ซึ่งเรียกใช้ได้ในชื่อ typesafe-ai/jev ผ่าน evaluation API แบบทดลอง

Vercel ระบุว่า ภายใน 24 ชั่วโมง Jev เข้าถึงเกือบ 13% ของทีม AI Gateway แบบชำระเงิน และมีจำนวนทีมมากกว่าการเปิดตัวโมเดลก่อนหน้าทุกรุ่นในช่วงเวลาเดียวกันกว่าสองเท่า นี่เป็นสัญญาณว่ากลุ่มนักพัฒนาสนใจและกำลังทดลองใช้ แต่ยังไม่พิสูจน์การใช้งานต่อเนื่อง ความน่าเชื่อถือในระดับ production หรือความเหนือกว่าบนทุกลักษณะงาน

รายงานยังยกตัวอย่างการทดลองจัดประเภทความปลอดภัยของคำสั่งและการจัดหมวดหมู่อีเมล ตัวอย่างเหล่านี้ช่วยให้เห็นประเภทงานที่ Jev มุ่งเป้า แต่ไม่ใช่ผล benchmark อิสระที่ควบคุมเงื่อนไขได้ ทีมที่เปรียบเทียบ Jev กับ LLM ควรวัดความแม่นยำ การปรับเทียบความมั่นใจ ความรุนแรงของความผิดพลาด latency และต้นทุนตลอดเวิร์กโฟลว์บนข้อมูลที่เป็นตัวแทนงานของตน

Jev เหมาะกับงานใด และไม่เหมาะกับอะไร

Jev อาจเหมาะเมื่อระบบรู้ล่วงหน้าว่าต้องตัดสินใจเรื่องใด และสามารถกำหนดพื้นที่คำตอบได้ชัด เช่น

• เลือกว่า agent ควรทำงานต่อ ลองใหม่ ขอข้อมูลเพิ่ม หรือหยุด
• จัดประเภทคำสั่งหรือ tool call เพื่อส่งเข้าตรวจความปลอดภัย
• ให้คะแนนความเร่งด่วน ความเกี่ยวข้อง หรือความเสี่ยง
• เลือกค่าจากชุดตัวเลือกที่โค้ดเชิงกำหนดแน่นอนได้ดึงออกมาแล้ว
• คัดกรองหรือติดป้ายข้อความจำนวนมากก่อนเรียกโมเดลที่แพงกว่า

แต่ Jev ไม่ใช่สิ่งทดแทน LLM ในกรณีที่ผลิตภัณฑ์ต้องเขียนเนื้อหาแบบปลายเปิด อธิบาย ระดมความคิด สร้างโค้ด วางแผนในภาพกว้าง หรือตอบคำถามที่นิยามด้วย schema ล่วงหน้าไม่ได้ คุณภาพของการใช้งานยังขึ้นกับถ้อยคำคำถาม ข้อมูลที่ป้อน ตัวเลือกผู้สมัคร เกณฑ์ตัดสิน และวิธีทดสอบ TypeSafe แนะนำให้ระบุเงื่อนไขให้ชัด คัดกรอง context ในโค้ดก่อนส่งเท่าที่ทำได้ และทดสอบการเชื่อมต่ออย่างรอบคอบ

ข้อจำกัดด้านข้อมูล และแผนมัลติโหมด

ปัจจุบัน Jev รับ state ที่เป็นข้อความ ได้แก่ สตริง ออบเจ็กต์ JSON และอาร์เรย์ข้อความ ยังไม่รองรับภาพ เสียง หรือวิดีโอ TypeSafe ระบุเพียงว่าโมดาลิตีเหล่านี้ “ยังไม่รองรับ” โดยเอกสารที่มีไม่ได้ให้กำหนดการเปิดตัวสาธารณะสำหรับโมเดลมัลติโหมด

บทสรุปสำหรับทีมพัฒนา

ข้อเสนอของ Jev ไม่ใช่แนวคิดว่า AI ทุกประเภทควรเลิกสร้างภาษา แต่คือหลายเวิร์กโฟลว์ซอฟต์แวร์อาจไม่จำเป็นต้องใช้การสร้างภาษาเลย หากงานคือการจัดประเภท จัดเส้นทาง หรือตัดสินตามนโยบายที่มีขอบเขตชัด คำตอบแบบมีชนิดข้อมูลพร้อมความน่าจะเป็นอาจเชื่อมเข้าระบบได้ง่ายกว่า ต้นทุนต่ำกว่า และนำไปดำเนินการได้เร็วกว่าคำตอบแบบแชต

แต่ต้องไม่ลืมข้อแลกเปลี่ยน: ผลลัพธ์ที่มีโครงสร้างช่วยลดความผิดพลาดเรื่องรูปแบบผลลัพธ์ ไม่ได้ลดความผิดพลาดของการตัดสินใจโดยอัตโนมัติ คุณค่าที่แท้จริงของ Jev จึงขึ้นอยู่กับว่าความแม่นยำและค่าความมั่นใจจะยืนระยะได้เพียงใด เมื่อทดสอบอย่างอิสระและเฉพาะโดเมน จนกว่าจะมีข้อมูลดังกล่าว Jev ควรถูกมองเป็นเครื่องมือเฉพาะทางที่น่าสนใจสำหรับการตัดสินใจในซอฟต์แวร์ที่กำหนดขอบเขตดี ไม่ใช่ตัวแทน LLM สำหรับงานทั่วไป