Jev เป็นโมเดล System One ตัวแรกของ TypeSafe AI ที่ออกแบบมาสำหรับแอปพลิเคชันที่ต้องการการตัดสินใจแบบมีโครงสร้าง ไม่ใช่การสร้างข้อความยาว โดยจะประเมินข้อมูลที่ให้มาตามคำถามที่กำหนดไว้อย่างชัดเจน และส่งคืนคำตอบแบบมีชนิด ระบุกระจายความน่าจะเป็น และหากเกี่ยวข้อง จะมีคะแนนความเชื่อมั่น

ต่างจากโมเดลภาษาขนาดใหญ่แบบดั้งเดิม Jev ไม่ได้ออกแบบมาเพื่อแชต เขียนโค้ด หรือสร้างเนื้อหาแบบยาว จุดประสงค์คือทำการตัดสินใจแบบมีขอบเขตที่ซอฟต์แวร์สามารถนำไปใช้ได้ทันทีสำหรับการจัดหมวดหมู่ การกำหนดเส้นทาง การให้คะแนน การตรวจสอบ การจัดลำดับความสำคัญ และการควบคุมเวิร์กโฟลว์

มีการทบทวนข้อมูลเกี่ยวกับโมเดลเมื่อวันที่ 21 กันยายน 2026

ข้อมูลเชิงเทคนิคของ Jev

ราคา นามแฝง และขีดจำกัดอัตราอาจเปลี่ยนแปลงได้ นักพัฒนาควรตรวจสอบข้อมูลล่าสุดก่อนย้ายงานโหลดเข้าสู่การใช้งานจริง

Jev คืออะไร?

Jev เป็นโมเดลการตัดสินใจที่พัฒนาโดย TypeSafe AI โดยแทนที่จะสร้างลำดับโทเค็นแบบปลายเปิด โมเดลจะเลือกค่าจากพื้นที่คำตอบที่นักพัฒนากำหนดไว้

คำขอไปยัง Jev มีสององค์ประกอบหลัก:

• State: ข้อมูลที่โมเดลควรประเมิน เช่น ทิกเก็ตสนับสนุน ระเบียนธุรกรรม รอยทางของเอเจนต์ คำอธิบายสินค้า หรือ state ของแอปในรูปแบบ JSON
• Questions: คำนิยามแบบมีชนิดของการตัดสินที่ควรกระทำกับ state นั้น

คำตอบที่ได้ตั้งใจให้ซอฟต์แวร์ใช้งานได้โดยตรง แอปพลิเคชันสามารถแตกแขนงตามหมวดหมู่ที่เลือก เปรียบเทียบคะแนน ตรวจสอบความน่าจะเป็น ใช้เกณฑ์ความเชื่อมั่น หรือส่งกรณีที่ไม่แน่ชัดให้มนุษย์ตรวจทาน

ดังนั้น Jev จึงทำหน้าที่เป็นชั้นการตัดสินใจแบบมีความน่าจะเป็น ระหว่างข้อมูลแอปพลิเคชันและตรรกะเชิงกำหนดแน่ ซอฟต์แวร์ยังคงควบคุมเกณฑ์ สิทธิ์ และการดำเนินการได้ ขณะที่ Jev จัดการการตัดสินที่ยากจะระบุด้วยกฎตายตัว

Jev ทำงานอย่างไร

โครงพื้นฐานการตัดสินใจ 3 แบบ

Jev รองรับ 3 ประเภทคำถามที่ออกแบบมาสำหรับการตัดสินใจของซอฟต์แวร์ในลักษณะต่างกัน

Choice เลือกหนึ่งตัวเลือกจากชุดที่กำหนดล่วงหน้า เหมาะกับงานอย่างการจำแนกเจตนา การกำหนดคิวทิกเก็ต การจัดหมวดหมู่นโยบาย และการเลือกโมเดล คำตอบจะรวมตัวเลือกที่เลือก ความน่าจะเป็นของแต่ละตัวเลือก และคะแนนความเชื่อมั่น

Score ประเมิน state เทียบกับรูบริกแบบมีลำดับ สามารถวัดคุณลักษณะอย่างความเร่งด่วน ความเสี่ยง ความเกี่ยวข้อง ความหงุดหงิด หรือคุณภาพเนื้อหา คำตอบจะรวมคะแนน ความน่าจะเป็นสำหรับแต่ละระดับในรูบริก และคะแนนความเชื่อมั่น

Noul ประเมินความน่าจะเป็นที่ข้อความหนึ่งเป็นจริง ส่งค่าระหว่าง 0 ถึง 1 และมีประโยชน์สำหรับการตรวจพิสูจน์ การตรวจนโยบาย การตัดสินสิทธิ์ และเกตตรวจสอบความสมบูรณ์ ไม่เหมือนกับ Choice และ Score, Noul จะไม่ส่งฟิลด์ความเชื่อมั่นแยกต่างหากเพราะเอาต์พุตเป็นความน่าจะเป็นอยู่แล้ว

การประเมินหลายคำถามแบบขนาน

คำขอเดียวสามารถมีคำถามแบบ Choice, Score และ Noul ได้หลายข้อ Jev จะประเมินคำถามเหล่านั้นอย่างเป็นอิสระและขนานกันบน state เดียวกัน

ตัวอย่างเช่น แพลตฟอร์มสนับสนุนสามารถจำแนกทิกเก็ต ประเมินความเร่งด่วน และประมาณการว่าควรเอสคาเลตให้มนุษย์หรือไม่ ภายในคำขอเดียว TypeSafe ระบุว่าการเพิ่มคำถามอิสระแทบไม่มีผลต่อเวลาตอบสนอง

คำถามภายในคำขอเดียวกันไม่สามารถขึ้นกับคำตอบของกันและกันได้ การตัดสินใจแบบลำดับควรทำผ่านการเรียกแยกต่างหากเชื่อมด้วยตรรกะแอปพลิเคชัน

คำตอบแบบ Type-safe

โครงสร้างคำตอบที่เป็นไปได้ของ Jev ถูกกำหนดก่อนการอนุมาน สิ่งนี้ป้องกัน JSON ที่ผิดรูป ฟิลด์ที่ไม่คาดคิด และข้อความอธิบายไม่พึงประสงค์จากการปรากฏในตำแหน่งที่ต้องการหมวดหมู่หรือค่าตัวเลข

การเป็น type-safe รับประกันเฉพาะรูปแบบของคำตอบ Jev ยังอาจส่งคืนการตัดสินที่ถูกต้องตามรูปแบบแต่ไม่ถูกต้องตามความจริงได้ ดังนั้นทีมงานจึงต้องประเมินความแม่นยำด้วยข้อมูลตัวแทนใช้งานจริง

ความน่าจะเป็นและความเชื่อมั่นแบบชัดแจ้ง

Choice และ Score เปิดเผยการกระจายความน่าจะเป็นเบื้องหลังแต่ละคำตอบ ค่า confidence สรุปว่าโมเดลโน้มเอียงไปที่ผลลัพธ์หนึ่งมากน้อยเพียงใด

แอปพลิเคชันสามารถใช้ความเชื่อมั่นเพื่อทำงานอัตโนมัติเมื่อผลชัดเจน ขอการยืนยันเมื่อความไม่แน่ใจอยู่ระดับกลาง และส่งกรณีคลุมเครือให้มนุษย์หรือโมเดลสำรอง

เกณฑ์ที่เหมาะสมขึ้นกับความเสี่ยง การติดแท็กทิกเก็ตสนับสนุนทนต่อความไม่แน่ใจได้มากกว่าการอนุมัติธุรกรรมหรือการดำเนินการที่ไม่อาจย้อนกลับ

การอนุมานหน่วงต่ำ

TypeSafe รายงานเวลาโต้ตอบแบบปลายถึงปลายประมาณ 70 ถึง 500 มิลลิวินาที จึงเหมาะสำหรับการกำหนดเส้นทางแบบโต้ตอบ การตรวจเช็กซ้ำของเอเจนต์ และเวิร์กโฟลว์ที่เน้นการตัดสินใจอื่นๆ ที่การเรียกโมเดลสร้างสรรค์ที่ช้ากว่าอาจกระทบความไวต่อการตอบสนอง

ค่าแฝงจริงขึ้นกับขนาด state ภาระงานบริการ สภาพเครือข่าย และภูมิภาคที่ปรับใช้

การปรับแต่งระดับคำขอ

Jev ไม่ได้ปรับแต่งผ่านการไฟน์จูนเฉพาะบัญชีหรือ LoRA นักพัฒนาปรับให้เหมาะโดยการส่ง state ที่เกี่ยวข้อง เขียนคำสั่งที่แม่นยำ กำหนดเกณฑ์ให้ชัด และผสานการตัดสินใจแบบอะตอมิกในโค้ดแอป

แนวทางนี้ทำให้กฎธุรกิจโปร่งใสและช่วยให้ทีมเปลี่ยนตรรกะเวิร์กโฟลว์ได้โดยไม่ต้องฝึกโมเดลใหม่

โมเดลแบบมีเวอร์ชันและนามแฝงเสถียร

TypeSafe มีรหัสโมเดลแบบตายตัวและนามแฝงที่เคลื่อนไหวได้ jev-1.13.0 ระบุรุ่นที่เฉพาะเจาะจง ขณะที่ jev-latest ชี้ไปยังเวอร์ชันเสถียรล่าสุด jev-preview อาจชี้ไปยังรุ่นพรีวิวที่ใหม่กว่าเมื่อมีให้ใช้

นามแฝงช่วยให้ง่ายต่อการทดลอง แต่พฤติกรรมอาจเปลี่ยนหลังการอัปเดต แอปพลิเคชันที่ใช้งานจริงและปรับเทียบเกณฑ์ไว้แล้วควรปักหมุดรุ่นที่ทดสอบและบันทึกรหัสโมเดลที่ส่งกลับมากับทุกคำตอบ

ประสิทธิภาพตามเกณฑ์ของ Jev

Jev ไม่ได้ออกแบบมาสำหรับเกณฑ์มาตรฐานทั่วไปที่เน้นการเขียน การเขียนโค้ด การคำนวณ หรือการหาเหตุผลแบบยาว การวัดที่สัมพันธ์มากกว่ารวมถึงคุณภาพการตัดสินใจ การปรับเทียบความน่าจะเป็น ค่าแฝง ต้นทุน และความน่าเชื่อถือของเอาต์พุต

TypeSafe รายงานว่า:

• เวลาโต้ตอบปลายถึงปลาย 70–500 มิลลิวินาที
• เร็วขึ้นประมาณ 40–200× ในงาน System One ที่เทียบเคียงกัน
• ผลลัพธ์เวิร์กโฟลว์สูงสุดเร็วขึ้น 193.6×
• การปรับปรุงต้นทุนที่รายงานสูงสุด 444.6×

นี่เป็นผลที่ผู้ขายรายงาน และไม่ควรถือเป็นการรับประกันประสิทธิภาพสากล การประเมินเวิร์กโฟลว์ของ TypeSafe เปรียบเทียบโมเดลบนกราฟการตัดสินใจแบบมีโครงสร้าง และใช้ค่าเฉลี่ยการทำนายของโมเดลภายนอกคุณภาพสูงที่เลือกเป็นความน่าจะเป็นอ้างอิง

TypeSafe ยังยอมรับว่าสมาชิกทีมความสามารถโมเดลมีส่วนสร้างเวิร์กโฟลว์ที่ประเมิน ซึ่งอาจทำให้เกิดอคติ ผลลัพธ์ที่รายงานอาจใกล้เคียงกับขอบบนของสิ่งที่แอปพลิเคชันจะสังเกตได้

Jev เทียบกับ Structured-output LLM เทียบกับ Classical Classifier เทียบกับ Rules Engine

Jev มีประโยชน์ที่สุดเมื่อตรรกะตายตัวเปราะบางเกินไป การสร้างตัวจัดประเภทเฉพาะมีค่าใช้จ่ายสูง และแอปพลิเคชันไม่ต้องการข้อความที่สร้างขึ้น

LLM แบบดั้งเดิมยังคงเหมาะกว่าเมื่อภารกิจต้องการการค้นคว้า คำอธิบาย การสร้างเนื้อหา การวางแผน หรือการให้เหตุผลหลายขั้นตอน เอนจินกฎยังคงเหมาะเมื่อเงื่อนไขที่ถูกต้องสามารถระบุได้อย่างชัดเจนและกำหนดแน่นอน

กรณีการใช้งานที่แนะนำ

Jev เหมาะกับการตัดสินใจที่เกิดบ่อยและมีพื้นที่คำตอบกำหนดไว้ล่วงหน้า

• การกำหนดเส้นทางและการคัดแยก: จำแนกคำขอ เลือกคิวหรือเครื่องมือ และจัดลำดับความสำคัญกรณีเร่งด่วน
• การควบคุมเอเจนต์: ตรวจสอบความสมบูรณ์ของงาน ประเมินการกระทำที่เสนอ และระบุกรณีที่ต้องการการยืนยัน
• การประเมิน LLM: ประเมินความเกี่ยวข้อง หลักฐานสนับสนุน การปฏิบัติตามนโยบาย หรือคุณภาพคำตอบ
• การกลั่นกรอง: จัดหมวดหมู่การละเมิดนโยบาย ให้คะแนนความรุนแรง และเอสคาเลตกรณีที่ไม่แน่ชัด
• การเพิ่มคุณค่าข้อมูล: แปลงข้อความ รีวิว ลูกค้าเป้าหมาย และระเบียนเป็นหมวดหมู่ คะแนน และฟีเจอร์ความน่าจะเป็น
• การตัดสินใจแบบเรียลไทม์: รองรับพฤติกรรมแอปที่ต้องการความหน่วงต่ำซึ่งไม่จำเป็นต้องใช้การตอบสร้างสรรค์เต็มรูปแบบ

ข้อจำกัดของ Jev

Jev ถูกออกแบบให้เชี่ยวชาญเฉพาะทาง และความแคบนี้ก่อให้เกิดข้อจำกัดสำคัญหลายประการ

• ไม่สามารถสร้างร้อยแก้ว โค้ด สรุป หรือคำตอบแบบสนทนา
• ไม่ได้ตั้งใจสำหรับการค้นคว้าขยายหรือการให้เหตุผลหลายขั้นตอน
• เอาต์พุตแบบ type-safe ไม่ได้รับประกันการตัดสินใจทางธุรกิจที่ถูกต้อง
• รูปภาพ เสียง วิดีโอ และไฟล์ไบนารีต้องแปลงเป็นข้อความหรือข้อมูลมีโครงสร้างก่อนส่ง
• ภาษาอังกฤษเป็นภาษาที่มีเอกสารความสามารถแข็งแรงที่สุด
• งานที่ไม่ใช่ภาษาอังกฤษและ CJK ต้องประเมินแยกต่างหาก
• คำถามภายในคำขอเดียวกันถูกประเมินอย่างอิสระ
• โมเดลไม่สามารถสร้างโซ่เหตุผลแบบลำดับข้ามคำถามเหล่านั้นได้
• TypeSafe ไม่เปิดเผยจำนวนพารามิเตอร์ของโมเดลหรือปล่อยเวต
• การปรับแต่งทำผ่านคำขอ ไม่ใช่ไฟน์จูนเฉพาะลูกค้า
• ผลลัพธ์ประสิทธิภาพที่เผยแพร่ได้มาจากกรอบการประเมินของ TypeSafe เอง
• นามแฝงที่เคลื่อนไหวอาจทำให้พฤติกรรมเปลี่ยนโดยไม่ต้องแก้โค้ดแอป

Jev ไม่ควรแทนที่โค้ดแบบกำหนดแน่นอนสำหรับสิทธิ์ การคำนวณทางการเงิน ข้อกำหนดทางกฎหมาย ขีดจำกัดขนาดไฟล์ หรือนโยบายการกระทำที่ไม่อาจย้อนกลับ โมเดลเชิงความน่าจะเป็นมีประโยชน์สำหรับการตัดสินใจที่ไม่แน่นอน ไม่ใช่สำหรับเงื่อนไขที่ซอฟต์แวร์ประเมินได้อย่างแม่นยำแล้ว

CometAPI ให้การเข้าถึง Jev API ได้อย่างไร?

ปัจจุบัน Jev ยังไม่มีในแค็ตตาล็อกโมเดลสาธารณะของ CometAPI CometAPI มีแผนประเมินและผสาน Jev เมื่อการเข้าถึงโมเดลพร้อมใช้งานและมีการเปิดสิทธิ์การเชื่อมต่อที่ต้องการ

หลังการผสาน นักพัฒนาจะสามารถตรวจสอบไดเรกทอรีโมเดลของ CometAPI และเอกสารประกอบ API เพื่อดูรหัสโมเดลที่รองรับ รูปแบบคำขอ ราคา ขีดจำกัดอัตรา และความพร้อมใช้งานของเอ็นด์พอยต์

จนกว่าจะมีการประกาศผสานอย่างเป็นทางการ นักพัฒนาควรใช้คอนโซลของ TypeSafe, API ต้นฉบับ หรือ SDK อย่างเป็นทางการ การผสานกับ CometAPI ควรถือว่าพร้อมใช้งานก็ต่อเมื่อ Jev ปรากฏในแค็ตตาล็อกโมเดลสาธารณะพร้อมข้อมูล API ที่ตรวจสอบแล้ว