Jev โดย TypeSafe AI: มีอะไรใหม่ ทำงานอย่างไร และทางเลือกอื่น ๆ (2026)

การเปิดตัวโมเดลส่วนใหญ่ในปีนี้มักเน้นไปที่การทำสิ่งต่าง ๆ ให้ได้มากขึ้น แต่โมเดลนี้กลับเน้นไปที่การทำให้น้อยลงอย่างตั้งใจ

TypeSafe AI ได้เปิดตัวโมเดลที่ไม่แชท ไม่เขียน และไม่อธิบายตัวเอง โดยมันจะตอบคำถามด้วยค่าประเภทข้อมูล (typed values) และความน่าจะเป็นเท่านั้น และนั่นคือขอบเขตการทำงานทั้งหมดของผลิตภัณฑ์นี้

คู่มือนี้จะครอบคลุมถึงข้อมูลว่าโมเดลนี้คืออะไร และประเภทคำถามทั้งสามแบบทำงานอย่างไร นอกจากนี้ยังครอบคลุมถึงเรื่องราคา สิ่งที่ผู้พัฒนาบอกว่าโมเดลนี้ยังทำได้ไม่ดี และตำแหน่งของโมเดลนี้เมื่อเทียบกับงานที่ทีมส่วนใหญ่ต้องทำจริง ๆ

สิ่งที่เปิดตัว

Jev คือโมเดลเรือธงของ TypeSafe และจากเอกสารอย่างเป็นทางการของผู้พัฒนา มันยังเป็น "โมเดล System One ตัวแรก" อีกด้วย

แนวคิดนี้เริ่มต้นจากข้อร้องเรียนเกี่ยวกับวิธีการทำงานของโมเดลอื่น ๆ ในกลุ่มเดียวกัน โดยเอกสารระบุว่า โมเดลภาษาขนาดใหญ่ "ถูกออกแบบมาเพื่อสร้างข้อความให้มนุษย์อ่าน" แต่เมื่อคุณต้องการการตัดสินใจที่โค้ดของคุณจะนำไปใช้งานต่อ "นั่นทำให้เกิดความไม่สอดคล้องกัน"

เอกสารได้อธิบายถึงความไม่สอดคล้องกันนี้ว่า คุณกำลัง "บังคับให้ระบบสร้างข้อความส่งผลลัพธ์ออกมาเป็นการตัดสินใจที่มีโครงสร้าง จากนั้นจึงต้องแปลงผลลัพธ์กลับไปเป็นสิ่งที่โค้ดของคุณสามารถนำไปใช้งานได้อย่างน่าเชื่อถือ"

ทางเลือกที่นำเสนอในที่นี้จะช่วยตัดขั้นตอนที่ซ้ำซ้อนออกไป โดย Jev จะ "ประเมินคำถามที่มีการระบุประเภทข้อมูลเทียบกับสถานะ (state) และส่งคืนผลลัพธ์ที่มีโครงสร้างโดยตรง โดยไม่มีการสร้างข้อความ และไม่มีการแปลงข้อมูล"

เว็บไซต์ของบริษัทจัดวาง Jev ไว้ที่ปลายสุดของสายวิวัฒนาการ เริ่มจากโมเดลภาษายุคแรก ตามด้วย LLMs ที่ผ่านการฝึกอบรมล่วงหน้า จากนั้นเป็นโมเดลแชทแบบ RLHF ต่อด้วยโมเดลการให้เหตุผลแบบ RLVR และตอนนี้คือ RLCD ซึ่งย่อมาจาก "การเรียนรู้แบบเสริมกำลังเพื่อการตัดสินใจที่ผ่านการปรับเทียบแล้ว" (reinforcement learning for calibrated decisions)

โมเดล System One คืออะไร

ชื่อนี้ถูกหยิบยืมมาใช้ และเอกสารก็ระบุไว้โดยตรงว่า "มาจากแนวคิดที่ Daniel Kahneman ทำให้เป็นที่แพร่หลายในหนังสือของเขาที่ชื่อว่า Thinking, Fast and Slow"

System 1 นั้นรวดเร็วและใช้สัญชาตญาณ ส่วน System 2 จะช้ากว่าและต้องใช้ความคิดอย่างรอบคอบ ในที่นี้ "เน้นไปที่การตัดสินใจที่รวดเร็วและตรงจุด"

คำจำกัดความในเชิงการทำงานนั้นแคบกว่าการเปรียบเปรย โดยสิ่งเหล่านี้คือ "กลุ่มของโมเดล AI ที่สร้างขึ้นเพื่อทำการตัดสินใจที่มีโครงสร้างอย่างรวดเร็ว ซึ่งซอฟต์แวร์สามารถนำไปใช้งานได้โดยตรง" โมเดลดังกล่าวจะ "ประเมินสถานะและส่งคืนคำตอบที่มีการระบุประเภทข้อมูลรวมถึงค่าความน่าจะเป็น"

มีเพียงเส้นบาง ๆ ที่แบ่งแยก Jev ออกจากสิ่งอื่น ๆ ทั้งหมดในตลาด นั่นคือ "เช่นเดียวกับ LLM โมเดล System One เข้าใจข้อมูลนำเข้าที่เป็นภาษาธรรมชาติ แต่มันจะส่งคืนการตัดสินใจที่มีการระบุประเภทข้อมูลและค่าความน่าจะเป็น แทนที่จะเป็นข้อความที่สร้างขึ้นมา"

ข้อจำกัดที่โมเดลนี้ไม่ทำก็ถูกระบุไว้อย่างชัดเจนโดยผู้พัฒนาเช่นกัน โดยโมเดล System One "จะไม่เขียนคำตอบ ไม่สร้างโค้ด หรือสร้างคำอธิบายสำหรับการให้เหตุผลของตนเอง"

ประเภทคำถามทั้งสามแบบ

คุณไม่ได้ป้อนพรอมต์ให้ Jev แต่คุณกำหนดขอบเขตของคำตอบ (answer space) และให้มันเลือกจากในนั้น

มีประเภทข้อมูลพื้นฐาน (primitives) อยู่สามแบบ ซึ่งในเอกสารได้ยกตัวอย่างของแต่ละแบบไว้ดังนี้

ประเภทพื้นฐาน	คำถาม	ขอบเขตคำตอบ	ผลลัพธ์
Choice	ทีมใดควรจัดการตั๋วสนับสนุนนี้?	billing, technical, หรือ account	choice: "billing"
Score	ลูกค้าคนนี้มีความหงุดหงิดระดับใด?	0 = สงบ, 1 = หงุดหงิด, 2 = หงุดหงิดมาก	score: 1.4
Noul	ข้อความนี้เป็นการขอคืนเงินใช่หรือไม่?	True หรือ false	noul: 0.95

Choice จะเลือกหนึ่งตัวเลือกจากชุดข้อมูลที่กำหนดไว้ Score จะให้คะแนนเทียบกับระดับที่จัดเรียงและมีคำอธิบายไว้ ส่วน Noul จะส่งคืนค่าความน่าจะเป็นที่คำถามแบบ ใช่/ไม่ใช่ จะเป็นจริง (true)

ตัวอย่างของ Score นั้นคุ้มค่าที่จะพิจารณาอีกครั้ง คำตอบที่ได้คือ 1.4 ไม่ใช่ 1 ซึ่ง Jev กำลังจัดวางกรณีดังกล่าวไว้ระหว่างระดับที่มีชื่อเรียกสองระดับ แทนที่จะปัดเศษไปยังระดับที่ใกล้ที่สุด นั่นเป็นรูปแบบผลลัพธ์ที่แตกต่างจากสิ่งที่โมเดลข้อความทั่วไปส่งคืนอย่างสิ้นเชิง

ราคาและสิ่งที่รองรับ

หน้าแสดงราคานั้นอ่านเข้าใจง่ายอย่างไม่น่าเชื่อ ซึ่งไม่ใช่สิ่งที่เราจะได้เขียนถึงบ่อยนักสำหรับการเปิดตัวโมเดลใหม่

โมเดลปัจจุบันคือ jev-1.13.0 ราคาอยู่ที่ $42 ต่อพันล้านทอเคน หรือ $0.042 ต่อล้านทอเคน โดยในเอกสารระบุไว้อย่างชัดเจนว่าค่าบริการนี้คิด "ต่อทอเคนนำเข้า (input token)" และ "ทอเคนผลลัพธ์ (output token) นั้นฟรี"

ขีดจำกัดอัตราการใช้งาน (rate limits) ที่เผยแพร่อยู่ที่ 250,000 ทอเคนต่อวินาที และ 1,200 คำขอต่อนาที ความยาวบริบท (context length) อยู่ที่ 64k ทอเคนต่อคำขอ โดยในจำนวนนั้นมี 32k ทอเคนที่สามารถใช้สำหรับสถานะ (state) รวมกับคำถามที่ยาวที่สุดได้

ข้อมูลนำเข้ารองรับเฉพาะข้อความเท่านั้น โดยเอกสารระบุว่า Jev "ประเมินสตริง, ออบเจกต์ JSON และอาร์เรย์ของข้อความ" และเสริมว่า "ยังไม่รองรับรูปภาพ เสียง และวิดีโอ (ในขณะนี้)"

ทุกอย่างทำงานผ่านเอนด์พอยต์เดียวคือ POST /v1/systemone โดยมีฟิลด์ model สำหรับเลือกโมเดลที่จะมาจัดการกับการเรียกใช้งานนั้น

คุณสมบัติ	ค่า
โมเดล	jev-1.13.0
ราคา	$42 ต่อ Btok / $0.042 ต่อ Mtok, เฉพาะข้อมูลนำเข้าเท่านั้น
ทอเคนผลลัพธ์	ฟรี
ขีดจำกัดอัตราการใช้งาน	250,000 ทอเคนต่อวินาที; 1,200 คำขอต่อนาที
บริบท	64k ต่อคำขอ; 32k สำหรับสถานะรวมกับคำถามที่ยาวที่สุด
ประเภทข้อมูลนำเข้า	เฉพาะข้อความเท่านั้น

ค่าความมั่นใจคือส่วนที่ต้องให้ความสำคัญ

เรื่องราคาอาจเป็นพาดหัวข่าวหลัก แต่การจัดการค่าความมั่นใจ (confidence) คือการตัดสินใจในการออกแบบที่น่าสนใจยิ่งกว่า

ทุกคำตอบของ Choice และ Score จะมีคุณสมบัติ probabilities (ความน่าจะเป็น) ควบคู่ไปกับตัวเลือกหรือระดับต่าง ๆ ซึ่งเอกสารได้อธิบายวิธีตีความค่านี้ไว้ว่า การกระจายตัวที่ "กระจุกตัวอยู่ที่ผลลัพธ์เดียวหมายถึงคำตอบที่มั่นใจ หากกระจายออกไปหมายถึงคำตอบที่ไม่แน่นอน"

คุณสมบัติ confidence ที่แยกต่างหากจะสรุปรูปแบบการกระจายตัวนั้นให้เหลือเพียงตัวเลขเดียวตั้งแต่ 0 ถึง 1 โดยวัตถุประสงค์ที่ระบุไว้ในเอกสารคือ "เพื่อให้คุณสามารถกำหนดเกณฑ์ขั้นต่ำ (threshold) ได้โดยไม่ต้องคำนวณด้วยตัวเอง"

เหตุผลเบื้องหลังการส่งค่าตัวเลขนี้ออกมาถูกระบุไว้เป็นหลักการว่า "หากระบบอัจฉริยะ ไม่ว่าจะเป็นมนุษย์หรือเครื่องจักร ไม่สามารถแสดงความไม่แน่นอนอย่างตรงไปตรงมาได้ ระบบนั้นก็ไม่สามารถได้รับความไว้วางใจได้"

สิ่งที่คุณจะได้รับจากสิ่งนี้คือกฎในการกำหนดเส้นทาง (routing rule) แทนที่จะเป็นคำตอบที่ดีขึ้น โดยคำตอบที่มีความมั่นใจสูงจะถูกส่งผ่านไปทำงานต่อทันที ส่วนคำตอบที่มีความมั่นใจต่ำจะถูกส่งต่อไปยังมนุษย์ ซึ่งเอกสารระบุว่าเป็นการตัดสินใจว่า "เมื่อใดควรดำเนินการ และเมื่อใดควรส่งต่อเรื่องไปยังมนุษย์หรือโมเดลการให้เหตุผล"

ใครก็ตามที่เคยติดตั้งระบบจำแนกประเภทข้อมูล (classification pipeline) จะตระหนักดีว่าทำไมสิ่งนี้จึงสำคัญ เส้นทางการส่งต่อเรื่องต่างหาก ไม่ใช่ตัวเลขความแม่นยำ ที่จะเป็นตัวตัดสินว่าระบบนั้นจะรอดพ้นจากการใช้งานจริงกับข้อมูลจริงหรือไม่

สิ่งที่ผู้พัฒนาบอกว่าโมเดลนี้ยังทำได้ไม่ดี

TypeSafe ได้เผยแพร่หน้าเว็บที่ชื่อว่า model jaggedness (ความไม่สม่ำเสมอของโมเดล) ซึ่งได้รับการรีวิวเมื่อวันที่ 2026-09-17 โดยหน้านี้จะระบุรูปแบบความล้มเหลว (failure modes) ที่บริษัทรับทราบ การเผยแพร่ข้อมูลนี้ควบคู่ไปกับการเปิดตัวเป็นเรื่องที่พบได้ยาก และช่วยให้ทุกคนไม่ต้องเสียเวลาคาดเดา

ข้อความสรุปนั้นตรงไปตรงมาอย่างยิ่ง โดยระบุว่า Jev 1.13 "นั้นรวดเร็ว ผ่านการปรับเทียบมาแล้ว และดีในการตัดสินใจด้วยสามัญสำนึก แต่มันไม่ได้สมบูรณ์แบบ"

จุดอ่อนสามประการถูกระบุไว้โดยตรง ได้แก่ โมเดลนี้ "อาจประสบปัญหาในงานที่ต้องใช้การคิดวิเคราะห์หลายชั้น (indirection)" โมเดล "อาจเข้าใจสิ่งต่าง ๆ ตรงตามตัวอักษรมากเกินไป" และ "ประสบปัญหาในงานที่ต้องใช้ความแม่นยำของตัวเลข"

ตารางแสดงรูปแบบความล้มเหลวจะจับคู่แต่ละปัญหาเข้ากับแนวทางแก้ไข ซึ่งมีสองข้อที่ควรค่าแก่การกล่าวซ้ำสำหรับใครก็ตามที่กำลังประเมินเพื่อทำโครงการนำร่อง

• สำหรับคณิตศาสตร์และตัวเลข คำแนะนำในเอกสารคือ "ให้คำนวณทางคณิตศาสตร์ในโค้ดแทน"
• สำหรับสถานะขนาดใหญ่ที่เต็มไปด้วยรายละเอียดที่ไม่เกี่ยวข้อง คำแนะนำคือ "ให้กรองข้อมูลก่อน และส่งไปเฉพาะสิ่งที่คำถามต้องการเท่านั้น"

ทั้งสองข้อชี้ไปที่สมมติฐานการออกแบบเดียวกัน นั่นคือ นี่คือเครื่องมือช่วยตัดสินใจ ไม่ใช่เครื่องคิดเลขและไม่ใช่ดัชนีการค้นหา มันจะทำงานได้ดีที่สุดเมื่อระบบโดยรอบได้จำกัดขอบเขตของคำถามให้แคบลงแล้ว

ตำแหน่งของโมเดลนี้เมื่อเทียบกับงานที่คุณมีอยู่แล้ว

มีการแบ่งงานกันทำอย่างชัดเจนซ่อนอยู่ในตัวอย่างของผู้พัฒนาเอง ซึ่งการระบุสิ่งนี้จะเป็นตัวตัดสินว่าการเปิดตัวครั้งนี้เกี่ยวข้องกับคุณเลยหรือไม่

เวิร์กโฟลว์การคืนเงินที่ระบุในเอกสารจะสร้างสถานะขึ้นมาและถามคำถามที่เป็นอิสระต่อกันหลายข้อพร้อมกัน จากนั้นจะรวมคำตอบเข้าด้วยกัน "ด้วยการตรวจสอบแบบกำหนดเงื่อนไขตายตัว (deterministic checks) ในโค้ด" และส่งต่อกรณีดังกล่าว "เพื่อดำเนินการหรือตรวจสอบต่อไป"

ทุกขั้นตอนในที่นี้สมมติว่ามีนักพัฒนา แอปพลิเคชัน และปริมาณคำขอใช้งานที่สูง ต้นทุนต่อทอเคนจะต้องเป็นรายการค่าใช้จ่ายจริง ๆ ก่อนที่สิ่งนี้จะคุ้มทุน

งานรายงานส่วนใหญ่มักมีรูปแบบที่ต่างออกไป คุณจะมีไฟล์ข้อมูลแทนที่จะเป็นสตรีมคำขอใช้งาน การตัดสินใจเป็นเพียงวิธีการไม่ใช่ผลลัพธ์สุดท้าย และสิ่งที่จะต้องมีในตอนท้ายคือเอกสารที่ใครบางคนต้องอ่าน

การจำแนกประเภทความคิดเห็นของลูกค้าจำนวนสี่พันแถวคือส่วนกลางของงานนั้น ส่วนตอนท้ายคือบทสรุปที่ระบุถึงหัวข้อหลักสามหัวข้อและทำเครื่องหมายกรณีที่เป็นข้อยกเว้น

งานในครึ่งหลังนั้นคือสิ่งที่พื้นที่ทำงานแบบเน้นไฟล์เป็นหลัก (file-first workspace) จัดการ คุณเพียงแค่อัปโหลดไฟล์ที่ส่งออกและอธิบายหมวดหมู่ต่าง ๆ ด้วยภาษาธรรมชาติ แถวข้อมูลจะถูกส่งกลับมาพร้อมป้ายกำกับ และรายงานที่อธิบายข้อมูลเหล่านั้นจะถูกส่งมาพร้อมกันในคราวเดียว Powerdrill Bloom ทำงานในลักษณะนี้ และเวอร์ชันฟรีก็ครอบคลุมการใช้งานสไลด์ เอกสาร ชีต และรูปภาพขั้นพื้นฐานแล้ว

ทั้งสองสิ่งนี้ไม่ได้แข่งขันกันในบทบาทเดียวกัน สิ่งหนึ่งคือ API ที่คุณเชื่อมต่อเข้ากับผลิตภัณฑ์ ส่วนอีกสิ่งหนึ่งคือที่ที่สเปรดชีตจะถูกส่งไปเมื่อมีคนต้องการคำตอบภายในวันพฤหัสบดี หากปัญหาในรูปแบบของคุณมาในลักษณะของไฟล์ ลองใช้ Powerdrill Bloom

สำหรับงานติดป้ายกำกับในฝั่งสเปรดชีต มีคำแนะนำทีละขั้นตอนในหัวข้อ การจัดหมวดหมู่ข้อมูล Excel และสำหรับงานค้นหาหัวข้อหลัก มีการรวบรวม เครื่องมือสำหรับวิเคราะห์ความคิดเห็นของลูกค้า ไว้ให้แล้ว

ทางเลือกที่คุ้มค่าแก่การเปรียบเทียบ

มีสามแนวทางที่ครอบคลุมการทำงานในลักษณะเดียวกัน การเลือกแนวทางที่เหมาะสมจะขึ้นอยู่กับปริมาณงานเป็นหลัก

โมเดลอเนกประสงค์ที่ให้ผลลัพธ์แบบมีโครงสร้าง (structured output) ผู้ให้บริการรายใหญ่ทุกรายในปัจจุบันต่างจำกัดการตอบกลับให้อยู่ในรูปแบบโครงสร้าง (schema) คุณจะได้รับโมเดลเดียวที่ทำหน้าที่ทั้งตัดสินใจและสร้างข้อความ แต่ต้องแลกกับการจ่ายราคาในระดับการสร้างข้อความสำหรับงานตัดสินใจ และต้องทำการปรับเทียบด้วยตัวเอง

ตัวจำแนกประเภทแบบดั้งเดิม (classical classifiers) โมเดลขนาดเล็กที่ผ่านการปรับแต่งอย่างละเอียด (fine-tuned) หรือโครงสร้างแบบ gradient-boosted tree นั้นมีราคาถูกกว่าและสามารถคาดเดาผลลัพธ์ได้ทั้งหมด ซึ่งจะใช้ได้ผลดีหากคุณมีข้อมูลที่ติดป้ายกำกับไว้แล้วและชุดป้ายกำกับที่คงที่ แต่มันจะไม่เข้าใจนโยบายที่เขียนขึ้นด้วยภาษาเขียนทั่วไป

พื้นที่ทำงานวิเคราะห์แบบเน้นไฟล์เป็นหลัก (file-first analysis workspaces) เครื่องมือเหล่านี้จะจัดการการตัดสินใจเป็นขั้นตอนหนึ่งในการสร้างผลงานส่งมอบ โดยไม่มี API ไม่มีโครงสร้างข้อมูล (schema) และไม่มีการคำนวณงบประมาณต่อทอเคน แต่ก็ไม่มีความสามารถในการทำงานร่วมกับเส้นทางคำขอใช้งาน (request path) เช่นกัน

หากสถานการณ์ของคุณคือ	ให้พิจารณา
การตัดสินใจหลายล้านครั้งภายในผลิตภัณฑ์	โมเดลสำหรับการตัดสินใจโดยเฉพาะ (decision-only model)
การผสมผสานระหว่างการตัดสินใจและการร่างข้อความ ในปริมาณน้อย	โมเดลทั่วไปที่ให้ผลลัพธ์แบบมีโครงสร้าง (structured output)
ป้ายกำกับที่คงที่และมีข้อมูลการฝึกอบรมจำนวนมาก	ตัวจำแนกประเภทแบบดั้งเดิม (classical classifier)
ไฟล์ที่ต้องแปลงเป็นรายงาน	พื้นที่ทำงานแบบเน้นไฟล์เป็นหลัก (file-first workspace)

มีการรวบรวมข้อมูลที่เกี่ยวข้องเกี่ยวกับ เครื่องมือสำหรับสร้างรายงาน ซึ่งครอบคลุมหัวข้อสุดท้ายดังกล่าวไว้แล้ว

ใครที่ควรให้ความสนใจในตอนนี้

ทีมที่ต้องดำเนินการตัดสินใจในปริมาณมากภายในผลิตภัณฑ์คือกลุ่มที่มีเหตุผลชัดเจนที่สุดในการใช้งาน Jev เช่น การกำหนดเส้นทางตั๋วสนับสนุน, คิวการตรวจสอบเนื้อหา, การคัดกรองผู้มุ่งหวัง (lead qualification) และการตรวจสอบคุณสมบัติเบื้องต้น ซึ่งรูปแบบงานจะเป็นคำถามเฉพาะเจาะจงที่ถูกถามเป็นพัน ๆ ครั้งต่อวัน เพื่อส่งข้อมูลไปยังเงื่อนไขต่าง ๆ ในโค้ด

ทีมที่ทำการจำแนกประเภทข้อมูลเป็นครั้งคราวเพื่อเป็นส่วนหนึ่งของการวิเคราะห์จะมีเหตุผลในการใช้งานน้อยที่สุด ความคุ้มค่าในเชิงเศรษฐศาสตร์ที่ทำให้ Jev น่าสนใจเมื่อใช้งานในระดับใหญ่นั้นจะไม่เห็นผลเลยเมื่อใช้งานกับข้อมูลเพียงไม่กี่พันแถว และคุณยังคงต้องการเครื่องมือบางอย่างเพื่อเขียนบทสรุปหลังจากนั้นอยู่ดี

สำหรับคนอื่น ๆ สิ่งนี้เป็นเรื่องของการเรียนรู้แนวคิดมากกว่าการนำเครื่องมือไปใช้งานจริง การแยกแยะระหว่างการตัดสินใจที่รวดเร็วกับการสังเคราะห์ข้อมูลที่ช้ากว่าเป็นมุมมองที่มีประโยชน์ต่อระบบการทำงานของคุณเอง และมันจะยังคงมีประโยชน์ต่อไป ไม่ว่าคุณจะเคยส่งคำขอไปยัง API นี้หรือไม่ก็ตาม

คำแนะนำในทางปฏิบัติอีกข้อหนึ่งสำหรับผู้ที่กำลังประเมินการใช้งาน คือให้อ่านหน้าเว็บเกี่ยวกับความไม่สม่ำเสมอของโมเดล (jaggedness) ก่อนหน้าแสดงราคา การรู้ว่าโมเดลมีจุดอ่อนตรงไหนจะช่วยกำหนดทิศทางของโครงการนำร่องได้ดีกว่าการรู้ว่ามันมีราคาเท่าใดอย่างมาก

คำถามที่พบบ่อย

โมเดล System One คืออะไร?

มันคือกลุ่มของโมเดลที่สร้างขึ้นเพื่อทำการตัดสินใจที่มีโครงสร้างอย่างรวดเร็ว ซึ่งซอฟต์แวร์สามารถนำไปใช้งานได้โดยตรง โดยจะประเมินสถานะและส่งคืนคำตอบที่มีการระบุประเภทข้อมูลรวมถึงค่าความน่าจะเป็น ชื่อนี้อ้างอิงถึง System 1 ของ Kahneman ซึ่งเป็นรูปแบบการคิดที่รวดเร็วและใช้สัญชาตญาณ โมเดลนี้แตกต่างจากโมเดลแชทตรงที่จะไม่เขียนคำตอบ ไม่สร้างโค้ด หรืออธิบายการให้เหตุผลของตนเอง

Jev มีราคาเท่าไหร่?

ราคาที่เผยแพร่สำหรับ jev-1.13.0 อยู่ที่ $42 ต่อพันล้านทอเคน หรือ $0.042 ต่อล้านทอเคน โดยจะคิดค่าบริการเฉพาะทอเคนนำเข้า (input tokens) เท่านั้น และทอเคนผลลัพธ์ (output tokens) นั้นฟรี

Jev สามารถรับข้อมูลนำเข้าอะไรได้บ้าง?

เฉพาะข้อความเท่านั้น โดยอาจเป็นสตริง, ออบเจกต์ JSON หรืออาร์เรย์ของข้อความ เอกสารระบุว่ายังไม่รองรับรูปภาพ เสียง และวิดีโอในขณะนี้ บริบทอยู่ที่ 64k ทอเคนต่อคำขอ โดยมี 32k ทอเคนสำหรับสถานะรวมกับคำถามที่ยาวที่สุด

มันแตกต่างจากการขอผลลัพธ์เป็น JSON จาก LLM อย่างไร?

ทั้งสองแบบเข้าใจข้อมูลนำเข้าที่เป็นภาษาธรรมชาติเหมือนกัน ความแตกต่างอยู่ที่ผลลัพธ์ที่ส่งกลับมาและวิธีการฝึกอบรม Jev จะส่งคืนการตัดสินใจที่มีการระบุประเภทข้อมูลพร้อมกับการกระจายความน่าจะเป็นและค่าความมั่นใจ การปรับเทียบจะวัดจากกลุ่มของการคาดการณ์ ดังนั้นจึงไม่ได้รับประกันว่าคำตอบใดคำตอบหนึ่งจะถูกต้องเสมอไป

Jev ทำอะไรได้ไม่ดีบ้าง?

หน้าเว็บเกี่ยวกับความไม่สม่ำเสมอ (jaggedness) ของผู้พัฒนาได้ระบุถึงการตีความตรงตามตัวอักษร, คณิตศาสตร์และตัวเลข, และการเปรียบเทียบวันที่และเวลา นอกจากนี้ยังระบุถึงการคิดวิเคราะห์หลายชั้น (indirection), สถานะขนาดใหญ่ที่เต็มไปด้วยรายละเอียดที่ไม่เกี่ยวข้อง, เนื้อหาที่เป็นปฏิปักษ์ (adversarial content) และเกณฑ์ที่ขัดแย้งกันเอง คำแนะนำในเอกสารสำหรับกรณีของการคำนวณคือให้คำนวณทางคณิตศาสตร์ในโค้ดแทน

แหล่งที่มา: เอกสารประกอบของ TypeSafe AI — Introduction, System One, Models, Confidence และ Jev 1.13 jaggedness, docs.typesafe.ai ณ วันที่ 18 กันยายน 2026