TypeSafe AI เปิดตัว Jev โมเดล System One เน้นตัดสินใจแม่นยำแทนการแชท

กระแส ChatGPT ในปี 2022 ได้เปลี่ยนวิธีที่มนุษย์สื่อสารกับ AI แต่ก้าวต่อไปที่สำคัญคือการทำให้ AI สื่อสารกับซอฟต์แวร์ได้อย่างมีประสิทธิภาพ TypeSafe AI จึงได้เปิดตัว Jev โมเดลที่ใช้พื้นฐานจาก transformer แต่ไม่ใช่โมเดลภาษาขนาดใหญ่ (LLM) และไม่สร้างข้อความ โดยผู้ใช้จะส่งสถานะ (state) และคำถามแบบระบุประเภทไป เพื่อให้โมเดลส่งคืนการตัดสินใจพร้อมค่าความน่าจะเป็นที่โค้ดสามารถนำไปใช้งานต่อได้ทันที

ปัจจุบัน Jev พร้อมใช้งานแล้วในรูปแบบ hosted API สำหรับผู้ที่ได้รับสิทธิ์ early access โดยต้องลงชื่อใน waitlist อย่างไรก็ตามทาง TypeSafe ยังไม่ได้เปิดเผยน้ำหนักของโมเดล (weights), จำนวนพารามิเตอร์ หรือตัวเลือกสำหรับการทำ self-hosting ในขณะนี้

โมเดล System One คืออะไร?

ชื่อของโมเดลยืมมาจากแนวคิดของ Daniel Kahneman ที่แบ่งการทำงานของสมองเป็น System 1 (สัญชาตญาณที่รวดเร็ว) และ System 2 (การใช้เหตุผลที่ช้า) ทีม TypeSafe มองว่าโมเดลที่ปรับจูนด้วย RLHF ในปัจจุบันเน้นความพึงพอใจของมนุษย์มากเกินไป จนเกิดปัญหาความมั่นใจเกินจริง (overconfidence) และสูญเสียความหลากหลายของคำตอบ ซึ่งทำให้ยังต้องมีมนุษย์คอยควบคุมดูแล

Jev จึงถูกสร้างขึ้นบนสแตกเทคโนโลยีใหม่ ประกอบด้วยสถาปัตยกรรมใหม่, ตัวสุ่มตัวอย่างแบบขนาน (parallel sampler) และเทคนิค Reinforcement Learning for Calibrated Decisions (RLCD) เพื่อให้ได้การตัดสินใจที่แม่นยำและรวดเร็วที่สุดโดยไม่ต้องผ่านกระบวนการสร้างข้อความที่ยืดเยื้อ

การทำงานของ Jev API

การใช้งานทำได้ผ่าน endpoint เดียวคือ POST https://api.typesafe.ai/v1/systemone โดยส่งข้อมูล state, model และ questions ซึ่งใน เอกสาร ระบุประเภทคำถามไว้ 3 รูปแบบหลัก ได้แก่:

Primitive	สิ่งที่ถาม	สิ่งที่ส่งคืน
Choice	เลือก 1 ตัวเลือกจากรายการ	`choice`, `probabilities`, `confidence`
Score	ให้คะแนนตามระดับที่เรียงลำดับไว้	`score`, `probabilities`, `confidence`
Noul	ข้อความนี้เป็นจริงหรือไม่?	`noul` ซึ่งเป็นความน่าจะเป็นตั้งแต่ 0 ถึง 1

จุดเด่นคือคำถามต่างๆ จะประมวลผลขนานกันภายใต้ state เดียวกัน ทำให้การเพิ่มจำนวนคำถามแทบไม่ส่งผลต่อเวลาในการตอบสนอง โดย Choice รองรับตัวเลือกได้สูงสุดถึง 255 รายการ

from typesafe_sdk import Choice, Noul, TypeSafeClient
client = TypeSafeClient()  # reads TYPESAFE_API_KEY
r = client.system_one(
    state=ticket,
    questions={
        "department": Choice(
            instructions="Which team should handle this",
            criteria={"billing": "Payment issues", "technical": "Bugs"},
        ),
        "is_urgent": Noul(instructions="The message conveys urgency"),
    },
)
print(r.answers["department"].choice, r.answers["is_urgent"].noul)

นักพัฒนาสามารถติดตั้ง SDK ได้ผ่าน pip install typesafe-sdk สำหรับ Python ส่วน JavaScript จะใช้ชื่อ @typesafe-ai/sdk นอกจากนี้ในหน้า quickstart ยังมีตัวอย่างการใช้ cURL และ agent skill สำหรับ Claude Code ให้ศึกษาด้วย

ความมั่นใจคือผลิตภัณฑ์

ทุกคำตอบจาก Jev จะมาพร้อมค่า confidence หรือระดับความมั่นใจ 0 ถึง 1 ซึ่งคำนวณจากรูปทรงของการกระจายความน่าจะเป็น เช่น หากมีตัวเลือกที่สูสีกัน ค่าความมั่นใจจะต่ำลงเพื่อให้ระบบรู้ว่าควรจัดการอย่างไรต่อ

แนวทางที่แนะนำคือการแบ่งระดับการจัดการตามความมั่นใจ: ดำเนินการทันทีเมื่อความมั่นใจสูง, ตรวจสอบซ้ำเมื่อความมั่นใจระดับปานกลาง และส่งให้มนุษย์ตัดสินใจเมื่อความมั่นใจต่ำ วิธีนี้จะช่วยลดความผิดพลาดในระบบอัตโนมัติได้อย่างมีนัยสำคัญ

ราคา ความเร็ว และรายละเอียดของผลทดสอบ

Jev มีค่าบริการที่ถูกอย่างเหลือเชื่อเพียง $42 ต่อหนึ่งพันล้าน input token (หรือ $0.042 ต่อ 1 ล้าน token) ในขณะที่ LLM ทั่วไปมีราคาสูงกว่าหลายเท่าตัว จากการทดสอบของทีมงาน Jev ทำงานเสร็จในเวลาเพียง 0.114 วินาที ด้วยค่าใช้จ่ายเพียงเล็กน้อยเมื่อเทียบกับโมเดลขนาดใหญ่อย่าง GPT-5.6 Terra ที่ใช้เวลานานกว่าและแพงกว่ามาก

อย่างไรก็ตาม มีข้อควรระวังเกี่ยวกับตัวเลขเหล่านี้ เนื่องจากเป็นผลการทดสอบจาก workflow evals ของทาง TypeSafe เอง ซึ่งใช้ค่าเฉลี่ยจากโมเดลระดับสูงอย่าง GPT-6 Astra เป็นเกณฑ์อ้างอิง และยังไม่สามารถยืนยันได้ว่าราคาดังกล่าวมีการอุดหนุน (subsidized) หรือไม่

ส่วนคำว่า "Zero hallucinations" ในบริบทนี้หมายถึงการการันตีว่าผลลัพธ์จะเป็นไปตาม schema ที่กำหนด 100% แต่ไม่ได้หมายความว่าคำตัดสินใจจะถูกต้องเสมอไป ผู้ใช้งานยังคงต้องคำนึงถึงความผิดพลาดเชิงตรรกะที่อาจเกิดขึ้นได้

สิ่งที่นักพัฒนากำลังสร้างด้วย Jev

หลังการเปิดตัวเพียงไม่กี่วัน นักพัฒนาได้นำ Jev ไปประยุกต์ใช้ในหลากหลายโปรเจกต์ เช่น:

ความปลอดภัยและประสิทธิภาพ: Guillermo Rauch CEO ของ Vercel พบว่า Jev เร็วกว่า GPT Luna ถึง 18 เท่าในการตรวจสอบความถูกต้องของคำสั่ง
Browser & Phone agents: โปรเจกต์ jev-ultrafast ใช้ค้นหาเที่ยวบินได้ใน 7.1 วินาที และ mobile-jev ใช้สั่งการแอป Uber บน Android
Agent Guardrails: jev-guard ใช้ตัดสินใจอนุญาตหรือปฏิเสธการเรียกใช้เครื่องมือของ AI agent
การประยุกต์ใช้อื่นๆ: ตั้งแต่การให้คะแนนวิดีโอใน jevmeter, การควบคุมยามในเกม heist-one, ไปจนถึงการเพิ่มฟิลเตอร์ภาษาธรรมชาติให้ฐานข้อมูล Postgres ใน pg-jev

สรุปประเด็นสำคัญ

Jev เน้นส่งคืนการตัดสินใจแบบระบุประเภท (Choice, Score, Noul) พร้อมค่าความน่าจะเป็น
ค่าบริการ input token ราคาถูกมากและไม่คิดค่า output token
ความเร็วในการตอบสนอง (latency) อยู่ในช่วง 70ms ถึง 500ms
เหมาะสำหรับงานที่ต้องการความเร็วและการตัดสินใจที่แน่นอนมากกว่าการคุยโต้ตอบ