Jev จาก TypeSafe AI คือโมเดล AI แบบใหม่ที่สร้างมาเพื่อตัดสินใจเร็วๆ ภายในซอฟต์แวร์ มันไม่ใช่แชตบอตที่เล็กลงหรือถูกลง แต่ทำงานที่แคบกว่า และทำงานนั้นต่างจาก LLM อย่างสิ้นเชิง
งานแบบเดียวกัน แต่โมเดลต่างชนิด LLM ใช้เหตุผลเป็นข้อความจนได้คำตอบ ส่วน Jev ส่งคำตอบกลับมาโดยตรง
LLM คือนักเขียน ส่วน Jev คือผู้เชี่ยวชาญที่กรอกแบบฟอร์มที่คุณออกแบบไว้ ทั้งคู่เข้าใจภาษาคนเหมือนกัน แต่สิ่งที่ส่งกลับมาต่างกันโดยสิ้นเชิง
เขียนข้อความ
ป้อนข้อความเข้าไป มันเขียนข้อความกลับมาทีละชิ้นเล็กๆ (เรียกว่าโทเคน) ทำให้ยืดหยุ่นมาก ทั้งแชต ร่างเอกสาร เขียนโค้ด และคิดแก้ปัญหาทีละขั้น
เลือกคำตอบ
ป้อนสถานการณ์และคำถามที่คุณกำหนดคำตอบที่เป็นไปได้ไว้แล้ว มันจะเลือกคำตอบให้ทุกข้อ พร้อมความน่าจะเป็นและระดับความมั่นใจ
ถาม LLM ว่า “ทิกเก็ตนี้ด่วนไหม?” มันจะเขียนโน้ตมาให้ ถาม Jev มันจะติ๊กช่อง “ด่วน” แล้วเขียน “65%” ไว้ข้างๆ
LLM สร้างคำตอบทีละโทเคน ทุกโทเคนต้องรันผ่านโมเดลหนึ่งรอบเต็ม คำตอบยิ่งยาวก็ยิ่งใช้เวลาและค่าใช้จ่ายมาก ซึ่งไม่เป็นปัญหาถ้าคนเป็นผู้อ่าน แต่ถ้าโค้ดต้องการคำตัดสิน คุณต้องขอให้ตอบเป็นรูปแบบอย่าง JSON แล้วตรวจสิ่งที่ได้กลับมาเอง
อธิบายงานและรูปแบบที่ต้องการ ทั้งหมดเป็นข้อความ
โมเดลเขียนคำตอบทีละชิ้น แต่ละชิ้นขึ้นกับชิ้นก่อนหน้า
โค้ดอ่านข้อความ ตรวจว่ารูปแบบถูกไหม และลองใหม่ถ้าไม่ถูก
กับ Jev คุณส่งสองอย่าง คือ state (สถานการณ์ เป็นข้อความหรือข้อมูลที่มีโครงสร้าง) และชุดคำถาม ที่คุณกำหนดคำตอบที่เป็นไปได้ไว้ล่วงหน้า Jev ประเมินแต่ละคำถามแยกกันและพร้อมกันกับ state เดียวกัน การเพิ่มคำถามจึงแทบไม่ทำให้ช้าลง
เพราะขอบเขตคำตอบถูกกำหนดไว้แล้ว ผลลัพธ์จึงผิดรูปแบบไม่ได้ คุณได้ค่าที่โค้ดนำไปใช้ตัดสินใจได้ทันที และแต่ละคำตอบมีค่าความมั่นใจที่โค้ดใช้เลือกได้ว่าจะลงมือเองหรือส่งต่อ
| ชนิดคำถาม | ถามอะไร | ตัวอย่าง | ได้อะไรกลับมา |
|---|---|---|---|
| Choice | เลือกหนึ่งตัวเลือกจากรายการ | ทีมไหนควรรับเรื่องนี้: billing, technical หรือ account? | choice, ความน่าจะเป็นของแต่ละตัวเลือก, confidence |
| Score | ให้คะแนนตามระดับที่คุณอธิบายไว้ | ลูกค้าหงุดหงิดแค่ไหน ตั้งแต่ 0 ใจเย็น ถึง 2 หงุดหงิดมาก? | score, ความน่าจะเป็นของแต่ละระดับ, confidence |
| Noul | ข้อความนี้จริงไหม? | ข้อความนี้ขอคืนเงินหรือเปล่า? | noul ตัวเลขระหว่าง 0 ถึง 1 |
คำถามเล็กๆ แล้วนำมารวมกันในโค้ด แต่ละคำถามควรเป็นเรื่องที่ผู้เชี่ยวชาญตอบได้ในไม่กี่วินาที ถ้าเป็นเรื่องใหญ่อย่าง “ให้คะแนนไอเดียสตาร์ทอัพนี้” ให้ถามแยกเรื่องขนาดตลาด ความเป็นไปได้ทางเทคนิค และความแตกต่าง แล้วถ่วงน้ำหนักคะแนนเอง เมื่อลำดับความสำคัญเปลี่ยน ก็แค่แก้ตัวเลขในโค้ด ไม่ต้องเขียนพรอมต์ใหม่
ตัวเลขความเร็วและราคาด้านล่างมาจากที่ TypeSafe เผยแพร่เอง
| LLM | Jev | |
|---|---|---|
| ถูกฝึกให้ | ตอบแบบที่คนชอบ (RLHF) หรือแบบที่ผ่านการตรวจอัตโนมัติ (RLVR) | ตัดสินใจโดยให้ความน่าจะเป็นตรงกับความถี่ที่ตอบถูกจริง (TypeSafe เรียกว่า RLCD) |
| ผลลัพธ์ | ข้อความอิสระ: คำตอบ โค้ด JSON หรือบางครั้งก็มั่ว | เฉพาะคำตอบที่คุณกำหนด พร้อมความน่าจะเป็นและความมั่นใจ |
| วิธีสร้างผลลัพธ์ | ทีละโทเคนต่อกันไป | ทุกคำตอบในรอบเดียวแบบขนาน |
| ความเร็ว | 3 ถึง 329 วินาทีสำหรับโมเดลระดับแนวหน้า ตามเบนช์มาร์กที่ TypeSafe อ้างถึง | ประมาณ 70 ถึง 500 มิลลิวินาที |
| ราคา | $0.20 ถึง $10 ต่อล้านโทเคนขาเข้า และโทเคนขาออกแพงกว่า | $42 ต่อพันล้านโทเคนขาเข้า โทเคนขาออกฟรี |
| รู้ตัวว่าไม่แน่ใจ | สั่งให้ประเมินตัวเองได้ แต่มักมั่นใจเกินจริง | ทุกคำตอบมีค่าความมั่นใจที่ผ่านการปรับเทียบ (calibrated) |
| เขียน อธิบาย หรือเขียนโค้ดได้ | ได้ | ไม่ได้ |
| เหมาะกับ | แชต ผู้ช่วย เอเจนต์ งานเขียน และการใช้เหตุผลยากๆ | “if-statement อัจฉริยะ” ในเวิร์กโฟลว์ ประมวลข้อมูลจำนวนมาก แอปเรียลไทม์ และตรวจสอบโมเดลอื่น |
ชื่อนี้มาจากหนังสือ Thinking, Fast and Slow (คิดเร็วและช้า) ของ Daniel Kahneman โดย System 1 คือการตัดสินแบบเร็วตามสัญชาตญาณ ส่วน System 2 คือการคิดช้าๆ อย่างรอบคอบ คนเราใช้ทั้งสองแบบตลอดเวลา และซอฟต์แวร์ก็ทำแบบนั้นได้เช่นกัน
ในภาพนี้ Jev รับบท System 1: ดูทุกอย่างอย่างรวดเร็วและถูก แล้วบอกโค้ดว่าคิดอย่างไรและมั่นใจแค่ไหน ส่วน LLM รับบท System 2: เข้ามาเฉพาะเมื่อต้องเขียน วางแผน หรือคิดให้ถี่ถ้วน และมีโค้ดของคุณอยู่ตรงกลางคอยตัดสินใจ
Jev จัดหมวดทุกคำขอที่เข้ามา แล้วโค้ดส่งต่อไปยังลอจิกธรรมดา LLM เฉพาะทาง หรือคน
ทำเองอัตโนมัติเมื่อความมั่นใจสูงกว่าเกณฑ์ ถ้าต่ำกว่าให้ส่ง LLM หรือคน งานที่เสี่ยงกว่าใช้เกณฑ์ที่สูงกว่า
คัดกรองข้อความที่เข้าและออกจากแอป LLM เช่น การพยายาม jailbreak หรือคำตอบที่เป็นอันตราย ก่อนถึงผู้ใช้
ให้คะแนนเอกสารที่ค้นมา หรือเลือกเครื่องมือหรือสกิลที่เหมาะสม เพื่อให้ LLM อ่านเฉพาะสิ่งที่เกี่ยวข้อง
ตรวจว่าแหล่งอ้างอิงสนับสนุนข้อความจริงไหม หรือคำตอบที่ร่างไว้ตรงตามนโยบายหรือเปล่า
Jev เปิดตัวเมื่อ 15 กันยายน 2026 ในช่วง early access ตัวเลขความเร็ว ต้นทุน และคุณภาพมาจาก TypeSafe เอง ซึ่ง TypeSafe ก็ระบุข้อจำกัดไว้เองว่า เวิร์กโฟลว์ที่ใช้ประเมินสร้างโดยทีมของบริษัท เทียบกับค่าเฉลี่ยของโมเดลแนวหน้าสองตัว และยังพิสูจน์ไม่ได้ว่าราคาไม่ได้ถูกอุดหนุน
Jev ตอบนอกเหนือจากตัวเลือกที่คุณกำหนดไม่ได้ ผลลัพธ์จึงไม่ผิดรูปแบบ แต่มันยังเลือกตัวเลือกผิดได้
การปรับเทียบ (calibrated) หมายความว่า ในบรรดาคำตอบจำนวนมากที่มั่นใจ 80% ควรถูกประมาณ 80% แต่ไม่ได้บอกว่าคำตอบข้อใดข้อหนึ่งถูกหรือไม่
Jev ทำงานได้ดีที่สุดกับคำถามเล็กและชัดเจน การออกแบบคำถามและรวมผลลัพธ์จึงกลายเป็นหน้าที่ของโค้ดคุณ ตัวเลือกใน Choice มีได้สูงสุด 255 ตัว และข้อมูลขาเข้าเป็นข้อความหรือข้อมูลที่มีโครงสร้าง ยังไม่รองรับรูปภาพ