Jev là mô hình AI của TypeSafe AI, công ty do cựu nghiên cứu viên OpenAI Diogo Almeida thành lập. Thay vì tạo văn bản như mô hình ngôn ngữ lớn, Jev trả về xác suất cho các kết quả do người dùng xác định trước. Thiết kế này hướng đến những tác vụ tự động hóa cần quyết định nhanh, chi phí thấp và đầu ra bị giới hạn rõ ràng.
Almeida từng góp phần xây dựng ChatGPT và phát triển phương pháp học tăng cường từ phản hồi của con người tại OpenAI. Tuy vậy, chính chatbot này lại khiến ông thất vọng. Theo bài viết gốc của TechCrunch ngày 18/9/2026, Almeida cho rằng ngành AI đã tối ưu rất tốt cho ngôn ngữ con người nhưng chưa giải quyết được nhu cầu tự động hóa, nơi máy tính cần một dạng đầu ra khác.
Hai năm trước thời điểm bài viết được công bố, Almeida rời OpenAI để thành lập TypeSafe AI. Công ty sau đó giới thiệu Jev, một mô hình dựa trên kiến trúc Transformer nhưng không phải mô hình ngôn ngữ lớn. TypeSafe gọi đầu ra của Jev là các quyết định đã hiệu chỉnh.
Jev không cố nói chuyện như con người
Khác biệt cốt lõi của Jev nằm ở đầu ra. Mô hình ngôn ngữ có thể tạo câu trả lời mở, còn Jev chỉ lựa chọn trong phạm vi kết quả đã định nghĩa và gắn xác suất cho từng lựa chọn. Theo TechCrunch, giới hạn này giúp Jev chạy nhanh, giảm chi phí và không tạo ra loại kết quả nằm ngoài tập đầu ra mà người dùng cho phép.
TypeSafe không tính phí token đầu ra. Theo thông tin TechCrunch dẫn từ công ty, token đầu vào được đo theo đơn vị hàng tỷ thay vì hàng triệu. Cấu trúc giá và cách vận hành đó hướng Jev tới các tác vụ lặp lại ở quy mô lớn, nơi việc gọi một mô hình ngôn ngữ cho từng quyết định có thể trở nên tốn kém.
Sự quan tâm ban đầu từ giới phát triển lớn đến mức TypeSafe từng tạm thời không thể phục vụ người dùng qua giao diện lập trình ứng dụng. Jev đặc biệt phù hợp với tự động hóa phần mềm, lĩnh vực cũng đang thúc đẩy sự phát triển của tác tử AI viết mã và các hệ thống tự thực hiện nhiều bước công việc.
Thử nghiệm cho thấy tốc độ và chi phí khác biệt
Các thử nghiệm do nhà phát triển thực hiện cho thấy Jev có thể xử lý một số tác vụ phân loại nhanh hơn hoặc rẻ hơn mô hình ngôn ngữ. Đây là kết quả trong từng trường hợp sử dụng được TechCrunch thuật lại, không phải phép đo độc lập áp dụng cho mọi hệ thống.
Nội dung thử nghiệm tại Vercel và Bryo AI
Pranit Sharma, kỹ sư phần mềm tại Vercel, cho biết công ty từng dùng ChatGPT Luna 5.6 của OpenAI để vận hành một bộ phân loại kiểm tra độ an toàn của câu lệnh. Khi thay Luna bằng Jev, Vercel nhận kết quả nhanh hơn từ 5 đến 18 lần và có độ chính xác cao hơn. Các số liệu này đến từ thử nghiệm của Sharma được TechCrunch dẫn lại, không phải phép đo độc lập của TypeSafe.
Nikhil Mudholkar, giám đốc công nghệ của Bryo AI, thử dùng Jev và Gemini để phân loại thư điện tử doanh nghiệp. Trong thử nghiệm được TechCrunch thuật lại, Gemini chính xác hơn một chút nhưng đắt hơn từ 10 đến 20 lần. Mudholkar chú ý nhiều hơn đến điểm tin cậy do Jev trả về vì xác suất này có thể được dùng trực tiếp để quyết định một quy trình tự động có nên tiếp tục hay không.
Cách diễn giải điểm xác suất
Cách đánh giá bằng xác suất đặt thêm trách nhiệm lên người triển khai. Armin Ronacher, giám đốc công nghệ của Earendil, giải thích rằng người dùng phải tự đặt ngưỡng hành động. Nếu Jev chỉ trả về mức tin cậy 50%, kết quả có thể không đáng để sử dụng. Nếu con số là 95%, hệ thống có cơ sở rõ ràng hơn để tiếp tục. Đây là hai ví dụ Ronacher nêu với TechCrunch, không phải ngưỡng bắt buộc cho mọi ứng dụng.
Một lớp kiểm tra cho tác tử AI
Jev không nhất thiết thay thế hoàn toàn mô hình ngôn ngữ. Theo Almeida, mô hình có thể đóng vai trò lớp giám sát, theo dõi dấu vết hoạt động của tác tử AI và phát hiện hành vi cần chặn, trong đó có các nỗ lực vượt qua cơ chế bảo vệ.
Dùng một tác tử khác để kiểm tra tác tử chính có thể nhanh chóng làm chi phí tăng lên. Một mô hình chỉ cần đưa ra quyết định đã hiệu chỉnh có thể giảm tài nguyên dành cho công việc giám sát. Cách tiếp cận này liên quan trực tiếp đến câu hỏi AI nên được trao bao nhiêu quyền khi hệ thống bắt đầu tự đọc dữ liệu, gọi công cụ và thực hiện hành động.
Ronacher còn đề xuất dùng Jev để định tuyến mô hình. Hệ thống có thể dự đoán một tác vụ cần mô hình nào trước khi gửi yêu cầu. Dùng mô hình ngôn ngữ lớn cho chính bước lựa chọn đó có thể quá đắt, trong khi tốc độ và chi phí thấp của Jev cho phép phân loại theo thời gian thực.
Vì sao mô hình mang tên Jev
Tên Jev bắt nguồn từ William Stanley Jevons, nhà kinh tế học thế kỷ 19 gắn với nghịch lý Jevons. Nghịch lý này mô tả hiện tượng chi phí của một nguồn lực giảm có thể khiến tổng mức sử dụng nguồn lực đó tăng lên. Almeida kỳ vọng điều tương tự xảy ra với trí tuệ máy khi mỗi quyết định thông minh trở nên rẻ hơn.
Thay vì tập trung trí tuệ vào một số ứng dụng lớn, Almeida hình dung phần mềm thông minh sẽ được triển khai theo cách phân tán, gần với giai đoạn đầu của mạng internet. Nhu cầu đó đặt thêm áp lực lên hạ tầng AI, nhất là khi doanh nghiệp phải xử lý lượng lớn quyết định nhỏ thay vì một số phiên trò chuyện dài.
Kiến trúc của Jev vẫn chưa được công bố
TypeSafe chưa công bố chi tiết kiến trúc của Jev. Theo TechCrunch, một số nhà quan sát bên ngoài nghi ngờ mô hình được xây dựng trên một mô hình ngôn ngữ có trọng số mở, nhưng TypeSafe chưa xác nhận nhận định này.
Công ty gọi Jev là mô hình Hệ thống Một, tập trung vào trực giác thay vì suy luận. Almeida nói mô hình được huấn luyện hoàn toàn bằng dữ liệu tổng hợp với kỹ thuật mà ông gọi là học tăng cường từ các quyết định đã hiệu chỉnh.
Theo Almeida, TypeSafe đã sớm đặt cược vào việc tự tạo toàn bộ dữ liệu. Ông cho biết một nửa công ty là phòng nghiên cứu phụ trách dữ liệu tổng hợp có nền tảng thống kê rõ ràng. TechCrunch không công bố quy mô nhân sự của TypeSafe, vì vậy tỷ lệ này không cho biết số người cụ thể.
Đối thủ có thể sớm xuất hiện
Ở thời điểm bài viết của TechCrunch được công bố, chưa có mô hình cùng loại nào được nêu tên. Ronacher dự đoán đối thủ sẽ xuất hiện khi giá trị thực tế của cách tiếp cận này trở nên rõ ràng. Theo ông, giá mô hình ngôn ngữ hiện khá thấp và còn được trợ giá, khiến nhiều nhà phát triển chưa buộc phải tìm giải pháp khác.
TypeSafe dự định phát triển thêm các phiên bản Jev cho những dạng dữ liệu mới. Almeida không muốn mô tả công ty như một phòng thí nghiệm AI tuyến đầu chạy theo nỗi sợ hoặc sự cường điệu. Mục tiêu ông nêu ra là tạo ra trí tuệ có thể được đưa vào phần mềm với chi phí đủ thấp để sử dụng rộng rãi.
Hãy tiếp tục theo dõi Sine để cập nhật cách những mô hình như Jev thay đổi việc xây dựng và giám sát phần mềm AI.
