TypeSafe Jev là mô hình trí tuệ nhân tạo được thiết kế để đưa ra quyết định có cấu trúc và xác suất đã hiệu chỉnh. Mô hình không tạo văn bản tuần tự. Diogo Almeida, đồng sáng lập kiêm giám đốc điều hành TypeSafe, nói cách tạo nội dung tuần tự của mô hình ngôn ngữ lớn phù hợp với hội thoại. Ông cho rằng cách này “hoàn toàn vô dụng đối với máy tính” khi phần mềm chỉ cần một quyết định để tiếp tục chạy.
Theo The New Stack, TypeSafe công khai Jev sau hai năm hoạt động kín. Công ty cũng huy động 40 triệu USD trong vòng hạt giống do DCVC dẫn dắt. TypeSafe tuyên bố Jev nhanh hơn từ 20 đến 200 lần và rẻ hơn từ 40 đến 400 lần so với các mô hình đối chiếu. Đây là số liệu do công ty công bố, chưa phải kết luận từ một đánh giá độc lập được nêu trong nguồn.
TypeSafe gọi Jev là mô hình đầu tiên thuộc một lớp trí tuệ nhân tạo mới mang tên System One. Nhà phát triển gửi dữ liệu cùng các câu hỏi có cấu trúc, sau đó nhận quyết định theo kiểu dữ liệu xác định trước và xác suất đi kèm. Ứng dụng có thể dùng trực tiếp kết quả này và đặt ngưỡng xử lý cho những trường hợp có độ tin cậy thấp.
Cách tiếp cận của Jev khác với tác tử trí tuệ nhân tạo viết mã, nơi mô hình thường đóng vai trò giao diện chính hoặc trực tiếp thực hiện công việc. Với Jev, trí tuệ nhân tạo là một bộ phận nằm trong ứng dụng thông thường và chỉ được gọi khi mã cần một phán đoán.
Vì sao TypeSafe cho rằng nội dung tuần tự không hợp với máy tính
TypeSafe cho rằng mô hình ngôn ngữ lớn phù hợp với nội dung dành cho con người, nhưng kém hiệu quả khi phần mềm cần nhiều quyết định có cấu trúc. LLM phải tạo đầu ra lần lượt, còn Jev được thiết kế để nhận nhiều câu hỏi và trả kết quả gần như tức thì.
Almeida từng làm việc tại OpenAI. Theo TypeSafe, ông là đồng tác giả của phương pháp học tăng cường từ phản hồi con người và InstructGPT, hai nền tảng kỹ thuật đứng sau ChatGPT và GPT-4.
Khác biệt khi phần mềm cần nhiều quyết định
Theo The New Stack, Almeida đã so sánh mô hình ngôn ngữ lớn với Jev trong bài đăng ngày 15 tháng 9 năm 2026. Ông cho rằng khác biệt trở nên rõ khi đặt hai loại mô hình cạnh nhau. System One có thể nhận nhiều câu hỏi có cấu trúc cùng lúc. Mô hình ngôn ngữ lớn cần thời gian dài hơn hàng trăm lần vì phải tạo đầu ra tuần tự.
“Cách mô hình ngôn ngữ lớn tạo nội dung tuần tự rất phù hợp với hội thoại tự nhiên, nhưng hoàn toàn vô dụng đối với máy tính.”
Nhận định của Almeida nhắm vào trường hợp phần mềm chỉ cần một quyết định rõ ràng để tiếp tục chạy. Nó không áp dụng cho mọi ứng dụng của mô hình ngôn ngữ lớn. Một đoạn giải thích bằng ngôn ngữ tự nhiên có thể hữu ích với con người. Tuy nhiên, ứng dụng phải phân tích thêm trước khi xác định hành động tiếp theo.
Almeida nói câu hỏi dẫn tới Jev là vì sao các mô hình trò chuyện có năng lực cao vẫn chưa tạo ra trí tuệ nhân tạo tổng quát. Theo ông, việc tối ưu mô hình trò chuyện theo sở thích con người có thể dẫn đến bỏ sót dạng đầu ra, quá tự tin và thiếu độ tin cậy.
Jev trả quyết định thay vì viết câu trả lời
Jev nhận dữ liệu và các câu hỏi có kiểu đầu ra được xác định trước. Mô hình trả một kết quả cho từng câu hỏi cùng xác suất tương ứng, giúp phần mềm sử dụng quyết định mà không phải diễn giải một đoạn văn do trí tuệ nhân tạo tạo ra.
TypeSafe cho biết Jev sử dụng một kiến trúc và cơ chế chọn mã thông báo mới. Mô hình còn dùng thuật toán huấn luyện mang tên học tăng cường cho quyết định được hiệu chỉnh. Cơ chế chọn mã thông báo kiểm soát cách mô hình lấy kết quả từ phân phối xác suất dự đoán. Cách chọn này ảnh hưởng đến độ ngẫu nhiên và tính nhất quán.
Người dùng gửi dữ liệu cùng danh sách câu hỏi đã xác định kiểu đầu ra. Jev có thể trả xác suất có hoặc không, một lựa chọn trong danh sách do nhà phát triển cung cấp hoặc một vị trí trên thang đo đã định nghĩa. Mỗi kết quả đều đi kèm xác suất.
Flavio Copes, một nhà phát triển phần mềm độc lập được The New Stack dẫn lời, mô tả Jev như một “mệnh đề nếu thông minh”. Trí tuệ nhân tạo không đảm nhiệm toàn bộ ứng dụng mà chỉ xuất hiện tại nơi mã cần một phán đoán.
“Bạn đặt nó vào nơi mã cần một phán đoán, trong khi phần còn lại của sản phẩm vẫn là mã thông thường.”
Theo số liệu TypeSafe công bố và được Copes nhắc lại, phần lớn lệnh gọi Jev hoàn tất trong khoảng 100 mili giây. Giá mã thông báo đầu vào là 0,042 USD cho mỗi triệu mã thông báo, còn mã thông báo đầu ra được miễn phí.
Tốc độ, chi phí và tuyên bố không tạo ảo giác
TypeSafe công bố Jev nhanh hơn từ 20 đến 200 lần và rẻ hơn từ 40 đến 400 lần. Công ty cũng tuyên bố Jev “không thể tạo ảo giác” vì mô hình trả quyết định có cấu trúc thay vì chuỗi từ. Tuy nhiên, nguồn không dẫn một đánh giá độc lập xác nhận tuyên bố này.
Theo phần giới thiệu được The New Stack thuật lại, Almeida cho rằng mô hình System One đưa ra quyết định kèm xác suất và độ tin cậy thay vì tạo văn bản tuần tự. Ông mô tả cách hoạt động này là gần với mã hơn so với mô hình trò chuyện.
Kiểu đầu ra có cấu trúc cho phép nhà phát triển đặt ngưỡng rõ ràng. Jev có thể tự hành động khi xác suất đạt mức yêu cầu hoặc chuyển quyết định cho con người kiểm tra khi độ tin cậy thấp hơn.
Cơ chế này có thể được dùng để chọn công cụ tiếp theo cho một tác tử, chọn tác tử con, kiểm tra đầu ra từ mô hình khác hoặc đặt rào chắn. Việc xác định ngưỡng liên quan trực tiếp đến câu hỏi trí tuệ nhân tạo nên được trao bao nhiêu quyền trong một quy trình phần mềm.
Mức sử dụng Jev trên AI Gateway
Vercel cho biết Jev xuất hiện trên AI Gateway trong 24 giờ trước khi đạt cột mốc này. Số đội trả phí sử dụng Jev nhiều hơn gấp đôi bất kỳ đợt ra mắt mô hình nào trước đó trên cổng. The New Stack đã trích dẫn số liệu này. Jev vượt các mô hình được so sánh trong 12 giờ đầu và tiếp tục nới rộng khoảng cách.
Đến giờ thứ 24, gần 13% đội trả phí đã dùng Jev. Theo số liệu Vercel được nguồn dẫn lại, tỷ lệ này cao gấp 2 lần họ GPT-5.6 và hơn 6 lần thị phần của Fable 5.1.
Một phép thử cố tình đặt Jev vào thế bất lợi
Trong phép thử của kỹ sư trí tuệ nhân tạo Bartosz Mikulski, Jev đoán đúng khoảng 35%. Mức đoán ngẫu nhiên thường đạt 10%. Tuy nhiên, mô hình chọn nhãn “máy bay” cho hơn một nửa số hình. Vì vậy, kết quả chịu ảnh hưởng đáng kể từ thiên lệch về một nhãn.
Mikulski thử Jev bằng loại dữ liệu mà mô hình không được thiết kế để xử lý. Vì Jev chỉ đọc văn bản, ông chuyển 400 bản vẽ tay thành tọa độ đồ họa véc tơ có thể mở rộng rồi yêu cầu mô hình đoán hình ảnh.
Mikulski lưu ý tài liệu của TypeSafe nói rõ Jev chỉ xử lý văn bản và hiểu từ tốt hơn số. Ông gọi đây là một trong những phép thử thiếu công bằng nhất có thể thiết kế vì đã dùng các con số để mã hóa hình ảnh.
“Tôi xem đó là một lời khen, không phải một phép đo chuẩn. Kết quả này không nói lên Jev hoạt động ra sao với nhiệm vụ phân loại văn bản mà nó thực sự được bán để làm.”
Phép thử cho thấy tỷ lệ trả lời đúng không đủ để đánh giá Jev nếu tách khỏi phân phối xác suất và thiên lệch đầu ra. Đây cũng là vấn đề cần xem xét khi hệ thống trí tuệ nhân tạo được dùng để xác minh quyết định, tương tự vai trò của khâu xác minh trong quy trình phần mềm quy mô lớn.
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. Nguyên lý này cho rằng khi công nghệ giúp sử dụng một tài nguyên hiệu quả hơn, tổng mức tiêu thụ tài nguyên đó vẫn có thể tăng.
Nguồn của The New Stack minh họa nghịch lý bằng ba trường hợp. Động cơ hơi nước hiệu quả hơn dẫn tới việc sử dụng nhiều than hơn. Đèn LED làm chi phí chiếu sáng giảm, nhưng lượng ánh sáng được sử dụng tăng. Thuật toán nén dữ liệu giảm băng thông cần cho truyền phát video. Trong khi đó, lưu lượng dữ liệu trên mạng toàn cầu tiếp tục tăng.
Tên gọi Jev gợi liên hệ tới khả năng phần mềm sẽ sử dụng nhiều quyết định bằng trí tuệ nhân tạo hơn khi mỗi quyết định trở nên nhanh và rẻ hơn. Almeida mô tả mục tiêu của công ty là xây dựng sản phẩm cho môi trường vận hành thực tế, không phải một thực thể toàn năng.
Nếu đang thiết kế quy trình có tác tử trí tuệ nhân tạo, bạn có thể theo dõi Sine để tiếp tục cập nhật những mô hình đặt quyết định có kiểm soát vào bên trong phần mềm.
