TypeSafe AI ra mắt mô hình System One mang tên Jev: Trả về các quyết định có định dạng kiểu dữ liệu kèm xác suất thay vì văn bản thuần túy, hiện đã mở quyền truy cập sớm dưới dạng API được quản lý
Tổng quan sự kiện
Tóm tắt sự kiện · Thông tin xác thực
TypeSafe AI ra mắt Jev, một mô hình dựa trên kiến trúc transformer nhưng không phải là mô hình ngôn ngữ lớn (LLM). Jev tiếp nhận trạng thái và các câu hỏi có định dạng kiểu dữ liệu, sau đó trả về quyết định tương ứng kèm theo xác suất. Mô hình sử dụng kiến trúc mới, bộ lấy mẫu song song và RLCD, hiện chỉ cung cấp qua API được quản lý (danh sách chờ), không công khai trọng số, số lượng tham số hay tùy chọn tự lưu trữ. Các con số hiệu suất dựa trên đánh giá quy trình làm việc nội bộ của TypeSafe; phía công ty cũng lưu ý rằng lợi ích thực tế có thể chỉ đạt được ở các tác vụ cao cấp và chưa thể chứng minh mức giá không được trợ cấp.
Theo bài gốc của sự kiện từ MarkTechPost.
Diễn biến mới nhất
Trình diễn cách chuyển đổi GLM-5.3-Flash thành mô hình ra quyết định tương tự Jev và triển khai mã nguồn mở.
Chính chủ · 6 bài
Nghe trực tiếp từ bên liên quan
- OpenRouter: AnnouncementsJev 1.13 đã chạy đánh giá ngưỡng kiểm duyệt trên 24 danh sách marketplace đã được gắn nhãn vào ngày 22-09-2026, với 23/24 kết quả khớp với nhãn và chi phí là $0,001131
- Tomer Tunguz Blog (phân tích VC)TypeSafe ra mắt Jev: Bộ ra quyết định if-then trả về kết quả hiệu chỉnh có định kiểu thông qua một lần truyền song song
Dòng thời gian đưa tin
Đang hiện 24 bài · tất cả · mới trước
Hôm qua · 27/09
Trình diễn cách chuyển đổi GLM-5.3-Flash thành mô hình ra quyết định tương tự Jev và triển khai mã nguồn mở
Hacker News Nổi bật (buzzing.cc bản dịch tiếng Trung)Tác giả giới thiệu phương pháp không cần tinh chỉnh (fine-tuning) để chuyển đổi GLM-5.3-Flash thành mô hình ra quyết định tương tự Jev: thông qua việc xây dựng câu lệnh (prompt) để mô hình xuất ra chỉ số tùy chọn và xác suất trong một lần truyền tiến (forward pass) duy nhất. Phương pháp này được triển khai trên vLLM (Privatemode), đồng thời cung cấp thư viện Python, playground và kho lưu trữ mã nguồn mở edgelesssys/privatemode-decisions.
TypeSafe AI ra mắt Jev, bộ đánh giá có cấu trúc chuyên biệt cho việc đưa ra quyết định
X: Hongming (@hongming731)Sau hai năm ẩn mình, TypeSafe AI đã công bố Jev. Thay vì tạo văn bản tự do rồi chờ chương trình phân tích, Jev trực tiếp cung cấp các kết quả có cấu trúc như Choice, Score, Noul. Dựa trên độ tin cậy, ứng dụng sẽ quyết định tiếp tục, dừng lại, chuyển cho con người hoặc gọi công cụ nào đó nhằm giảm chi phí giải mã. Mục tiêu của Jev là đưa ra các quyết định đã được hiệu chuẩn, giải quyết tình trạng lệch mục tiêu trong RLHF, cũng như các nhiệm vụ không có đáp án duy nhất như phân luồng dịch vụ khách hàng, đánh giá rủi ro, lựa chọn công cụ và kiểm soát quy trình làm việc. Jev còn cho phép nhiều câu hỏi nhỏ lẻ chia sẻ cùng một trạng thái để thực thi song song.
T5 · 24/09
Tác giả sử dụng một trạng thái phiếu hỗ trợ (ticket) để kiểm thử đồng thời ba nguyên hàm Choice, Score và Noul trong một lần gọi Jev duy nhất
MarkTechPostVới trạng thái là một phiếu hỗ trợ chứa tin nhắn khách hàng, đơn hàng và chính sách hoàn tiền, tác giả đặt bốn câu hỏi cùng lúc trong một yêu cầu System One: Choice để chọn bộ phận xử lý, Score để đánh giá mức độ tức giận của khách hàng, Noul để xác định khách có yêu cầu hoàn tiền rõ ràng hay không và chính sách có hỗ trợ hay không. Bài viết giải thích rằng Choice chọn từ các nhãn tùy chỉnh và trả về xác suất của từng nhãn; Score đặt trạng thái lên một thang điểm có thứ tự và trả về cấp độ trọng số xác suất (có thể nằm giữa hai cấp); Noul trả về xác suất duy nhất cho tính đúng đắn của nhận định. Tên câu hỏi không được truyền cho mô hình, bốn câu hỏi được đánh giá song song và độc lập trong cùng một yêu cầu, báo cáo phản hồi bao gồm phiên bản mô hình thực tế đã trả lời và số token tính phí.
Ra mắt giải pháp AI agent: Treg truy xuất thông tin từ hơn 60 nguồn dữ liệu nhân sự, Jev sàng lọc dựa trên tiêu chuẩn đánh giá
X: Rohan Paul (@rohanpaul_ai)Tác giả giới thiệu giải pháp sàng lọc thông tin cho AI agent: Treg truy xuất các thông tin phù hợp từ hơn 60 nhà cung cấp dữ liệu nhân sự, sau đó Jev chấm điểm những người này theo tiêu chuẩn của người dùng, giúp agent tự động quyết định thông tin nào đáng giữ lại. Giải pháp này được cho là rẻ hơn 85% so với Clay, đứng đầu về độ chính xác trong các bài kiểm chuẩn tìm kiếm nhân sự và có thể tích hợp như một plugin vào bất kỳ agent nào. Jev tiếp nhận trạng thái ứng viên, đánh giá xem một người có phù hợp với tiêu chuẩn về vị trí, hồ sơ công ty hay không, rồi trả về xác suất có cấu trúc thay vì một đoạn văn bản tạo sẵn.
T4 · 23/09
Đồng sáng lập kiêm CEO của TypeSafe, Diogo Almeida, công bố Jev – mô hình AI không hướng tới trò chuyện mà hướng tới việc gọi mã (code calling)
X: Frank Wang (@lifesinger)Diogo Almeida, đồng sáng lập kiêm CEO của TypeSafe, đã ra mắt mô hình AI mang tên Jev sau khi rời OpenAI. Ông gọi đây là "System One" (Hệ thống 1) hay mô hình lập trình quy mô lớn, được định vị là trí tuệ nhân tạo dành cho mã nguồn gọi trực tiếp, thực hiện các phán đoán nhanh thay vì trò chuyện với con người. Mô hình này nhấn mạnh vào khả năng biểu đạt độ tin cậy thấp, chi phí rẻ, tốc độ nhanh và độ tin cậy cao. Các đánh giá liên quan trong ngành đều là quan điểm cá nhân từ các bài phỏng vấn và chưa được kiểm chứng độc lập.
TypeSafe báo cáo Jev đạt ưu thế gấp 193,6 lần về tốc độ và 444,6 lần về chi phí. Kết quả này dựa trên đánh giá quy trình làm việc của nhà sản xuất và được mô tả là nằm ở mức cao trong biên độ thực tế
X: Ma Dongxi NLP (@dongxi_nlp)TypeSafe báo cáo Jev đạt ưu thế gấp 193,6 lần về tốc độ và 444,6 lần về chi phí. Kết quả này đến từ đánh giá quy trình làm việc của nhà sản xuất, trong đó ghi chú phát hành mô tả đây là mức cao trong biên độ lợi ích thực tế. Khi giải mã dữ liệu, cần cân nhắc đồng thời các yếu tố như tác vụ, yêu cầu đầu ra, đáp án tham chiếu và mô hình đối chứng.
Jev 1.13 đã chạy đánh giá ngưỡng kiểm duyệt trên 24 danh sách marketplace đã được gắn nhãn vào ngày 22-09-2026, với 23/24 kết quả khớp với nhãn và chi phí là $0,001131
OpenRouter: AnnouncementsChính chủTác giả đã sử dụng typesafe/jev-1.13 vào ngày 22 tháng 9 năm 2026 để chạy đánh giá ngưỡng kiểm duyệt trên 24 danh sách marketplace đã được gắn nhãn, với tổng chi phí khoảng $0,001131. Tại ngưỡng 0,8, hệ thống tự động từ chối 7 mục mà không có trường hợp từ chối sai nào, chiến lược hoàn chỉnh khớp với 23/24 nhãn. Tác giả giữ nguyên quyết định tạm dừng (hold) đối với các món đồ chơi airsoft.
T3 · 22/09
Tác giả cho biết đã phát hiện đầu ra xác suất của Jev không đáng tin cậy trong một số lĩnh vực
Hacker News Nổi bật (buzzing.cc bản dịch tiếng Trung)Tác giả bài viết cho biết đã phát hiện đầu ra xác suất của Jev không đáng tin cậy trong một số lĩnh vực nhất định; ông cho rằng độ chính xác và tính phổ quát của Jev vẫn cần thời gian để kiểm chứng.
Jev ra mắt: Tuyên bố cho phép tích hợp trí tuệ ngôn ngữ tự nhiên vào các phần quan trọng của ứng dụng trên quy mô lớn, với tốc độ nhanh gấp 50 lần, chi phí rẻ hơn 100 lần và độ tin cậy cao hơn trước đây
@typesafeaiĐây là bài viết giới thiệu sản phẩm mới mang tên Jev, tuyên bố có khả năng giúp bất kỳ ứng dụng nào tích hợp trí tuệ ngôn ngữ tự nhiên vào các thành phần cốt lõi trên quy mô lớn, với tốc độ nhanh gấp 50 lần và chi phí rẻ hơn 100 lần so với các phương thức hiện có, đồng thời khẳng định độ tin cậy cao. Tất cả thông tin trên đều là tuyên bố từ phía nhà phát hành, chưa có xác thực độc lập; bài viết cũng không đề cập đến ngày ra mắt cụ thể của sản phẩm này.
CEO của TypeSafe AI đã giới thiệu lộ trình huấn luyện ra quyết định hiệu chuẩn bằng học tăng cường RLCD của Jev trong một bài phỏng vấn
X: Hongming (@hongming731)CEO của TypeSafe AI đã giới thiệu mô hình System One của Jev dành cho luồng điều khiển phần mềm và lộ trình huấn luyện RLCD của nó trong một bài phỏng vấn. Mục tiêu là giúp xác suất do mô hình đưa ra tương xứng với thông tin thực tế mà nó nắm giữ, hỗ trợ các quyết định nhỏ có thể hiệu chuẩn. Các phương pháp liên quan chưa được công bố rộng rãi và không thể coi là năng lực phổ quát đã được kiểm chứng độc lập. Hệ thống cần trực tiếp thực thi các đầu ra có độ tin cậy cao, đồng thời chuyển các đầu ra không chắc chắn sang truy vấn, kiểm tra quy tắc hoặc xử lý thủ công.
TypeSafe AI tuần trước đã ra mắt Jev, mô hình "System One" đầu tiên với khả năng xuất ra các giá trị quyết định dạng số thực, chỉ tính phí đầu vào ở mức 0,042 USD/triệu token
Simon Willison BlogTypeSafe AI tuần trước đã phát hành Jev, mô hình thuộc phân khúc "System One" đầu tiên của hãng (tác giả đồng tình với cách gọi "mô hình ra quyết định" của Maggie Appleton). Jev tiếp nhận đầu vào dạng văn bản nhưng không xuất ra văn bản, thay vào đó, nó trả về các giá trị số thực tương ứng với phân loại, phán đoán có/không, điểm số và độ tin cậy. CEO của công ty đã xác nhận trên Hacker News rằng vấn đề "Noul" được đặt tên theo phân phối Bernoulli. Về định giá, mô hình chỉ tính phí dựa trên token đầu vào, miễn phí đầu ra, với mức giá 0,042 USD/triệu token, thấp hơn mức 0,05 USD của GPT-5 Nano.
T2 · 21/09
Tác giả đã sử dụng Jev để sắp xếp lại nhãn cho khoảng 2,3 nghìn bài nghiên cứu AI với chi phí khoảng 0,14 USD, mất 83 giây và đã đưa vào môi trường sản xuất sau khi kiểm chứng thủ công
X: Elvis Saravia (@omarsar0, DAIR.AI)Tác giả báo cáo việc sử dụng Jev để gắn lại nhãn cho khoảng 2,3 nghìn bài nghiên cứu AI với tổng chi phí khoảng 0,14 USD trong vòng 83 giây. Khi gắn nhãn lại, Jev đạt tỷ lệ nhất quán khoảng 75% so với các nhãn cũ từ DeepSeek V4 Flash và xác định được khoảng 579 thay đổi chủ đề có độ tin cậy cao; tác giả đã kiểm chứng thủ công 30 trường hợp không nhất quán, chấp nhận toàn bộ và sau đó áp dụng vào môi trường sản xuất. Tác giả cho biết kết quả này khả quan hơn nhưng vẫn còn dư địa để cải thiện.
TypeSafe ra mắt Jev: Bộ ra quyết định if-then trả về kết quả hiệu chỉnh có định kiểu thông qua một lần truyền song song
Tomer Tunguz Blog (phân tích VC)Chính chủTypeSafe đã phát hành Jev vào ngày 15 tháng 9 năm 2026. Công cụ này trả về các quyết định đã được hiệu chỉnh và định kiểu thay vì tạo văn bản thông qua một lần truyền song song duy nhất; theo thông tin từ hãng, Jev có thể trả lời các câu hỏi phân loại trong vài trăm mili giây với chi phí thấp hơn 99% so với AI truyền thống. Mức giá được niêm yết là 0,042 USD cho mỗi triệu token đầu vào và 0 USD cho đầu ra (TypeSafe cho biết giá đầu ra có thể được trợ giá). Dựa trên đánh giá quy trình làm việc nội bộ, công ty cho biết mức chênh lệch chi phí đạt từ 76 đến 209 lần.
Tác giả của TypeSafe đã thực hiện thí nghiệm đối chứng vào ngày 21-09-2026: So sánh hiệu suất của Jev và LLM judge trên tập dữ liệu độ trung thực HaluEval và tập dữ liệu tóm tắt SummEval
OpenRouter: AnnouncementsChính chủTác giả của TypeSafe đã báo cáo về một thí nghiệm đối chiếu được thực hiện qua OpenRouter vào ngày 21 tháng 9 năm 2026: Trên 88 mục kiểm tra độ trung thực của HaluEval, Jev (typesafe/jev-1.13) đạt độ chính xác tương đương với LLM judge (gpt-5.6-luna) (84 so với 83), nhưng Jev có khả năng hiệu chuẩn tốt hơn (điểm Brier 0.043 so với 0.054), với chi phí chỉ bằng khoảng 1/5 và độ trễ bằng khoảng 1/10; cả hai đều duy trì sự ổn định trong các bài kiểm tra về độ lệch vị trí và độ dài, trong đó Jev nhỉnh hơn đôi chút. Đối với 50 mục kiểm tra tính nhất quán của tóm tắt trong SummEval, LLM judge có tương quan Spearman với điểm số của chuyên gia cao hơn (0.72 so với 0.47). Kết quả này dựa trên dữ liệu tự kiểm tra của tác giả, đồng thời tác giả cũng lưu ý người dùng cần đo lường lại trên tập dữ liệu riêng của mình.
TypeSafe đã phát hành mô hình ra quyết định Jev dưới dạng truy cập sớm vào ngày 15 tháng 9 năm 2026, phiên bản hiện tại là Jev 1.13
OpenRouter: AnnouncementsChính chủTypeSafe đã phát hành mô hình ra quyết định Jev dưới dạng truy cập sớm vào ngày 15 tháng 9 năm 2026; phiên bản hiện tại là Jev 1.13. Người dùng có thể gọi mô hình này thông qua API riêng của TypeSafe hoặc OpenRouter.
Tác giả cho biết đã viết hướng dẫn nhập môn về Jev, đồng thời chia sẻ rằng Jev đang trở nên phổ biến trên Twitter
X: Elvis Saravia (@omarsar0, DAIR.AI)Tác giả bài viết gốc cho biết Jev (được TypeSafe AI gọi là mô hình System One) gần đây đã gây sốt trên Twitter, nhưng nhiều ví dụ minh họa lại gây hiểu lầm. Do đó, tác giả đã biên soạn hướng dẫn này để giới thiệu cách sử dụng Jev nhằm nhanh chóng tập trung vào các phán đoán và trả về câu trả lời có cấu trúc kèm theo xác suất.
CN · 20/09
Tác giả chia sẻ cách sử dụng Jev để xây dựng bộ xác thực chi phí thấp nhằm liên tục kiểm tra mục tiêu của các tác nhân (agent), hiện vẫn đang trong giai đoạn thử nghiệm
X: Elvis Saravia (@omarsar0, DAIR.AI)Tác giả cho biết đã sử dụng Jev để xây dựng bộ xác thực tùy chỉnh cho tính năng /goal trong khung tác nhân của mình. Hệ thống này kiểm tra việc hoàn thành mục tiêu sau mỗi vòng lặp, giúp chi phí xác thực liên tục đủ thấp và có khả năng mở rộng, thay thế cho các mô hình suy luận đắt đỏ và cho phép chạy thường xuyên hơn để đảm bảo tác nhân không đi chệch hướng. Tác giả nhấn mạnh dự án mới chỉ ở giai đoạn đầu, dù đã ghi nhận kết quả khả quan nhưng vẫn cần tìm hiểu thêm các phương pháp chuẩn, hướng dẫn chi tiết sẽ được công bố trong vài ngày tới.
Đánh giá: Mô hình ra quyết định Jev của TypeSafe AI nhanh hơn gấp 5 lần so với các LLM phổ biến khác trong các tác vụ đánh giá
X: OpenRouter (@OpenRouter)Chính chủTác giả đã sử dụng Ori Eval trên OpenRouter để so sánh mô hình ra quyết định Jev của TypeSafe AI với các LLM phổ biến trong các tác vụ đánh giá. Kết quả cho thấy Jev nhanh hơn mô hình xếp thứ hai gấp 5 lần, thậm chí yêu cầu chậm nhất của Jev vẫn nhanh hơn mức trung vị của các mô hình khác.
TypeSafe AI ra mắt mô hình System One mang tên Jev: Trả về các quyết định có định dạng kiểu dữ liệu kèm xác suất thay vì văn bản thuần túy, hiện đã mở quyền truy cập sớm dưới dạng API được quản lý
MarkTechPostTypeSafe AI ra mắt Jev, một mô hình dựa trên kiến trúc transformer nhưng không phải là mô hình ngôn ngữ lớn (LLM). Jev tiếp nhận trạng thái và các câu hỏi có định dạng kiểu dữ liệu, sau đó trả về quyết định tương ứng kèm theo xác suất. Mô hình sử dụng kiến trúc mới, bộ lấy mẫu song song và RLCD, hiện chỉ cung cấp qua API được quản lý (danh sách chờ), không công khai trọng số, số lượng tham số hay tùy chọn tự lưu trữ. Các con số hiệu suất dựa trên đánh giá quy trình làm việc nội bộ của TypeSafe; phía công ty cũng lưu ý rằng lợi ích thực tế có thể chỉ đạt được ở các tác vụ cao cấp và chưa thể chứng minh mức giá không được trợ cấp.
T7 · 19/09
Bình luận: Jev đang cố gắng hoàn thiện con đường encoder mà BERT còn dang dở trong các tác vụ dành cho Agent
X: Ma Dongxi NLP (@dongxi_nlp)Tác giả đưa ra quan điểm: Các kịch bản Agent đòi hỏi đầu vào lớn, bộ nhớ KV cache nặng và các vòng lặp gọi hàm thường xuyên, khiến phương thức thuần decoder trở nên đắt đỏ. Jev đã xuất hiện đúng thời điểm để lấp đầy khoảng trống mà BERT để lại, vừa giữ được khả năng tổng quát hóa tác vụ của GPT, vừa lấy lại hiệu suất ra quyết định theo kiểu encoder và classifier.
Đội ngũ phát triển Jev thừa nhận mô hình vẫn chưa hoàn thiện và đang kêu gọi cộng đồng phản hồi về các vấn đề gặp phải
@typesafeaiĐơn vị phát hành cho biết Jev vẫn còn chậm, đắt đỏ và chưa đủ thông minh, đồng thời khẳng định còn nhiều dư địa để cải tiến. Họ khuyến khích cộng đồng gửi các vấn đề phát hiện được vào kênh "model-jaggedness" trên Discord và tham khảo tài liệu liệt kê các lỗi "jaggedness" đã biết.
Typesafe AI giới thiệu mô hình ra quyết định Jev: Trả lời các câu hỏi Đúng/Sai và trắc nghiệm kèm theo mức độ tin cậy, khẳng định rẻ hơn và nhanh hơn 10 lần so với LLM
X: OpenRouter (@OpenRouter)Chính chủGiới thiệu Jev từ Typesafe AI, một mô hình ra quyết định chuyên trả lời các câu hỏi Đúng/Sai và trắc nghiệm kèm theo điểm số tin cậy. Tác giả khẳng định mô hình này nhanh và rẻ hơn 10 lần so với LLM, đồng thời định vị nó như một công cụ phục vụ các kịch bản ra quyết định quy mô lớn trong phát triển phần mềm. Các thông số hiệu năng dựa trên tuyên bố từ phía tác giả.
Typesafe AI, startup do cựu nghiên cứu viên OpenAI sáng lập, ra mắt Jev – mô hình mới không phải LLM, tập trung vào khả năng ra quyết định có độ chính xác cao với chi phí thấp
TechCrunch: AITypesafe AI, công ty do Almeida – cựu nghiên cứu viên OpenAI từng tham gia xây dựng ChatGPT và phát minh ra RLHF – sáng lập, tuần này đã ra mắt Jev. Đây là mô hình transformer không xuất văn bản mà xuất ra xác suất ("ra quyết định có hiệu chuẩn"). Jev có tốc độ nhanh, chi phí thấp, được thiết kế để không gây ra hiện tượng ảo giác. Nhu cầu từ phía nhà phát triển lớn đến mức API từng bị quá tải. Hiện mô hình này đang được ứng dụng trong tự động hóa phần mềm, giám sát các LLM agent và điều hướng mô hình.
T6 · 18/09
Bình luận của tác giả: Jev hiện chưa tạo ra rào cản vật lý tuyệt đối, lợi thế cạnh tranh thực sự nằm ở RLCD (Học tăng cường có hiệu chuẩn)
X: karminski (@karminski3)Tác giả cho rằng, nếu các ông lớn công nghệ thực sự muốn sao chép, Jev hiện tại chưa thể tạo ra rào cản vật lý tuyệt đối. Lợi thế cạnh tranh thực sự của nó là RLCD (Học tăng cường có hiệu chuẩn), giúp hạn chế tối đa tình trạng sai lệch xác suất, nhưng cũng đồng nghĩa với việc mô hình sẽ khá cứng nhắc và chỉ tập trung vào thực thi công việc.