Jev là gì? Mô hình System One của TypeSafe AI (2026)

Ngày 15 tháng 9 năm 2026, công ty khởi nghiệp Mỹ TypeSafe AI mở quyền truy cập sớm cho Jev, một mô hình AI không sinh ra văn bản. Bạn đưa vào trạng thái của chương trình và các câu hỏi đã định kiểu, mô hình trả về quyết định có kiểu dữ liệu kèm xác suất. Công ty do Diogo Almeida dẫn dắt, đồng tác giả bài báo InstructGPT, nền tảng của ChatGPT. Bài viết này tổng hợp về Jev và hạng mục mới mà công ty đề xuất, mô hình System One, dựa trên tài liệu chính thức.

Jev là gì

Jev là mô hình chỉ làm việc ra quyết định, được công bố như "mô hình System One đầu tiên". Phiên bản hiện tại là jev-1.13. Khác biệt lớn nhất so với mô hình ngôn ngữ lớn (LLM) nằm ở dạng đầu ra.

LLM: sinh ra văn bản cho con người đọc. Ngay cả khi bạn cần dữ liệu có cấu trúc, bạn vẫn phải để nó viết thành văn bản rồi phân tích trong mã nguồn
Jev: không sinh văn bản. Nó nhận trạng thái chương trình (state) và các câu hỏi đã định kiểu (questions), rồi trả về giá trị có kiểu, phân phối xác suất và độ tin cậy

TypeSafe mô tả thiết kế này là cách khắc phục một sự lệch pha: buộc một hệ thống sinh văn bản phải xuất ra quyết định có cấu trúc. Với Jev, không cần phân tích cú pháp và không cần thử lại; giá trị trả về đi thẳng vào nhánh điều kiện, phép sắp xếp hay bộ định tuyến của bạn.

System One nghĩa là gì

Tên gọi lấy từ tư duy nhanh và chậm của Daniel Kahneman. Suy luận dài và viết lách thuộc hệ thống 2, nơi LLM làm tốt; còn phán đoán tức thời thuộc hệ thống 1, và Jev được tạo ra cho phần này. Một hình dung hữu ích: mọi việc mà một chuyên gia trong lĩnh vực có thể quyết trong năm giây, nhưng cần chạy với khối lượng lớn và độ trễ thấp.

Ba dạng câu hỏi (primitive)

Jev nhận ba dạng câu hỏi và bạn có thể trộn chúng trong cùng một lần gọi API. Các câu hỏi được đánh giá song song và độc lập trên cùng một trạng thái; theo tài liệu, thêm câu hỏi gần như không làm thay đổi thời gian phản hồi.

Choice (lựa chọn): chọn một phương án trong tập đã định. Trả về phương án được chọn, phân phối xác suất trên toàn bộ phương án và độ tin cậy. Phù hợp để phân luồng yêu cầu hỗ trợ hoặc phân loại loại tài liệu. Tài liệu khuyến nghị thêm phương án "khác" khi danh sách có thể chưa bao quát hết
Score (điểm): xác định vị trí trên thang mức có thứ tự (ví dụ: bình tĩnh và trung lập, không hài lòng nhưng còn lịch sự, rất tức giận). Điểm có thể nằm giữa hai mức. Phù hợp cho mức nghiêm trọng, mức hài lòng hoặc trình độ
Noul (đúng hay sai): trả lời một phát biểu bằng xác suất từ 0 đến 1. Gần 1,0 là "đúng" rõ ràng, quanh 0,5 nghĩa là mô hình không phân định được. Phù hợp cho câu hỏi "đây có phải báo lỗi không" hoặc "đây có phải yêu cầu hoàn tiền không"

Mỗi câu trả lời còn kèm độ tin cậy (confidence), cho biết phân phối xác suất tập trung đến đâu. Đây chính là đòn bẩy để chỉ chuyển những trường hợp không chắc chắn cho con người hoặc LLM.

Tốc độ và giá (số liệu do công ty công bố)

Thời gian phản hồi đầu cuối 70 đến 500 ms, công ty mô tả là nhanh hơn 40 đến 200 lần so với các mô hình tiên phong ở mức trí tuệ tương đương cho lớp nhiệm vụ này
Giá 0,042 USD cho mỗi triệu token đầu vào (42 USD cho mỗi tỷ token). Token đầu ra miễn phí, chỉ tính phí đầu vào
Giới hạn 250.000 token mỗi giây và 1.200 yêu cầu mỗi phút, được công ty cho biết là điều chỉnh linh hoạt theo nhu cầu
Ngữ cảnh tối đa 64.000 token cho mỗi yêu cầu, trong đó trạng thái cộng câu hỏi dài nhất không vượt 32.000 token
Chỉ nhận đầu vào văn bản (chuỗi, đối tượng JSON hoặc mảng văn bản). Không nhận hình ảnh, âm thanh hay video

TechCrunch cho biết Vercel đo được kết quả nhanh hơn 5 đến 18 lần và chính xác hơn trong một nhiệm vụ phân loại, còn Bryo AI thấy Jev rẻ hơn Gemini 10 đến 20 lần khi phân loại email. Tất cả đều là số liệu do nhà cung cấp và khách hàng công bố, nên hãy xem đó là lý do để tự đo trên dữ liệu của bạn, chứ không phải kết quả chắc chắn.

Hiểu đúng câu "không thể gây ảo giác"

Jev được quảng bá là không có lỗi kiểu dữ liệu và không gây ảo giác. Điều được bảo đảm ở đây là hình thức của đầu ra: bạn sẽ không nhận giá trị nằm ngoài danh sách phương án hay JSON bị lỗi, nhờ vậy phần mã phân tích và thử lại biến mất.

Nhưng điều đó không có nghĩa là phán đoán luôn đúng. Thứ trả về là xác suất đã hiệu chỉnh, và một câu trả lời 0,7 về bản chất sẽ sai khoảng 30% số lần. Bản thân tài liệu cũng khuyến nghị định tuyến theo độ tin cậy. Phân biệt "không tự bịa ra sự thật" với "luôn luôn đúng" là điểm quan trọng nhất khi đánh giá mô hình này.

Những điểm yếu TypeSafe công bố

TypeSafe công khai các điểm yếu của jev-1.13 trong tài liệu chính thức. Với quyết định có nên áp dụng hay không, đây là trang hữu ích nhất.

Tính toán và đếm không đáng tin: số ký tự, số lần xuất hiện, số mục trong danh sách càng sai khi đầu vào càng lớn. Tài liệu ghi rõ Jev không phải máy tính
So sánh ngày và giờ còn yếu: ngày nào trước, có nằm trong khoảng thời gian không, cách nhau bao lâu đều không ổn định
Suy luận nhiều bước kém: câu hỏi phải truy theo thuộc tính của thuộc tính, hoặc cách diễn đạt phủ định hai lần, đều giảm độ chính xác
Thông tin không liên quan làm giảm độ chính xác: trạng thái càng chứa nhiều nội dung không liên quan đến quyết định thì kết quả càng kém
Không sinh được văn bản: xâu chuỗi các lựa chọn để tạo văn bản vừa chậm vừa kém chất lượng
Chỉ dẫn được hiểu theo nghĩa chữ: nó trả lời đúng câu hỏi bạn viết, không phải câu bạn nghĩ, nên các trường hợp biên phải ghi rõ trong tiêu chí
Không bảo đảm chống được đầu vào thù địch: chỉ dẫn cài trong trạng thái có thể làm lệch đầu ra
Tiếng Anh trước tiên: công ty cho biết các ngôn ngữ khác, gồm cả ngôn ngữ châu Á, "được xử lý nhưng không tốt bằng tiếng Anh"

Nếu nội dung của bạn không phải tiếng Anh, cách làm thực tế là viết chỉ dẫn và mô tả tiêu chí bằng tiếng Anh, chỉ giữ phần nội dung cần đánh giá ở ngôn ngữ gốc, rồi đo độ chính xác trước khi triển khai.

Những chỗ dùng hiệu quả

Định tuyến theo ý định: phân loại yêu cầu đến và chuyển tới bộ phận hoặc quy trình phù hợp
Xác định ưu tiên và mức nghiêm trọng: cho điểm mức cấp bách để xếp thứ tự xử lý
Hàng rào an toàn và giám sát: kiểm tra trong vài mili giây xem đầu vào và đầu ra của agent có vi phạm chính sách không; nhiều nhóm dùng để phát hiện nỗ lực vượt rào
Định tuyến mô hình: yêu cầu dễ giao mô hình giá rẻ, yêu cầu khó giao mô hình mạnh
Xếp hạng lại và hỗ trợ tìm kiếm: sắp xếp lại ứng viên, đánh giá mức liên quan
Quyết định nhánh cho agent: giữ quyền chọn "làm gì tiếp theo" trong mã nguồn của bạn

Dùng kèm LLM là cách cơ bản

Vì Jev không viết được văn bản, mô hình sử dụng hiệu quả là đặt nó trước hoặc sau LLM, chứ không phải thay thế LLM.

Để Jev xử lý nhanh lượng lớn phán đoán và chỉ chuyển những trường hợp có độ tin cậy thấp lên LLM hoặc con người (cổng theo độ tin cậy)
Phán đoán phức tạp không nên gói vào một câu hỏi lớn, mà nên chia thành các câu hỏi nhỏ rồi tổng hợp trong mã
LLM viết, Jev quyết định

Bắt đầu như thế nào

Dịch vụ đang ở dạng truy cập sớm: tạo khóa API trong bảng điều khiển tại console.typesafe.ai
Có SDK Python, SDK JavaScript và TypeScript, cùng HTTP API. Tên mô hình mặc định là jev-latest, hiện trỏ tới jev-1.13.0
Xác thực dùng biến môi trường TYPESAFE_API_KEY. Công ty cũng phát hành agent skill cho Claude Code và Codex
Tài liệu chỉ có tiếng Anh, còn giá, giới hạn tốc độ và điều kiện cung cấp có thể thay đổi, vì vậy hãy kiểm tra trang chính thức trước khi xây dựng trên mô hình này

Kết luận

Jev không phải "thế hệ tiếp theo của LLM" mà là một thành phần khác, đảm nhận đúng phần LLM làm chưa tốt. Nó phát huy hiệu quả ở những phán đoán không cần viết văn bản, tức phân loại, phân luồng, cho điểm và hàng rào an toàn, khi cần khối lượng lớn với độ trễ thấp; ngược lại, với tính toán, xử lý ngày tháng, sinh văn bản và những sắc thái tinh tế trong nội dung không phải tiếng Anh thì cần kiểm chứng cẩn thận. Bước đầu thực tế: tìm trong quy trình hiện tại chỗ mà LLM chỉ làm việc phân loại, thay bằng Jev và đo độ trễ, chi phí, độ chính xác so với hiện trạng.

Nguồn: blog chính thức của TypeSafe AI, tài liệu chính thức, TechCrunch (18 tháng 9 năm 2026). Nội dung bài viết dựa trên thông tin công khai được xác nhận vào ngày 19 tháng 9 năm 2026.