การ์ดชื่อเรื่องที่อ่านว่า 'Jev: โมเดลที่ปฏิเสธที่จะเขียน' พร้อมคำโปรย 'โมเดลการตัดสินใจของ TypeSafe AI ส่งคืนคำตอบแบบมีชนิดข้อมูลแทนข้อความ' การ์ดสามใบที่มีป้ายกำกับสำหรับพริมิตีฟ Choice, Score และ Noul และบล็อกสถิติที่แสดงคำตัดสิน 777 รายการภายในเวลาไม่ถึง 0.7 วินาที ในราคา $0.042 ต่อโทเคนอินพุตหนึ่งล้านโทเคน
Guides & Insights

Jev ปฏิเสธที่จะเขียนแม้แต่คำเดียว: โมเดลการตัดสินใจของ TypeSafe AI ทำงานอย่างไร และการตรวจสอบพบอะไรบ้างตั้งแต่นั้นมา

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

Jev 1.13 (typesafe/jev-1.13) เป็นโมเดลแรกจาก TypeSafe AI ที่ผู้อ่านมีแนวโน้มจะได้พบผ่านตารางราคามากกว่ากล่องแชต เพราะมันไม่มีกล่องแชต เปิดตัวเมื่อวันที่ 15 กันยายน 2026 โดย Diogo Almeida — หนึ่งในผู้ร่วมเขียนบทความ InstructGPT งานที่ทำให้ ChatGPT มีพฤติกรรมเหมือนผู้ช่วย — Jev ไม่ได้สร้างข้อความเลย มันรับข้อมูลสถานะชิ้นหนึ่ง (อีเมล บรรทัดล็อก ตั๋วสนับสนุน หรือ JSON ของพิกัดในเกม) บวกกับรายการคำถามที่มีชนิดกำกับ แล้วคืนคำตอบที่มีชนิดกำกับ เช่น ตัวเลือกจากชุดที่คุณกำหนดให้ คะแนนตามรูบริก หรือความน่าจะเป็นแบบใช่/ไม่ใช่ โดยแต่ละคำตอบมีค่าความเชื่อมั่นของตัวเอง ไม่มีข้อความร้อยเรียง ไม่มีโค้ด ไม่มีคำอธิบาย จุดขายของ TypeSafe คือความแคบเฉพาะทางนี้คือตัวผลิตภัณฑ์ เพราะมันซื้อความเร็วและราคาที่โมเดลเชิงสร้างเทียบไม่ได้ — เร็วกว่า 20 ถึง 200 เท่า และถูกกว่า 40 ถึง 400 เท่าเมื่อเทียบกับ "LLM ที่เทียบเคียงได้" ในเอกสารเปิดตัวของบริษัทเอง ที่ราคา $0.042 ต่อโทเคนอินพุตหนึ่งล้านโทเคน โดยคิดค่าผลลัพธ์เป็นศูนย์ มันพร้อมใช้งานทั่วไปตั้งแต่ 21 กันยายน 2026 เมื่อ TypeSafe เอารายชื่อรอออกและเริ่มให้เครดิต $5 แก่บัญชีใหม่ — ซึ่งเป็นการแปลงของทางผู้ขายเอง มีมูลค่าประมาณ 120 ล้านโทเคนอินพุตที่ราคาป้าย โมเดลนี้เกิดขึ้นก่อนข่าวในบทความนี้ OrcaRouter เพิ่ม typesafe/jev-1.13 เข้าแคตตาล็อกเมื่อ 24 กันยายน 2026 และตอนนี้เราเตอร์ให้บริการมันด้วยคีย์เดียวกับโมเดลเชิงสร้างที่มันถูกออกแบบมาให้อยู่ข้าง ๆ ซึ่งเป็นความเปลี่ยนแปลงที่ควรรู้ในวันนี้ สิ่งที่สองที่หน้านี้ต้องอธิบายตอนนี้ไม่ใช่ของ TypeSafe: RSI-Jev โครงการโอเพนซอร์สของบุคคลที่สามที่สร้างโมเดลตัดสินใจแบบ System One สไตล์ Jev ซึ่งรุ่นที่ปล่อยปัจจุบันคือ RSI-Jev v6.0-VL ขนาด 4B ลงวันที่ 6 ตุลาคม 2026 มันเลียนแบบรูปแบบการรับส่งข้อมูลของ Jev อย่างตั้งใจ และบรรทัดสัญญาอนุญาตของมันระบุตรง ๆ ว่าไม่มีความเกี่ยวข้องกับ TypeSafe AI — มันไม่ใช่ Jev ของ TypeSafe ไม่ใช่น้ำหนักของ TypeSafe และไม่ใช่โมเดลเดียวกันภายใต้ชื่อที่สั้นกว่า ส่วนสุดท้ายของบทความนี้เป็นที่ที่มันควรอยู่ เพราะมันเป็นคำตอบที่คมชัดที่สุดเท่าที่มีต่อคำถามว่า แท้จริงแล้วตำแหน่งของ Jev เป็นคูเมืองป้องกันคู่แข่งมากแค่ไหน

ตัวเลขที่มีประโยชน์ที่สุดที่เผยแพร่ใน 48 ชั่วโมงแรกไม่ใช่หนึ่งในนั้น มันมาจาก Every โดยหัวหน้าฝ่ายประเมินผลของบริษัทได้รัน Jev กับบทความ Every ที่เผยแพร่แล้ว 27 ชิ้น บวกบทความคู่เทียบที่แต่งในสไตล์ AI อีก 10 ชิ้น โดยถามคำถาม 21 ข้อกับเอกสารทั้ง 37 ฉบับพร้อมกัน: การตัดสิน 777 ครั้งในเวลาไม่ถึง 0.7 วินาที ด้วยต้นทุนประมาณหนึ่งในสี่ของหนึ่งเซนต์ การทดสอบที่สอง ซึ่งดำเนินการโดยซีอีโอของ Every นำข้อความสังเคราะห์ 12 ท่อน — หกท่อนสะอาด หกท่อนที่มีข้อบกพร่องถูกฝังไว้อย่างจงใจ — มาเทียบกับการตรวจงานเขียนสี่รายการ Jev ตอบกลับด้วยค่ามัธยฐาน 0.35 วินาทีต่อท่อน เทียบกับ 8.83 วินาทีของ Claude Fable 5.1 ที่ระดับความพยายามสูง: เร็วขึ้นประมาณ 25 เท่า ด้วยต้นทุนประมาณ 1/580 มันจับข้อบกพร่องที่ฝังไว้ได้หกจากเจ็ดข้อ Claude Fable 5.1 จับได้ทั้งเจ็ดข้อ คำตัดสินของ Every คือ “ดีแต่ไม่สมบูรณ์แบบ” และนั่นคือการตีความแบบหนึ่งบรรทัดที่ซื่อตรงเกี่ยวกับ Jev จากการทดสอบอิสระครั้งแรกที่ได้รับการเผยแพร่ — ข้อกล่าวอ้างเรื่องความเร็วและต้นทุนยังยืนได้เมื่อถูกตรวจสอบโดยบุคคลที่สาม ข้อกล่าวอ้างเรื่องความแม่นยำอยู่ต่ำกว่าระดับแนวหน้าหนึ่งขั้น และตัวอย่างมีขนาดเล็กพอที่ไม่มีใครควรดึงข้อสรุปสำหรับโปรดักชันจากมัน — ช่องว่างที่การประเมินในภายหลังได้ปิดไปบางส่วนแล้ว ทั้งในสองทิศทาง

หมายเหตุเกี่ยวกับประเภทของหลักฐานที่ชิ้นงานนี้ใช้อยู่ เพราะระดับชั้นของหลักฐานเปลี่ยนไปอย่างรวดเร็วสำหรับโมเดลใหม่ขนาดนี้ Jev มีอยู่จริงและเรียกใช้งานได้: มี endpoint ที่มีเอกสารประกอบ, Python SDK, alias ของโมเดล และราคาที่ประกาศไว้ การเปิดตัวได้รับการประกาศจากผู้ขาย ไม่ใช่ข้อมูลรั่วไหล และไม่มีใครต้องคาดเดาว่ามันมีอยู่จริงหรือไม่ แต่ทุกข้ออ้างเรื่องประสิทธิภาพที่ TypeSafe ยกมาเป็นจุดขายล้วนเป็นของ TypeSafe เอง สถาปัตยกรรมยังไม่เปิดเผย น้ำหนักโมเดลยังไม่ถูกปล่อยออกมา และแดชบอร์ด benchmark ที่รองรับพาดหัวข่าว 20-200x นั้นเป็นชุดการประเมินเวิร์กโฟลว์ภายใน ไม่ใช่กระดานผู้นำสาธารณะ การทดสอบอิสระไม่ใช่ชิ้นส่วนที่หายไปเหมือนในวันเปิดตัวอีกต่อไป — ตอนนี้มีอย่างน้อยสามการประเมินจากภายนอกแยกกัน รวมถึงหนึ่งการรันที่ลงทะเบียนไว้ล่วงหน้า และหนึ่งการศึกษาที่สร้างขึ้นโดยเฉพาะเพื่อทดสอบ Jev กับอินพุตที่มันไม่มีทางเห็นมาก่อน — และพวกเขาเห็นตรงกับผู้ขายเรื่องความเร็ว ขณะที่เล่าเรื่องที่ซับซ้อนกว่ามากเกี่ยวกับความแม่นยำและการสอบเทียบ บทความนี้แยกตัวเลขของผู้ขาย ตัวเลขอิสระ และคำถามที่ยังเปิดอยู่ให้เห็นชัดเจน แทนที่จะเฉลี่ยรวมให้กลายเป็นฉันทามติที่ไม่มีอยู่จริง

สิ่งที่ TypeSafe ส่งมอบจริง ๆ

Jev เป็นตัวแรกในสิ่งที่ TypeSafe เรียกว่าโมเดล System One — ชื่อนี้ยืมมาจากครึ่งหนึ่งของกระบวนการรับรู้ที่เร็วและใช้สัญชาตญาณของ Daniel Kahneman ตรงข้ามกับโหมดคิดไตร่ตรองที่ช้ากว่า ซึ่งแชตบอตเลียนแบบ ความแตกต่างที่ TypeSafe ชี้ให้เห็นคือการเปรียบเทียบกับรูปแบบมาตรฐานของการบังคับให้ตัวสร้างข้อความส่งออกเอาต์พุตแบบมีโครงสร้าง แล้วแยกวิเคราะห์ข้อความนั้นกลับมาเป็นสิ่งที่โค้ดเชื่อถือได้ Jev ข้ามข้อความไปทั้งหมด เอกสารของ TypeSafe เองระบุกรณีนี้อย่างตรงไปตรงมา: "โมเดลภาษาขนาดใหญ่ (LLMs) ถูกออกแบบมาเพื่อสร้างข้อความให้มนุษย์อ่าน เมื่อคุณต้องการให้โมเดลตัดสินใจในสิ่งที่โค้ดของคุณจะนำไปใช้ นั่นทำให้เกิดความไม่สอดคล้องกัน"

พื้นผิวเอาต์พุตประกอบด้วยองค์ประกอบพื้นฐานสามอย่าง และไม่มีสิ่งอื่นใดอีก ทุกคำถามที่คุณถามต้องเป็นหนึ่งในนั้น:

• Choice — เลือกหนึ่งตัวเลือกจากรายการที่คุณจัดเตรียมไว้ โดยคืนค่าตัวเลือกที่เลือก พร้อมความน่าจะเป็นสำหรับแต่ละแคนดิเดตและค่าความเชื่อมั่น ตัวเลือกถูกจำกัดไว้ที่ 255 ต่อฟิลด์; หากเกินกว่านั้น TypeSafe ระบุรูปแบบสองขั้นตอนไว้ในเอกสาร โดยให้คะแนนแคนดิเดตแต่ละรายการอย่างอิสระแล้วจึงเลือก

• ให้คะแนน — จัดวางสถานะลงบนรูบริกแบบเรียงลำดับ โดยคืนค่าระดับ ความน่าจะเป็นของแต่ละระดับ และความเชื่อมั่น ตัวอย่างในเอกสารคือความเสี่ยงการเลิกใช้ (churn risk) บนสเกล 0-1

• Noul — คำผสมของ "no" และ "null" — ข้อกล่าวอ้างแบบใช่/ไม่ใช่เพียงข้อเดียว โดยคืนค่าความน่าจะเป็นที่ปรับเทียบแล้วว่าข้อกล่าวอ้างนั้นเป็นจริง

A capture of TypeSafe's own documentation introduction page, showing the sentence 'Jev is TypeSafe's flagship model and the first System One model', a table of the three primitives Choice, Score and Noul with what each returns, and the line that adding questions to a call barely changes the response time.

คุณสมบัติที่น่าสนใจไม่ใช่ primitive ใดเพียงตัวเดียว แต่คือวิธีที่มันประกอบเข้าด้วยกัน ทั้งสามอย่างสามารถผสมกันได้ใน API call เดียว และทุกคำถามจะถูกประเมินพร้อมกันเทียบกับการอ่านสถานะเดียวกันเพียงครั้งเดียว เอกสารของ TypeSafe กล่าวว่าการเพิ่มคำถาม "แทบไม่เปลี่ยนเวลาตอบสนอง" และการทดสอบอิสระก็ยืนยันสิ่งนั้นในทางปฏิบัติ — คำถาม 21 ข้อข้ามเอกสาร 37 ฉบับเสร็จภายใน 0.7 วินาทีเดียวกัน นั่นคือสิ่งที่ทำให้ราคาต่อการตัดสินหนึ่งครั้งดิ่งลง: คุณไม่ได้จ่ายสำหรับการสร้างที่ยาวขึ้น แต่จ่ายสำหรับการทำเพียงรอบเดียว

ขอบเขตการใช้งานจริง ตามเอกสารและตามที่ผู้ใช้กลุ่มแรก ๆ รายงาน: งบคำขอประมาณ 64,000 โทเคน โดยประมาณ 32,000 โทเคนครอบคลุมสถานะบวกกับคำถามที่ยาวที่สุดเพียงข้อเดียว — เอกสารของ TypeSafe ระบุว่าความแม่นยำเปลี่ยนไปเมื่อสถานะเติบโตขึ้น; ไม่มีอินพุตรูปภาพหรือเสียงเมื่อเปิดตัว; และรูปแบบคำขอและคำตอบที่ไม่ใช่ธรรมเนียม chat-completions ดังนั้นไคลเอนต์ที่มีอยู่จึงไม่สามารถเพียงชี้ base URL มาที่มันได้ การเข้าถึงไม่เป็นอุปสรรคอีกต่อไปเมื่อวันที่ 21 กันยายน 2026 เมื่อ TypeSafe ยกเลิกรายชื่อรอและเปิด Jev ให้ทุกคนที่มีบัญชี; บัญชีใหม่เริ่มต้นด้วยเครดิต $5 ซึ่งผู้ขายกล่าวว่ามีมูลค่าประมาณ 120 ล้านโทเคนอินพุตที่ราคาตามรายการ โฮมเพจของ TypeSafe เองยังคงอธิบาย Jev ว่าอยู่ในช่วง early access ซึ่งเป็นป้ายกำกับที่เอกสารของมันไม่ได้กล่าวซ้ำ: เอกสารเผยแพร่ขีดจำกัดที่ปรับเปลี่ยนแบบไดนามิกที่ 100K โทเคนต่อวินาที และ 40 คำขอต่อวินาที แทนที่จะเป็นด่านการเข้าถึง เพลย์กราวด์บนเบราว์เซอร์ยังมีอยู่ควบคู่กับ API และ jev-latest ยังคงเป็นนามแฝงของโมเดล

RLCD หมายถึงการสอบเทียบ ไม่ใช่ค่าที่ต้องการ

TypeSafe ฝึก Jev ด้วยวิธีการที่บริษัทเรียกว่า RLCD — การเรียนรู้แบบเสริมกำลังสำหรับการตัดสินใจที่ปรับเทียบแล้ว ตามเอกสารของบริษัทเอง คำย่อนี้ใหม่พอที่การรายงานข่าวช่วงแรก ๆ จะขยายความอย่างไม่สอดคล้องกัน จึงคุ้มค่าที่จะปักหมุดให้แน่ชัดว่าจริง ๆ แล้วมันตั้งชื่อสิ่งใด เพราะความแตกต่างนี้คือข้ออ้างของงานวิจัยทั้งหมด

RLHF ปรับให้เหมาะกับผลลัพธ์ที่มนุษย์ต้องการ RLVR ปรับให้เหมาะกับความถูกต้องที่ตรวจสอบได้ แบบที่ผ่านกรณีทดสอบ RLCD ปรับให้เหมาะกับการปรับเทียบ: โมเดลที่บอกว่าตัวเองมั่นใจ 70% ควรจะถูกต้องประมาณ 70% ของเวลา นั่นเป็นเป้าหมายที่แตกต่างจากการถูกต้อง และนั่นคือเหตุผลที่ทุกคำตอบของ Jev มาพร้อมกับการแจกแจงความน่าจะเป็นแนบมาด้วย แทนที่จะเป็นเพียงคำตอบ โหมดความล้มเหลวที่ตั้งใจไว้คือโมเดลที่รู้ว่าตัวเองไม่รู้ เพื่อให้โค้ดของคุณตัดสินใจได้ว่าจะทำอย่างไรกับมัน

สิ่งที่คุณได้รับในทางปฏิบัติคือพื้นผิวควบคุม รูปแบบที่ระบุในเอกสารคือแถบความเชื่อมั่นสามแถบ — ทำงานอัตโนมัติที่ด้านบน ติดธงหรือยืนยันในระดับกลาง ส่งต่อไปยังมนุษย์ที่ด้านล่าง — โดยมีเกณฑ์อยู่ที่โค้ดของคุณแทนที่จะอยู่ในโมเดล การที่แถบเหล่านี้ซื่อสัตย์หรือไม่เป็นคำถามเชิงประจักษ์เกี่ยวกับข้อมูลของคุณ และเป็นคำถามที่ TypeSafe บอกอย่างชัดเจนให้คุณตอบด้วยตัวเอง โดยระบุว่าเกณฑ์ความเชื่อมั่นขึ้นอยู่กับกรณีการใช้งานเฉพาะ และควรทดสอบกับตัวอย่างที่มีป้ายกำกับของคุณเอง คำแนะนำนั้นเป็นประโยคที่สำคัญที่สุดในเอกสาร และสิ่งที่เอกสารไม่มีคือคำอธิบายจากภายนอกว่าวิธีการเบื้องหลังแถบเหล่านั้นทำตามชื่อของมันหรือไม่ ตั้งแต่สัปดาห์นี้มีคำอธิบายบางส่วน และมันเป็นการสร้างใหม่มากกว่าการเปิดเผย: RL post-mortem ของ RSI-Jev สร้างการสร้างใหม่แบบควบคุมเจ็ดแขนของการคาดเดาที่เผยแพร่ที่ RLCD — ชุดคำถาม 13.8k, 1,500 ก้าวต่อแขน — และเผยแพร่สิ่งที่เกิดขึ้นกับทุกแขน รวมถึงแขนที่ล้มเหลว รางวัล RL ทุกรางวัลในนั้นทำให้การสอบเทียบดิบแย่ลง; เฮดความเชื่อมั่นแบบ post-hoc ราคาถูกกู้คืนทั้งหมดยกเว้นแขน proper-score; และไม่มีออบเจกทีฟใดปรับปรุงการจัดลำดับความเชื่อมั่นให้ดีขึ้น มันปิดท้ายด้วยการระบุองค์ประกอบสามอย่างที่ RLCD ต้องมี โดยเขียนเป็นสมมติฐานว่าวิธีการอาจทำงานได้อย่างไร มากกว่าจะเป็นการอ้างอิงถึงภายในของ TypeSafe ซึ่งไม่มีใครนอกบริษัทเคยเห็น อ่านมันเป็นหลักฐานจากบุคคลที่สามชิ้นแรกที่วางเคียงข้างข้อกล่าวอ้างเรื่องการสอบเทียบที่จัดเรียงไว้ด้านล่าง ไม่ใช่การมองเข้าไปข้างใน; พื้นหลังของวิธีการเองอยู่ในคำอธิบายของเรา RLCD Explained

ตัวเลข เรียงตามผู้ที่ผลิตมันขึ้นมา

นี่คือจุดที่การรายงานส่วนใหญ่เกี่ยวกับ Jev อ่อนลง ดังนั้นจึงคุ้มค่าที่จะพูดให้ชัดเจนเรื่องแหล่งที่มา นี่คือสิ่งที่มาจากผู้ขาย สิ่งที่มาจากผู้ทดสอบอิสระ และสิ่งที่ยังไม่ทราบแน่ชัด

• รายงานโดยผู้ขาย ยังไม่ได้ทำซ้ำ — คำกล่าวอ้างเรื่องความเร็วและต้นทุนที่พาดหัว 70-500ms สำหรับความหน่วงแบบต้นทางถึงปลายทาง เทียบกับ 3-329 วินาทีสำหรับการเรียก LLM ชั้นแนวหน้า เร็วขึ้น 20-200 เท่า และถูกกว่า 40-400 เท่า ผลลัพธ์เวิร์กโฟลว์กรณีดีที่สุดเพียงกรณีเดียวที่โฆษณาไว้ที่เร็วขึ้น 193.6 เท่า และถูกกว่า 444.6 เท่า TypeSafe ยอมรับว่าตัวเลขเหล่านี้เป็นกรณีดีที่สุด ไม่ใช่ตัวเลขสากล

• ตามที่ผู้ขายรายงาน และตรวจสอบได้ในตารางราคา — $0.042 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น ซึ่งเท่ากับ $42 ต่อพันล้าน โดยเอาต์พุตฟรี เหตุผลที่เอาต์พุตฟรีนั้นเป็นเชิงกลไกมากกว่าเชิงโปรโมชัน: ไม่มีการถอดรหัสแบบออโตรีเกรสซีฟให้วัด จึงไม่มีโทเค็นเอาต์พุตให้คิดเงิน เพื่อให้เห็นขนาด สื่อเปิดตัวชุดเดียวกันระบุราคาอินพุตของโมเดลแนวหน้าทั่วไปไว้ที่ $0.20 ถึง $10 ต่อล้าน โดยเอาต์พุตมักอยู่ที่ประมาณห้าเท่าของราคาอินพุต

• รายงานโดยผู้ขาย จากเกณฑ์มาตรฐานภายใน — แดชบอร์ดเวิร์กโฟลว์ของ TypeSafe เอง 711 เคสจากสี่ภารกิจ โดยคำตอบอ้างอิงได้มาจากค่าเฉลี่ยการตัดสินของ GPT-6 Astra และ Claude Fable 5.1 แทนที่จะเป็นกราวด์ทรูธ บนแดชบอร์ดนั้น Jev ได้คะแนนรวม 67.8% เทียบกับ 74.1% ของคู่เปรียบเทียบที่ดีที่สุด เมื่อแยกดู: เหตุการณ์ด้านความปลอดภัย 61.7% เทียบกับ 66.2% ของ Opus 5; ความสามารถในการสังเกตการณ์ agent-trace 71.6% เทียบกับ 76.6%; การประมวลผลใบแจ้งหนี้ 61.8% เทียบกับ 79.1%; บริการลูกค้า 76.0% เทียบกับ 78.3% Jev ชนะในคอลัมน์ต้นทุนและเวลาแฝงบนแผนภูมินั้น และแพ้ในคอลัมน์ความแม่นยำ ตัวแดชบอร์ดเองระบุถึงอคติของฮาร์เนสที่อาจเกิดขึ้น และ TypeSafe กล่าวว่าได้ข้ามลีดเดอร์บอร์ดสาธารณะโดยเจตนา เพื่อหันไปใช้การประเมินแบบครั้งเดียวที่ผูกกับอัปเดตผลิตภัณฑ์

• วัดอย่างอิสระ ตัวอย่างขนาดเล็ก — การทดสอบจากภายนอกครั้งแรก การรันของ Every ที่อธิบายไว้ข้างต้น: คำตัดสิน 777 รายการในเวลาไม่ถึง 0.7 วินาที ด้วยค่าใช้จ่ายประมาณหนึ่งในสี่ของเซนต์; คำตัดสิน 1,709 รายการจาก 11 การทดลอง ด้วยค่าใช้จ่ายรวมต่ำกว่าหนึ่งเซนต์; เร็วกว่าโดยประมาณ 25 เท่า และมีต้นทุนเป็น 1/580 ของ Claude Fable 5.1 ในงานจำแนกประเภทข้อความ 12 ท่อน ขณะที่พลาดข้อบกพร่องที่ฝังไว้หนึ่งในเจ็ดข้อซึ่งตัวเปรียบเทียบตรวจพบ ข้อสรุปของ Every เองคืออยากจะตรวจสอบความแม่นยำให้ละเอียดถี่ถ้วนกว่านี้มากก่อนนำไปใช้งานจริง — การตรวจสอบที่ตั้งแต่นั้นได้มาถึงบางส่วนแล้ว ด้านล่างนี้

• วัดอย่างเป็นอิสระ ลงทะเบียนล่วงหน้า และมีขนาดใหญ่กว่า — ทีมภายนอกได้เผยแพร่การประเมินที่ลงทะเบียนล่วงหน้าเมื่อวันที่ 20 กันยายน 2026 โดยกำหนดการทดลอง 21 รายการและคำทำนาย 50 รายการไว้ก่อนที่จะมีคำขอถูกส่งออกไปแม้แต่ครั้งเดียว ครอบคลุมการเรียก 5,721 ครั้ง บนชุดอ้างอิง 400 รายการ Jev ได้คะแนน 95.9% แบบ zero-shot เทียบกับ 77.2% สำหรับกฎคำสำคัญที่เขียนด้วยมือ และ 66.0% สำหรับ baseline TF-IDF แบบ supervised งานศึกษาเดียวกันบันทึกโหมดความล้มเหลวที่สำคัญยิ่งกว่าพาดหัวข่าว: เมื่อคำอธิบายเกณฑ์ในคำถามผิด ความแม่นยำดิ่งลงเหลือ 16.7% ซึ่งต่ำกว่าค่าพื้นจากการสุ่ม 25% สำหรับงานนั้น ผู้เขียนเปิดเผยอคติของตนเองในทิศทางตรงกันข้าม — 18 จาก 21 คำทำนายที่ถูกหักล้างของพวกเขาพลาดในแบบเดียวกัน เพราะพวกเขายังคงทำนายความล้มเหลวและยังคงผิดอยู่เรื่อย ๆ

• วัดอย่างเป็นอิสระ นอกการแจกแจง — การศึกษาการปรับเทียบแยกต่างหาก ซึ่งเผยแพร่เมื่อวันที่ 19 กันยายน 2026 ได้สร้างตั๋วสนับสนุนที่สร้างจากกฎจำนวน 900 ใบ ซึ่งป้ายกำกับนั้นขึ้นอยู่บางส่วนกับนโยบายระดับบัญชีภายในที่ไม่มีปรากฏในข้อความเลย ดังนั้นจึงไม่มีโมเดลใดสามารถจดจำมันได้ และได้รันตั๋วเหล่านี้ควบกับรายการ基準สาธารณะจำนวน 3,721 รายการ ในกลุ่มข้อมูลสังเคราะห์ ค่าความคลาดเคลื่อนการปรับเทียบที่คาดหมายของ Jev อยู่ที่ 0.107 เทียบกับค่าพื้นรบกวน 0.024 ที่ผู้เขียนคำนวณไว้สำหรับโมเดลที่ปรับเทียบอย่างสมบูรณ์แบบ — ประมาณ 4.4 เท่าของค่าพื้น บน基準สาธารณะ การศึกษาเดียวกันวัดได้ 0.024 ถึง 0.032 ช่องว่างระหว่างสองช่วงนั้นคือสิ่งที่ค้นพบ

• ไม่ทราบ — สถาปัตยกรรม. ไม่มีเปเปอร์ตอนเปิดตัว ไม่มีการเปิดเผยจำนวนพารามิเตอร์ ไม่มีการเปิดเผยการคำนวณในการฝึก ไม่มีเวต TypeSafe กล่าวว่าข้อมูลรายละเอียดถูกเก็บเป็นความลับไว้ก่อน โดยอาจมีเปเปอร์ในภายหลัง คลื่นการทำซ้ำกลางเดือนกันยายนไม่ได้เปลี่ยนแปลงสิ่งนี้: โปรเจกต์เหล่านั้นสร้างพฤติกรรมขึ้นใหม่ด้วยสถาปัตยกรรมของตัวเอง และไม่มีโปรเจกต์ใดเปิดเผยว่าโมเดลของ TypeSafe ทำงานอย่างไร เช็คพอยต์แบบเปิดที่โปรเจกต์ของบุคคลที่สามเผยแพร่ตอนนี้เป็นของโปรเจกต์นั้นเอง ไม่ใช่การเปิดตัวโดย TypeSafe และไม่ได้เปลี่ยนแปลงอะไรเกี่ยวกับประโยคข้างต้น — บัญชีเต็มรูปแบบของสิ่งที่ผู้ขายได้และยังไม่ได้เปิดเผยอยู่ใน Is Jev Open Source?

A single-column scoreboard titled 'Jev - the scoreboard' listing six dimensions: latency 70-500 ms claimed, price $0.042 per million input with output free, accuracy 67.8% on the vendor dashboard, independent test 6 of 7 defects caught, context about 32K tokens with no image input, and weights not released.

รูปแบบข้ามชั้นเหล่านั้นสอดคล้องกัน และไม่ใช่รูปแบบที่พาดหัวข่าวแบบ 200x ชี้ให้เห็น ตัวเลขจากทั้งแหล่งอิสระและจากผู้ขายเองเห็นตรงกันว่า Jev ถูกกว่าอย่างมากและเร็วกว่าอย่างมาก ไม่มีตัวเลขใดเลย ไม่ว่าจะที่ไหน รวมถึงของ TypeSafe เอง ที่แสดงว่ามันแม่นยำกว่าโมเดลระดับแนวหน้าที่มันถูกตั้งราคาให้เทียบด้วย — บนแดชบอร์ดของผู้ขายเอง มันอยู่ราว ๆ ระดับของโมเดลระดับกลางที่ดีตัวหนึ่ง สิ่งที่งานจากภายนอกที่ใหม่กว่าเพิ่มเข้ามาคือโครงรูปร่างให้เรื่องความแม่นยำ มากกว่าจะเป็นพาดหัวใหม่ ในประเภทงานที่มันเคยเห็นมาก่อน มันดูแข็งแกร่งมาก: 95.9% แบบ zero-shot บนชุดอ้างอิง 400 รายการของทีมที่ลงทะเบียนไว้ล่วงหน้าเอง นำหน้าอย่างมากเมื่อเทียบกับ基线คำสำคัญและ TF-IDF ที่มันถูกวัดเทียบด้วย เมื่อเจอข้อมูลนำเข้าที่สร้างขึ้นให้แตกต่างจากทุกสิ่งทุกอย่างที่มันเคยเห็น ความมั่นใจของมันก็เสียหลัก การเปรียบเทียบที่ยังคงใช้ได้ยังไม่ใช่ “ฉลาดเท่าโมเดลระดับแนวหน้าในราคาหนึ่งในร้อย” — แต่เป็น “ใกล้เคียงกับวิจารณญาณของโมเดลระดับกลาง ในราคาเศษเสี้ยวของหนึ่งเซนต์ต่อการเรียกแต่ละครั้ง เร็วพอที่จะรันได้ในทุก ๆ เทิร์น”

“zero hallucination” หมายถึงอะไร และไม่หมายถึงอะไร

เอกสารเปิดตัวของ TypeSafe รวมถึงแผนภูมิที่แสดงอัตราความผิดพลาดในการเรียกใช้เครื่องมือ 0% สำหรับ Jev เทียบกับอัตราที่ไม่เป็นศูนย์สำหรับโมเดลเปรียบเทียบ และวลี “ต้านทานการหลอน” ก็ติดไปกับโมเดลนี้ ทั้งสองอย่างเป็นความจริง และทั้งสองอย่างก็แคบกว่าที่ข้อความอ่านแล้วดูเหมือนจะสื่อ

การรับประกันนี้เป็นเชิงโครงสร้าง คำตอบที่เป็นไปได้ทั้งหมดจะถูกแจกแจงไว้ก่อนที่โมเดลจะทำงาน — คุณเป็นผู้ให้รายการตัวเลือก เกณฑ์การประเมิน หรือข้อความจริง/เท็จ — ดังนั้นจึงไม่มีช่องว่างให้ส่งค่าที่อยู่นอกเหนือชนิดข้อมูลที่ประกาศไว้ การเรียกใช้เครื่องมือที่ผิดรูปแบบไม่ใช่สิ่งที่ Jev สามารถสร้างขึ้นมาได้ นั่นเป็นคุณสมบัติทางวิศวกรรมอย่างแท้จริง และสำหรับใครก็ตามที่ใช้เวลาหนึ่งสัปดาห์เขียนตรรกะการลองใหม่เพื่อรับมือกับความล้มเหลวในการแยกวิเคราะห์ JSON มันมีค่าคุ้มเป็นตัวเงินจริง ๆ

มันไม่ใช่ข้อกล่าวอ้างเกี่ยวกับความถูกต้อง คำตอบที่ถูกต้องตามสคีมายังคงผิดได้: Jev สามารถส่งเรื่องร้องเรียนด้านการเรียกเก็บเงินไปยังคิวเทคนิคได้อย่างมั่นใจ และผลลัพธ์ก็จะอยู่ในรูปแบบที่สมบูรณ์แบบแต่ไร้ประโยชน์ Almeida เองก็พูดทำนองนี้ โดยยอมรับว่ามันเป็นไปได้ที่จะผิดอย่างมั่นใจ วิธีที่เป็นประโยชน์ในการยึดข้อเท็จจริงทั้งสองข้อไว้ด้วยกันก็คือ Jev ขจัดข้อผิดพลาดประเภทที่เกิดจากการจัดรูปแบบผลลัพธ์ และไม่ทำอะไรเลยกับประเภทที่เกิดจากการตัดสินใจ ซึ่งหมายความว่าคำถามเรื่องความแม่นยำเป็นคำถามเรื่องการคาลิเบรตทั้งหมด และการคาลิเบรตก็คือสิ่งนั้นแหละที่คุณต้องวัดด้วยตัวเอง

การประเมินจากภายนอกครั้งแรกได้เพิ่มคำเตือนเฉพาะเกี่ยวกับว่าการรับประกันเชิงโครงสร้างนั้นทำงานอย่างไรในการใช้งานจริง เนื่องจาก Jev จะส่งคืนหนึ่งในคำตอบที่คุณให้ไว้เสมอ จึงไม่มีวิธีพูดว่า “ไม่มีตัวเลือกใดข้างต้น” เว้นแต่คุณจะให้ทางเลือกนั้นแก่มัน การรันที่ลงทะเบียนล่วงหน้าในเดือนกันยายนได้ขอให้มันจำแนกเนื้อหาที่ไม่มีหมวดหมู่ที่ถูกต้อง และพบว่า 0 จาก 30 ข้อความนอกขอบเขตถูกตั้งค่าสถานะ โดยแต่ละรายการส่งคืนมาด้วยความมั่นใจ 0.99 สูตรเค้ก หรือหน้าตัวอักษรสุ่ม จะถูกส่งกลับมาเป็นหมวดหมู่หนึ่งด้วยความมั่นใจสูง เพราะหมวดหมู่คือสิ่งที่คำขอเรียกร้อง การแก้ไขเป็นนิสัยในการออกแบบมากกว่าการตั้งค่าโมเดล: ให้มีตัวเลือกหนีออกอย่างชัดเจนในทุกรายการ Choice และสาขาเท็จในทุกข้อความอ้างของ Noul และให้ถือว่าการไม่มีสิ่งใดสิ่งหนึ่งเป็นบั๊กในข้อความคำถามของคุณเอง

วิธีทดสอบข้ออ้างเรื่องการสอบเทียบกับข้อมูลของคุณเอง

การคาลิเบรชันเป็นหนึ่งในคุณสมบัติของโมเดลเพียงไม่กี่อย่างที่คุณตรวจสอบได้อย่างเหมาะสมด้วยตัวอย่างเพียงไม่กี่ร้อยรายการและไม่ต้องใช้โครงสร้างพื้นฐาน ML และเป็นการทดสอบเดียวที่สำคัญก่อนที่ Jev จะแตะพาธโปรดักชัน ขั้นตอนนี้สั้น

ลองหยิบเคสสักไม่กี่ร้อยเคสที่คุณมีป้ายกำกับอยู่แล้ว ถาม Jev ด้วยคำถามที่สำคัญ — การตัดสินใจเรื่องการจัดเส้นทาง คะแนนความเสี่ยง การตรวจข้อบกพร่อง — แล้วจัดกลุ่มคำตอบตามระดับความมั่นใจที่มันรายงาน จากนั้นตรวจดูว่ากลุ่มที่รายงานความมั่นใจ 0.9 ถูกต้องประมาณ 90% ของเวลา กลุ่ม 0.7 ถูกต้องประมาณ 70% และอื่น ๆ โมเดลที่ปรับคาลิเบรตมาอย่างดีจะลากเป็นเส้นทแยงมุม ส่วนโมเดลที่แค่ดูมั่นใจจะจับทุกอย่างที่สูงกว่า 0.9 มารวมกันและถูกต้อง 70% ของเวลา และนั่นคือรูปร่างที่ค่อย ๆ ทำให้ไปป์ไลน์อัตโนมัติพังอย่างเงียบ ๆ

การทดสอบเดียวกันนี้บอกคุณว่าควรใช้เกณฑ์เท่าใด หากกลุ่ม 0.9 ของคุณแม่นยำ 90% กับข้อมูลของคุณจริง คุณก็ทำให้มันเป็นอัตโนมัติได้ หากช่วงกลางของคุณคลุมเครือไม่ชัดเจน คุณก็ส่งต่อให้มนุษย์หรือมอบให้โมเดลเชิงสร้างจัดการ แล้วปล่อยให้เส้นทางที่มีต้นทุนสูงจัดการความกำกวมนั้น การแยกแบบนั้น — โมเดลราคาถูกกับกลุ่มส่วนใหญ่ที่มั่นใจ โมเดลราคาแพงกับส่วนที่เหลือซึ่งไม่แน่ใจ — คือสถาปัตยกรรมจริงที่ Jev กำลังเสนอ และนี่คือเหตุผลว่าทำไมจึงควรเข้าใจโมเดลในฐานะองค์ประกอบหนึ่ง มากกว่าจะเป็นสิ่งทดแทน

การศึกษาข้อมูลนอกการแจกแจงเป็นคำตอบแรกจากภายนอกสำหรับคำถามนั้น และมันเป็นคำเตือนมากกว่าการรับรอง เมื่อรันกับตั๋วสนับสนุนสังเคราะห์ 900 ใบซึ่งนโยบายชี้ขาดไม่อยู่ในข้อความ ความมั่นใจของ Jev หยุดสอดคล้องกับความแม่นยำของมัน: ความคลาดเคลื่อนการสอบเทียบที่คาดหวัง 0.107 เทียบกับพื้นเสียงรบกวน 0.024 ซึ่งประมาณ 4.4 เท่าของสิ่งที่โมเดลที่สอบเทียบสมบูรณ์แบบจะทำได้บนชุดเดียวกัน บนเกณฑ์มาตรฐานสาธารณะสามชุด ค่านี้อยู่ที่ 0.024 ถึง 0.032 — ดังนั้นโมเดลจึงสอบเทียบได้ดีบนข้อมูลประเภทที่มันถูกสร้างและวัดเทียบ และสอบเทียบได้น้อยลงอย่างมีนัยสำคัญทันทีที่งานไม่คุ้นเคย องค์ประกอบพื้นฐานด้านคะแนนเป็นตัวที่อ่อนที่สุดในสามตัว ด้วยความแม่นยำ 44.7% โดยมีความน่าจะเป็นที่ระบุเฉลี่ย 0.74 ผู้เขียนการศึกษานี้เองขอให้ผู้อ่านยึดทิศทางของผลลัพธ์นั้น ไม่ใช่ขนาดที่แน่นอน เนื่องจากตระกูลงานสังเคราะห์เพียงหนึ่งตระกูลที่ n=900 ไม่ใช่กฎทั่วไป ทิศทางคือส่วนที่สำคัญสำหรับใครก็ตามที่เขียนเกณฑ์: จงรันการทดสอบแบบแบ่งกลุ่มข้างต้นกับป้ายกำกับของคุณเองก่อนที่คุณจะทำให้การตัดสินใจเป็นอัตโนมัติ เพราะการสอบเทียบที่คุณเห็นบนเกณฑ์มาตรฐานสาธารณะไม่ใช่การสอบเทียบที่คุณจะได้บนทราฟฟิกของคุณ

ค่าใช้จ่าย เมื่อคิดจนครบทุกขั้นตอน

ราคานี้ง่ายพอที่จะคำนวณได้ ซึ่งหาได้ยาก อินพุตอยู่ที่ $0.042 ต่อล้านโทเคน — อัตราที่ TypeSafe เผยแพร่ และอัตราที่แค็ตตาล็อก OrcaRouter ระบุ — ส่วนเอาต์พุตฟรี ที่งบประมาณตามเอกสารประมาณ 64,000 โทเคนอินพุต การเรียกขนาดสูงสุดหนึ่งครั้งมีค่าใช้จ่ายต่ำกว่าสามในสิบของหนึ่งเซนต์

ตัวเลขสองตัวที่ถูกรายงานช่วยให้เห็นขนาดได้คร่าว ๆ ผู้ใช้รายแรก ๆ รันประมาณ 5,000 คำขอ ด้วยค่าใช้จ่ายราว 2 ดอลลาร์ การสาธิต Doom — โดย Jev บังคับบอตโดยใช้คำอธิบายสถานะเกมแบบข้อความแทนพิกเซลดิบ — ทำงานที่ประมาณ 10 การเรียกต่อวินาที ด้วยค่าใช้จ่ายประมาณ 7 ดอลลาร์ต่อชั่วโมง และการตัดสิน 777 ครั้งของ Every จากเอกสาร 37 ฉบับ มีค่าใช้จ่ายประมาณหนึ่งในสี่ของหนึ่งเซนต์ ซึ่งเป็นตัวเลขที่ทำให้กรณีการใช้งานที่น่าสนใจนั้นเห็นภาพชัดเจน: ที่ราคานั้น การตรวจสอบทุกเทิร์นของลูปเอเจนต์ไม่ใช่การตัดสินใจเรื่องต้นทุนอีกต่อไป และกลายเป็นค่าเริ่มต้น

นั่นคือข้อโต้แย้งที่แท้จริงสำหรับ Jev การตรวจสอบยืนยันแบบต่อรอบ — การเรียกใช้เครื่องมือนี้ขัดกับครั้งก่อนหรือไม่ เอาต์พุตนี้สอดคล้องกับเจตนาที่ผู้ใช้ระบุไว้หรือไม่ สิ่งนี้ควรถูกตั้งธงเตือนหรือไม่ — เป็นสิ่งที่ทำได้ในทางเทคนิคมาโดยตลอดด้วยโมเดลระดับแนวหน้า และไร้เหตุผลในเชิงเศรษฐศาสตร์เมื่อทำในระดับขนาดใหญ่ ที่ราคา $0.042 ต่อล้านโทเค็นโดยไม่มีค่าใช้จ่ายเอาต์พุต การตรวจสอบแบบเดียวกันนี้จึงมีราคาที่จ่ายได้ในทุก ๆ รอบ คุณค่าในที่นี้ไม่ใช่ว่า Jev คิดได้ดีกว่าโมเดลระดับแนวหน้า เพราะมันไม่ได้เป็นเช่นนั้น คุณค่าคือมันคิดได้อย่างประหยัดและรวดเร็วพอที่จะถูกปรึกษาอย่างสม่ำเสมอ

ควรพูดให้ชัดเจน เพราะนี่คือคำถามถัดไปที่เห็นได้ชัดอยู่แล้ว: OrcaRouter ได้เพิ่ม typesafe/jev-1.13 เข้าในแคตตาล็อกเมื่อวันที่ 24 กันยายน 2026 และตอนนี้โมเดลนี้เปิดให้ใช้งานอยู่บน การ์ดโมเดล Jev 1.13 แล้ว — API เดียวสำหรับ กว่า 200 โมเดล ในราคาตามรายการของผู้ให้บริการ ส่งต่อโดยบวกเพิ่ม 0% ดังนั้นเมื่อผู้ขายลดราคา ฝั่งเราก็ได้รับผลในวันเดียวกับที่เปิดตัว มีสองรายละเอียดเกี่ยวกับวิธีการให้บริการ เพราะเป็นสิ่งที่ผู้คนถามถึง คำขอจะถูกส่งไปที่ POST /v1/systemone แบบไม่สตรีมมิ่ง โดยใช้บริบทขนาด 65,536 โทเคน นั่นไม่ใช่รูปแบบของ chat-completions ซึ่งเป็นเหตุผลว่าทำไม Jev จึงอยู่บนประเภทเอนด์พอยต์ของตัวเองแทนที่จะถูกรวมเข้าไปในเส้นทางแชต และการ์ดนี้เผยแพร่หน้าต่างการให้บริการเจ็ดวันของเราเอง โดยวัดจากทราฟฟิกที่ผ่าน playground ของเราตั้งแต่วันที่ 24 กันยายน แทนที่จะเป็นการทวนซ้ำจากผู้ขาย: p50 151 ms, p95 247 ms, 349 โทเคนเอาต์พุตต่อวินาที และอัตราข้อผิดพลาด 0.49% จาก 76.2M โทเคน นั่นคือสิ่งที่ทำให้รูปแบบสองโมเดลที่ Jev เสนอให้ใช้ เป็นสัญญาเดียวแทนที่จะเป็นสองสัญญา Jev ทำการตัดสินใจแบบมีชนิดข้อมูล ส่วนโมเดลแบบ generative จัดการกับส่วนที่ต้องใช้ร้อยแก้ว โค้ด หรือคำอธิบาย ทั้งสองส่วนเรียกเก็บเงินบนคีย์เดียวกันในราคาตามรายการของผู้ให้บริการ และการ failover อัตโนมัติช่วยไม่ให้คอมโพเนนต์การตัดสินใจที่กลายเป็นว่าปรับคาลิเบรตได้ไม่ดี กลายเป็นเหตุการณ์ในโปรดักชัน

A capture of the OrcaRouter models catalogue showing the header '197 models - 15 providers - one API key, one bill', an OpenAI-compatible chat-completions request example, and model cards for DeepSeek V4.1 Flash, OpenAI GPT-6 Astra and Google Gemini 3.8 Flash with their per-million-token input and output prices.

ที่ซึ่ง Jev ไม่ลงตัว

ข้อจำกัดเหล่านี้ถูกระบุไว้อย่างชัดเจนผิดปกติโดยผู้ขาย ซึ่งทำให้ส่วนนี้ง่ายต่อการเขียนอย่างตรงไปตรงมา Jev ไม่สามารถสร้างข้อความอิสระได้ มันเขียนโค้ดไม่ได้ มันสนทนาโต้ตอบไม่ได้ มันไม่มีอินเทอร์เฟซแชต ไม่มีอินพุตรูปภาพ และมีงบคำขอราว 64,000 โทเคน — โดยประมาณ 32,000 โทเคนในจำนวนนั้นใช้สำหรับสถานะบวกกับคำถามเดี่ยวที่ยาวที่สุด — ซึ่งน้อยกว่าโมเดลบริบทยาวที่ถูกนำมาเปรียบเทียบด้านราคากันอยู่ประมาณหนึ่งหลัก ฟิลด์ตัวเลือกจำกัดที่ 255 ตัวเลือก และคุณสมบัติ "ไม่มีการหลอน" ดังข้างต้น เป็นเรื่องเกี่ยวกับรูปแบบผลลัพธ์มากกว่าความจริง

เน็ตเวิร์กนี้เหมาะกับงานที่ค่อนข้างจำกัด ข้อดี: การจำแนกประเภทและการจัดเส้นทางปริมาณมาก, รอบการตรวจสอบ guardrail และ verification, การตัดสินใจที่ความหน่วงเป็นสิ่งสำคัญ, การให้คะแนนชุดเอกสารขนาดใหญ่แบบขนาน, ทุกที่ที่คำตอบที่ถูกต้องเป็นตัวเลือก ตัวเลขบนสเกล หรือค่าบูลีนอย่างแท้จริง ข้อเสีย: การสร้างแบบเปิดกว้างทุกประเภท, การให้เหตุผลกับบริบทขนาดยาว, บทสนทนาแบบหลายรอบ หรืองานใดก็ตามที่คำตอบที่ถูกต้องเป็นประโยค ถ้าปัญหาของคุณไม่สามารถลดทอนให้เป็นคำถามที่มีชนิดคำตอบได้ Jev ก็ไม่ใช่วิธีที่ถูกกว่าในการแก้ปัญหา — มันไม่ใช่วิธีแก้ปัญหานั้นเลยด้วยซ้ำ

ยังมีคำวิจารณ์ที่ยุติธรรมเกี่ยวกับกรอบการนำเสนอตรงนี้ที่ควรค่าแก่การจดจำไว้ต่อไป การเรียก Jev ว่าเป็นโมเดลระดับแนวหน้านั้นเป็นการหยิบยืมความน่าเชื่อถือที่โมเดลนี้ยังไม่ได้มาด้วยความสามารถของตัวเอง เพราะมันเขียนโค้ดไม่ได้ คุยโต้ตอบไม่ได้ และเขียนประโยคสักประโยคก็ไม่ได้ อีกทั้งแผนภูมิเปรียบเทียบก็อาศัยโมเดลระดับแนวหน้าเป็นเส้นฐาน ขณะที่คอลัมน์ความแม่นยำกลับเล่าเรื่องอีกแบบหนึ่ง ข้อกล่าวอ้างที่ปกป้องได้มากกว่า และเป็นข้อที่หลักฐานสนับสนุนจริง คือ TypeSafe ได้ผลักดันพรมแดนด้านความเร็วและต้นทุนสำหรับการตัดสินใจเชิงโครงสร้างออกไปได้ไกลมาก นั่นเป็นสิ่งที่ได้ทำสำเร็จและมีน้ำหนักทีเดียว แต่มันก็เป็นคนละเรื่องกับการสร้างโมเดลที่เทียบชั้น GPT-6 Astra หรือ Claude Fable 5.1

อะไรจะเปลี่ยนแปลงภาพนี้

มีสี่สิ่งที่จะทำให้เรื่องนี้คลี่คลาย และสัปดาห์นับตั้งแต่โมเดลเปิดให้ใช้งานได้ทำให้สามสิ่งนั้นคืบหน้าไปแล้ว

• บทความสถาปัตยกรรมที่ตีพิมพ์หรือน้ำหนักแบบเปิด ยังคงเป็นช่องโหว่ที่ใหญ่ที่สุด ทุกอย่างเกี่ยวกับว่า Jev บรรลุความเร็วได้อย่างไรยังคงเป็นกล่องดำ และข้ออ้างที่ว่าการประเมินแบบขนานเป็นกลไกนั้น — การเปรียบเทียบที่ Almeida ยกมา คือการแทนที่การคำนวณแบบลำดับ เช่นเดียวกับที่ทรานส์ฟอร์มเมอร์แทนที่โครงข่ายแบบเวียนเกิด — เป็นเพียงข้อกล่าวอ้าง ไม่ใช่ผลลัพธ์ที่พิสูจน์แล้ว คลื่นโอเพนซอร์สด้านล่างนำพฤติกรรมนี้ไปพัฒนาใหม่ แต่ไม่มีอันใดเปิดเผยว่าโมเดลของ TypeSafe ทำงานอย่างไร จนกว่าการออกแบบจะถูกเผยแพร่ ความเร็วจึงเป็นข้อเท็จจริง และคำอธิบายเป็นเพียงการตลาด

• การประเมินผลแบบอิสระครั้งที่สองด้วยกลุ่มตัวอย่างที่ใหญ่กว่า ครั้งนี้นับว่าประสบความสำเร็จบางส่วน การทดสอบที่ลงทะเบียนล่วงหน้าซึ่งจัดขึ้นเมื่อวันที่ 20 กันยายน ครอบคลุมการเรียก 5,721 ครั้ง และชุดอ้างอิง 400 รายการ ซึ่งเป็นกลุ่มตัวอย่างที่ใหญ่กว่าข้อความ 12 ท่อนของ Every มาก และออกแบบได้ดีกว่าอย่างชัดเจน อีกทั้งยังเป็นหลักฐานชิ้นเดียวที่แข็งแกร่งที่สุดเท่าที่มีสำหรับ Jev อย่างไรก็ตาม การทดสอบนี้จัดทำโดยทีมเอง ใช้เวลาวันเดียว สถานที่เดียว และรันกับโมเดลเพียงเวอร์ชันเดียว โดยทีมยังเผยแพร่ข้อจำกัดของตนเองควบคู่ไปกับผลลัพธ์ด้วย สิ่งที่การทดสอบนี้สรุปได้แน่ชัดคือ Jev เก่งจริงในสิ่งที่มันถูกออกแบบมาให้ทำ แต่สิ่งที่ยังสรุปไม่ได้คือมันจะทำงานได้ดีแค่ไหนกับงานของคนอื่น

• การตรวจสอบการสอบเทียบบนอินพุตที่สมจริงและยุ่งเหยิง อันนี้ได้ผล และเป็นผลลัพธ์ที่ชวนอึดอัดที่สุดในบทความนี้ การศึกษานอกการแจกแจงข้างต้นเป็นการตรวจสอบรอบแรกที่รันกับเนื้อหาที่สร้างขึ้นเพื่อให้โมเดลไม่คุ้นเคย และพบว่าความเชื่อมั่นแยกตัวออกจากความแม่นยำที่ประมาณ 4.4 เท่าของระดับพื้นสัญญาณรบกวนของโมเดลที่สอบเทียบสมบูรณ์แบบ — ในขณะที่โมเดลเดียวกันดูเหมือนสอบเทียบได้ดีบนเบนช์มาร์กสาธารณะสามชุด กลุ่มงานสังเคราะห์หนึ่งกลุ่มที่มี 900 รายการไม่ใช่คำตัดสิน และผู้เขียนก็กล่าวไว้เช่นนั้น มันเพียงพอที่จะเปลี่ยนคำถามจาก "Jev สอบเทียบหรือยัง?" ไปเป็น "สอบเทียบบนอะไร?" ซึ่งจริง ๆ แล้วเป็นคำถามที่มีประโยชน์กว่า

• การทำซ้ำที่เอาชนะ Jev ได้ในเงื่อนไขของ Jev เอง ยังไม่มี และคลื่นลูกนั้นก็ไม่ได้หยุดในเดือนกันยายน ภายในประมาณ 48 ชั่วโมงหลังเปิดตัว มีโครงการโอเพนซอร์สอิสระอย่างน้อยหกโครงการที่ปล่อยโมเดลตัดสินใจแบบ Jev ออกมา — หนึ่งสร้างบน encoder ขนาด 421 ล้านพารามิเตอร์ อีกหนึ่งเป็น LoRA บนโมเดล 9B อีกหนึ่งเล็กพอที่จะใส่ในไม่กี่สิบกิโลไบต์ — และพอถึงวันที่ 23 กันยายน หนึ่งในนั้นขึ้นไปอยู่บนสุดของลิสต์ trending ของแพลตฟอร์มโฮสต์โมเดล ทุกการเปรียบเทียบที่โครงการเหล่านั้นเผยแพร่เป็นตัวเลขที่ทีมที่สร้างทางเลือกนั้นรายงานเอง และแต่ละอันก็ใช้ชุดประเมินของตัวเอง ผลลัพธ์ชี้ไปคนละทาง: โคลนที่ชนะด้านการจำแนกข่าวกลับแพ้ยับบนงาน intent แบบ 77 ทาง และการทดสอบแบบเทียบตรงตัวอิสระเพียงครั้งเดียวบนอินพุตที่เหมือนกันทุกไบต์ก็พบว่า Jev นำอยู่หกจากเก้าชุด ความแม่นยำของ Jev เองบน benchmark เดียวตอนนี้ถูกเผยแพร่เป็นสี่ค่าที่ต่างกันโดยการประเมินสี่ชุดที่ต่างกัน ตัวที่อยู่รอดจากคลื่นลูกนั้นคือ RSI-Jev และมันคือตัวอย่างรูปธรรมที่ระบุวันชัดเจนของข้อโต้แย้งนั้น: โครงการโอเพนซอร์สของบุคคลที่สามที่สร้างโมเดลตัดสินใจแบบ System One สไตล์ Jev โค้ดแบบ MIT เวตเป็น Apache-2.0 บน Hugging Face พร้อมบรรทัดสัญญาอนุญาตที่เขียนว่า "Not affiliated with TypeSafe AI" การเปิดตัวของมันในสัปดาห์นี้คือ RSI-Jev v6.0-VL ขนาด 4B เผยแพร่เมื่อ 2026-10-06 และเป็นตัวที่เจ็ดในลูปปรับปรุงตนเองที่รันไป 471 การทดลองและเก็บไว้เพียงไม่กี่ตัว: หอคอย Qwen3.5-4B-Base พร้อมหัวคำตอบที่เทรนแล้ว หนึ่ง forward pass ต่อการตัดสินใจ ไม่มีการ generate อะไรเลย มันใช้ความลึกแทนโทเคน — หัวคำตอบที่เลเยอร์ 16, 20 และ 32 ดังนั้นคำขอจะหยุดที่หัวใดหัวหนึ่งที่มั่นใจก่อน ค่ามัธยฐานอยู่ที่ 23, 27 และ 40 ms บน H200 หนึ่งตัวใน bf16 — และมันพูด wire format ของ TypeSafe ได้ตรงเป๊ะ: คำขอเดียวกัน คำถามสามประเภทเดียวกัน สถิติความมั่นใจตัวเดียวกัน ดังนั้นอะไรก็ตามที่เขียนไว้ให้ทำงานกับ Jev ก็ใช้กับมันได้โดยไม่ต้องแก้ไข บน Decision Index สาธารณะของโครงการเอง มันรายงานค่า 38.38 ถึง 46.24 ในการเปิดตัวครั้งเดียว โดยได้ 0.698 บนชุด held-out และ 0.440 บน MMLU-Pro — เป็นตัวเลขของมันเองบนบอร์ดของมันเอง และไม่มีการเทียบตรงตัวแบบอิสระระหว่างมันกับ Jev 1.13 มันไม่ใช่การปล่อยเวตของ Jev ไม่ได้ทำให้โมเดลของ TypeSafe กลายเป็นโอเพนซอร์ส และ TypeSafe ก็ไม่ได้สร้างหรือรับรองมัน การเปิดตัวก่อนหน้าในสายนี้เป็นโมเดล 2B บน Qwen3.5-2B-Base และผลลัพธ์ RL ที่ทำให้โครงการนี้มีชื่อเสียงมาจาก v3.0 ลงวันที่ 2026-09-28 ซึ่งย้อนไปสามรุ่น — เป็นการเปิดตัวครั้งแรกที่ขั้น RL เอาชนะโมเดลแบบ supervised ที่มันต่อยอดมาได้ โดยเป็นรางวัลแบบ listwise reranking เหนือผู้สมัคร 16 ราย ซึ่งดัน reranking R@1 จาก 0.192 เป็น 0.308 เหนือโมเดลพ่อแม่ของตัวเอง เพิ่มขึ้น 60% ด้วยต้นทุนชุดทดสอบ 0.0028 แคตตาล็อกของเราไม่มี id สำหรับ RSI-Jev: สิ่งที่เราให้บริการคือ typesafe/jev-1.13 บน endpoint systemone และโครงการนี้รันจาก repository ของตัวเอง บทเขียนฉบับเต็มสำหรับผู้อ่านครั้งแรกอยู่ใน What Is RSI-Jev?

สิ่งที่ระลอกคลื่นนั้นแสดงให้เห็นไม่ใช่ว่า Jev ถูกเอาชนะแล้ว — แต่คือว่าโมเดลแบบเปิดสามารถสร้างขึ้นมาทำงานลักษณะนี้ได้ภายในหนึ่งสุดสัปดาห์ ซึ่งเป็นข้ออ้างที่ต่างออกไปและคงทนกว่าเกี่ยวกับว่าคูเมืองอยู่ตรงไหน ท่าทีที่ตามมาจึงแคบกว่าเมื่อสัปดาห์ก่อน และเจาะจงกว่า Jev เป็นโมเดลจริง ที่ส่งมอบแล้ว และราคาถูกอย่างผิดปกติ ซึ่งตอนนี้เปิดให้ทุกคนที่มีบัญชีเข้าถึงได้ โดยมีความได้เปรียบเชิงโครงสร้างจริงในด้านความน่าเชื่อถือของผลลัพธ์ โปรไฟล์ความแม่นยำอยู่ราวระดับกลางตามตัวเลขของผู้ขายเอง และมีข้ออ้างเรื่องการปรับเทียบความเชื่อมั่นที่ถูกทดสอบอย่างเป็นอิสระสองครั้งนับตั้งแต่เปิดตัว: ครั้งหนึ่งบนเบนช์มาร์กขนาดใหญ่ที่เอื้อประโยชน์และจัดทำโดยทีมเอง และอีกครั้งบนอินพุตที่ไม่คุ้นเคยซึ่งคะแนนความเชื่อมั่นไม่เป็นไปตามที่ควร ให้ถือว่าผลลัพธ์ที่สองเป็นผลที่ให้ข้อมูลมากกว่า หากเวิร์กโฟลว์ของคุณมีขั้นตอนที่ลดรูปเหลือเป็นการถามคำถามแบบพิมพ์ที่ถามบ่อยพอจนการใช้โมเดลระดับแนวหน้าจะสิ้นเปลือง นี่คือหนึ่งในวิธีที่ถูกที่สุดในการถามคำถามนั้น — และค่าความเชื่อมั่นที่มันส่งคืนยังคงเป็นส่วนที่ต้องทดสอบกับข้อมูลของคุณเองก่อนจะเชื่อถือ ไม่ใช่ความเร็ว อีกทั้งยังทดสอบได้โดยไม่ต้องมีบัญชีที่สอง: typesafe/jev-1.13 เปิดใช้งานอยู่บน OrcaRouter เคียงข้างโมเดลเชิงสร้างที่เวิร์กโฟลว์แบบ Jev ต้องใช้

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube