Articul8 Bivia: Một mô hình ra quyết định biết kiềm chế — và không có bảng giá

Dòng quan trọng nhất trong tài liệu API của Bivia không phải là một phép đánh giá chuẩn. Đó là status. Một lời gọi được trả lời sẽ trả về một giá trị, một xác suất nằm giữa 0 và 1, và một phân phối trên các tùy chọn bạn đã cung cấp. Một lời gọi bị từ chối sẽ trả về value: null, một abstain_reason, và cùng phân phối đó — mô hình nói với bạn, trong một trường có kiểu, rằng bằng chứng không đủ để đưa ra một cam kết. Articul8 Bivia, ra mắt từ Santa Clara vào ngày 28 tháng 10 năm 2026, là một mô hình quyết định đa phương thức chứ không phải mô hình sinh: một HTTP POST gửi vào, JSON có kiểu trả ra, không có token đầu ra. Trường abstention là tính năng mà buổi ra mắt dựa vào mạnh nhất, và nó là tính năng bạn có thể tắt bằng một tham số duy nhất. Liệu sức hấp dẫn đó có đứng vững hay không là câu hỏi về hiệu chuẩn, và điểm tham chiếu là Jev-1.13 của TypeSafe AI — mô hình quyết định mà blog này đã đề cập nhiều nhất, và là mô hình bạn đã có thể gọi qua OrcaRouter.

Đặt hai cái cạnh nhau và khác biệt chính là thứ mà mỗi mô hình sẽ chấp nhận làm đầu vào. Jev trả lời các câu hỏi được gõ về văn bản. Bivia tiếp nhận văn bản, hình ảnh, tài liệu, mã, tín hiệu cảm biến, âm thanh và video, rồi neo câu trả lời của mình vào đối tượng nguồn: một hộp giới hạn, một độ lệch ký tự, một dấu thời gian video. Điều hai nhà cung cấp chia sẻ là một bài toán kinh doanh, không phải một kiến trúc. Cả hai đều được bán như một cách để ngừng trả mức giá của mô hình tiên phong cho những phán đoán quy về có, không, một nhãn hoặc một con số. Phiên bản của Articul8 cho lời chào hàng đó đi kèm một API đang hoạt động, một ưu đãi token miễn phí và không có giá công bố theo token, khiến quyết định đầu tiên mà Bivia buộc bạn phải đưa ra trở thành một quyết định về kế toán.

Bivia thực sự trả về gì

Trang sản phẩm đặc biệt rõ ràng về hợp đồng, đáng đọc kỹ vì thông cáo báo chí thì không. Một quyết định là một POST với khóa API của bạn trong BIVIA_API_KEY; phản hồi luôn có cùng dạng JSON mỗi lần, và đó chính là toàn bộ mục đích của một đầu ra không tạo sinh. Bạn chọn một trong chín primitive — Decide, Choice, Boolean, Score, Set, Span, Ground, Extract và "Data science" — và câu trả lời được ép thành một trong năm dạng có kiểu. Không có văn xuôi, không có bước phân tích cú pháp, không có dấu ngoặc nhọn bị cắt cụt ở token 4.000.

• Đầu vào — văn bản, hình ảnh, tài liệu, mã, tín hiệu, âm thanh và video, bảy phương thức thông qua một kiến trúc dùng chung thay vì các quy trình riêng cho từng định dạng.

• Đầu ra — Choice, Boolean, Score, Set và Span, mỗi loại được trả về kèm xác suất đã hiệu chuẩn và phân phối trên các tùy chọn bạn đã cung cấp.

• Chế độ — Fast đưa ra một quyết định trong một lượt duy nhất; Deep quyết định rồi tự phản biện quyết định của mình trước khi chốt; Fast có thể được nâng cấp bằng think: true. Dải tóm tắt của trang ghi "Fast Deep Thinking" trong khi phần chi tiết mô tả "Fast · Deep · Abstain", nên việc Thinking là chế độ thứ tư hay chỉ là một tùy chọn bật/tắt trên Fast vẫn bị nhà cung cấp để ngỏ.

• Từ chối — không bắt buộc. Gửi allow_abstain: false thì Bivia cam kết đưa ra câu trả lời mỗi lần, điều này loại bỏ lớp bảo vệ và khiến bạn gặp một xác suất có thể gần bằng không.

• Grounding — các vùng, độ lệch và dấu thời gian đi kèm với câu trả lời, để một bước kiểm tra phía sau có thể mở lại bằng chứng tại đúng điểm ảnh hoặc giây mà mô hình đã sử dụng.

• Ngôn ngữ — 50+, trong đó trang có nêu tiếng Anh, tiếng Nhật, tiếng Hàn, tiếng Hindi, tiếng Tamil, tiếng Tây Ban Nha, tiếng Đức và tiếng Bồ Đào Nha.

Phạm vi tích hợp rộng hơn mức một API ra quyết định thường có. Các MCP server cho Claude Code, Codex, Cursor và VS Code, một CLI và một Claude skill, một ứng dụng desktop nổi cho macOS và Windows, tiện ích mở rộng Chrome và Edge cho phép bạn chọn một vùng trên màn hình và hỏi về vùng đó, một tiện ích bổ sung Google Workspace với các công thức =BIVIA.DECIDE, =BIVIA.CHOICE và =BIVIA.SCORE, cùng các SDK bằng Python, Node.js, Go và Rust. Không điều nào trong số đó thay đổi bản chất của mô hình. Điều đó có nghĩa là việc dùng thử chỉ tốn của bạn một lệnh thay vì một dự án tích hợp.

Công tắc không tham gia chính là toàn bộ sản phẩm, và đó là thứ ít được đo lường nhất ở nó.

Từ chối trả lời là ý đúng và là nửa khó hơn của luận điểm. Một lớp quyết định đoán mò còn tệ hơn một mô hình sinh đoán mò, bởi một câu trả lời được định kiểu trông vẫn có thể kiểm toán dù nó có được chứng minh hay không. Vậy nên câu hỏi thú vị không phải là Bivia có thể trả về trạng thái từ chối trả lời hay không — API đã chứng minh điều đó — mà là liệu độ tin cậy của nó có được hiệu chỉnh đủ tốt để những lần từ chối rơi đúng vào các trường hợp thực sự mơ hồ và những cam kết rơi đúng vào các trường hợp rõ ràng hay không. Đó là một thuộc tính có thể đo lường được, và Articul8 chưa công bố phép đo nào về nó.

Thay vào đó, những gì tồn tại là các công trình độc lập về hạng mục này. JEVal, một benchmark được giới thiệu trong arXiv 2610.03935, kiểm thử 25 cấu hình mô hình trên 11.257 mẫu lấy từ 36 bộ dữ liệu thuộc 10 miền ứng dụng. Phát hiện của nó rất sắc bén: các mô hình ra quyết định tổng quát hoạt động tốt nhất khi câu trả lời có thể được suy ra từ bằng chứng trước mặt chúng, và trở nên kém tin cậy hơn khi cần kiến thức chuyên môn hoặc khi phải ước lượng độ bất định một cách trung thực. Cụm từ trong phần tóm tắt là các mô hình này có thể chọn kết quả có khả năng nhất trong khi “phóng đại đáng kể xác suất của nó”. Bài báo tương tự chạy τ-bench và nhận thấy rằng các quyết định cục bộ nhanh hơn làm rút ngắn các phiên — nhưng tỷ lệ thành công tổng thể của nhiệm vụ giảm khi sai sót tích lũy qua một quỹ đạo dài.

Phát hiện thứ hai đó đánh trực diện vào lý lẽ cho việc đặt một mô hình quyết định ở mỗi bước của một tác nhân. Cộng dồn là kiểu thất bại mà con số độ chính xác theo từng bước che giấu: một bước đúng 90% thời gian sẽ chỉ đúng 59% thời gian sau năm bước phụ thuộc. Một thử nghiệm đăng ký trước riêng trên Zenodo (SILT-RP-010) đã đưa bảy mô hình quyết định qua 799 quyết định có/không chưa được công bố và phát hiện chỉ một cấu hình nhất quán với tuyên bố hiệu chuẩn của chính nó; Jev cho kết quả ECE là 0,052, mà các tác giả ghi nhận là chưa thể kết luận thay vì đã xác nhận. Không điều nào trong số này nói về Bivia, và không điều nào trong đó nên được đọc như một phán quyết về Bivia. Đây là tiêu chuẩn mà cả nhóm đang phải đáp ứng, và Bivia vẫn chưa được đánh giá theo tiêu chuẩn đó.

Khi có dữ liệu thực nghiệm, thì nó cũng ít ỏi đến mức phải thành thật về điều đó. Một nhà phát triển đã chạy 42 quyết định được gắn nhãn từ agent lập trình qua đêm của chính mình qua Jev-1.13 và Clef-Flash, và cả hai đều xử lý hoàn hảo mười lựa chọn hành động sử dụng máy tính, bao gồm hai bẫy an toàn — một trong số đó đòi hỏi phải không hành động — trong khi cả hai đều bỏ sót cùng bốn ca giám sát. Bản thân anh ấy mô tả đó là "một benchmark 42 ca từ agent của một người, không phải một bài báo". Bivia không nằm trong đó.

Chỉ số chuẩn chính nêu tên đối tượng so sánh của nó, điều mà hầu hết các lần ra mắt không làm được.

Bài kiểm tra định tuyến công cụ nội bộ của Articul8 cho Bivia 0,91 điểm so với Jev 0,84, và thông cáo nêu đích danh như vậy thay vì nấp sau cụm "một đối thủ hàng đầu". Điều đó đáng được ghi nhận; những đối thủ được nêu tên có thể bị kiểm chứng, còn những cái vô danh thì không. Phần còn lại của khối benchmark cần được dán nhãn kỹ hơn:

• Định tuyến công cụ — Bivia 0.91 so với Jev 0.84, nội bộ nhà cung cấp, phương pháp chưa được công bố.

• Hoàn thành quy trình công việc từ đầu đến cuối — khoảng 73% so với 37% ở mô hình so sánh, một con số xuất hiện trong các bài đăng ra mắt của Articul8 chứ không phải trong thông cáo báo chí.

• Các nhiệm vụ Energy và Verilog — độ chính xác 100% trên các nhiệm vụ được chọn sau khi tinh chỉnh theo miền. Bản phát hành tự đánh dấu những nhiệm vụ này là in-distribution, nghĩa là các nhiệm vụ tương tự dữ liệu tinh chỉnh; đây là một tuyên bố về độ phù hợp, không phải về khả năng tổng quát hóa.

• Độ ổn định của câu trả lời — Articul8 tuyên bố rằng các đối thủ, trong đó có Jev, đã thay đổi câu trả lời trong khoảng một trên tám lần chạy khi thứ tự các lựa chọn bị đảo, trong khi Bivia vẫn nhất quán. Không có harness, mẫu hay tập lựa chọn nào được công bố.

Sự bất đối xứng đáng chú ý nằm ở phía bên kia của phép so sánh. Jev đã trải qua đánh giá độc lập: 37 bộ dữ liệu trong một nghiên cứu arXiv, bộ JEVal, bài kiểm tra hiệu chuẩn đăng ký trước và một số khung kiểm thử do nhà phát triển vận hành. Bivia, mới một ngày tuổi, chỉ có một thông cáo báo chí và một trang sản phẩm. Điều đó là bình thường trong ngày ra mắt và không phải lời chỉ trích mô hình — đó là lý do để coi 0,91 là con số cần tái lập chứ không phải con số để lập kế hoạch dựa vào.

Định giá: bạn trả tiền cho token đầu vào và không có bảng giá để tính toán điều đó.

Các điều khoản thương mại có hình thức đơn giản và trống rỗng ở đúng chỗ quan trọng. Không có đăng ký thuê bao. Bạn chỉ trả tiền cho token đầu vào, điều này suy ra từ một mô hình không phát ra token nào. 10.000 người dùng đầu tiên được miễn phí tối đa 1 tỷ token. Để truy cập, cần đăng ký tại articul8.ai/bivia. Điều còn thiếu là mức giá thực tế: không có số đô-la trên mỗi triệu token đầu vào xuất hiện trên trang sản phẩm, trong thông cáo, hay trong các bài đăng ra mắt. Các đồ họa chi phí trên trang — một so sánh “¢$$$ 1 forward pass” — chỉ là minh họa, không phải giá.

Không có một mức giá, bạn không thể thực hiện phép tính duy nhất mà toàn bộ hạng mục này dựa vào, đó là liệu một lệnh gọi quyết định có rẻ hơn lệnh gọi sinh tạo mà nó thay thế hay không. Chính các con số demo của Articul8 khiến sức hấp dẫn hiển hiện mà không làm cho nó có thể tính toán được: 10.058 quyết định so với dữ liệu đo từ xa về làm mát trung tâm dữ liệu trong khoảng 15 giây, trong đó 13 quyết định đã không đưa ra kết luận và được chuyển cho một người vận hành; 200 lô wafer và 1.000 quyết định trong một ca làm việc 12 giờ, năm lệnh gọi cho mỗi lô trên tám máy quét in thạch bản; một lần chạy được báo giá ở mức 0,40 đô la mà không nói rõ lần chạy đó gồm những gì. Mỗi mục trong số đó là một bản trình diễn được nhà cung cấp ghi lại và phát lại, và một số ví dụ trên trang được ghi rõ là chỉ mang tính minh họa.

Gói miễn phí là câu trả lời thiết thực ở thời điểm hiện tại. Một tỷ token đầu vào là đủ để chạy một thử nghiệm thực tế — vài trăm trường hợp được gắn nhãn qua Fast và Deep, với chế độ từ chối trả lời được bật và tắt — trước khi bất kỳ ai phải báo giá cho bạn. Thử nghiệm đó là cách duy nhất để biết tỷ lệ từ chối trả lời của bạn trên dữ liệu của chính bạn, và tỷ lệ từ chối trả lời chính là yếu tố quyết định liệu bài toán kinh tế có hiệu quả hay không. Một ngưỡng nghiêm ngặt đẩy nhiều trường hợp sang cho con người; một ngưỡng lỏng lẻo để lọt qua những sai lầm đầy tự tin. Sự đánh đổi giữa độ bao phủ và rủi ro chính là cốt lõi của phân loại có chọn lọc, và không có chuẩn đánh giá nào từ nhà cung cấp thay thế được ngưỡng của chính bạn.

Video và tài liệu là điểm mà tại đó Bivia không còn giống các mô hình quyết định khác.

Các mô hình quyết định văn bản — Jev, Clef, cùng nhiều bản tái xây dựng mã nguồn mở khác nhau — nhận các câu hỏi được nhập về văn bản và trả về xác suất. Kiến trúc dùng chung của Bivia trên bảy phương thức là một hạng mục sản phẩm khác khoác cùng nhãn, và bản demo thể hiện điều đó là một phim tài liệu 4K dài 52 phút về Trạm Vũ trụ Quốc tế, được đưa vào từng khung hình một trong một yêu cầu duy nhất, làm nổi bật các sự kiện kéo dài vài giây như đèn thành phố phía ban đêm và cực quang. Việc lấy mẫu khung hình sẽ bỏ sót chúng; tuyên bố là Bivia không lấy mẫu.

Đó là một năng lực thực sự khác biệt, và nó hướng đến các trường hợp sử dụng công nghiệp mà Articul8 thực sự bán: video kiểm tra nơi sự kiện chỉ diễn ra trong ba giây giữa bốn mươi phút, bản vẽ kỹ thuật, bảng và biểu đồ, dấu vết cảm biến. Các khách hàng được nêu tên là Hitachi Energy, CTC, AZing và Megazone, và nền tảng xoay quanh Bivia kết nối với hơn 25 hệ thống doanh nghiệp và vận hành, với triển khai trên đám mây công cộng, riêng tư, chủ quyền và cách ly vật lý. Tuy nhiên, việc tinh chỉnh theo lĩnh vực do đội ngũ kinh doanh dẫn dắt — hướng dẫn của chính trang đó cho việc này là "Hãy trao đổi với chúng tôi về lĩnh vực của bạn". Vì vậy, các con số 100% về năng lượng và Verilog mô tả những triển khai đã được tinh chỉnh, được xây dựng với sự trợ giúp của Articul8, chứ không phải một mô hình mà bạn tải xuống và hướng vào nhà máy của mình vào một ngày thứ Ba.

Mô hình quyết định nên nằm ở đâu trong một agent — và tại sao đó lại là một câu hỏi về định tuyến

Kiến trúc hợp lý không phải là "thay thế LLM bằng Bivia". Đó là một chuỗi gồm ba phần: các quy tắc tất định hấp thụ những trường hợp mà chúng có thể giải quyết, mô hình ra quyết định tiếp nhận các phán đoán có giới hạn còn lại và trả về một nhãn kèm xác suất, còn ứng dụng xác thực nhãn đó dựa trên chính sách và quyền trước khi bất cứ điều gì xảy ra. Chỉ khi đó quy trình mới lựa chọn giữa một hành động chi phí thấp, một lệnh gọi mô hình frontier và một con người. Mô hình ra quyết định là một bước đề xuất, không phải nguồn thẩm quyền — nó không thể cấp phép cho một lần hợp nhất, một khoản chi tiêu, hoặc một phê duyệt bị bỏ qua, và một nhãn được định dạng đúng nhưng được chọn vì lý do sai vẫn là sai.

Điều đó có nghĩa là câu hỏi vận hành chính là định tuyến, và nó có ba phần: bước nào đi đến lớp quyết định, bước nào chuyển sang một mô hình sinh khi xác suất thấp hoặc câu trả lời không được đưa ra, và điều gì xảy ra khi chính endpoint quyết định bị chậm hoặc ngừng hoạt động. Đó là cấu trúc của một chính sách định tuyến, và đó là mục đích của DSL định tuyến của OrcaRouter — kết hợp một lệnh gọi quyết định và một phương án dự phòng sinh thành một lệnh gọi, với cơ chế chuyển đổi dự phòng tự động phía sau để việc không trả lời hoặc sự cố ở một trong hai phía có một chặng kế tiếp được xác định thay vì một tác nhân bị kẹt. Nửa phần sinh của chuỗi đó là nơi cách định giá chuyển tiếp trở nên quan trọng: một API cho hơn 200 mô hình ở mức giá niêm yết của nhà cung cấp với 0% cộng thêm, nên khi nhà cung cấp giảm giá, mức giá mà bạn định tuyến theo sẽ thay đổi ngay trong ngày.

Một lưu ý thẳng thắn về tính sẵn có. Bivia không nằm trong danh mục của OrcaRouter — có thể truy cập qua API riêng của Articul8 và nền tảng của nhà cung cấp, và không có nơi nào khác mà chúng tôi có thể đảm bảo. Jev-1.13 của TypeSafe AI có trong danh mục, khiến việc thử nghiệm song song mô hình quyết định được lưu trữ mà chúng tôi thực sự cung cấp trở thành một thao tác chỉ với một khóa; còn thử Bivia đồng nghĩa với một hợp đồng thứ hai và một thông tin xác thực riêng. Nếu bạn muốn xem liệu một lớp quyết định có xứng đáng với vị trí của nó trước khi ký bất cứ điều gì hay không, thì sự bất đối xứng đó chính là thử nghiệm ít tốn kém nhất hiện có.

Ai nên thử Bivia ngay bây giờ, và ai nên chờ đợi?

Hãy thử nếu các quyết định của bạn nằm trong hồ sơ tạo tác thay vì câu chữ — video kiểm tra, bản vẽ, hồ sơ yêu cầu đã quét, nhật ký cảm biến — vì đó là phần của Bivia mà hiện chưa đối thủ nào trong làn sóng mô hình quyết định sánh được, và hạn mức token miễn phí đủ cho giai đoạn thử nghiệm. Hãy thử nếu bạn đã là khách hàng Articul8 và đã triển khai nền tảng, vì Bivia cũng chạy trong Bivia Studio song song với quy trình bạn đang có; hoặc nếu bạn cần triển khai air-gapped hoặc có chủ quyền, điều mà hỗ trợ cấp công ty đáp ứng. Hãy thử nếu bạn muốn dùng nó thông qua một tác nhân lập trình, vì các máy chủ MCP và trình cài đặt curl biến việc đó thành bài kiểm tra mười phút chứ không phải một dự án.

Hãy khoan nếu bạn cần đơn giá để mô hình hóa chi tiêu, vì chưa có đơn giá. Hãy khoan nếu bộ phận mua sắm yêu cầu một chuẩn đối sánh độc lập hoặc tỷ lệ từ chối trả lời được công bố, vì cả hai đều chưa tồn tại. Hãy khoan nếu bạn cần trọng số có thể tự lưu trữ, điều khoản giấy phép có thể đọc, hoặc một SLA về độ trễ — không có thứ nào trong số đó được phát hành. Và hãy khoan nếu việc tinh chỉnh theo miền chính là toàn bộ giá trị: khoảng cách giữa Bivia nguyên bản và Bivia được tinh chỉnh trên miền của bạn là không được tiết lộ, và chính khoảng cách đó là thứ bạn sẽ mua.

Ba điều sẽ giải quyết được chuyện này, và cả ba đều thuộc trách nhiệm công bố của nhà cung cấp: một bảng giá theo token, một tỷ lệ từ chối trả lời được đo trên một harness mà người khác có thể chạy, và kết quả trên một benchmark có từ trước khi ra mắt. Cho đến lúc đó, cách hiểu công bằng về Bivia là một API được đặc tả kỹ lưỡng gắn với một câu chuyện modality mạnh bất thường, được bán dựa trên các benchmark do chính đội của họ tạo ra, trong khi hành vi thú vị nhất — biết khi nào nên từ chối — lại được để mặc cho bạn tự đo. Công tắc từ chối trả lời được dùng thử miễn phí và, xét theo bằng chứng hiện có, vẫn là lý do tốt nhất để thử.