Jev คืออะไร? โมเดล AI แบบ System One ที่ตอบเป็น "การตัดสินใจ" ไม่ใช่ข้อความ 2569

Jev คืออะไร และใครเป็นคนสร้าง

Jev เป็นโมเดล AI แบบเฉพาะทาง (proprietary) ของ TypeSafe AI บริษัทในซานฟรานซิสโกที่ก่อตั้งเมื่อปี 2567 โดย Diogo Almeida (ซีอีโอ) ร่วมกับ Erik Gafni และ Sasha Sheng ตัว Almeida เคยทำงานที่ OpenAI ราว 4 ปีในทีม RLHF และเป็นผู้ร่วมเขียนงานวิจัย InstructGPT ซึ่งเป็นต้นทางของ ChatGPT ก่อนออกมาตั้งบริษัทของตัวเอง TypeSafe พัฒนา Jev แบบเงียบ ๆ ราว 2 ปี แล้วเปิดให้ใช้แบบ early access จำกัดกลุ่มเมื่อ 15 กันยายน 2569 พร้อมประกาศระดมทุนรอบ seed 40 ล้านดอลลาร์สหรัฐ นำโดย DCVC (Forbes รายงานมูลค่าบริษัทราว 200 ล้านดอลลาร์)

ชื่อ Jev ตั้งตาม William Stanley Jevons นักเศรษฐศาสตร์ศตวรรษที่ 19 เจ้าของแนวคิด "Jevons paradox" ที่ว่าเมื่อทรัพยากรใดถูกลง คนกลับยิ่งใช้มันมากขึ้น TypeSafe ตั้งชื่อนี้เพื่อสื่อว่าเมื่อ "การตัดสินใจด้วยเครื่อง" ถูกลงหลายร้อยเท่า ซอฟต์แวร์จะเรียกใช้มันในทุกจุดที่วันนี้ยังเป็นกฎ if-else ที่เขียนตายตัว หรือยังต้องรอคนมาคลิกเลือก

ช่วงเวลา	เหตุการณ์สำคัญ
2567	ก่อตั้ง TypeSafe AI ที่ซานฟรานซิสโก หลัง Diogo Almeida ออกจาก OpenAI
2567–2569	พัฒนาแบบ stealth ราว 2 ปี คิดค้นวิธีฝึกโมเดล RLCD (Reinforcement Learning for Calibrated Decisions) เพื่อให้ค่าความน่าจะเป็นที่ตอบออกมา "เชื่อถือได้" ไม่ใช่แค่ทายถูก
15 กันยายน 2569	เปิด Jev แบบ early access จำกัดกลุ่ม พร้อมประกาศ seed round 40 ล้านดอลลาร์ นำโดย DCVC
16 กันยายน 2569	เรียกใช้ผ่าน Vercel AI Gateway ได้โดยไม่ต้องรอ waitlist
กันยายน 2569	เวอร์ชันเสถียร jev-1.13.0 มีไลบรารีรองรับจาก LangChain, Pydantic AI, LiteLLM และ OpenRouter ตามมาภายในสัปดาห์เดียว

"System One Model" ต่างจาก LLM อย่างไร

ชื่อหมวด System One มาจากแนวคิดของ Daniel Kahneman ในหนังสือ Thinking, Fast and Slow ที่แบ่งการคิดของมนุษย์เป็นระบบ 1 คือเร็ว อัตโนมัติ ใช้สัญชาตญาณ (เห็นอีเมลปุ๊บก็รู้ว่าเรื่องนี้ด่วน) กับระบบ 2 คือช้า ไตร่ตรอง เป็นขั้นเป็นตอน โมเดลภาษาขนาดใหญ่ที่ทำ chain-of-thought อยู่ในฝั่งระบบ 2 ส่วน TypeSafe มองว่างานส่วนใหญ่ที่ซอฟต์แวร์ต้องการจาก AI คือคำตอบแบบระบบ 1 คือ "ข้อไหน" "กี่คะแนน" "ใช่หรือไม่" แล้วโปรแกรมทำงานต่อได้เลย ไม่ต้องการเรียงความ

ในเชิงเทคนิค LLM สร้างข้อความทีละโทเคน (autoregressive) แล้วโปรแกรมของเราต้องไป parse ข้อความนั้นอีกที ซึ่งเป็นจุดที่เกิดทั้งความช้าและความผิดพลาดของรูปแบบ ส่วน Jev รับ "state" (ข้อความ, JSON object หรือ array ของข้อความ) กับ "คำถามที่กำหนดชนิดคำตอบ" หนึ่งข้อหรือหลายข้อ แล้วประเมินทุกคำถามพร้อมกันในรอบเดียว คำตอบที่ได้อยู่ในกรอบที่เรากำหนดเสมอ จึงไม่มีทางได้ค่าที่อยู่นอกตัวเลือก และไม่ต้องมีขั้นตอน parse หรือ validate เพิ่ม

หัวข้อ	LLM ทั่วไป (เช่น GPT / Claude / Gemini)	Jev (System One)
ผลลัพธ์	ข้อความอิสระ (ต้อง parse ต่อ)	ค่าแบบมีชนิด: ตัวเลือก / คะแนน / ความน่าจะเป็น พร้อมค่าความมั่นใจ
วิธีประมวลผล	สร้างทีละโทเคน คิดเป็นขั้น	ประเมินทุกคำถามพร้อมกันในรอบเดียว
เวลาตอบ	หลายวินาทีถึงหลายสิบวินาที	70–500 มิลลิวินาที (ตามที่ TypeSafe ระบุ)
ราคาขาเข้า	ระดับดอลลาร์ต่อล้านโทเคน	$0.042 ต่อล้านโทเคน โทเคนขาออกไม่คิดเงิน
คำตอบนอกกรอบ	เกิดได้ (hallucination, รูปแบบผิด)	เป็นไปไม่ได้ในเชิงโครงสร้าง แต่เลือกผิดในกรอบได้
อธิบายเหตุผล	ได้ เป็นข้อความ	ไม่ได้ ให้แค่ค่าและความน่าจะเป็น
งานที่เหมาะ	เขียน สรุป คิดหลายขั้น ค้นคว้า	จัดหมวด จัดลำดับ คัดกรอง แยกเส้นทาง ตัดสินใจซ้ำ ๆ ปริมาณมาก

คำถาม 3 ชนิดที่ Jev ตอบได้

Jev ไม่รับคำถามปลายเปิด ทุกคำถามต้องเป็นหนึ่งในสามชนิดนี้ และเอกสารของ TypeSafe แนะนำให้ตั้งคำถามแบบ "atomic" คือแคบพอที่คนมีความรู้ในเรื่องนั้นตอบได้ในไม่กี่วินาที

ชนิด	คำถามที่ถาม	สิ่งที่ได้กลับมา	ตัวอย่างในงานองค์กร
Choice	"ข้อไหนจากรายการนี้"	choice ตัวเลือกที่เลือก, probabilities ความน่าจะเป็นของทุกตัวเลือก, confidence (สูงสุด 255 ตัวเลือกต่อคำถาม)	อีเมลฉบับนี้ควรส่งให้ทีมไหน: บัญชี / จัดซื้อ / IT / อื่น ๆ
Score	"อยู่ระดับไหนบนเกณฑ์ที่กำหนด"	score คะแนน, probabilities ต่อระดับ, confidence (คะแนนตกระหว่างระดับได้ตามน้ำหนัก)	ความรุนแรงของเหตุการณ์ 0 = เล็กน้อย ถึง 3 = ต้องจัดการทันที
Noul	"ข้อความนี้จริงหรือไม่"	noul ค่าเดียวระหว่าง 0–1 (ชื่อมาจากการแจกแจงแบร์นูลลี) ไม่มี confidence แยก เพราะตัวเลขนี้คือความไม่แน่ใจในตัวเอง	ข้อความนี้เป็นการขอคืนเงินหรือไม่ → 0.96

ข้อแนะนำจากเอกสารที่ควรจำ: ใส่ตัวเลือก "อื่น ๆ" ไว้เสมอใน Choice เพื่อไม่บังคับให้โมเดลยัดเคสที่ไม่เข้าพวกลงหมวดผิด นิยามระดับของ Score เป็นสถานการณ์ที่สังเกตได้จริง ไม่ใช่คำลอย ๆ อย่าง "ต่ำ / กลาง / สูง" และถามหลายข้อในครั้งเดียวได้ เพราะเวลาตอบแทบไม่เพิ่ม (เสียแค่ค่าโทเคนของข้อความคำถาม) แต่ทุกคำถามถูกประเมิน แยกจากกัน ถ้าคำถาม B ต้องรู้คำตอบของ A ก่อน ต้องยิงคำขอรอบสองพร้อม state ที่อัปเดตแล้ว

ตัวอย่างการเรียกใช้ (ย่อจากเอกสารและบทความของ DataCamp / LangChain ค่าตัวเลขในผลลัพธ์เป็นตัวอย่างประกอบจากเอกสาร):

POST https://api.typesafe.ai/v1/systemone
{
  "model": "jev-latest",
  "state": "ลูกค้าอีเมลมาเป็นครั้งที่สองในสัปดาห์นี้ เรื่องคืนเงินที่ยังไม่ได้รับ ...",
  "questions": {
    "team":      { "type": "choice", "options": ["billing", "technical", "account", "other"] },
    "is_urgent": { "type": "noul",   "instructions": "ข้อความนี้แสดงความเร่งด่วนหรือมีกำหนดเวลา" }
  }
}

// ผลลัพธ์
{
  "team":      { "choice": "billing",
                 "probabilities": { "billing": 0.58, "technical": 0.37, "account": 0.05, "other": 0.00 },
                 "confidence": 0.61 },
  "is_urgent": { "noul": 0.96 }
}

เร็วแค่ไหน ถูกแค่ไหน และเชื่อได้แค่ไหน

ตัวเลขที่ TypeSafe ประกาศคือเวลาตอบ 70–500 มิลลิวินาทีตั้งแต่ส่งถึงรับ (ผู้ใช้จริงรายหนึ่งรายงานว่างาน routing ใน agent ใช้ 145–271 มิลลิวินาที) ราคา $0.042 ต่อล้านโทเคนขาเข้า โทเคนขาออกไม่คิดเงิน รับ state รวมคำถามได้ 64k โทเคน และ state รวมคำถามที่ยาวที่สุดได้ 32k โทเคน บริษัทอ้างว่าในงานประเภทเดียวกัน Jev เร็วกว่าโมเดลระดับแนวหน้า 40–200 เท่า และถูกกว่า 40–400 เท่า โดยตัวเลขสูงสุดที่วัดได้ในชุดงานภายในคือ 193.6 เท่า และ 444.6 เท่า

โมเดล	ความแม่นยำ	ต้นทุนต่อเคส	เวลาตอบ
Jev	67.8%	$0.0004	0.4 วินาที
GPT-5.6 Terra	67.9%	$0.0304	10.1 วินาที
GPT-5.6 Sol	74.1%	$0.0836	23.3 วินาที
Claude Opus 5	73.1%	$0.1761	37.8 วินาที

ที่มา: ชุดทดสอบภายในของ TypeSafe ตามที่ DataCamp รายงาน (กันยายน 2569) เป็นตัวเลขที่ผู้ขายรายงานเอง

Jev ใช้ทำอะไร: 8 งานที่เข้ากับโมเดลแบบนี้

สูตรคัดกรองที่สั้นที่สุดจากเอกสารคือ ถามตัวเองว่างานนี้เขียนเป็นประโยค "จาก state นี้ บอกฉันว่า X" ได้ไหม โดย X เป็นตัวเลือก คะแนน หรือความน่าจะเป็น ถ้าได้ Jev อยู่ในข่าย ถ้าไม่ได้ ให้ใช้โค้ดธรรมดา LLM หรือโมเดลที่ใช้เหตุผลแทน

งาน	ชนิดคำถาม	ตัวอย่าง
จัดเส้นทาง ticket / อีเมล / แชต	Choice	เรื่องนี้ควรไปทีมบัญชี จัดซื้อ หรือ IT แล้วเปิดงานให้ทีมนั้นทันที
ให้คะแนน lead หรือความเร่งด่วน	Score	คำขอนี้ควรเข้าคิวปกติ ด่วน หรือด่วนที่สุด ตามเกณฑ์ที่นิยามเป็นสถานการณ์จริง
จัดหมวดเอกสารปริมาณมาก	Choice	ไฟล์ที่ส่งเข้ามาเป็นใบแจ้งหนี้ ใบสั่งซื้อ ใบเสนอราคา หรืออื่น ๆ
ตรวจความปลอดภัยของเนื้อหา	Noul	ข้อความนี้มีข้อมูลส่วนบุคคลที่ไม่ควรส่งออกหรือไม่
คัดกรองผู้สมัคร / ใบสมัคร	Score	เอกสารครบตามเกณฑ์ระดับไหน ก่อนส่งให้คนพิจารณา
แยกเส้นทาง workflow	Noul	ข้อความจากผู้ขายเป็นการยืนยันส่งของ หรือแจ้งเลื่อน แล้วเดินงานคนละทาง
ใน AI agent: เลือกโมเดลตามความยาก	Choice	คำถามง่ายส่งโมเดลถูกและเร็ว คำถามซับซ้อนส่งโมเดลใหญ่ ลดค่าใช้จ่ายของทั้งระบบ
ใน AI agent: ด่านตรวจก่อนลงมือ	Noul	tool call นี้เสี่ยงหรือไม่ก่อนรัน หน้าเว็บที่ดึงมามี prompt injection หรือไม่ การอ้างอิงที่ agent ให้มาตรงกับต้นฉบับหรือไม่

สองแถวสุดท้ายคือจุดที่นักพัฒนาสนใจมากที่สุดในสัปดาห์แรก LangChain ออกไลบรารี langchain_typesafe ให้ใช้ Jev เป็น middleware ในลูปของ agent คือแทนที่จะเรียก LLM ทุกครั้งเพื่อตัดสินใจเล็ก ๆ ว่า "ต้องรีบไหม" หรือ "อันตรายไหม" ก็ให้ Jev ตอบภายในเสี้ยววินาที แล้วเก็บ LLM ไว้สำหรับงานที่ต้องคิดหรือต้องเขียนจริง ๆ ตัวอย่างอื่นที่มีคนทำแล้ว ได้แก่ การจัดอันดับผลค้นหาใหม่ (rerank) และการจัดหมวดหน้าเอกสารทั้งเว็บไซต์ทีเดียวหลายหมื่นหน้า

ข้อจำกัดที่ต้องรู้ก่อนใช้

• ไม่สร้างข้อความ โค้ด หรือสรุปความ ต้องการงานพวกนี้ให้ใช้ LLM
• ไม่ทำเหตุผลหลายขั้น งานที่ต้องแตกเป็น chain-of-thought ไม่ใช่งานของ Jev
• ไม่ค้นข้อมูลภายนอก รู้แค่สิ่งที่อยู่ใน state ที่ส่งไป
• คำถามในคำขอเดียวกันอิสระต่อกัน การตัดสินใจที่ต้องต่อเนื่องกันต้องยิงหลายรอบ
• เป็นระบบปิด ไม่มี paper ไม่มี weights เปิดเผย ฝึกจากข้อมูลสังเคราะห์ล้วนด้วยวิธี RLCD และยังอยู่ในช่วง early access ผ่าน waitlist
• เกณฑ์ความมั่นใจต้องพิสูจน์กับข้อมูลจริง งานที่ผิดแล้วเสียหายมากต้องเรียกร้องหลักฐานสูงกว่างานทั่วไป

วิธีเริ่มใช้งาน

• ทางตรง: สมัคร waitlist ที่ typesafe.ai (ผู้ใช้ช่วงแรกรายงานว่ารอไม่กี่ชั่วโมงถึงมากกว่าหนึ่งวัน) เอกสารอยู่ที่ docs.typesafe.ai เรียกผ่าน endpoint ของตัวเอง ไม่ใช่ /chat/completions
• ไม่ต้องรอ waitlist: Vercel AI Gateway ในชื่อ typesafe-ai/jev ผ่านเมธอด evaluate ของ AI SDK 7 หรือ OpenRouter ในชื่อ typesafe/jev-latest (รับ 32k โทเคนต่อคำขอ)
• ผ่านเฟรมเวิร์ก: LangChain (langchain_typesafe), Pydantic AI, LiteLLM แบบ pass-through
• จากชุมชน: ตัวเชื่อม MCP, ปลั๊กอินสำหรับ Claude Code, ไลบรารี Ruby และ fork ของ DSPy

from langchain_typesafe import Noul, TypeSafeClassifier

classifier = TypeSafeClassifier()
response = classifier.invoke({
    "state": "The deploy failed twice and customers are seeing 500s.",
    "questions": {
        "urgent": Noul(instructions="Does this need attention now?"),
    },
})
urgency = response.nouls["urgent"].noul   # เช่น 0.999

มุมของระบบ ERP: การตัดสินใจเล็ก ๆ ที่เกิดวันละหลายพันครั้ง

ในระบบ ERP มีการตัดสินใจแบบ "รู้คำตอบที่เป็นไปได้ล่วงหน้า" อยู่เต็มไปหมด เอกสารที่ส่งเข้ามาเป็นใบแจ้งหนี้หรือใบสั่งซื้อ คำขอนี้ควรเข้าคิวปกติหรือด่วน รายการที่พิมพ์มาแบบอิสระควรจับคู่กับหมวดพัสดุไหน ข้อความจากผู้ขายเป็นการยืนยันส่งของหรือแจ้งเลื่อน วันนี้งานพวกนี้ทำด้วยกฎที่เขียนตายตัว หรือให้คนเป็นผู้เลือกจากดรอปดาวน์ ซึ่งทั้งสองแบบมีต้นทุน แบบแรกพังเมื่อเจอเคสที่กฎไม่ครอบคลุม แบบหลังช้าและขึ้นกับความใส่ใจของคนคีย์

Jev ถูกออกแบบมาสำหรับชั้นนี้พอดี แต่หลักการที่เราใช้เวลาต่อ AI เข้ากับระบบงานของลูกค้าไม่เปลี่ยน ERP ยังเป็นแหล่งความจริงเดียว โมเดลมีหน้าที่ "เสนอ" ไม่ใช่ "บันทึก" ผลที่ต่ำกว่าเกณฑ์ความมั่นใจต้องส่งเข้า workflow อนุมัติ ที่มีคนตรวจ และทุกการตัดสินใจอัตโนมัติต้องมี log ว่าโมเดลเห็น state อะไร ตอบค่าอะไร ด้วยความมั่นใจเท่าไร เพื่อให้ผู้ตรวจสอบย้อนดูได้ หลักการ เลือกงานให้ AI ก็ยังเหมือนเดิม คือเริ่มจากงานที่ผิดแล้วแก้ง่าย ปริมาณมาก และวัดผลได้

เหมาะกับใคร ไม่เหมาะกับใคร

เหมาะ	ไม่เหมาะ
งานตัดสินใจซ้ำ ๆ ปริมาณมาก ที่รู้ชุดคำตอบล่วงหน้า	งานที่ต้องเขียนข้อความ โค้ด หรือสรุปความ
ระบบที่ต้องตอบแบบเรียลไทม์ เช่น routing, guardrail ใน agent	งานที่ต้องคิดหลายขั้นและอธิบายเหตุผลได้
การให้คะแนนข้อมูลหลายล้านแถว เช่น รีวิว ตั๋ว เอกสาร	งานที่ต้องหาข้อมูลเพิ่มจากภายนอกก่อนตอบ
องค์กรที่มีข้อมูลจริงพอจะตั้งและพิสูจน์เกณฑ์ความมั่นใจ	งานกำกับดูแลที่ต้องการเหตุผลเป็นภาษาคนประกอบทุกการตัดสินใจ
ทีมที่พร้อมทดลองกับบริการช่วง early access	องค์กรที่ต้องการโมเดลรันในสถานที่ของตัวเอง หรือต้องการ SLA ระดับ production วันนี้

สรุป

Jev ไม่ใช่ LLM ที่เร็วขึ้น แต่เป็นโมเดลอีกประเภทที่ตัดงาน "เขียนข้อความ" ทิ้งไปทั้งหมด เหลือแค่การตอบคำถามสามชนิด คือ ข้อไหน กี่คะแนน และจริงไหม พร้อมความน่าจะเป็นที่ผ่านการปรับเทียบ ผลคือเร็วระดับเสี้ยววินาทีและถูกกว่าหลายร้อยเท่าในงานที่ชุดคำตอบถูกกำหนดไว้ล่วงหน้า ซึ่งเป็นงานส่วนใหญ่ที่ซอฟต์แวร์องค์กรต้องทำซ้ำทุกวัน

สิ่งที่ยังต้องรอคือหลักฐานอิสระเรื่องความแม่นยำในงานจริง เพราะตัวเลขที่มีอยู่วันนี้ผู้ขายวัดเอง สำหรับองค์กรไทย คำแนะนำคือมอง Jev เป็นชิ้นส่วนหนึ่งในชั้น AI ที่ถอดเปลี่ยนได้ วางไว้หน้าคนหรือหน้า LLM เพื่อคัดกรองและจัดลำดับ โดยระบบหลักยังเป็นแหล่งความจริง และการอนุมัติยังเป็นของคน แล้วค่อยขยายขอบเขตเมื่อวัดผลกับข้อมูลของตัวเองแล้วว่าผ่านเกณฑ์

AI ที่มีค่าในระบบงานไม่ใช่ตัวที่พูดเก่งที่สุด แต่เป็นตัวที่ตัดสินใจเล็ก ๆ ได้ถูก ได้เร็ว และรู้ตัวว่าไม่แน่ใจเมื่อไร

- ทีมงาน Saeree ERP

แหล่งอ้างอิง

• Wikipedia — Jev (AI model)
• TypeSafe AI — Documentation: Introduction to Jev and System One models
• DataCamp — Jev: TypeSafe's System One Model That Never Hallucinates (ตาราง benchmark และตัวอย่าง API)
• KDnuggets — What Everyone Is Getting Wrong About TypeSafe AI's Jev
• LangChain Blog — What Is Jev? A Guide to TypeSafe AI's System One Model (langchain_typesafe)
• Firecrawl — What Is Jev? Decision-only model, pricing, limits and the Every.to independent test
• Tom's Hardware — TypeSafe AI's Jev claims to be 193x faster and 445x cheaper than LLMs

ตรวจสอบแหล่งอ้างอิงเมื่อ 22 กันยายน 2569