เข้าใจสถานะ
โมเดลตีความภาษาธรรมชาติหรือข้อความที่มีโครงสร้าง เช่น ทิกเก็ตซัพพอร์ต ร่องรอยของ Agent ข้อมูลสินค้า หรือสถานะเกม
Jev AI Dev · คู่มือนักพัฒนา
โมเดล AI System One คืออะไร? คู่มือนักพัฒนาสำหรับ Jev
System One คือคลาสโมเดล AI ของ TypeSafe สำหรับเปลี่ยนสถานะแอปที่ไม่มีโครงสร้างให้เป็นคำตอบแบบมีชนิดข้อมูลและค่าความน่าจะเป็น Jev คือการนำไปใช้รุ่นแรก: คอมโพเนนต์ตัดสินใจที่มีขอบเขตและออกแบบให้อยู่ในโค้ดแอปพลิเคชัน
- อินพุต
- ข้อความ, JSON หรืออาร์เรย์ข้อความ
- เอาต์พุต
- Choice, Score หรือ Noul
- โฟลว์การควบคุม
- อยู่ในการควบคุมของโค้ดคุณ
นี่คือคู่มือนักพัฒนาอิสระ รายละเอียดผลิตภัณฑ์และข้อความด้านประสิทธิภาพอ้างอิงจาก TypeSafe โปรดทดสอบ Jev กับข้อมูลของคุณก่อนใช้ในระบบจริง
System One
state → decisionsstate
“ฉันถูกเรียกเก็บเงินซ้ำและต้องแก้ปัญหานี้วันนี้”
choiceการเรียกเก็บเงิน0.96
noulเร่งด่วน0.88
scoreความไม่พอใจ1.7 / 2
if (confidence < threshold) → reviewคลาสของโมเดล
โมเดล System One คือ primitive การตัดสินใจสำหรับโค้ดแอปพลิเคชัน
System One อ่านความหมายจากอินพุต แต่ไม่ดำเนินบทสนทนาต่อหรือเขียนคำตอบ คุณกำหนดคำถามและรูปแบบคำตอบที่อนุญาตไว้ก่อน แล้วโมเดลจะส่งคืนผลประเมินที่มีขอบเขตให้โปรแกรมตรวจสอบได้
อยู่ภายในสัญญา
แอปกำหนดขอบเขตคำตอบก่อนเรียกโมเดล โมเดลจะเลือกตัวเลือก วางค่าบนสเกล หรือประเมินข้อความแบบใช่/ไม่ใช่
เปิดเผยความไม่แน่นอน
ทุกคำตอบมีสัญญาณความน่าจะเป็น และ Choice กับ Score ยังสรุปการกระจายเป็นค่า confidence
ประกอบเข้ากับโค้ด
ค่า threshold การตรวจนโยบาย side effect การลองใหม่ fallback และการตรวจโดยมนุษย์ยังคงอยู่ในโค้ดปกติ
Jev ใน workflow
นักพัฒนาเชื่อมต่อ Jev กับโค้ดแอปอย่างไร
Jev เปลี่ยนการเรียกโมเดลหนึ่งครั้งเป็นชุดสัญญาณตัดสินใจ หน่วยที่มีประโยชน์ไม่ใช่หนึ่งรอบแชต แต่คือสัญญาขนาดเล็กแบบมีชนิดข้อมูลระหว่างโมเดลกับแอป
1. สร้างสถานะ
ส่งข้อมูลที่จำเป็นต่อการตัดสินใจ ปัจจุบัน Jev รองรับอินพุตแบบข้อความ รวมถึง string, ออบเจ็กต์ JSON และอาร์เรย์ข้อความ
ข้อความลูกค้า + ข้อมูลบัญชี2. กำหนดคำถาม
ตั้งชื่อคำถาม เลือก primitive และอธิบายตัวเลือกหรือสเกลที่อนุญาต สามารถส่งหลายคำถามอิสระใน request เดียวได้
แผนก · ความเร่งด่วน · ความไม่พอใจ3. Jev ประเมิน
Jev ส่งคืนคำตอบแบบมีชนิดข้อมูลและสัญญาณความน่าจะเป็นสำหรับทุกคำถาม โดย Choice และ Score มีค่า confidence เพิ่มเติม
การเรียกเก็บเงิน · 0.93 · confidence สูง4. โค้ดใช้นโยบาย
รวมผลลัพธ์โมเดลกับการตรวจแบบกำหนดแน่นอน ทำงานอัตโนมัติเมื่อกรณีชัดเจนและเสี่ยงต่ำ ส่วนกรณีคลุมเครือหรือมีผลกระทบสูงให้ส่งต่อมนุษย์หรือ reasoning model
จัดเส้นทาง · ถาม · ตรวจ · หยุดคำตอบสามรูปแบบ
Choice
billingทีมใดควรจัดการเรื่องนี้?
เลือกหนึ่งตัวเลือกจากชุดที่กำหนดไว้และส่งคืนความน่าจะเป็นของทุกตัวเลือก
Score
1.43 / 2ปัญหานี้รุนแรงเพียงใด?
วางอินพุตบนสเปกตรัมที่อธิบายด้วยระดับเรียงลำดับ โดยคะแนนอาจอยู่ระหว่างระดับ
Noul
0.95คำขอนี้ต้องการคืนเงินหรือไม่?
ประเมินข้อความใช่/ไม่ใช่ และส่งคืนความน่าจะเป็นของคำตอบ “ใช่”
เหตุผลเบื้องหลัง
ทำไม TypeSafe จึงสร้างอินเทอร์เฟซโมเดลสำหรับซอฟต์แวร์
โมเดลเชิงกำเนิดถูกสร้างมาเพื่อผลิต string ที่ยืดหยุ่นให้มนุษย์ แนวคิดของ TypeSafe คือซอฟต์แวร์ต้องการปัญญาที่มีขอบเขตแคบกว่า: อยู่ในโค้ด ทำงานซ้ำได้ แสดงความไม่แน่นอน และทำให้โฟลว์การควบคุมมองเห็นได้
String ยืดหยุ่นแต่ปลายเปิด
เอาต์พุตอาจเป็นข้อความ โค้ด JSON การปฏิเสธ หรือรูปแบบผิด แอปจึงมักต้อง parse ตรวจสอบ และจัดการข้อผิดพลาดก่อนลงมือ
ระบบอัตโนมัติต้องมีขอบเขต
เมื่อโมเดลทำงานเบื้องหลัง โปรแกรมควรรู้ผลลัพธ์ที่เป็นไปได้และการกระทำที่แต่ละผลลัพธ์อนุญาตไว้ล่วงหน้า
ความไม่แน่นอนต้องเปลี่ยนเส้นทาง
การกระจายความน่าจะเป็นทำให้กรณีชัดเจนทำงานอัตโนมัติ และส่งกรณีคลุมเครือไปยังเส้นทางที่ปลอดภัยกว่า
การตัดสินใจเล็กต้องประกอบกันได้
workflow ซับซ้อนสามารถแบ่งเป็นการประเมินเชิงความหมายที่เจาะจง แล้วรวมด้วยตรรกะแบบกำหนดแน่นอน แทนการซ่อนทุกอย่างใน prompt ขนาดใหญ่
เหมาะกับงานใด
System One AI เหมาะกับ workflow นักพัฒนาแบบใด
งานที่เหมาะเกิดซ้ำบ่อย ต้องเข้าใจอินพุตที่ยุ่งเหยิง และนำไปสู่การกระทำจำนวนไม่มากที่แอปทำได้อยู่แล้ว
งานซัพพอร์ต
จัดประเภททิกเก็ต ระบุเจตนาและความเร่งด่วน ประเมินอารมณ์ และส่งกรณีไม่แน่นอนไปตรวจสอบ
การเรียกเก็บเงิน เทคนิค บัญชี หรืออื่น ๆ?
การควบคุม Agent
เลือกโมเดลหรือเครื่องมือ ตัดสินว่าต้อง retrieval หรือไม่ ตรวจความครบถ้วนของผลลัพธ์ หรือประเมิน tool call ที่เสนอ
Agent ควรทำต่อ ลองใหม่ หรือส่งต่อ?
การจัดอันดับและความเกี่ยวข้อง
ให้คะแนนว่าตัวเลือกตรงกับ query โปรไฟล์ นโยบาย หรือบริบทเพียงใด แล้วรวมสัญญาณกับกฎธุรกิจ
ตัวเลือกนี้เกี่ยวข้องกับคำขอเพียงใด?
ความปลอดภัยและการยืนยัน
ประเมินข้อความ เอาต์พุต trace หรือการแก้โค้ดตามเกณฑ์ชัดเจน และคงกรณีเสี่ยงสูงไว้หลัง gate แบบกำหนดแน่นอน
สิ่งนี้ละเมิดกฎที่กำหนดหรือไม่?
การโต้ตอบแบบ real-time
เลือกการกระทำที่อนุญาตสำหรับเกม การจำลอง UI หรืออุปกรณ์ โดยไม่ต้องรอคำตอบเชิงกำเนิดที่ยาว
การกระทำใดเหมาะกับสถานะนี้ที่สุด?
งานข้อมูล
เปลี่ยน record จำนวนมากเป็นหมวดหมู่ คะแนน flag และ feature สำหรับระบบถัดไป
record นี้อยู่หมวดใดและมีระดับความเสี่ยงเท่าไร?
เหมาะสม
ทราบตัวเลือกแล้ว อินพุตซับซ้อนเชิงความหมาย การตัดสินใจเกิดซ้ำ latency สำคัญ และโค้ดมีการกระทำหรือ fallback สำหรับทุกผลลัพธ์
ไม่เหมาะ
ต้องสร้างข้อความหรือโค้ดใหม่ ใช้การให้เหตุผลหลายขั้นเชิงลึก วิจัยกว้าง อธิบาย ใช้อินพุตหลายสื่อ หรือไม่สามารถกำหนดผลลัพธ์ล่วงหน้าได้
System One กับ LLM เชิงกำเนิด
System One และ LLM เชิงกำเนิดมีบทบาทต่างกันใน AI stack
ทั้งสองเข้าใจภาษา และ LLM สามารถถูกจำกัดด้วยเอาต์พุตแบบมีโครงสร้างได้ ความต่างที่ลึกกว่าคือโมเดลถูกออกแบบให้ผลิตอะไรและซอฟต์แวร์นำผลนั้นไปใช้อย่างไร
| หัวข้อ | Jev / System One | LLM เชิงกำเนิดทั่วไป |
|---|---|---|
| งานหลัก | ประเมินผลลัพธ์ที่กำหนดไว้ | สร้างข้อความต่อหรือคำตอบ |
| เอาต์พุตโดยธรรมชาติ | ตัวเลือกแบบมีชนิด คะแนน หรือความน่าจะเป็นของ “ใช่” | ลำดับโทเคน: ข้อความ โค้ด JSON หรืออื่น ๆ |
| ขอบเขตคำตอบ | กำหนดก่อนเรียกโมเดล | โดยพื้นฐานปลายเปิด แม้ schema จะจำกัดรูปแบบสุดท้าย |
| ความไม่แน่นอน | ความน่าจะเป็นทุกคำตอบ และ confidence สำหรับ Choice กับ Score | อาจมีความน่าจะเป็นของโทเคนหรือ confidence ที่โมเดลบอกเอง แต่มักไม่ใช่สัญญาณงานที่สอบเทียบแล้ว |
| Sampling | TypeSafe ระบุว่าคำถามและเอาต์พุตถูกประเมินพร้อมกัน | โดยทั่วไปทำตามลำดับ ทีละโทเคน |
| จุดแข็ง | กิ่งการตัดสินใจเชิงความหมายที่เกิดซ้ำ scoring, routing และการตรวจสอบ | การเขียน สนทนา โค้ด สังเคราะห์ และการให้เหตุผลแบบปลายเปิด |
| ความล้มเหลวหลัก | การตัดสินใจมีชนิดถูกต้องแต่ผิดเชิงความหมาย | เนื้อหาผิด รูปแบบผิด ไม่มีหลักฐาน หรือหลุดประเด็น |
| บทบาทในระบบ | คอมโพเนนต์ตัดสินใจที่มีขอบเขตในโค้ดที่มองเห็นได้ | ตัวสร้างหรือ reasoning model ที่ยืดหยุ่น มักต้องมี orchestration กว้างกว่า |
สำหรับนักพัฒนาที่ประเมิน System One นอกเหนือจาก Jev ด้านล่างคือโมดูลชุมชนเดียวกับหน้า Projects ซึ่งแยกโมเดลที่ฝึกขึ้นเองออกจากอินเทอร์เฟซสไตล์ Jev ที่สร้างบน weights ที่มีอยู่
System One
ระบบนิเวศ System One จากชุมชน
โมเดลและอินเทอร์เฟซทดลองจากชุมชนเหล่านี้ได้แรงบันดาลใจจาก Jev หรือสำรวจแนวทางการตัดสินใจแบบมีโครงสร้างที่ใกล้เคียงกัน ไม่ใช่ Jev เวอร์ชันทางการจาก TypeSafe และไม่รวมอยู่ในการจัดอันดับโปรเจกต์ GitHub ด้านบน
โมเดลจากชุมชน
Qwen3.5-9BBespoke Nimble
อะแดปเตอร์ LoRA และแนวทางฝึกโมเดลที่ได้แรงบันดาลใจจาก Jev สำหรับคำถามแบบเลือกตอบและใช่/ไม่ใช่ ทำงานในเครื่องและรับเฉพาะข้อความ
GitHubโมเดลจากชุมชน
Qwen3-0.6BNanoJev
โมเดลขนาดเล็กที่มีส่วนหัวสำหรับการตัดสินใจ พร้อมโค้ดฝึกและเดโมเกมให้ทดสอบการเลือกการกระทำ
GitHubโมเดลจากชุมชน
Qwen3.5-2Bdecider
โมเดลที่ปรับจูนแล้ว คืนค่าความน่าจะเป็นของคำถามที่กำหนดรูปแบบได้ในรอบเดียว เวอร์ชันปัจจุบันรองรับเฉพาะภาษาอังกฤษ
GitHubโมเดลจากชุมชน
ModernBERT 151MVerdict
โมเดลตัดสินใจขนาดเล็กที่ใช้เอนโค้ดเดอร์ เผยแพร่น้ำหนักโมเดลและมีเดโม WebGPU บนเบราว์เซอร์
GitHubโมเดลจากชุมชน
Qwen3.5-0.8BDohnuts
โมเดลตัดสินใจแบบหลายสื่อขนาด 0.8B ที่เผยแพร่น้ำหนัก โค้ดฝึก และผลประเมิน รองรับข้อความและภาพในการคำนวณครั้งเดียว โดยน้ำหนักใช้ได้สำหรับงานวิจัยที่ไม่ใช่เชิงพาณิชย์
GitHubอินเทอร์เฟซทดลอง
DiffusionGemma 26B-A4BOpenJev
ใช้โมเดล DiffusionGemma ที่มีอยู่แล้วตอบคำถามแบบมีโครงสร้างผ่าน API ที่คล้าย Jev โดยไม่ได้เผยแพร่น้ำหนักโมเดลใหม่
GitHubอินเทอร์เฟซทดลอง
Open-model logitsSimple Jev
ใช้โมเดลเปิดที่มีอยู่ให้คะแนนคำตอบที่กำหนดไว้ผ่านอินเทอร์เฟซคล้าย Jev โดยไม่ได้เผยแพร่น้ำหนักโมเดลใหม่
GitHubอินเทอร์เฟซทดลอง
Spark-X2.5-4BRizzo Flow
เซิร์ฟเวอร์ที่รันในเครื่องและเข้ากันได้กับ Jev โดยอ่านล็อกิตคำตอบจาก Spark-X2.5 หลายคำถามใช้การ prefill สถานะร่วมกัน พร้อมสนามทดลองและผลทดสอบ
GitHubอินเทอร์เฟซทดลอง
Any causal LLMAnyJev
ชุดเครื่องมือที่เปลี่ยนโมเดลภาษาแบบ causal ให้เป็นโมเดลตัดสินใจแบบมีชนิดข้อมูลโดยไม่ต้องฝึกเพิ่ม พร้อมลดอคติจากลำดับตัวเลือก ปรับเทียบได้ และมีผลทดสอบที่ทำซ้ำได้
GitHubอินเทอร์เฟซทดลอง
Qwen3.5 / DeBERTalocal-jev
เซิร์ฟเวอร์ออฟไลน์ที่เข้ากันได้กับ Jev สำหรับ Qwen หรือ DeBERTa ผ่านการทดสอบกับ SDK ทางการและเผยแพร่ผล JevBench แล้ว
GitHubผลงานอิสระจากชุมชน ไม่ใช่ Jev เวอร์ชันทางการ
แหล่งข้อมูลต้นทาง
อ่านแต่ละข้อกล่าวอ้างในบริบท
คู่มือ Jev AI Dev นี้อธิบายกรอบของ TypeSafe ด้วยถ้อยคำของเราเอง โปรดตรวจรายละเอียด API ข้อกล่าวอ้างผลิตภัณฑ์ วิธีประเมิน และการอัปเดตจากแหล่งทางการ
ทดสอบรูปแบบ ไม่ใช่แค่แนวคิด
เริ่มจากหนึ่งการตัดสินใจที่แอปของคุณทำอยู่แล้ว
กำหนดคำตอบ เก็บตัวอย่างที่เป็นตัวแทน ตัดสินวิธีจัดการความไม่แน่นอน และเปรียบเทียบ Jev กับกฎหรือโมเดลปัจจุบัน อย่าทำให้การตัดสินใจที่มีผลกระทบสูงเป็นอัตโนมัติโดยตรง