เจาะประเด็น
AI MODELS
Jev เปิดตัวโมเดล LLM รูปแบบใหม่ ตอบเป็นตัวเลขแทนข้อความ
TypeSafe AI ขายไอเดีย "decision model" ที่ให้คำตอบเป็นตัวเลขความมั่นใจ ไม่ใช่ข้อความ และราคาถูกกว่าโมเดลชั้นนำหลายเท่า
ทีมข่าว เอไอไทย.com
⏱ อ่าน 6 นาที
ถ้าโมเดลตอบแค่ตัวเลขโดยไม่อธิบายเหตุผล เราจะรู้ได้ยังไงว่ามันตัดสินใจผิดเพราะอะไร
เมื่อสัปดาห์ที่แล้ว TypeSafe AI เปิดตัว Jev โมเดลรุ่นแรกในหมวดที่บริษัทเรียกว่า "System One models" ซึ่งเป็นรูปแบบใหม่ที่แตกต่างจาก LLM ทั่วไปพอสมควร Jev ยังรับ input เป็นข้อความเหมือนเดิม แต่ output ที่ได้กลับมาไม่ใช่ข้อความ sondern เป็นเลขทศนิยมที่บอกระดับความมั่นใจต่อคำถาม yes/no ตัวเลือก หรือการให้คะแนน
TypeSafe อธิบาย Jev ไว้สั้นๆ ว่าเป็น "frontier-intelligence function call" — ใส่ state ที่ไม่มีโครงสร้างเข้าไป ได้ typed probabilistic decisions ออกมา ซึ่งก็คือแนวคิดที่ว่าคุณไม่ต้องให้โมเดลเขียนคำตอบยาวๆ ให้อ่าน แต่ให้มันตอบเป็นตัวเลขที่เอาไปใช้ต่อในระบบได้เลย
จุดที่หลายคนสนใจคือเรื่องราคา โมเดล LLM ทั่วไปคิดเงินตาม input และ output token โดย output มักแพงกว่าหลายเท่า แต่ Jev คิดเงินแค่ input อย่างเดียว ส่วน output ฟรี และราคา input ของโมเดลแรกอยู่ที่ 0.042 ดอลลาร์ต่อล้าน token ถูกกว่า GPT-5 Nano ของ OpenAI ที่ 0.05 ดอลลาร์ต่อล้าน token เสียอีก
ความเร็วก็เป็นอีกจุดขาย เพราะ Jev ประมวลผลคำถามแบบขนาน (parallel) ถามหลายคำถามพร้อมกันก็ใช้เวลาใกล้เคียงกับถามคำถามเดียว
การใช้งาน Jev ทำได้โดยสร้าง "state" object ที่มี string, array of strings หรือชุด name-value pairs แล้วส่งไปพร้อมคำถามหนึ่งข้อหรือหลายข้อ คำถามที่รองรับมีสามประเภท
คำถาม Yes/No
TypeSafe เรียกว่า "Noul" ซึ่ง CEO ยืนยันบน Hacker News ว่ามาจาก Bernoulli distribution — คุณตั้งประโยค แล้วได้ค่าความมั่นใจระหว่าง 0 ถึง 1 กลับมา
คำถามแบบเลือก
โมเดลเลือกหนึ่งตัวเลือกจากชุดที่ให้ไป โดยคืนค่าความมั่นใจและ probability distribution ครบทุกตัวเลือก
คำถามแบบให้คะแนน
คุณกำหนดระดับตัวเลขพร้อมคำอธิบาย แล้วโมเดลให้คะแนนเป็นเลขทศนิยมในช่วงนั้น
Simon Willison มองว่าแนวคิด decision model นี้มีประโยชน์มากกับงานที่จัดเป็น classification task ได้ เช่น การตรวจจับสแปม การแนะนำ label การจัดลำดับความสำคัญ หรือแม้แต่การ reranking ผลค้นหา — ดึงผลลัพธ์ 100 รายการด้วย BM25 แล้วให้ Jev ให้คะแนนความเกี่ยวข้องเทียบกับคำค้นเดิม
แต่ Willison ก็ยอมรับว่าเขารู้สึกไม่สบายใจกับ Jev อยู่เหมือนกัน เพราะมันคือการถอยกลับไปหา black box machine learning มากกว่าเดิม LLM ทั่วไปก็เป็น black box อยู่แล้ว แต่คุณยังขอให้มันอธิบายเหตุผลได้ แม้จะไม่การันตีว่าคำอธิบายนั้นถูกต้องหรือมีประโยชน์จริง
Jev ตัดความสามารถนั้นทิ้งไปเลย ใส่ข้อความเข้าไปเท่าไหร่ก็ได้ แต่ได้กลับมาแค่เลขทศนิยมตัวเดียว ถ้า Jev ตัดสินว่าอะไรเป็นสแปม คุณจะไม่มีทางรู้เลยว่าสัญญาณไหนในเนื้อหาที่ทำให้มันตัดสินแบบนั้น
นี่ทำให้เรื่อง bias น่ากังวลขึ้นไปอีก Willison เขียนตรงๆ ว่าเขาหวังว่าจะไม่มีใครเอา Jev ไปใช้จัดอันดับผู้สมัครงาน เพราะเลขทศนิยมตัวเดียวอาจซ่อน bias ที่มองไม่เห็นไว้เต็มไปหมด และการแยก bias นั้นออกมาด้วยการทดลองก็เป็นเรื่องยากมาก
เขาเล่าถึงการทดลองของตัวเองด้วย คือลองให้ Jev ให้คะแนน yes/no กับคำถามว่า "เป็นเมืองที่ดีไหม?" กับทุกเมืองใน Bay Area ผลปรากฏว่า Cupertino ได้คะแนนสูงสุด ส่วน East Palo Alto ได้ต่ำสุด ซึ่งเขาก็อุทานว่า "หืม" เฉยๆ
ในทางปฏิบัติ Willison บอกว่าการทำ eval และการทดลองแบบมีโครงสร้างจึงสำคัญกว่าโปรเจกต์ LLM ทั่วไปมาก แต่ก็มีข้อดีคือ Jev ถูกมากจนการรันพรอมป์ทดลองหลายร้อยหรือหลายพันครั้งเสียเงินแค่ไม่กี่เซนต์
สิ่งที่น่าสนใจคือคอมมูนิตี้เอาของไปเล่นแบบสร้างสรรค์ตั้งแต่ไม่กี่วันแรก Kyle Pena ทำ jevchat เปลี่ยน Jev ให้เป็นโมเดลแชท (ที่แย่มาก) โดยถาม Jev ทีละตัวอักษรว่า "จากคำถามผู้ใช้และคำตอบที่เขียนมาแล้ว สัญลักษณ์ถัดไปคืออะไร" ส่วน ericpruitt บน Hacker News คอมเมนต์ว่า "มันคือเวอร์ชันดิจิทัลของ Morty คุยกับ death crystal"
Fatih Kadir Akın ทำ jev-leftpad จำลองฟังก์ชัน left-pad ด้วยคำถามว่าต้องเว้นกี่ช่องว่างก่อนค่าเพื่อให้ถึง targetLength โดยให้ตัวเลือกตั้งแต่ "0 spaces are needed" ถึง "10 spaces are needed"
Andy Gayton ทำ jev-2048 ใช้ Jev เล่นเกม 2048
ยังมีอีกหลายโปรเจกต์ที่พยายามสร้างโมเดลแบบ Jev บน open weight models เช่น Kev ที่ใช้ Qwen 3.5 สร้างโมเดลขนาด 0.8B, 4B และ 9B และมีคนสร้าง JevBench ขึ้นมาเปรียบเทียบ "Jev-class decision models" กันแล้ว
Jev ไม่ใช่แค่ LLM รูปแบบใหม่ แต่เป็นคำถามว่าเราเต็มใจแลกความสามารถในการอธิบายเหตุผลของ AI ไปกับความถูกและความเร็วแค่ไหน — และถ้าโมเดลอย่าง Jev ถูกเอาไปใช้ตัดสินใจเรื่องคนจริงๆ โดยไม่มีใครตรวจสอบย้อนหลังได้ นั่นอาจเป็นราคาที่แพงกว่าค่า token มาก
ที่มา: Simon Willison's Weblog — อ่านต้นฉบับ
ความคิดเห็น 3
กำลังโหลดความคิดเห็น...