# Mô hình quyết định Jev: cơ chế AI mới của những con số

Đăng ngày: 2026-09-22

Tuần trước, TypeSafe AI đã giới thiệu Jev, một ví dụ đầu tiên cho loại mô hình mới mà họ gọi là "mô hình System One" — tôi thì thích cái tên "mô hình quyết định" hơn. Jev là một biến thể thú vị so với định dạng LLM thông thường: nó vẫn chấp nhận đầu vào là văn bản, nhưng thay vì cho ra văn bản, đầu ra lại là các số thập phân tương ứng với danh mục, câu hỏi có/không, điểm xếp hạng và cả điểm tự tin liên quan. TypeSafe mô tả Jev như một "cuộc gọi hàm trí tuệ tiên phong: đầu vào là dữ liệu không cấu trúc, đầu ra là các quyết định xác suất đã được phân loại". Điều đáng nói là Jev cực kỳ nhanh và rất rẻ. Các LLM thông thường tính phí dựa trên token đầu vào và đầu ra, với đầu ra thường có giá cao hơn đáng kể. Jev thì chỉ tính phí đầu vào, còn đầu ra miễn phí hoàn toàn, với mức giá cho mô hình đầu tiên là 0.042 USD cho mỗi triệu token đầu vào, thậm chí còn rẻ hơn GPT-5 Nano của OpenAI (0.05 USD/triệu token). Với Jev, bạn có thể đặt câu hỏi về văn bản hoặc dữ liệu bán cấu trúc. Tôi hình dung cách dùng là bạn tạo một đối tượng "state" chứa một chuỗi, một mảng chuỗi hoặc một tập hợp các cặp tên-giá trị, ví dụ như mô tả một bài báo, một khách hàng hay bất kỳ loại hồ sơ nào. Sau đó, bạn gửi đối tượng này đến API của Jev cùng với một hoặc nhiều câu hỏi, và sẽ nhận lại câu trả lời cho từng câu. Jev hỗ trợ ba loại câu hỏi: câu hỏi Yes/No (mà Jev gọi là "Noul", viết tắt của Bernoulli, theo phân phối Bernoulli) đưa ra một phát biểu và nhận lại một số thập phân từ 0 đến 1 thể hiện độ tự tin của mô hình về tính đúng đắn của phát biểu đó; câu hỏi lựa chọn, nơi mô hình chọn một trong các tùy chọn đã cung cấp và trả về điểm tự tin cùng phân phối xác suất trên tất cả các tùy chọn; và câu hỏi xếp hạng, nơi bạn cung cấp một chuỗi các mức độ số với mô tả, mô hình sẽ đưa ra một điểm thập phân trong phạm vi đó. API của Jev có thể nhận một tài liệu duy nhất (state) và nhiều câu hỏi như bạn có thể nhồi nhét vào cửa sổ ngữ cảnh, bởi các câu hỏi được đánh giá song song nên việc gửi nhiều câu hỏi mất thời gian tương tự như gửi một câu. Nhờ thế, mô hình quyết định như Jev rất phù hợp cho mọi tác vụ phân loại, từ phát hiện thư rác, gợi ý nhãn, đến ưu tiên và xếp hạng. Tôi cũng thử nghiệm dùng nó để xếp hạng lại kết quả tìm kiếm, nơi bạn dùng thuật toán như BM25 để tìm 100 kết quả tiềm năng ban đầu, rồi để Jev chấm điểm mức độ liên quan của 100 ứng viên đó so với truy vấn gốc. Tuy nhiên, có một điểm tôi thấy khá khó chịu về Jev là nó đại diện cho một bước lùi sâu hơn nữa về phía các hệ thống học máy hộp đen. LLM đã là hộp đen rồi, dù bạn có thể yêu cầu chúng giải thích quyết định, nhưng không đảm bảo rằng lời giải thích đó hữu ích hay chính xác. Jev thậm chí còn không cung cấp điều đó: bạn đưa vào bao nhiêu văn bản tùy thích, nhưng thứ duy nhất bạn nhận lại chỉ là một con số thập phân. Nếu Jev đánh dấu một thứ gì đó là thư rác, tín hiệu nội dung nào đã báo cho nó biết? Điều này cũng có nghĩa là những lo ngại về thiên vị cần được đặt lên hàng đầu. Tôi thực sự hy vọng không ai dùng Jev để xếp hạng ứng viên xin việc, bởi con số thập phân kia có thể che giấu mọi loại thiên vị ẩn chứa trong mô hình, và việc phân tích để tìm ra thiên vị đó sẽ là một công việc cực kỳ khó khăn. Tôi đã thử nghiệm yêu cầu Jev chấm điểm mọi thành phố ở Vùng Vịnh San Francisco cho câu hỏi có/không "Đây có phải thành phố tốt không?" — nó đánh giá Cupertino cao nhất và East Palo Alto thấp nhất. Thật khó hiểu! Trong thực tế, điều này đồng nghĩa với việc các bài đánh giá và thử nghiệm có cấu trúc còn quan trọng hơn nữa so với các dự án LLM thông thường. May mắn thay, Jev rẻ đến mức chạy hàng trăm, thậm chí hàng nghìn câu lệnh thử nghiệm chỉ tốn vài xu. [category:AI & Innovation]

Canonical: https://www.tungpham.vn/blog/mo-hinh-quyet-dinh-jev-co-che-ai-moi-cua-nhung-con-so