Angelora · Research · ค้นคว้า 24 ก.ย. 2026

Jev — TypeSafe System One Model

โมเดลที่ไม่เขียนข้อความ — ตอบเป็นค่าที่มี type พร้อมความน่าจะเป็น ให้ซอฟต์แวร์ใช้ตัดสินใจต่อได้ทันที ศึกษาว่าคืออะไร เชื่อได้แค่ไหน และควรเอามาใช้กับงานไหนของเรา

Early access 15 ก.ย. 2026Decision-only model$0.042 / 1M input70–500 msContext 32k

Jev คืออะไร

โมเดลตัวแรกของ TypeSafe AI (ซานฟรานซิสโก) ผู้ก่อตั้ง Diogo Almeida อดีต OpenAI และผู้ร่วมเขียน paper InstructGPT ปล่อยแบบ limited early access 15 ก.ย. 2026 พร้อม seed round 40 ล้านดอลลาร์ (นำโดย DCVC) เวอร์ชันปัจจุบัน jev-1.13.0 Jev ไม่ใช่ LLM และเขียนข้อความไม่ได้ — ตอบเป็นค่าที่มี type ตายตัวพร้อมความน่าจะเป็น TypeSafe เรียกว่า System One คือการตัดสินใจเร็วแบบสัญชาตญาณ

  • •Input: state (text หรือ JSON) + questions หลายข้อในครั้งเดียว ทุกข้อประมวลผลพร้อมกัน ถามเพิ่มแทบไม่ช้าลง
  • •noul — ตอบ yes/no เป็นความน่าจะเป็น 0–1
  • •choice — เลือกจากตัวเลือกที่กำหนด พร้อม probability ของแต่ละตัวเลือก
  • •score — ให้คะแนนตามระดับที่กำหนด
  • •Context 32k tokens · latency 70–500 ms · input $0.042 / 1M tokens · output ไม่คิดเงิน
  • •ใช้ได้ผ่าน API ของ TypeSafe, Cloudflare Workers AI (typesafe/jev) และ langchain_typesafe

ข้อควรระวัง

จุดขายหลักยังไม่มีใครภายนอกยืนยัน ต้องทดสอบกับข้อมูลของเราเองก่อนเชื่อ

  • •ตัวเลข "เร็วกว่า 200 เท่า ถูกกว่า 400 เท่า" TypeSafe ทดสอบเอง — ทีมของเขาสร้าง workflow ทดสอบเอง และยอมรับว่าน่าจะอยู่ฝั่งสูงของการใช้งานจริง ยังไม่มี benchmark จากบุคคลที่สาม
  • •ขายว่า calibrated แต่ไม่เปิด ECE ไม่มี reliability curve ไม่มี paper ไม่มี weights
  • •ถามกว้างข้อเดียวผลแย่: ทดสอบแยก phishing 2,000 ฉบับ ได้ 62.6% (Haiku 81.3%) — แตกเป็นคำถามย่อย 5 ข้อ + logistic regression ที่ train ด้วย label 1,000 รายการ ได้ 95% ซึ่งคือ Jev + ข้อมูลของเรา + regression ที่เราต้องดูแลเอง
  • •ข้อมูล: นโยบายเขียนว่าไม่ train บนข้อมูลผู้ใช้ แต่ยังไม่พบเงื่อนไข data residency และ SLA — บริษัทเป็น startup ที่เพิ่งเปิด early access

แนวทางทดลอง — Shadow eval

ให้ Jev ทำงานคู่ขนานกับระบบเดิมโดยยังไม่ให้ผลของมันมีผลต่อการตัดสินใจจริง แล้ววัดกับคำตัดสินที่คนทำไว้แล้ว

  • •ใช้ข้อมูลย้อนหลังที่คนตัดสินไว้แล้ว 1,000–2,000 รายการเป็น label
  • •แตกคำถามเป็นข้อย่อยตั้งแต่แรก (บทเรียนจาก 62.6% → 95%)
  • •ค่าใช้จ่ายระดับไม่ถึงดอลลาร์ (การทดสอบ 5,721 calls ใช้ $0.176 ที่ราคา list)
  • •ตัวเปรียบเทียบ: Haiku 4.5 + structured output และโมเดลเล็กบน Ollama ที่มีอยู่แล้ว — ถ้า Jev ไม่ได้ดีกว่าชัดเจน ไม่คุ้มเพิ่ม vendor

How we can apply this

WorkUse forFitNotes
Claude Code hooks / งานภายในของ Angelaจัดคำสั่ง Bash ว่าเป็น Tier-A หรือ Tier-B · route งานว่าจะส่ง Haiku หรือ Opus✅ Fitเหมาะเป็น pilot แรก ข้อมูลเป็นของเราเอง ความเสี่ยงต่ำ — เป็นชั้นเสริมเท่านั้น ห้ามแทน hook ที่เป็น regex เดิม
SE Connex / SEAsset — คัดแยก ticket แจ้งซ่อมchoice (หมวดงาน) + noul (ด่วนไหม) + score (ความรุนแรง) ใน call เดียว⚠️ Cautionมีประโยชน์ แต่ข้อมูลเป็นของลูกค้า SiamEast ส่งออกไปสหรัฐฯ ติด PDPA — Tier-B ต้องขอ SE ก่อน
SECA Text-to-SQLดูว่าคำถามง่ายหรือซับซ้อนก่อนส่งให้ LLM⚠️ Cautionช่วยได้แค่ route ส่วนการเขียน SQL ยังต้องใช้ LLM
Angeloramoderation · จัดกลุ่มคำถามของผู้เรียน⚠️ Cautionทำได้ แต่ยังไม่มีปัญหาเร่งด่วนที่ต้องแก้
YouTube Oldies — จับคู่ชื่อเพลง—❌ Not recommendedไม่ควรใช้ งานนี้ต้อง exact match ห้าม fuzzy (บทเรียนเดิมของเรา)

Open questions

  1. 1.ที่รักนึกถึง Jev เพราะมี use case ในใจอยู่แล้ว หรืออยากสำรวจก่อน?
  2. 2.เราได้สิทธิ์ early access แล้วหรือยัง หรือจะลองผ่าน Cloudflare Workers AI (typesafe/jev) ที่มี account อยู่แล้ว?
  3. 3.ถ้าจะทำ pilot เริ่มที่การจัดคำสั่งใน hook ของ Claude Code ก่อนดีไหม — ข้อมูลเป็นของเราเอง มี log ย้อนหลังใช้เป็น label ได้

Sources