Decision AI Models: เจาะลึก Jev, Fastino GLiDE และทางเลือกโอเพนซอร์ส
ทำความรู้จักโมเดลตัดสินใจ AI ยุคใหม่ TypeSafe Jev และคู่แข่งอย่าง Fastino GLiDE ที่ประหยัดต้นทุน ทำงานขนานกันได้รวดเร็ว และเติบโตอย่างก้าวกระโดด
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Fastino Labs เปิดตัวโมเดลคู่แข่ง 2 รุ่น ขณะที่นักพัฒนาออกเวอร์ชันจำลอง Jev
- TypeSafe Jev ประเมินคำถามแบบขนานและไม่สร้างสตริง จึงปราศจากข้อผิดพลาดประเภทข้อมูล
- Jev ทำความเร็วระดับ 70 ถึง 500 มิลลิวินาที ด้วยราคาโทเค็นขาเข้า 0.042 ดอลลาร์ต่อล้านโทเค็น
- Vercel เผยว่า Jev กลายเป็นโมเดลที่มียอดใช้งานเร็วที่สุดในประวัติศาสตร์ AI Gateway
วงการปัญญาประดิษฐ์กำลังตื่นตัวหลัง Fastino Labs ปล่อยโมเดลคู่แข่งออกมาถึง 2 รุ่นภายในเวลาเพียง 3 สัปดาห์ พร้อม ๆ กับที่นักพัฒนาสายโอเพนซอร์สร่วมกันเผยแพร่โมเดลจำลองในสไตล์ Jev ออกมาหลายรายการ บทความนี้จะพาทุกท่านไปทำความเข้าใจกลไกการทำงานของหมวดหมู่โมเดลนี้ ตำแหน่งแห่งที่ในระบบนิเวศ และการเปรียบเทียบตัวเลือกต่าง ๆ ที่มีอยู่ในตลาดปัจจุบัน
โมเดล TypeSafe Jev ทำงานโดยรับข้อมูลสถานะที่เป็นสตริง อาร์เรย์ หรือชุดคู่ชื่อ-ค่า พร้อมด้วยคำถามหนึ่งข้อหรือมากกว่า ตามเอกสารของ TypeSafe ระบุว่าระบบนี้รองรับพริมิทีฟ 3 รูปแบบ โดยคำถามทุกข้อจะถูกประเมินพร้อมกันและแยกออกจากกันบนสถานะเดียวกัน ทำให้การเพิ่มจำนวนคำถามแทบไม่ส่งผลกระทบต่อเวลาในการตอบสนอง และเนื่องจาก Jev ไม่เคยสร้างสตริงขึ้นมาเอง ทาง TypeSafe จึงระบุว่าโมเดลนี้ไม่สามารถคืนค่าข้อผิดพลาดประเภทข้อมูลได้
ภายใต้เบื้องหลัง TypeSafe ได้อธิบายถึงสถาปัตยกรรมใหม่ ตัวสุ่มตัวอย่างแบบขนาน และวิธีการฝึกฝนที่เรียกว่าการเรียนรู้เสริมแรงเพื่อการตัดสินใจที่สอบเทียบแล้ว หรือ RLCD ในขณะที่ RLHF มุ่งเน้นการปรับแต่งตามความชอบของมนุษย์ แต่ RLCD มุ่งเน้นไปที่ความน่าจะเป็นที่สอบเทียบแล้ว ซึ่งความมั่นใจที่สูงขึ้นควรสะท้อนถึงความแม่นยำที่สูงขึ้นตามไปด้วย
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ในด้านโครงสร้างต้นทุน Jev มีราคาอยู่ที่ 0.042 ดอลลาร์ต่อล้านโทเค็นสำหรับอินพุต ขณะที่เอาต์พุตให้บริการฟรี โดย OpenRouter ระบุว่ารองรับหน้าต่างบริบทขนาด 32K และทาง TypeSafe รายงานว่าเวลาตอบสนองแบบต้นทางถึงปลายทางอยู่ที่ 70 ถึง 500 มิลลิวินาที นอกจากนี้ TypeSafe ยังได้สร้างชุดประเมินผลเวิร์กโฟลว์ครอบคลุม 4 งาน ได้แก่ เหตุการณ์ความปลอดภัย การติดตามการทำงานของเอเจนต์ การประมวลผลใบแจ้งหนี้ และการบริการลูกค้า โดยใช้ป้ายกำกับอ้างอิงจากการเฉลี่ยผลของ GPT-6 Astra และ Claude Fable 5.1 ที่ระดับการคิดขั้นสูง
ในแง่ประสิทธิภาพ Jev ทำคะแนนความแม่นยำเทียบเท่ากับ Sonnet 5 ด้วยต้นทุนและเวลาหน่วงที่ต่ำกว่ามาก แม้ว่าจะยังตามหลังโครงสร้างแนวหน้าสุดอยู่ 6.3 จุด โดยแยกตามรายภารกิจ Jev ทำคะแนนได้ 76.0% ในงานบริการลูกค้า แต่ทำได้ 61.8% ในงานประมวลผลใบแจ้งหนี้ ทางออกหลักสำหรับการใช้งานคือ หากโค้ดต้องการคำตอบที่มีขอบเขตเพื่อนำไปแตกแขนงเงื่อนไข โมเดลตัดสินใจคือตัวเลือกที่เหมาะสม แต่หากมนุษย์ต้องเป็นผู้อ่านผลลัพธ์ ควรใช้งาน LLM ทั่วไปแทน
การเกิดขึ้นของโมเดลตระกูลตัดสินใจหรือ Decision AI Models สะท้อนให้เห็นถึงการปรับเปลี่ยนภูมิทัศน์ของปัญญาประดิษฐ์จากเดิมที่เน้นการสร้างข้อความยาว ๆ มาเป็นการประมวลผลตรรกะเฉพาะกิจที่มีความเร็วสูงและต้นทุนต่ำมาก แนวทางนี้ช่วยปลดล็อกการนำ AI ไปผสานกับระบบซอฟต์แวร์อัตโนมัติที่ต้องการความแม่นยำและเวลาตอบสนองระดับมิลลิวินาที ซึ่งจะเข้ามาทดแทนการใช้โมเดลขนาดใหญ่ในงานเฉพาะทางบางประเภทได้อย่างมีประสิทธิภาพ
ด้าน Vercel รายงานว่า Jev กลายเป็นโมเดลที่มีอัตราการเติบโตเร็วที่สุดในประวัติศาสตร์ของ AI Gateway โดยภายในเวลาเพียง 24 ชั่วโมง มีทีมที่ชำระเงินใช้งานเกือบ 13% ซึ่งสูงกว่าส่วนแบ่งของตระกูล GPT-5.6 ถึง 2 เท่า และมากกว่า Fable 5.1 ถึง 6 เท่า นอกจากนี้ Simon Willison ยังได้ทดลองดึงผู้สมัคร 100 รายการด้วย BM25 แล้วให้ Jev ช่วยให้คะแนนความเกี่ยวข้อง ซึ่งรูปแบบนี้สามารถทดแทนระบบ reranker ของ LLM ที่มีราคาแพงด้วยคำถาม Score แบบขนานที่มีต้นทุนต่ำกว่า
"Within 3 weeks, Fastino Labs shipped 2 rival models, and open-source developers published several Jev-style reproductions."
MarkTechPost
นอกจากนี้ Arize และ Langfuse ต่างก็ปล่อยตัวประเมินผลแบบ Jev-as-a-judge ออกมา โดย Langfuse ใช้ป้ายกำกับว่าตัวประเมินโมเดลการตัดสินใจ เพื่อให้สามารถเพิ่มโมเดลอื่น ๆ เข้ามาได้ในอนาคต แม้ว่าการรองรับ Jev จะยังคงถูกระบุว่าเป็นฟีเจอร์ทดลองก็ตาม ในขณะเดียวกัน งานวิจัยบน arXiv ฉบับใหม่ยังได้นำ Jev ไปใช้ตีความสัญญาบริการที่ขอบเครือข่าย ซึ่งช่วยลดเวลาหน่วงมัธยฐานในการตัดสินใจลง 22.4% เมื่อเทียบกับ DeepSeek และลดลง 61.9% เมื่อเทียบกับ Gemini ที่ระดับความถูกต้องเท่ากัน
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น