<div class="key-takeaways"><ul><li>TypeSafe เปิดตัว Jev โมเดลตัวแรกที่ออกแบบมาสำหรับตรรกะโปรแกรมโดยเฉพาะ</li><li>พัฒนาโดย Diogo Almeida อดีตผู้ร่วมพัฒนา ChatGPT ใช้เวลาพัฒนาในความลับนาน 2 ปี</li><li>ตัดการสร้างข้อความแบบ autoregressive ออกทั้งหมด เพื่อความปลอดภัยด้านโครงสร้าง</li><li>ประมวลผลเร็วกว่าโมเดลสนทนาทั่วไปถึง 193.6 เท่า และมีค่าใช้จ่ายเริ่มต้นเพียง 0.042 ดอลลาร์ต่อล้านโทเค็น</li></ul></div><p>TypeSafe สตาร์ทอัพด้านปัญญาประดิษฐ์ที่ก่อตั้งโดยอดีตผู้ร่วมพัฒนา ChatGPT ได้ประกาศเปิดตัวโมเดล Jev อย่างเป็นทางการหลังใช้เวลาพัฒนาในขั้นตอนลับมานาน 2 ปี การเปิดตัวครั้งนี้มุ่งเน้นไปที่การช่วยให้ระบบซอฟต์แวร์สามารถหลีกเลี่ยงการใช้โมเดลภาษาสำหรับสนทนาในการทำงานด้านตรรกะแบบอัตโนมัติ โดยหันมาใช้ System One Model ที่ถูกออกแบบมาเพื่อประมวลผลการตัดสินใจเชิงความน่าจะเป็นที่มีโครงสร้างชัดเจนภายในโค้ดโปรดักชันโดยตรง</p><p>โมเดลดังกล่าวพัฒนาโดย Diogo Almeida ซึ่งเป็นอดีตวิศวกรจาก OpenAI โดยจุดเด่นสำคัญคือการละทิ้งกระบวนการสร้างข้อความและสตริงแบบเดิมๆ ทั้งหมด แทนที่จะสร้างโทเค็นข้อความทีละตัวตามลำดับ ระบบจะรับข้อมูลสถานะที่ไม่มีโครงสร้างเข้ามาเป็นอินพุตและส่งออกค่าที่มีโครงสร้างปลอดภัยต่อประเภทข้อมูล (type-safe) ภายในคำสั่งแบบขนานครั้งเดียว สถาปัตยกรรมนี้ถูกออกแบบมาเพื่อการผสานรวมเข้ากับโค้ดเชิงกำหนด ช่วยป้องกันความผิดพลาดด้านไวยากรณ์และปัญหาการสร้างคำตอบมั่วซั่วของ AI (hallucinations) ตั้งแต่ต้นทาง</p><blockquote class="pull-quote"><p>"Think of Jev as a frontier-intelligence function call: unstructured state in, typed probabilistic decisions out."</p><cite>Diogo Almeida, Founder at TypeSafe</cite></blockquote><p>เบื้องหลังการทำงาน ทีมวิศวกรได้สร้างแพลตฟอร์มนี้ขึ้นมาโดยอาศัยระเบียบวิธีฝึกอบรมทางเลือกที่เรียกว่า Reinforcement Learning for Calibrated Decisions (RLCD) ซึ่งแตกต่างจากโมเดลระดับแนวหน้าทั่วไปที่มักฝึกฝนผ่าน RLHF หรือ RLVR เพื่อตอบสนองความต้องการด้านการสนทนาของมนุษย์ โดย Jev ถูกฝึกให้สร้างความน่าจะเป็นที่ได้รับการปรับเทียบความแม่นยำบนตรรกะการทำงาน เพื่อให้มั่นใจว่าคะแนนความมั่นใจที่ส่งกลับมาจะสอดคล้องกับความถูกต้องของผลลัพธ์โดยตรง</p><p>นอกจากนี้ Jev ยังพึ่งพาตัวประมวลผลแบบขนานที่คำนึงถึงฮาร์ดแวร์ (hardware-aware parallel sampler) ในการประเมินและส่งมอบค่าที่มีโครงสร้างทั้งหมดพร้อมกัน ข้อจำกัดด้านโครงสร้างนี้ช่วยจำกัดผลลัพธ์ให้อยู่ในสีมาที่กำหนดไว้ล่วงหน้า ทำให้ไม่ต้องใช้ท่อส่งข้อมูลการแยกวิเคราะห์ (parsing pipelines) หรือตัวครอบป้องกันเหมือนในโมเดลภาษาขนาดใหญ่ทั่วไป โดยตัวประมวลผลภายในสามารถจัดการตัวเลือกที่มีความหนาแน่นสูงได้มากถึง 255 ตัวเลือกที่แยกจากกัน</p><div class="ai-insight"><p>การที่ Jev เลือกตัดความสามารถในการสร้างข้อความภาษามนุษย์ออกไปและเน้นไปที่ตรรกะโปรแกรม ถือเป็นจุดเปลี่ยนสำคัญที่ทำให้ AI ก้าวจากเครื่องมือช่วยเขียนหนังสือหรือแชท มาเป็นส่วนประกอบหลักในสถาปัตยกรรมซอฟต์แวร์ระดับองค์กร การลดความซับซ้อนของขั้นตอนการแปลผลลัพธ์และตัดการสร้างโทเค็นแบบเรียงลำดับออก ช่วยลดทั้งเวลาหน่วงและค่าใช้จ่ายลงได้อย่างมหาศาล ซึ่งเป็นอุปสรรคสำคัญที่ทำให้องค์กรไม่กล้านำ LLM ทั่วไปมาใช้รันงานเบื้องหลังระบบที่ต้องการความแม่นยำสูงแบบเรียลไทม์</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/typesafe_jev_ai_mu40aiam_inline_1_f37f3c568c.jpg" alt="software engineering office computer workspace no logo" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">193.6x</span><span class="stat-label">ความเร็วในการประมวลผลเร็วกว่าเดิม</span></div><div class="stat-item"><span class="stat-number">$0.042</span><span class="stat-label">ค่าประมวลผลอินพุตต่อล้านโทเค็น</span></div><div class="stat-item"><span class="stat-number">255</span><span class="stat-label">ตัวเลือกแยกย่อยสูงสุดที่รองรับ</span></div></div><p>ผลการประเมินภายในจากเซิร์ฟเวอร์ฝั่งชายฝั่งตะวันตกของทีมงานบันทึกเวลาหน่วงในการตอบสนองแบบต้นทางถึงปลายทางไว้ที่ 70–500 มิลลิวินาที ซึ่งเร็วกว่าการใช้งานโมเดลสนทนาทั่วไปที่กินเวลา 3–329วินาทีอย่างเห็นได้ชัด ในขณะที่การทดสอบเวิร์กโฟลว์ที่เผยแพร่ระบุว่าความเร็วในการประมวลผลพุ่งสูงขึ้นถึง 193.6 เท่าเมื่อเทียบกับเกณฑ์มาตรฐานทั่วไป ในด้านต้นทุน อินพุตถูกกำหนดราคาไว้ที่ 0.042 ดอลลาร์ต่อล้านโทเค็น ลดลงอย่างมากจากอัตรามาตรฐานของโมเดลสนทนาที่อยู่ระหว่าง 0.20 ถึง 10 ดอลลาร์ต่อล้านโทเค็น</p><p>ในส่วนของการใช้งานจริง การสาธิตในโปรดักชันแสดงให้เห็นว่า Jev สามารถแก้ไขกฎการแบ่งกิ่งก้าน (branching rules) ในสถานะเกมความเร็วสูงและต้นไม้การท่องเว็บได้เป็นอย่างดี ในการทดสอบความเครียดแบบไดนามิก วิศวกรสามารถรันบอทตอบสนองแบบเรียลไทม์ข้ามโครงสร้างสถานะเกม Doom ได้ที่ 10 เคียวรีต่อวินาที โดยมีค่าใช้จ่ายในการดำเนินงานประมาณ 7 ดอลลาร์ต่อชั่วโมง นอกจากนี้ TypeSafe ยังได้เปิดให้ทีมนักพัฒนาเข้าถึงระบบล่วงหน้าตั้งแต่วันนี้ผ่านรายชื่อรอการใช้งาน (waitlist) เป็นที่เรียบร้อยแล้ว</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/chatgpt-pioneer-launches-jev-model-for-programmatic-logic/" target="_blank" rel="noopener noreferrer">AI News</a></p>

<div class="key-takeaways"><ul><li>TypeSafe launches Jev, a specialized System One Model built for programmatic logic.</li><li>Developed over two years in stealth by OpenAI veteran and ChatGPT co-inventor Diogo Almeida.</li><li>Completely abandons text generation to prevent syntactic failures and output hallucinations.</li><li>Delivers processing speeds up to 193.6 times faster with input costs starting at $0.042 per million tokens.</li></ul></div><p>TypeSafe, an artificial intelligence startup founded by a ChatGPT co-inventor, has emerged from stealth mode to launch its Jev model aimed at automating programmatic decisions using a parallel sampling architecture. The release allows software systems requiring automated deterministic logic to bypass conversational language models entirely by executing structured probabilistic decisions directly inside production codebases.</p><p>Developed during a two-year stealth period by OpenAI veteran and ChatGPT co-inventor Diogo Almeida, the model discards text and string generation completely. Instead of autoregressively generating sequential text tokens, the system takes an unstructured state as input and outputs type-safe structured values within a single parallel query, targeting deterministic code integration and eliminating output hallucinations by design.</p><blockquote class="pull-quote"><p>"Think of Jev as a frontier-intelligence function call: unstructured state in, typed probabilistic decisions out."</p><cite>Diogo Almeida, Founder at TypeSafe</cite></blockquote><p>Engineers constructed the platform around an alternative training methodology termed Reinforcement Learning for Calibrated Decisions (RLCD). Unlike conventional frontier models trained via RLHF or RLVR to satisfy human conversational preferences, TypeSafe trains Jev to produce calibrated probabilities on execution logic, ensuring that returned confidence scores correlate directly with output accuracy.</p><p>Departing from traditional autoregressive token generation, Jev relies on a hardware-aware parallel sampler that evaluates and delivers all structured values simultaneously. This structural constraint restricts outputs to predefined schemas, removing the parsing pipelines and guardrail wrappers usually required when deploying large language models across business automation workflows, while handling high-cardinality selections up to 255 discrete options.</p><div class="ai-insight"><p>The decision by Jev to strip away conversational text generation in favor of strict programmatic logic represents a critical shift in bringing AI directly into core software architecture. By bypassing traditional sequential token generation, the framework overcomes major bottlenecks in latency and cost that typically prevent enterprises from deploying large language models in high-speed, backend decision-making environments.</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/typesafe_jev_ai_mu40aiam_inline_1_f37f3c568c.jpg" alt="software engineering office computer workspace no logo" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">193.6x</span><span class="stat-label">Faster execution speed over baselines</span></div><div class="stat-item"><span class="stat-number">$0.042</span><span class="stat-label">Input cost per million tokens</span></div><div class="stat-item"><span class="stat-number">255</span><span class="stat-label">Max discrete options supported</span></div></div><p>Internal evaluations conducted from the team's West Coast servers recorded end-to-end response latencies between 70 and 500 milliseconds, contrasting sharply with the 3 to 329 seconds observed in standard conversational deployments. Published workflow evaluations run across fixed compute graphs demonstrated execution speeds up to 193.6 times faster than consensus baselines.</p><p>Input processing costs are priced at $0.042 per million tokens, down from standard conversational rates spanning $0.20 to $10. Production demonstrations showed Jev resolving branching rules across high-speed game states and web traversal trees, running a real-time reactive bot across Doom game state structures at 10 queries per second for about $7 per hour. TypeSafe opened early developer access today and started onboarding engineering teams from its deployment waitlist.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/chatgpt-pioneer-launches-jev-model-for-programmatic-logic/" target="_blank" rel="noopener noreferrer">AI News</a></p>

large_typesafe-เปิดตัว-jev-โมเดล-ai-แยกขาดจากข้อความ-mu40aiam.jpg

medium_typesafe-เปิดตัว-jev-โมเดล-ai-แยกขาดจากข้อความ-mu40aiam.jpg

small_typesafe-เปิดตัว-jev-โมเดล-ai-แยกขาดจากข้อความ-mu40aiam.jpg

thumbnail_typesafe-เปิดตัว-jev-โมเดล-ai-แยกขาดจากข้อความ-mu40aiam.jpg

Inewgen

Inewgen

#Jev model

TypeSafe เปิดตัว Jev โมเดล AI แยกขาดจากข้อความ

Inewgen