Mô hình Jev, ra mắt tuần này bởi TypeSafe AI, không xuất ra một chữ nào. Thay vì câu văn, nó trả về xác suất. Chính lựa chọn thiết kế đó khiến nó về mặt cấu trúc không thể tự bịa ra thông tin, chạy nhanh hơn 5 đến 18 lần so với các LLM (mô hình ngôn ngữ lớn) hàng đầu trong các bài kiểm thử ban đầu của lập trình viên, và chi phí chỉ bằng một phần nhỏ, theo TechCrunch đưa tin ngày 18/9/2026. Nhu cầu lớn đến mức API tạm thời ngừng phục vụ.
Vì sao đồng tác giả ChatGPT lại rời bỏ mô hình ngôn ngữ?
Almeida từng là nhà nghiên cứu tại OpenAI, tham gia xây dựng ChatGPT và đồng phát minh kỹ thuật RLHF (reinforcement learning from human feedback, tức huấn luyện có phản hồi từ con người, kỹ thuật tạo ra thế hệ trợ lý AI phản hồi hữu ích và sát nhu cầu người dùng như hiện nay). Hai năm trước, ông rời OpenAI để lập TypeSafe AI.
Lý do ông mô tả với TechCrunch khá thẳng thắn: “Chúng ta đang nắm sét trong tay mà lại không dùng được.” Chẩn đoán của ông cụ thể hơn: vấn đề nằm ở chính ngôn ngữ.
“Chúng ta đã giỏi ngôn ngữ con người suốt bốn năm, nhưng điều đó không có ích cho tự động hóa vì máy tính nói một ngôn ngữ khác,” Almeida nói với TechCrunch.
Giải pháp của ông: ngừng yêu cầu AI tạo ra câu văn, thay vào đó huấn luyện nó gán xác suất cho các danh mục được định nghĩa sẵn.
Mô hình Jev hoạt động ra sao và “System One” là gì?
TypeSafe gọi Jev là “mô hình System One”, mượn thuật ngữ tâm lý học chỉ tư duy nhanh và trực giác, đối lập với tư duy chậm và suy luận. Jev dùng kiến trúc transformer (nền tảng chung với LLM) nhưng không phải LLM.
Người dùng định nghĩa sẵn các danh mục đầu ra. Mô hình gán xác suất cho từng danh mục thay vì sinh ra văn bản tự do. Vì đầu ra đã được xác định trước, không có chỗ để bịa đặt thông tin. Hallucination (hiện tượng AI tự tin đưa ra thông tin sai) là bất khả về mặt cấu trúc.
Almeida cho biết mô hình được huấn luyện hoàn toàn trên dữ liệu tổng hợp, dùng kỹ thuật ông đặt tên là “reinforcement learning from calibrated decisions” (học tăng cường từ quyết định có hiệu chỉnh).
Về giá: token đầu ra miễn phí. Token đầu vào tính theo tỷ (billion), không phải triệu (million), khác hoàn toàn so với chuẩn định giá API LLM thông thường.
Jev nhanh và rẻ đến đâu trong các bài kiểm thực tế?
Hai case study từ lập trình viên được TechCrunch dẫn lại cung cấp con số cụ thể:
Vercel (công ty hạ tầng agentic): kỹ sư phần mềm Pranit Sharma cho biết khi thay thế ChatGPT Luna 5.6 của OpenAI bằng Jev để chạy một safety classifier (hệ thống kiểm duyệt lệnh gọi có nguy cơ bị lạm dụng), kết quả trả về nhanh hơn 5 đến 18 lần và chính xác hơn, theo TechCrunch tháng 9/2026.
Bryo AI: CTO Nikhil Mudholkar thử Jev so với Gemini trong việc phân loại email doanh nghiệp. Gemini chính xác hơn một chút, nhưng đắt hơn 10 đến 20 lần, theo TechCrunch tháng 9/2026. Điều ấn tượng hơn với Mudholkar là điểm confidence (độ tin cậy) của Jev: “Đây là mô hình duy nhất trả về xác suất thực sự, rất lý tưởng để tự động hóa workflow.”
Lập trình viên có thể xây dựng được gì?
Dựa trên phản hồi lập trình viên mà TechCrunch ghi nhận, Jev phù hợp với ba dạng bài toán tự động hóa chính:
- Phân loại (classification): sắp xếp email, gắn cờ nội dung, định tuyến ticket hỗ trợ. Bất kỳ tác vụ nào có danh mục đầu ra cố định và yêu cầu độ trễ thấp.
- Giám sát an toàn cho LLM: Almeida đề xuất dùng Jev để theo dõi luồng hoạt động của LLM agent (agent traces) và ngăn jailbreak (nỗ lực khiến AI vượt qua rào an toàn của nó). Vì Jev rẻ và nhanh, chạy song song với LLM về mặt chi phí là khả thi, trong khi dùng một LLM thứ hai để làm điều đó thì không.
- Định tuyến mô hình (model routing): Armin Ronacher, CTO của Earendil, công ty xây dựng model harness (khung điều phối mô hình) mã nguồn mở Pi, xem Jev là lựa chọn thực tế để quyết định theo thời gian thực mô hình AI nào xử lý yêu cầu nào. Dùng LLM để ra quyết định định tuyến vừa tốn kém vừa chậm; tốc độ của Jev giải quyết cả hai rào cản đó.
Ronacher giải thích ý nghĩa thực tế của điểm confidence với TechCrunch: “Người dùng phải tự nói: nếu kết quả chỉ 50% thì đây là cú tung đồng xu, bỏ qua. Nhưng nếu 95%, lúc đó mình mới hành động được.”
Tại sao mô hình mang tên một nhà kinh tế thế kỷ 19?
Jev được đặt theo William Stanley Jevons, nhà kinh tế học đứng sau “nghịch lý Jevons”: khi một nguồn tài nguyên trở nên rẻ hơn, người ta thường tiêu thụ nhiều hơn, không phải ít hơn. Than đá càng hiệu quả, nhu cầu than lại tăng.
Cược của Almeida: logic đó áp dụng được cho các quyết định AI. Khi chi phí trí tuệ nhân tạo giảm xuống, nó sẽ được tích hợp vào khắp nơi.
“Chúng tôi nghĩ rằng sẽ có phần mềm thông minh ở khắp mọi nơi theo cách hữu cơ và phân tán, giống internet thuở đầu hơn là các siêu ứng dụng mà mọi người đang cố xây dựng,” Almeida nói với TechCrunch.
Về kiến trúc, Almeida không tiết lộ nhiều. Các quan sát viên bên ngoài nghi Jev được xây trên nền một open-weight LLM (mô hình có trọng số công khai). TypeSafe cho biết sẽ xây thêm các phiên bản ở các dạng đầu vào và đầu ra khác.
Ronacher tóm gọn thời điểm này với TechCrunch: “Lẽ ra chúng ta đã thấy điều này sớm hơn, nhưng vì LLM quá rẻ và được bao cấp, người ta chưa cần phải sáng tạo.”
Ý nghĩa với khả năng hiển thị trên các công cụ tìm kiếm AI
Cách đơn giản nhất để hiểu: câu trả lời AI không đến từ một mô hình duy nhất. Thông thường, truy vấn phải đi qua nhiều lớp trước, và các mô hình như Jev được xây dựng cho chính những lớp đó.
Khi người dùng gửi một câu hỏi đến trợ lý AI, phản hồi thường chạy qua một pipeline (chuỗi xử lý): classifier kiểm tra xem truy vấn có an toàn không, router quyết định mô hình nào xử lý, rồi mô hình sinh nội dung mới viết câu trả lời. LLM xử lý bước cuối cùng. Các mô hình như Jev được tạo ra cho các bước trước đó.
Nếu nội dung bị lọc ra hoặc thương hiệu bị phân loại nhầm ở bước định tuyến, nó không bao giờ đến được mô hình sinh nội dung. Dù tối ưu hóa lớp đầu ra LLM đến đâu cũng không giúp ích nếu các bước trước đã loại nội dung ra.
Góc nhìn Hingewise
Phần lớn thương hiệu đang tối ưu hóa cho câu trả lời cuối cùng của AI mà bỏ qua các bộ lọc đứng trước nó.
Hình dung thế này: bạn chuẩn bị kỹ lưỡng cho buổi phỏng vấn, nhưng đơn xin việc bị loại từ vòng lọc hồ sơ tự động. Mọi chuẩn bị sau đó đều vô nghĩa. Với AI pipeline, logic tương tự: nếu nội dung bị phân loại sai hoặc bị gắn cờ không an toàn ở bước classifier, nó không bao giờ chạm đến LLM, dù bài viết có được tối ưu SEO hay GEO (tối ưu khả năng xuất hiện trong câu trả lời AI) tốt đến đâu.
Thêm một tín hiệu đáng chú ý: điểm confidence của các mô hình như Jev tạo ra một ngưỡng chất lượng có thể đo được mà LLM không cung cấp theo cách tương tự. LLM hoặc trích dẫn hoặc không. Classifier trả về xác suất cụ thể. Điều đó mở ra khả năng đánh giá định lượng về chất lượng nội dung ở tầng lọc, không chỉ định tính.
Nhận định của Hingewise: “share of model” (tỷ lệ AI nhắc đến hoặc ưu tiên một thương hiệu) không còn là câu hỏi của một mô hình đơn lẻ nữa. Đây là câu hỏi của cả pipeline. Chiến lược nội dung chỉ nhắm vào việc được LLM trích dẫn là đang tối ưu đúng một bước cuối của một quy trình nhiều tầng.
Cần kiểm tra gì trước khi tối ưu cho AI?
- Nội dung có bị gắn cờ bởi các safety classifier phổ biến không? Thử chạy qua các công cụ kiểm duyệt nội dung công khai.
- Tên thương hiệu và danh mục sản phẩm có được phân loại đúng trong các hệ thống phân loại tự động không?
- Nội dung có câu độc lập trả lời thẳng câu hỏi người dùng không, giúp router phân loại đúng ý định?
- Có số liệu cụ thể kèm nguồn rõ ràng không, giúp classifier nhận diện nội dung là thông tin đáng tin?
- Cấu trúc trang có đủ rõ để router phân loại đúng chủ đề và dạng truy vấn không?
- Theo dõi các trường hợp trợ lý AI từ chối hoặc bỏ qua truy vấn liên quan đến thương hiệu, dù truy vấn không vi phạm gì.
Sự xuất hiện của các mô hình quyết định chuyên biệt như Jev báo hiệu rằng hạ tầng AI đang phân tầng rõ hơn. Theo dõi xem các nền tảng AI lớn có công bố thêm thông tin về cấu trúc pipeline của họ không, điều đó sẽ cho thấy chiến lược hiển thị cần tập trung ở tầng nào tiếp theo.
Nguồn: TechCrunch, “A new kind of AI model from a ChatGPT inventor is thrilling developers,” Tim Fernholz, 18/9/2026.
Nguồn
Bài viết được soạn với sự hỗ trợ của AI từ các nguồn dẫn ở trên và đối chiếu với các nguồn đó trước khi đăng. "Góc nhìn Hingewise" là nhận định biên tập của Hingewise, dựa trên khung phân tích và lập trường chúng tôi dùng trong công việc GEO. Cách chúng tôi làm việc: Chính sách biên tập.