TypeSafe AI คืออะไร? บริษัทผู้พัฒนาโมเดล Jev และ System One

TypeSafe AI เป็นแล็บ AI ในซานฟรานซิสโกที่สร้างโมเดลสำหรับการตัดสินใจภายในซอฟต์แวร์ ไม่ใช่สำหรับการสนทนากับผู้คน โมเดลสาธารณะแรกของพวกเขาคือ Jev ซึ่งเปิดตัวบน Vercel AI Gateway เมื่อวันที่ 16 กันยายน 2026 ซึ่งเป็นเหตุผลว่าทำไมชื่อนี้จึงเริ่มปรากฏใน changelogs และฟีดของนักพัฒนาในสัปดาห์นี้

หากคุณเคยเห็น “System One Models” และสงสัยว่ามันคือตระกูลโมเดลใหม่, รูปแบบ API ใหม่ หรือการตลาด คู่มือนี้จะให้คำตอบ คุณจะได้เรียนรู้ว่า TypeSafe AI คือใคร, System One Model ทำอะไร, Jev แตกต่างจาก LLM ที่คุณเรียกใช้อยู่แล้วอย่างไร, วิธีรับ API key และราคา, และวิธีส่งคำขอแรกของคุณจาก Apidog

คำชี้แจงเบื้องต้น: TypeSafe AI ไม่มีความเกี่ยวข้องกับ Typesafe ซึ่งเป็นบริษัท Scala ที่ภายหลังเปลี่ยนชื่อเป็น Lightbend และโมเดล Jev ก็ไม่เกี่ยวข้องกับยูทูปเบอร์ FaZe Jev หรือวัคซีน JEV

TypeSafe AI คือใคร

บริษัทอธิบายตัวเองบน typesafe.ai ว่าเป็น “แล็บ AI ที่สร้างโครงสร้างพื้นฐานอัจฉริยะแบบ machine-native สำหรับระบบอัตโนมัติ ออกแบบมาเพื่อทำการตัดสินใจภายในซอฟต์แวร์” สโลแกนคือ “Machine-Native Intelligence” และส่วนท้ายระบุว่า “Made in SF”

แถลงการณ์อธิบายถึงสิ่งที่พวกเขาเดิมพัน โมเดลในปัจจุบัน “ได้รับการฝึกฝนให้เป็นผู้ช่วยที่เป็นประโยชน์ ชัดเจน และน่าพอใจ” ซึ่งยังคงต้องมีมนุษย์เข้ามาเกี่ยวข้องตามการออกแบบ TypeSafe เรียกปัญหานี้ว่าปัญหา “รถม้าที่ไม่มีม้า” คือเทคโนโลยีใหม่ถูกบีบให้อยู่ในรูปแบบเก่า คำตอบของพวกเขาคือ “AI แบบ composable ที่เป็น machine-native” ซึ่งเป็นโมเดลที่คุณสามารถเรียกใช้ได้เหมือนฐานข้อมูลหรือฟังก์ชัน โมเดลที่ช่วยให้โค้ด “แยกสาขาตามสามัญสำนึก ความเข้าใจ และความตั้งใจ” ได้เหมือนกับการแยกสาขาตามค่าบูลีน

“System One Model” คืออะไร

TypeSafe บัญญัติคำประเภทนี้ใน โพสต์เปิดตัว ของตน System One Model คือ “สร้างขึ้นเพื่อทำการตัดสินใจที่รวดเร็วและมีโครงสร้างที่ซอฟต์แวร์สามารถนำไปใช้ได้โดยตรง” ชื่อนี้ยืมมาจากโหมดการคิดแบบ “System 1” ที่รวดเร็วและใช้สัญชาตญาณ: การตัดสินใจอย่างรวดเร็ว ไม่ใช่การให้เหตุผลหลายขั้นตอน

สามทางเลือกในการออกแบบที่กำหนดประเภทนี้:

• การตัดสินใจที่เป็นประเภท ไม่ใช่ข้อความ. โมเดลจะส่งคืนค่าความน่าจะเป็น, ทางเลือกที่มีการกระจายตัว, หรือคะแนน ไม่เคยส่งคืนเป็นย่อหน้า.
• ความน่าจะเป็นที่ปรับเทียบแล้ว. โมเดลได้รับการฝึกฝนด้วยวิธีที่ TypeSafe เรียกว่า Reinforcement Learning for Calibrated Decisions (RLCD) ซึ่งปรับให้เหมาะสมสำหรับ “ความน่าจะเป็นที่ซื่อสัตย์ในทางญาณวิทยา” แทนความชอบของมนุษย์หรือรางวัลที่ตรวจสอบได้.
• ไม่มีการสร้างสตริง. โพสต์ระบุอย่างตรงไปตรงมา: “Jev ไม่มีการสร้างสตริง” เนื่องจากไม่เคยเขียนข้อความอิสระ TypeSafe จึงอ้างว่า “ไม่สามารถสร้างภาพหลอน” ได้ อ่านสิ่งนี้อย่างรอบคอบ Jev อาจยังคงผิดพลาดได้ แต่คำตอบที่ผิดจะปรากฏเป็นความน่าจะเป็นที่ปรับเทียบไม่ถูกต้อง ไม่ใช่ข้อเท็จจริงที่ถูกสร้างขึ้นหรือ URL ที่แต่งขึ้น.

โพสต์เปิดตัวอธิบาย Jev ว่าเป็น “การเรียกใช้ฟังก์ชันอัจฉริยะที่ทันสมัย: สถานะที่ไม่มีโครงสร้างเข้ามา, การตัดสินใจเชิงความน่าจะเป็นที่เป็นประเภทออกไป” นั่นคือสรุปสั้นๆ ที่ชัดเจนที่สุดของหมวดหมู่นี้

แถวเวลาแฝงเป็นการวัดประสิทธิภาพของ TypeSafe เอง ไม่ใช่การวัดที่เป็นอิสระ บริษัทยังอ้างว่า Jev “เร็วกว่า 193.6 เท่า และถูกกว่า LLM ถึง 444.6 เท่า” ในการประเมินเวิร์กโฟลว์ของตน วางแผนการทดสอบเล็กๆ ด้วยตัวคุณเองก่อนที่จะนำตัวเลขเหล่านั้นไปอ้างอิง

Jev ทำอะไร

Jev เป็น System One Model สาธารณะแรกของ TypeSafe ตาม หน้าโมเดล, นามแฝง jev-latest จะอ้างอิงถึง jev-1.13.0 และ jev-preview ในปัจจุบันก็ชี้ไปยังบิลด์เดียวกัน นามแฝงจะเปลี่ยนไปเมื่อมีการเผยแพร่เวอร์ชันใหม่ ดังนั้น หากคุณปรับเกณฑ์กับเวอร์ชันใดเวอร์ชันหนึ่ง ให้ระบุ ID ของเวอร์ชันนั้นให้ชัดเจน

ทุกคำขอจะตอบคำถามหนึ่งข้อหรือมากกว่าเกี่ยวกับ state ที่ใช้ร่วมกัน มีคำถามสามประเภท ซึ่ง TypeSafe เรียกว่า primitives:

Noul คือการตัดสินใจแบบใช่/ไม่ใช่ คุณจะได้รับค่าความน่าจะเป็นเพียงค่าเดียว

{ "type": "noul", "noul": 0.92 }

Choice เลือกหนึ่งตัวเลือกจากชุดที่กำหนดชื่อ คุณระบุแผนที่ criteria ของชื่อตัวเลือกไปยังคำอธิบาย และจะได้รับตัวเลือกที่เลือก, ค่าความน่าจะเป็นสำหรับทุกตัวเลือก และระดับความเชื่อมั่นโดยรวม Jev รองรับตัวเลือกสูงสุด 255 ตัวเลือกในการเลือกครั้งเดียว

<

{
  "type": "choice",
  "choice": "technical",
  "probabilities": { "billing": 0.08, "technical": 0.85, "sales": 0.07 },
  "confidence": 0.82
}

Score ให้คะแนนสถานะตามระดับที่เรียงลำดับตั้งแต่ 2 ถึง 10 ระดับ คำตอบคือคะแนนที่ประมาณค่าบวกกับคำอธิบายและค่าความน่าจะเป็นต่อขั้น

{
  "type": "score",
  "score": 1.6,
  "legend": { "0": "Calm", "1": "Frustrated", "2": "Very angry" },
  "probabilities": { "0": 0.05, "1": 0.3, "2": 0.65 },
  "confidence": 0.78
}

ข้อจำกัดจากเอกสาร: เฉพาะข้อความเท่านั้น (ไม่มีรูปภาพ, เสียง หรือวิดีโอเป็นอินพุต), 64k โทเค็นต่อคำขอ และ 32k โทเค็นสำหรับ state บวกกับคำถามที่ยาวที่สุด ฟิลด์ state รับ “สตริงธรรมดาสำหรับข้อความ หรือข้อมูลที่มีโครงสร้าง (อ็อบเจกต์/อาร์เรย์) สำหรับสิ่งต่างๆ เช่น บันทึกการแชท, ระเบียน หรือสถานะปัจจุบันของแอปพลิเคชันของคุณ” ดังนั้นคุณสามารถส่งระเบียน JSON ได้โดยไม่ต้องทำการแปลงให้เป็นสตริงก่อน

หากต้องการทำความเข้าใจโมเดลอย่างลึกซึ้งยิ่งขึ้น โปรดดูที่ Jev คืออะไรและทำงานอย่างไร

Jev แตกต่างจากผู้ให้บริการ LLM อย่างไร

ข้อผิดพลาดที่ง่ายที่สุดคือการจัด TypeSafe ไว้ข้าง OpenAI หรือ Anthropic มันไม่ได้แข่งขันในแนวทางเดียวกัน

ผู้ให้บริการ LLM ขายการสร้างข้อความ แม้แต่ ผลลัพธ์ที่มีโครงสร้างของ OpenAI ก็ทำงานโดยการจำกัดสตริงที่สร้างขึ้นให้อยู่ใน JSON schema โมเดลยังคงเขียนโทเค็น และ schema จะรักษารูปแบบให้ถูกต้อง Jev ข้ามการสร้างข้อความไป มันจะให้คะแนนตัวเลือกที่คุณให้มาและส่งคืนการกระจายตัว ไม่มีสตรีมโทเค็นให้แยกวิเคราะห์ ไม่มี JSON ให้แก้ไข และไม่มีข้อความปฏิเสธ “ขออภัย ฉันทำไม่ได้”

นั่นทำให้ Jev เป็นส่วนเสริมของ LLM ของคุณ ไม่ใช่สิ่งทดแทน งานที่ Jev เหมาะสม:

• การกำหนดเส้นทางตั๋ว, ข้อความ หรือ payload ของ webhook ไปยังผู้จัดการที่ถูกต้อง
• การควบคุมการดำเนินการต่อไปของเอเจนต์ (“การเรียกใช้เครื่องมือนี้ปลอดภัยหรือไม่?”)
• การตรวจสอบคำตอบของ LLM เทียบกับเกณฑ์ก่อนที่จะส่งคืน
• การให้คะแนนคุณภาพ, ความเร่งด่วน หรือความรู้สึกสำหรับแดชบอร์ดและการแจ้งเตือน
• การจัดประเภทบันทึกจำนวนมากที่ต้นทุนต่อการเรียกใช้มีความสำคัญ

ในสแต็ก API, Jev อยู่ในเลเยอร์เดียวกับฟังก์ชันการตรวจสอบความถูกต้องหรือการตรวจสอบ feature flag: เป็นการเรียกใช้ที่รวดเร็วและราคาถูก ซึ่งโค้ดของคุณจะแยกสาขาตามผลลัพธ์นั้น

วิธีเข้าถึง

มีสามช่องทาง และไม่มีช่องทางใดที่ต้องใช้อินเทอร์เฟซแชท

คอนโซลและ API โดยตรง. สร้างคีย์ที่ console.typesafe.ai ภายใต้ Settings จากนั้นเรียกใช้ endpoint ที่ระบุใน API reference:

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jev-latest",
    "state": "Help! My payouts have been failing for 3 days.",
    "questions": {
      "is_urgent": { "type": "noul", "instructions": "Does this convey urgency?" }
    }
  }'

การตอบสนองจะสะท้อนคำขอ: อ็อบเจกต์ answers ที่มีคีย์เป็นชื่อคำถามของคุณ พร้อมด้วย usage ที่ระบุจำนวนโทเค็นอินพุตและเอาต์พุต

SDKs. TypeSafe เผยแพร่แพ็กเกจ Python (typesafe-sdk) และ JavaScript SDK ที่ครอบคลุม endpoint เดียวกัน

Vercel AI Gateway. ณ วันที่ 16 กันยายน ใน changelog, Jev พร้อมใช้งานในชื่อ typesafe-ai/jev ผ่านฟังก์ชัน experimental_evaluate ใน AI SDK 7.0.105 และเวอร์ชันที่ใหม่กว่า เอกสารการประเมิน ของ Vercel ระบุชัดเจนว่าโมดอลิตี้นี้เป็น AI SDK เท่านั้น; ไม่ได้ถูกเปิดเผยผ่าน endpoint ที่เข้ากันได้กับ OpenAI หรือ Anthropic หากคุณกำหนดเส้นทางโมเดลผ่าน Vercel AI SDK อยู่แล้ว Jev สามารถใช้งานได้ด้วยคีย์เกตเวย์เดียวกัน และคุณสามารถตั้งค่าตัวเลือก zero-data-retention และ no-training ต่อคำขอผ่าน providerOptions.gateway การใช้โทเค็นจะถูกรายงานต่อคำขอและเรียกเก็บเงินตามอัตราของโมเดล

ราคาและขีดจำกัดอัตรา

ราคาเป็นตัวเลขเดียว โทเค็นอินพุตมีราคา 0.042 ดอลลาร์ต่อล้านโทเค็น (TypeSafe ยังเขียนเป็น 42 ดอลลาร์ต่อพันล้านโทเค็น) โทเค็นเอาต์พุตฟรี ซึ่งโพสต์เปิดตัวอธิบายว่า “ถูกเกินกว่าที่จะวัดได้”

ขีดจำกัดอัตราบนหน้าโมเดลคือ 250,000 โทเค็นต่อวินาที และ 1,200 คำขอต่อนาที โดยมีหมายเหตุว่าสามารถปรับเปลี่ยนได้แบบไดนามิก รหัสข้อผิดพลาดสี่รหัสที่สำคัญ:

ทดสอบคำขอ Jev แรกของคุณใน Apidog

ก่อนที่คุณจะเชื่อมต่อ Jev เข้ากับเราเตอร์หรือ agent loop ให้รันเป็นคำขอ HTTP ธรรมดาและยืนยันผลลัพธ์ ซึ่งใช้เวลาประมาณสองนาทีใน Apidog

1. สร้างโปรเจกต์และเปิดแผง environment เพิ่มตัวแปรชื่อ TYPESAFE_API_KEY ทำเครื่องหมายว่าเป็น secret variable เพื่อให้ค่าถูกซ่อนใน UI และไม่ปรากฏใน exported collections จากนั้นวางคีย์ของคุณจากคอนโซล.
2. สร้างคำขอ POST ไปยัง https://api.typesafe.ai/v1/systemone เพิ่ม header Authorization: Bearer {{TYPESAFE_API_KEY}} Apidog จะเติมตัวแปรเมื่อส่งคำขอ.
3. วาง JSON body จากตัวอย่าง curl ด้านบนแล้วส่ง คุณควรเห็น answers.is_urgent.noul ใกล้เคียงกับ 0.9.
4. เปิดแท็บ post-processor และเพิ่ม assertion: JSONPath $.answers.is_urgent.noul, เงื่อนไขมากกว่า 0.8 ตอนนี้คำขอจะล้มเหลวดังหากระดับความเชื่อมั่นของโมเดลเปลี่ยนแปลงไป.
5. ทำซ้ำคำขอ, สลับ "model": "jev-latest" เป็น "jev-1.13.0", และบันทึกทั้งสองอย่างใน test scenario รันตามกำหนดเวลาหรือใน CI เมื่อนามแฝงย้ายไปยังเวอร์ชันใหม่ คำขอที่ระบุเวอร์ชันและคำขอที่เป็นนามแฝงจะแตกต่างกัน และ assertion ของคุณจะตรวจจับได้ก่อนที่จะไปถึงการใช้งานจริง.

สถานการณ์เดียวกันนี้ยังทำหน้าที่เป็นการตรวจสอบการปรับเทียบอีกด้วย ป้อนสถานะสิบรายการที่คุณติดป้ายกำกับด้วยมือ ยืนยันแต่ละค่าความน่าจะเป็น แล้วคุณก็จะได้ regression suite สำหรับโมเดลการตัดสินใจ ที่สร้างขึ้นโดยไม่ต้องเขียน test harness ดาวน์โหลด Apidog เพื่อทำตาม; แผนฟรีครอบคลุมเวิร์กโฟลว์นี้สำหรับทีมที่มีสมาชิกสูงสุดสี่คน

คำถามที่พบบ่อย

TypeSafe AI เหมือนกับ Typesafe ซึ่งเป็นบริษัท Scala หรือไม่? ไม่ใช่ Typesafe Inc. เป็นบริษัท Akka และ Play Framework ซึ่งเปลี่ยนชื่อเป็น Lightbend ในปี 2016 ส่วน TypeSafe AI เป็นแล็บแยกในซานฟรานซิสโกที่ก่อตั้งขึ้นจากแนวคิด System One Models โดยไม่มีผลิตภัณฑ์หรือบุคคลที่เกี่ยวข้องร่วมกันจากทั้งสองฝ่าย

Jev จะมาแทนที่ LLM ของฉันหรือไม่? ไม่ใช่ Jev ไม่ได้สร้างข้อความ, โค้ด หรือสรุป เก็บ LLM ของคุณไว้สำหรับงานเหล่านั้น และนำ Jev มาไว้ด้านหน้าหรือด้านหลังเพื่อทำหน้าที่เป็นเราเตอร์, ตัวควบคุม หรือตัวตรวจสอบ เจาะลึก Jev ครอบคลุมรูปแบบการจับคู่ทั้งสองอย่างที่เป็นรูปธรรม

ฉันต้องใช้ Vercel เพื่อใช้ Jev หรือไม่? ไม่ใช่ API โดยตรงทำงานได้ด้วยคีย์จากคอนโซล TypeSafe Vercel AI Gateway เป็นความสะดวกสบายหากคุณใช้ AI SDK อยู่แล้วและต้องการคีย์เดียวและบิลเดียวสำหรับผู้ให้บริการทั้งหมด

Jev สามารถสร้างภาพหลอนได้หรือไม่? นั่นคือข้ออ้างของ TypeSafe และเป็นความจริงในแง่แคบที่ว่า Jev ไม่สามารถสร้างข้อความขึ้นมาเองได้เพราะมันไม่เคยปล่อยข้อความใดๆ ออกมาเลย มันยังคงสามารถมั่นใจมากเกินไปกับอินพุตที่อยู่นอกเหนือจากการกระจายการฝึกอบรม กำหนดเกณฑ์สำหรับ confidence และทดสอบกับข้อมูลที่คุณติดป้ายกำกับด้วยตัวเองก่อนที่จะเชื่อคะแนนในการใช้งานจริง

ใครเป็นผู้สนับสนุน TypeSafe AI? หน้าทีมระบุว่า “นักลงทุนระดับแนวหน้า” และไม่มีข้อมูลเพิ่มเติม ไม่มีหน้าเว็บทางการใดที่ระบุชื่อหรือจำนวนเงิน ดังนั้นตัวเลขใดๆ ที่คุณอ่านจากที่อื่นจึงไม่ได้รับการยืนยัน