“Chúng tôi nắm trong tay một công nghệ đột phá nhưng lại chưa thể ứng dụng hiệu quả,” Almeida chia sẻ với TechCrunch. “Tôi đã trăn trở với vấn đề này suốt thời gian qua. Cuối cùng, tôi nhận ra rằng: Vấn đề nằm ở chỗ chúng ta đang tối ưu hóa cho ngôn ngữ con người... Chúng ta đã làm rất tốt mảng ngôn ngữ con người trong bốn năm qua, nhưng điều đó lại không hữu ích cho tự động hóa vì máy tính sử dụng một ngôn ngữ khác”...Hai năm trước, Almeida rời OpenAI để thành lập TypeSafe AI, một công ty khởi nghiệp chuyên giải quyết vấn đề này. Tuần này, công ty đã ra mắt Jev – một mô hình mới dựa trên kiến ​​trúc transformer nhưng không phải là mô hình ngôn ngữ lớn (LLM). Thay vì tạo ra văn bản, Jev đưa ra các xác suất, hay còn được công ty gọi là “các quyết định đã được hiệu chuẩn” (calibrated decisions). Việc loại bỏ yếu tố ngôn ngữ mang lại nhiều lợi ích: mô hình vận hành cực nhanh với chi phí rất thấp, và do người dùng xác định trước các kết quả đầu ra nên nó không gặp tình trạng “ảo giác” (hallucination). Các token đầu ra hoàn toàn miễn phí, còn token đầu vào được tính theo đơn vị hàng tỷ thay vì hàng triệu.

Các nhà phát triển đang dành sự quan tâm lớn cho sản phẩm này; thậm chí công ty từng có lúc không thể đáp ứng kịp nhu cầu sử dụng API do lượng người dùng tăng đột biến. Jev tỏ ra đặc biệt hữu ích trong lĩnh vực tự động hóa phần mềm. Cho đến nay, các lập trình viên coi đây là giải pháp tiết kiệm chi phí và mạnh mẽ hơn để tích hợp trí tuệ nhân tạo vào mã nguồn của họ. Ví dụ, Pranit Sharma – kỹ sư phần mềm tại Vercel (công ty chuyên phát triển cơ sở hạ tầng cho các tác nhân AI tự hành) – cho biết công ty anh từng sử dụng mô hình Luna 5.6 của OpenAI để chạy bộ phân loại nhằm kiểm tra độ an toàn của các lệnh. Khi chuyển từ Luna của OpenAI sang Jev, Vercel đã đạt được kết quả nhanh hơn từ 5 đến 18 lần với độ chính xác cao hơn.

Một nhà phát triển khác, Nikhil Mudholkar (Giám đốc Công nghệ của Bryo AI), đã so sánh Jev với Gemini trong việc phân loại email doanh nghiệp. Kết quả thử nghiệm cho thấy Gemini có độ chính xác nhỉnh hơn một chút nhưng lại đắt gấp 10 đến 20 lần. Điều khiến Mudholkar quan tâm hơn cả là các chỉ số độ tin cậy (confidence scores) của Jev — "đây là mô hình duy nhất cung cấp giá trị xác suất thực tế, khiến nó trở thành lựa chọn lý tưởng để tự động hóa quy trình làm việc!". Ngoài việc thay thế các mô hình ngôn ngữ lớn (LLM) trong một số trường hợp cụ thể, mô hình mới này còn có thể hỗ trợ chúng bằng cách đóng vai trò như một cơ chế kiểm soát thông minh để phát hiện các hành vi sai lệch. Việc sử dụng các tác nhân (agent) để giám sát các tác nhân khác có thể rất tốn kém, nhưng theo lập luận của Almeida, sử dụng Jev cho mục đích này lại là một giải pháp hợp lý. Ông hình dung người dùng sẽ triển khai Jev để theo dõi dấu vết hoạt động của các tác nhân LLM và ngăn chặn các hành vi vượt rào bảo mật (jailbreak). Armin Ronacher, Giám đốc Công nghệ của Earendil (đơn vị phát triển Pi - một bộ công cụ mã nguồn mở dành cho mô hình), giải thích: "Xét cho cùng, giải pháp này chuyển một phần trách nhiệm xử lý vấn đề 'ảo tưởng' (hallucination) sang cho người dùng. Người dùng sẽ phải tự đánh giá: nếu kết quả trả về chỉ có xác suất 50%, thì có lẽ nó chẳng khác nào tung đồng xu may rủi và tôi sẽ bỏ qua; nhưng nếu xác suất lên tới 95%, thì tất nhiên, tôi có thể sử dụng thông tin đó"...

Trích lược Tim Fernholz https://techcrunch.com/2026/09/18/a-new-kind-of-ai-model-from-a-chatgpt-inventor-is-thrilling-developers/