---
title: 'Giải thích mô hình quyết định: Jev, Clef và OpenAI'
description: >-
  Hướng dẫn cho người mới bắt đầu về mô hình quyết định: chúng trả về gì, khác
  biệt thế nào so với LLM sinh văn bản, và Jev, Clef cùng Decisions API của
  OpenAI phù hợp ở đâu.
date: 2026-10-13T00:00:00.000Z
updatedDate: 2026-10-13T00:00:00.000Z
location: 'San Francisco, CA – 13 tháng 10 năm 2026'
image: /images/decision-models-explained-jev-clef-hero.jpg
keywords: >-
  giải thích mô hình quyết định, Jev, Cloudflare Clef, OpenAI Decisions API, mô
  hình quyết định so với LLM
tags:
  - decision-models
  - ai-engineering
faq:
  - question: Mô hình quyết định có thể viết lời giải thích không?
    answer: >-
      Giao diện quyết định của Jev và Clef trả về lựa chọn và điểm số thay vì
      văn bản mới. Decisions API của OpenAI cũng trả về câu trả lời có giới hạn.
      Hãy sử dụng mô hình sinh văn bản khi ứng dụng cần lời giải thích bằng văn
      bản.
  - question: Tôi có cần dữ liệu huấn luyện để thử mô hình quyết định không?
    answer: >-
      Bạn có thể định nghĩa câu hỏi và các câu trả lời được phép mà không cần
      huấn luyện mô hình mới. Bạn vẫn cần các ví dụ có kết quả đã biết để kiểm
      tra độ chính xác và quyết định kết quả nào có thể được sử dụng tự động.
  - question: Mô hình quyết định có thể tự thực hiện hành động không?
    answer: >-
      Mô hình quyết định trả về một phán đoán. Ứng dụng của bạn quyết định có sử
      dụng nó hay không, kiểm tra quyền hạn và thực thi hành động. Việc chọn
      nhãn hoàn tiền không đồng nghĩa với việc ủy quyền hoàn tiền.
locale: vi-vn
translationKey: decision-models-explained-jev-clef
---
**Mô hình quyết định** giúp phần mềm chọn giữa các câu trả lời mà bạn định nghĩa. Hãy đưa vào một tin nhắn, một câu hỏi và các tùy chọn được phép, và mô hình sẽ trả về phán đoán kèm xác suất. Mô hình ngôn ngữ lớn sinh văn bản, hay LLM, có thể tạo ra một câu trả lời mới. Mô hình quyết định có thể giúp xác định tin nhắn đó nên được chuyển đến đâu trước tiên.

Jev của TypeSafe, Clef của Cloudflare và Decisions API của OpenAI đều hỗ trợ loại phán đoán giới hạn này. Ứng dụng có thể sử dụng chúng để chọn hàng đợi hỗ trợ, xác định vấn đề hoặc đánh giá mức độ nghiêm trọng. Mô hình sinh tạo có thể đảm nhận phần viết phản hồi sau đó.

## Một tin nhắn, hai công việc khác nhau

Giả sử một khách hàng viết: "Tôi bị tính phí hai lần cho cùng một đơn hàng." Hệ thống hỗ trợ có hai việc: gửi ticket đến đúng đội ngũ và viết một phản hồi hữu ích. Hai công việc này cần đầu ra khác nhau.

Một LLM tạo sinh có thể viết: "Tôi có thể giúp bạn kiểm tra khoản phí đó." Một mô hình quyết định có thể trả lời câu hỏi "Đội nào nên xử lý ticket này?" với `billing`, được chọn từ `billing`, `technical` và `review`.

Ứng dụng có thể trực tiếp kiểm tra câu trả lời đó. Nó có thể định tuyến ticket đến bộ phận thanh toán, hoặc chuyển sang xem xét thêm khi kết quả không chắc chắn. Một người hoặc mô hình khác sau đó có thể viết phản hồi. Mô hình quyết định xử lý một phán đoán cụ thể bên trong một quy trình lớn hơn. [Giới thiệu System One của TypeSafe](https://docs.typesafe.ai/concepts/system-one) mô tả sự tách biệt này.

Biểu đồ so sánh cả hai mô hình trên cùng một câu hỏi định tuyến. Mô hình văn bản tạo ra câu trả lời JSON; mô hình quyết định chấm điểm ba tùy chọn được phép.

<iframe data-simple-decision-diagram src="/illustrations/decision-models-simple/vi-vn/index.html" title="Một yêu cầu, hai luồng suy luận" width="100%" height="1200" loading="lazy" style="display:block;border:0;width:100%;"></iframe>
<script src="/illustrations/decision-models-simple/embed.js" defer></script>

## Bạn có thể hỏi mô hình quyết định điều gì?

Giao diện quyết định thường hỗ trợ ba loại câu hỏi: chọn một tùy chọn, ước lượng xem điều gì đó có đúng không, hoặc cho điểm. Bạn cung cấp bằng chứng và xác định ý nghĩa của từng câu trả lời. Cùng một tin nhắn khách hàng có thể dùng cho nhiều phán đoán riêng biệt.

| Loại câu hỏi | Ví dụ | Kết quả trả về |
| --- | --- | --- |
| Chọn một tùy chọn | Đội nào nên phản hồi trước? | Đội được chọn và xác suất cho từng tùy chọn |
| Có hoặc không | Tin nhắn này có yêu cầu hoàn tiền không? | Xác suất câu trả lời là có |
| Cho điểm | Vấn đề này nghiêm trọng đến mức nào, theo thang đo đã định nghĩa? | Đánh giá dựa trên các mức bạn cung cấp |

TypeSafe gọi đây là [Choice](https://docs.typesafe.ai/primitives/choice), [Noul](https://docs.typesafe.ai/primitives/noul) và [Score](https://docs.typesafe.ai/primitives/score). OpenAI sử dụng choice, predicate và score. Predicate là câu hỏi có/không.

Cách đặt câu hỏi rất quan trọng. "Đội nào nên phản hồi trước?" hỏi về một đội duy nhất. "Tin nhắn này có đề cập vấn đề thanh toán không?" và "Tin nhắn này có đề cập vấn đề kỹ thuật không?" là hai câu hỏi riêng biệt mà cả hai đều có thể nhận câu trả lời có. Nếu một ticket mô tả hai vấn đề, việc ép chúng vào một danh mục duy nhất có thể làm mất thông tin hữu ích.

## Điều này khác gì so với việc yêu cầu LLM trả về JSON?

LLM cũng có thể trả về một danh mục bên trong JSON, một định dạng dữ liệu mà phần mềm có thể đọc. Với [Structured Outputs](https://developers.openai.com/api/docs/guides/structured-outputs), các schema được hỗ trợ có thể giới hạn câu trả lời trong các giá trị được phép. Điều đó khiến LLM trở thành một lựa chọn hợp lệ cho nhiều tác vụ phân loại.

Sự khác biệt nằm ở cách mô hình quyết định chuyên dụng tạo ra câu trả lời. LLM truyền thống sinh văn bản theo trình tự, sử dụng các đơn vị nhỏ gọi là token. Đó vẫn là sinh văn bản ngay cả khi đầu ra chỉ là `{"team":"billing"}`.

Thay vào đó, Clef của Cloudflare đọc đầu vào và chấm điểm trực tiếp các câu trả lời được phép, mà không cần viết ra câu trả lời từng token một. Cloudflare mô tả cách tiếp cận này trong [thông báo về Clef](https://blog.cloudflare.com/clef-decision-models/). Clef vẫn sử dụng LLM làm nền tảng để hiểu đầu vào.

OpenAI có tài liệu mô tả đầu vào và đầu ra của Decisions API nhưng không xác nhận rằng nó sử dụng thiết kế nội bộ của Clef. Giao diện tương tự không có nghĩa là kiến trúc bên trong cũng giống hệt.

Cả hai cách tiếp cận đều có thể trả về một danh mục hợp lệ mà vẫn chọn sai. Một danh mục hợp lệ vẫn cần khớp với vấn đề của khách hàng.

## Jev, Clef và OpenAI phù hợp ở đâu?

Các sản phẩm này cung cấp phán đoán chuyên biệt mà phần mềm có thể kiểm tra. Jev là mô hình quyết định của TypeSafe. Clef là họ mô hình có thể tải xuống của Cloudflare, cũng có sẵn qua Workers AI. OpenAI cung cấp Decisions API cho các câu hỏi giới hạn. Để chọn giữa chúng, cần kiểm thử trên tác vụ thực tế.

| Sản phẩm | Điều cần biết trước |
| --- | --- |
| **TypeSafe Jev** | Được thiết kế dựa trên các câu hỏi được định kiểu trên văn bản và dữ liệu có cấu trúc. Quá trình huấn luyện hướng đến xác suất hữu ích, được hiệu chuẩn. |
| **Cloudflare Clef và Clef-flash** | Có sẵn dưới dạng trọng số tải xuống và dịch vụ trực tuyến. Thiết kế được công bố chấm điểm câu trả lời bằng mô hình ngôn ngữ làm backbone. |
| **OpenAI Decisions API** | Giao diện trực tuyến cho lựa chọn, phán đoán có/không và điểm số. Hiện đang ở giai đoạn public beta sử dụng `gpt-6-luna`. |

Nguồn: [TypeSafe](https://docs.typesafe.ai/concepts/system-one), [Cloudflare](https://blog.cloudflare.com/clef-decision-models/) và [OpenAI](https://developers.openai.com/api/docs/guides/decisions).

Định dạng phản hồi và đầu vào được hỗ trợ của chúng cũng khác nhau. OpenAI cũng có thể trả về phản hồi từ chối, và ứng dụng cần xử lý trường hợp này. Chuyển từ nhà cung cấp này sang nhà cung cấp khác đồng nghĩa với việc phải kiểm tra cả phần tích hợp lẫn chất lượng câu trả lời.

## Xác suất cho bạn biết điều gì?

Xác suất thể hiện ước lượng của mô hình cho một câu trả lời, trong phạm vi câu hỏi mà bạn đặt ra. Nó cung cấp cho ứng dụng nhiều thông tin hơn so với chỉ một nhãn được chọn. Các con số vẫn cần được kiểm thử trước khi bạn sử dụng chúng để quyết định trường hợp nào có thể bỏ qua bước xem xét của con người.

Hãy tưởng tượng các kết quả sau cho ticket của chúng ta:

| Câu trả lời được phép | Xác suất minh họa |
| --- | --- |
| Thanh toán | 92% |
| Kỹ thuật | 5% |
| Xem xét | 3% |

Thanh toán rõ ràng là lựa chọn hàng đầu. Đối với một tin nhắn hỗn hợp về khoản phí và bảng điều khiển bị lỗi, thanh toán có thể nhận 52% và kỹ thuật 43%. Thanh toán vẫn thắng, nhưng kết quả sát nhau khiến ứng dụng có lý do để yêu cầu xem xét thêm.

**Hiệu chuẩn** nghĩa là kiểm tra xem xác suất có khớp với kết quả thực tế trên nhiều ví dụ hay không. Với những dự đoán có xác suất quanh mức 90%, một mô hình được hiệu chuẩn tốt sẽ đúng khoảng 90% số lần. Một câu trả lời được đánh dấu 90% vẫn có thể sai.

Một trường được gọi là "confidence" có thể tóm tắt mức độ tập trung của các xác suất. Nó không tự động có nghĩa là tỷ lệ thành công đã được đo lường. [Hướng dẫn về confidence của TypeSafe](https://docs.typesafe.ai/confidence) giải thích sự khác biệt đó.

## Khi nào mô hình quyết định hữu ích?

Mô hình quyết định hữu ích khi tác vụ yêu cầu diễn giải ý nghĩa và các phương án trả lời có thể có đã được biết trước. Ví dụ bao gồm định tuyến tin nhắn, chọn tài liệu liên quan và đánh giá một mục theo bảng tiêu chí. Chúng có thể hoạt động song song với mô hình sinh đảm nhận phần viết hoặc điều tra.

Việc tránh sinh phản hồi có thể giảm tải cho mô hình. Liệu điều đó có cải thiện tốc độ hay chi phí hay không phụ thuộc vào toàn bộ ứng dụng, bao gồm độ trễ mạng, kích thước đầu vào và các lệnh gọi dự phòng. Hãy so sánh mô hình quyết định với một LLM được yêu cầu đưa ra cùng câu trả lời ngắn, thay vì một lời giải thích dài không cần thiết.

Chúng cũng có giới hạn. Mô hình quyết định có thể đọc sai tin nhắn, chọn sai tùy chọn được phép, hoặc quá tự tin. Các [kiểm thử guardrail độc lập của Red Hat](https://developers.redhat.com/articles/2026/10/02/benchmarking-ai-decision-models-against-traditional-guardrails) cho thấy Jev mạnh nhất ở một tác vụ trong khi các lựa chọn thay thế vượt trội ở tác vụ khác. Các kiểm thử đó không so sánh cả ba sản phẩm.

Sử dụng mã thông thường cho các phép tính chính xác và kiểm tra quyền hạn. Sử dụng mô hình sinh khi tác vụ cần câu trả lời mới, mã hoặc lời giải thích. Để thử mô hình quyết định, hãy bắt đầu với một phán đoán nhỏ, thu thập các ví dụ có câu trả lời đã biết và đo lường lỗi của nó cùng với lượng công việc mà nó tiết kiệm được.

## Câu hỏi thường gặp

#### Mô hình quyết định có thể viết lời giải thích không?

Giao diện quyết định của Jev và Clef trả về lựa chọn và điểm số thay vì văn bản mới. Decisions API của OpenAI cũng trả về câu trả lời có giới hạn. Hãy sử dụng mô hình sinh văn bản khi ứng dụng cần lời giải thích bằng văn bản.

#### Tôi có cần dữ liệu huấn luyện để thử mô hình quyết định không?

Bạn có thể định nghĩa câu hỏi và các câu trả lời được phép mà không cần huấn luyện mô hình mới. Bạn vẫn cần các ví dụ có kết quả đã biết để kiểm tra độ chính xác và quyết định kết quả nào có thể được sử dụng tự động.

#### Mô hình quyết định có thể tự thực hiện hành động không?

Mô hình quyết định trả về một phán đoán. Ứng dụng của bạn quyết định có sử dụng nó hay không, kiểm tra quyền hạn và thực thi hành động. Việc chọn nhãn hoàn tiền không đồng nghĩa với việc ủy quyền hoàn tiền.