Ollama 0.35 รองรับโมเดลตัดสินใจอย่างเป็นทางการ — เพิ่ม endpoint /v1/systemone ตาม API ของ Jev พร้อม Nimble 9B และ Tev1 4B/0.8B ของ Together AI ให้ pull ได้ทันที

กระแส “โมเดลตัดสินใจ” ที่เริ่มจาก Jev ของ TypeSafe เมื่อสองสัปดาห์ก่อน ตอนนี้ไปถึง runner ในเครื่องที่คนใช้มากที่สุดแล้ว Ollama v0.35.0 ออกเมื่อ 28 ก.ย. 2026 เวลา 21:23 UTC และหัวข้อแรกของ release notes คือ “Ollama now supports decision models through /v1/systemone, based on TypeSafe’s Jev API”

ก่อนหน้านี้ถ้าอยากรันโมเดลประเภทนี้ในเครื่อง ต้องใช้เครื่องมือแยกอย่าง Ollaya หรือเขียนเซิร์ฟเวอร์เอง ตอนนี้ใช้ ollama pull ตัวเดียวก็พอ ข้อควรรู้คือบน GitHub v0.35.0 ยังติดป้าย pre-release ใครจะใช้ในงานจริงควรรอรุ่น stable ก่อน

ใช้งานอย่างไร

โมเดลตัดสินใจไม่ได้สร้างข้อความ แต่คืน ตัวเลือก ความน่าจะเป็น และคะแนน เหมาะกับงานอย่างคัดแยก ticket เลือก route ของโมเดล หรือจัดหมวดเนื้อหา ส่งข้อความที่ต้องการให้ตัดสินใน state แล้วใส่คำถามได้ 1–64 ข้อต่อคำขอ

ollama pull nimble
curl http://localhost:11434/v1/systemone -d '{
  "model": "nimble",
  "state": { "ticket": "I was charged twice. Please refund the extra payment." },
  "questions": {
    "team":    { "type": "choice", "instructions": "Which team should handle this ticket?",
                 "criteria": { "billing": "Payments and refunds", "technical": "Bugs and integrations", "other": "None of the above" } },
    "refund":  { "type": "noul",  "instructions": "Does the customer explicitly ask for a refund?" },
    "urgency": { "type": "score", "instructions": "How urgent is this ticket?", "criteria": ["Routine", "Soon", "Urgent"] }
  }
}'

คำถามมีสามชนิด choice คืนตัวเลือกพร้อมความน่าจะเป็นของทุกตัวเลือก noul คืนความน่าจะเป็นที่เงื่อนไขเป็นจริง ส่วน score คืนระดับแบบถ่วงน้ำหนักบนสเกลที่กำหนดเอง choice กับ score รับได้ 2–26 ตัวเลือก หน้าโมเดลของ Ollama เตือนไว้ด้วยว่า confidence ที่ได้กลับมาแค่บอกว่าความน่าจะเป็นกระจุกตัวแค่ไหน “It isn’t the chance that the answer is right.”

ถ้าเขียน Python อยู่แล้ว ใช้ SDK ทางการของ TypeSafe แล้วชี้มาที่ Ollama ได้เลย (SDK บังคับให้มี API key แต่ Ollama ไม่สนใจค่านั้น)

pip install typesafe-sdk
export TYPESAFE_BASE_URL=http://localhost:11434
export TYPESAFE_API_KEY=ollama
export TYPESAFE_DEFAULT_MODEL=tev1

มีโมเดลอะไรให้ใช้

• Nimble จาก Bespoke Labs ขนาด 9B (ไฟล์ 9.5 GB) fine-tune จาก Qwen3.5-9B ใต้ Apache 2.0 ใช้สูตร contrastive pairs ที่ เราเขียนถึงเมื่อ 19 ก.ย. หน้า Ollama อ้างว่าตอบได้ ต่ำกว่า 100 ms บน MacBook Pro ชิป M5 Max
• Tev1 จาก Together AI มีสองขนาด คือ 4B (4.5 GB) และ 0.8B (812 MB) fine-tune จาก Qwen3.5 Together ปล่อยรุ่น 4B เมื่อ 23 ก.ย. พร้อมบทความ How to train your own Jev for $17 ส่วนรุ่น 0.8B ขึ้น Hugging Face เมื่อ 25 ก.ย. บทความของ Together ระบุว่าชุดข้อมูลเทรนมี 37,840 ตัวอย่าง และการ์ดโมเดลรายงานผล 880/1,000 ข้อ (88.0%) บนชุดทดสอบของ Together เอง ข้อจำกัดที่ต้องรู้มีสองข้อ ข้อแรก Together เขียนเองว่ามันเป็น “a Jev-inspired experiment, not a non-autoregressive Jev runtime” เพราะยังใช้ LM head แบบ next-token ของ Qwen ข้อสอง Tev1 ถูกเทรนบนตัวเลือก 2–24 ตัว จึงควรใช้ในช่วงนั้น

เรื่องสัญญาอนุญาตของ Tev1 ต้องระวัง Ollama ระบุว่า “The dataset builders and training scripts are MIT licensed” ซึ่งตรงกับรีโป togethercomputer/tev1 บน GitHub แต่ น้ำหนักของ Tev1 ยังไม่มี license การ์ดโมเดลรุ่น 4B เขียนไว้ว่า “The release license for these fine-tuned weights is being finalized” และในรีโปบน Hugging Face ก็ไม่มีไฟล์ LICENSE ถ้าจะใช้เชิงพาณิชย์ Nimble ที่เป็น Apache 2.0 ชัดเจนกว่า

ในรุ่นเดียวกันยังมีการแก้เรื่องอื่นด้วย เช่น การดาวน์โหลดโมเดล MLX ที่ค้างไม่จบ และคำขอที่มีพารามิเตอร์ typical_p ซึ่งเลิกใช้แล้ว ตอนนี้จะแค่ log คำเตือน ไม่ fail ทั้งคำขอ

มุมมอง AI Curator

การที่ Ollama รับ API ของ Jev มาทั้งชุดคือจุดที่หมวดโมเดลนี้เปลี่ยนจาก “ของเล่นบน HN” มาเป็น โครงสร้างพื้นฐานที่ใครก็ใช้ได้ และที่น่าสนใจคือ Ollama ไม่ได้ออกแบบ API ของตัวเอง แต่ใช้สัญญาของ TypeSafe ทั้งชื่อ endpoint /v1/systemone และชนิดคำถาม noul ผลคือ Jev ที่ยังเป็น waitlist และไม่บอกขนาดโมเดล กลายเป็นผู้กำหนดมาตรฐานของ interface ไปแล้ว คล้ายกับที่ /v1/chat/completions ของ OpenAI เคยเป็น

สำหรับทีมไทย นี่คือทางลงมือที่ง่ายที่สุดตอนนี้ งานแบบคัดแยก ticket ภาษาไทย ตรวจว่าคำขอผิดนโยบายไหม หรือเลือกว่าคำถามไหนควรส่งไปโมเดลใหญ่ เคยต้องเรียก LLM ทั้งตัวแล้ว parse JSON ตอนนี้ทำบนโน้ตบุ๊กได้ด้วยโมเดล 812 MB ข้อมูลลูกค้าไม่ต้องออกนอกเครื่อง ซึ่งช่วยเรื่อง PDPA โดยตรง แต่ต้องทดสอบเอง เพราะตัวเลขของทั้ง Nimble และ Tev1 วัดบนชุดภาษาอังกฤษของผู้พัฒนาเองทั้งหมด ยังไม่มีใครวัดผลกับภาษาไทย ทางที่ดีคือเตรียมตัวอย่าง ticket จริงที่ติดป้ายไว้แล้วสัก 200 ข้อ ก่อนตัดสินว่าจะใช้ confidence เป็นเกณฑ์ส่งต่อให้คนตรวจหรือไม่

ข้อสังเกตสุดท้าย ภายในสองสัปดาห์เรามีโมเดลตัดสินใจแบบเปิดจาก Bespoke, Together, Intern, Jeff และอีกหลายเจ้า แต่ ยังไม่มีเบนช์มาร์กกลางที่ทุกคนยอมรับ ตัวเลขที่แต่ละเจ้าอ้างจึงเทียบกันตรง ๆ ไม่ได้ เมื่อตอนนี้ runner กับ API เป็นมาตรฐานเดียวกันแล้ว สิ่งที่หมวดนี้ต้องการต่อไปคือชุดวัดผลกลางที่เป็นอิสระ

แหล่งข่าว

• Ollama v0.35.0 release notes — GitHub (28 ก.ย. 2026, pre-release)
• Tev1 — Ollama library (4B และ 0.8B)
• Tev1-4B-experimental — Hugging Face model card
• How to train your own Jev for $17 — Together AI (23 ก.ย. 2026)