מודל החלטה (Decision Model)
הגדרה
מודל החלטה הוא מודל בינה מלאכותית שלא כותב טקסט: הוא מקבל שאלה ורשימה סגורה של תשובות, בוחר מתוכה ומצרף הסתברות לכל אפשרות. הוא נועד להחלטות חוזרות כמו סיווג, ניתוב וסינון, ומחזיר מספרים שתוכנה יכולה לפעול לפיהם.
💡 דוגמה
מוקד שירות מקבל אלפי פניות ביום. במקום שצ'טבוט יכתוב על כל פנייה פסקה, מודל החלטה עונה על השאלה "לאיזו מחלקה זה שייך?" ומחזיר: חיוב 0.65, תמיכה טכנית 0.30, ניהול חשבון 0.05.
המערכת מעבירה אוטומטית רק פניות שבהן המודל בטוח, ואת השאר שולחת לנציג אנושי.
מה זה מודל החלטה
מודל החלטה (Decision Model) הוא סוג חדש של מודל בינה מלאכותית שלא כותב טקסט. במקום לענות במילים, הוא מקבל שאלה ורשימה סגורה של תשובות אפשריות, בוחר מתוכה, ומצרף לכל אפשרות הסתברות. מודל שפה רגיל, כמו זה שמאחורי צ'טבוט, מייצר את התשובה מילה אחר מילה. מודל החלטה מחזיר מספרים שתוכנה יכולה לפעול לפיהם ישירות. TypeSafe AI, שהמודל שלה Jev משמש נקודת ייחוס לכל המודלים שבאו אחריו, מתארת את Jev כ"קריאה לפונקציה עם אינטליגנציה של מודל מוביל: מצב לא מובנה נכנס, החלטות בפורמט מוגדר, עם הסתברויות, יוצאות". היעד הוא משימות שחוזרות על עצמן במספרים גדולים: סיווג פניות, ניתוב, ציון חומרה, סינון תוכן ובדיקה אם בקשה עומדת בכלל. לפי סקירה באתר PyTorchKR, התחום שלו מוגדר כמקרים שבהם "קבוצת התשובות האפשריות קבועה לפני הקריאה". כתיבה חופשית, סיכום והסבר נשארים בתחום של מודלי השפה.
איך זה עובד: שאלה, רשימה והסתברות
המפתח שולח למודל את ה"מצב", למשל טקסט של פנייה או נתונים בפורמט JSON, ולצדו שאלה אחת או כמה שאלות מוגדרות מראש. יש שלושה סוגי שאלות. שאלת בחירה בוחרת אפשרות אחת מתוך רשימה, ב-Jev של TypeSafe עד 255 אפשרויות. שאלת סולם ממקמת את הקלט על סולם מדורג של עד 10 רמות. ושאלת כן/לא מחזירה הסתברות אחת לכך שהטענה נכונה. בכתבה של DataNorth על d1 של Liquid AI מופיעות דוגמאות: בדיקת ספאם שמחזירה 0.92, וניתוב פנייה לשירות לקוחות עם 0.65 לחיוב, 0.30 לתמיכה טכנית ו-0.05 לניהול חשבון. אפשר לשאול כמה שאלות על אותו קלט בקריאה אחת, והמודל עונה על כולן במעבר אחד ובמקביל. TypeSafe לא חשפה איך Jev בנוי מבפנים. ויקטור דיביה הסביר בניוזלטר שלו את שיטת הניקוד שהוא מעריך שהמודל דומה לה: כל אפשרות מקבלת ציון לפי ההסתברות שהמודל נותן לה, והציונים מנורמלים כך שסכומם 1. היתרון שהוא מדגיש: מודל כזה "לא יכול להחזיר שום דבר שאינו ברשימה". אין טוקני פלט, ולכן לפי PyTorchKR העלות והזמן תלויים בעיקר באורך הקלט.
Jev: נקודת הייחוס
את Jev השיקה TypeSafe AI ב-15 בספטמבר 2026, אחרי שנתיים שבהן פעלה בחשאי, והמודלים שבאו אחריו משווים את עצמם אליו. החברה היא מעבדה מסן פרנסיסקו, שייסדו דיוגו אלמיידה, חוקר לשעבר ב-OpenAI ומממציאי RLHF, יחד עם אריק גפני וסשה שנג. לפי The Register, החברה גייסה 40 מיליון דולר. השם רומז לכלכלן ויליאם סטנלי ג'בונס ולפרדוקס ג'בונס, הרעיון שהתייעלות מגדילה את הצריכה הכוללת. TypeSafe קוראת ל-Jev מודל System One, ומאמנת אותו בשיטה שהיא מכנה למידת חיזוק להחלטות מכוילות. לפי החברה, Jev עונה בתוך 70 עד 500 אלפיות שנייה, והמחיר הוא 0.042 דולר למיליון טוקני קלט, בלי תשלום על פלט. לפי InfoQ, חברת Vercel הוסיפה את המודל לשירות ה-AI Gateway שלה, וכמעט 13% מהצוותים המשלמים שם השתמשו בו בתוך 24 שעות. נתוני המהירות והעלות הם של החברה עצמה.
הגל של סוף ספטמבר ותחילת אוקטובר 2026
אחרי Jev הצטרפו חברות נוספות. ב-24 בספטמבר 2026 שחררה Fastino Labs את GLiNER2.5-Decide, מודל קטן של 340 מיליון פרמטרים עם משקלים פתוחים ברישיון Apache 2.0, שרץ גם על מעבד רגיל בלי GPU. החברה מתארת אותו כ"נתב, לא עוזר", ואת התוויות מגדירים בזמן הקריאה, כך שקטגוריה חדשה לא דורשת אימון מחדש. ב-29 בספטמבר 2026 השיקה Liquid AI את d1, דרך ה-API שלה בלבד, עם חלון הקשר של 32,000 טוקנים ומסלול חינמי. לפי PyTorchKR, d1 משתמש באותם סוגי שאלות ובאותה ערכת פיתוח כמו Jev, כך שמעבר ביניהם דורש בעיקר החלפת מפתח וכתובת. ב-1 באוקטובר 2026 פרסמה Perplexity AI את Decider v1 27B, כוונון של Qwen3.8-27B עם משקלים פתוחים ברישיון Apache 2.0, שמקבל טקסט, JSON ותמונות ועונה על עד 128 שאלות בבקשה אחת. ב-7 באוקטובר 2026 הוסיפה Liquid AI שני מודלים עם משקלים פתוחים ב-Hugging Face: d1-3B ו-d1-omni-600M. לפי החברה, הם "לא מייצרים טוקנים" אלא מפיקים "תשובה במעבר קדימה אחד". וב-8 באוקטובר 2026 השיקה Celeris את Celeris-1 Decision, מודל שזמין רק כשירות בענן של החברה ומוצג כמודל דיפוזיה.
כיול: מה שווה "92%"
ההבטחה המרכזית של מודל החלטה היא לא רק התשובה, אלא המספר שמצורף לה. מודל נקרא מכויל כשהביטחון שלו תואם את שיעור ההצלחה בפועל. דיביה מסביר: אם מודל עונה 1,000 פעמים בביטחון של 90%, כ-900 מהתשובות אמורות להיות נכונות. כשהמספרים אמינים, אפשר לבנות עליהם כללים: לפעול אוטומטית כשהמודל בטוח, לבקש הבהרה כשהוא מתלבט, ולהעביר לאדם כשהוא לא בטוח. אבל כיול לא מגיע מעצמו. בניסויים של דיביה עם מודלי Qwen קטנים, דווקא המודל שעבר כוונון להוראות היה בטוח מדי: הוא נתן ביטחון מעל 90% ל-1,152 מתוך 1,200 תשובות, ורק 90.6% מהן היו נכונות. לפי PyTorchKR, Liquid AI טוענת ש-d1 מכויל אבל לא פרסמה נתון שמאפשר לבדוק זאת, ו-DataNorth מציינת שהמדריך של החברה עצמה ממליץ למדוד את הכיול על הנתונים של המשתמש.
מגבלות וביקורת
הטענה ש-Jev "לא יכול להזות" עוררה ביקורת. The Register כתב שזה נכון לגבי הצורה, לא לגבי התוכן: התשובה תמיד תהיה אחת מהאפשרויות, אבל היא עדיין יכולה להיות שגויה. TypeSafe עצמה מתעדת חולשות של Jev בספירה, בחשבון ובהשוואת תאריכים, ולכן ההמלצה היא להשאיר חישובים בקוד. מודל החלטה גם לא כותב, לא מסכם ולא מסביר את עצמו, ולכן הוא משלים מודל שפה ולא מחליף אותו. לבסוף, כמעט כל המספרים בתחום הצעיר הזה מגיעים מהחברות עצמן. האתר BenchLM מזהיר שהתוצאות שפרסמו החברות נמדדו על מבחנים שונים ובתנאים שונים, ולכן אי אפשר לסדר אותן בדירוג אחד. מי ששוקל מודל כזה צריך לבדוק אותו על ההחלטות שלו עצמו.
📬 הגיליון השבועי של Wiki-AI
פעם בשבוע, ביום ראשון: שלושת הדברים החשובים שקרו בעולם הבינה המלאכותית, בעברית פשוטה, וערכים חדשים באנציקלופדיה. לגיליונות
| מודל שפה רגיל | מודל החלטה | מסווג קלאסי | |
|---|---|---|---|
| מה הוא מחזיר | טקסט חופשי, מילה אחר מילה | אפשרות מתוך רשימה, עם הסתברות לכל אפשרות | קטגוריה מתוך רשימה קבועה; חלק מהמסווגים גם הסתברות לכל קטגוריה |
| מי קובע את האפשרויות | אין רשימה; התשובה יכולה להיות כל דבר | המפתח, בכל קריאה מחדש | נקבעות מראש, באימון |
| איך מכינים אותו למשימה | ניסוח בקשה (פרומפט) | ניסוח שאלה ורשימת תשובות | אימון על דוגמאות שתויגו מראש |
| הסיכון בפלט | תשובה שלא תואמת אף אפשרות, או JSON שלא נקרא | תשובה תקינה בצורה אבל שגויה בתוכן | טעות סיווג; קטגוריה חדשה דורשת אימון מחדש |
| דוגמאות | צ'טבוטים כמו ChatGPT | Jev, d1, GLiNER2.5-Decide | מסנן ספאם שאומן על הודעות מתויגות |
שאלות נפוצות ❓
מה ההבדל בין מודל החלטה לבין צ'טבוט?
צ'טבוט כותב תשובה מילה אחר מילה, ויכול לכתוב כל דבר. מודל החלטה לא כותב בכלל: הוא בוחר מתוך רשימה שהמפתח הגדיר ומחזיר הסתברות לכל אפשרות. הוא מהיר וזול יותר במשימות חוזרות, אבל לא יודע לסכם, להסביר או לנסח.
האם מודל החלטה הוא אותו דבר כמו עץ החלטה?
לא. עץ החלטה הוא שיטה ותיקה בלמידת מכונה, שמגיעה להחלטה דרך סדרת שאלות כן/לא שנלמדו מנתונים. מודל החלטה הוא קטגוריה חדשה מ-2026 של מודלים שמקבלים טקסט או תמונה ושאלה בניסוח חופשי, ומחזירים הסתברויות.
אם המודל בוחר רק מתוך רשימה, האם הוא יכול לטעות?
כן. הוא לא יכול להחזיר תשובה שאינה ברשימה, אבל הוא יכול לבחור באפשרות הלא נכונה. לכן חשוב לבדוק אותו על דוגמאות אמיתיות, ולבדוק שההסתברויות שהוא נותן תואמות את שיעור ההצלחה בפועל.
אילו מודלי החלטה קיימים?
המוקדם מבין המודלים שמתוארים כאן הוא Jev של TypeSafe AI, שיצא ב-15 בספטמבר 2026. אחריו יצאו GLiNER2.5-Decide של Fastino Labs, d1 ובהמשך d1-3B ו-d1-omni-600M של Liquid AI, Decider v1 27B של Perplexity AI ו-Celeris-1 Decision של Celeris. לחלקם יש משקלים פתוחים שאפשר להריץ על שרת פרטי.
מתי לא כדאי להשתמש במודל החלטה?
כשהתשובה לא ידועה מראש כרשימה, כשצריך טקסט חופשי, או כשהמשימה דורשת חשבון, ספירה או הנמקה של כמה שלבים. TypeSafe עצמה מתעדת חולשות של Jev בספירה, בחשבון ובהשוואת תאריכים, ולכן מומלץ להשאיר חישובים בקוד.