Jev API: Mô hình System One của TypeSafe là gì, chi phí bao nhiêu và khi nào nên dùng

Jev thực chất là gì

TypeSafe giới thiệu Jev vào ngày 15 tháng 9 năm 2026 như mô hình "System One" đầu tiên. Cách diễn giải này bắt nguồn từ Thinking, Fast and Slow của Kahneman: các LLM hiện tại hành xử như một hệ thống lý luận, có suy xét, còn TypeSafe đang xây dựng nửa nhanh và trực giác — chỉ có điều "trực giác" ở đây nghĩa là một phân phối xác suất đã hiệu chỉnh trên các câu trả lời, chứ không phải một cảm nhận trực giác được hiển thị thành văn bản.

Cái tên nhắc đến Jevons, và điểm bán chính là: một primitive ra quyết định nhanh, chi phí thấp sẽ được gọi thường xuyên hơn nhiều so với một primitive đắt đỏ.

Những khác biệt mang tính cơ chế so với một LLM mới là điều quan trọng về mặt kỹ thuật:

• Đầu ra có kiểu. Bạn khai báo hình dạng của câu trả lời ngay từ đầu — một Choice trên các tùy chọn đếm được, một Score trên các mức mô tả, hoặc một Noul (có/không) kèm xác suất. Không có văn bản tự do để phải parse, và việc khớp schema là một thuộc tính của kiến trúc chứ không phải điều bạn hy vọng mô hình sẽ tuân thủ.
• Bạn nhận được xác suất, không chỉ một lựa chọn. Một Choice trả về tùy chọn được chọn cùng xác suất cho mọi tùy chọn và một giá trị confidence riêng. Đó là thứ cho phép bạn định tuyến theo mức độ không chắc chắn: hành động khi trên một ngưỡng, chuyển sang mô hình lớn hơn khi dưới ngưỡng đó.
• Các câu hỏi chạy song song. Jev nạp state một lần và đánh giá mọi câu hỏi trong request dựa trên nó cùng lúc. Hỏi ba mươi câu thay vì một câu chỉ thêm rất ít thời gian thực, và đó là điều khiến các trường hợp phân loại theo lô bên dưới trở nên khả thi.
• Nó hẹp một cách có chủ đích. Hướng dẫn của TypeSafe là giữ luồng điều khiển trong code của bạn và giao cho Jev những quyết định nguyên tử, có cấu trúc, thay vì một phán đoán lớn. Đầu ra không có cấu trúc tuần tự. Người sáng lập TypeSafe đã nói rằng chuỗi và các cấu trúc dữ liệu tuần tự khác không được phép ở phía đầu ra, và lý do được đưa ra chính xác là điều này: nó cho phép mọi câu trả lời được tính toán song song, đó là lý do không có token đầu ra nào để tính phí. Bạn không thể yêu cầu Jev viết cho bạn một câu, và chính hạn chế đó là nền tảng mà mức giá được xây dựng dựa trên.

Một request tối thiểu trông như sau:

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

Thông số Jev trong một cái nhìn

Thông số	Jev 1.13
Model ID	jev-1.13.0
Alias	jev-latest, jev-preview (hiện cả hai đều trỏ tới 1.13)
Endpoint	POST https://api.typesafe.ai/v1/systemone
Giá	$42 mỗi tỷ token đầu vào / $0.042 mỗi 1M
Giá đầu ra	Miễn phí — chỉ tính phí trên đầu vào
Giới hạn tốc độ	250,000 token/s và 1,200 request/phút, được nêu là động
Độ dài context	64k mỗi request (state cộng toàn bộ câu hỏi); 32k cho state cộng câu hỏi dài nhất
Loại đầu vào	Văn bản: chuỗi, đối tượng JSON hoặc mảng. Không có hình ảnh, âm thanh hay video
Đầu ra	Câu trả lời Choice, Score và Noul có kiểu, kèm xác suất và confidence
SDK client	Python typesafe-sdk, JavaScript @typesafe-ai/sdk
Trọng số tùy chỉnh theo tài khoản	Không. Jev không được fine-tune hay LoRA-adapt bằng dữ liệu khách hàng
Dữ liệu huấn luyện từ khách hàng	Không. Request và response không được dùng để huấn luyện

Jev phù hợp ở đâu, và TypeSafe khuyên giữ gì trong code

TypeSafe cũng công bố chi tiết phạm vi của jev-1.13: chín lĩnh vực, mỗi lĩnh vực kèm pattern mà họ khuyến nghị thay thế, được rà soát lần cuối ngày 17 tháng 9 năm 2026.

#	Lĩnh vực	Hướng dẫn của TypeSafe
1	Đọc theo nghĩa đen — nó trả lời câu hỏi bạn viết, không phải câu hỏi bạn muốn hỏi	Nêu chính xác điều kiện; đưa các trường hợp biên vào tiêu chí
2	Toán và số — nó không phải máy tính và không đếm đáng tin	Giữ phép tính và việc đếm trong code
3	So sánh ngày và giờ — ngày được đọc như văn bản, không phải đại lượng có thứ tự	Tách các thành phần; so sánh trong code
4	Gián tiếp — phủ định kép và câu hỏi nhiều bước làm giảm độ chính xác	Giảm số bước; chỉ thẳng vào phần state liên quan
5	State lớn chứa đầy chi tiết không liên quan	Lọc trước; chỉ gửi những gì câu hỏi cần
6	Nội dung đối kháng	Viết hướng dẫn chính xác và kiểm thử các trường hợp biên trước khi triển khai
7	Hướng dẫn và tiêu chí mâu thuẫn	Đồng bộ hướng dẫn và tiêu chí
8	Các bất biến cấu trúc theo lẽ thường	Hỏi mỗi quyết định theo một cách; thực thi các đẳng thức trong code
9	Sinh văn bản	Dùng một mô hình generative

Hai trong số này quan trọng nhất trên thực tế. Thứ nhất, đếm: tài liệu nói thẳng rằng jev-1.13 "không đếm đáng tin" — số ký tự trong một từ, số lần xuất hiện trong một đoạn, số mục trong một danh sách dài — và sai số tăng theo kích thước của thứ được đếm. Thứ hai, sinh văn bản: Jev sẽ không viết bản tóm tắt, câu trả lời hay commit message của bạn. Nó quyết định; thứ khác viết.

Pattern đếm mà chính TypeSafe khuyến nghị cho thấy rõ sự phân chia công việc dự kiến: lặp qua các ứng viên trong code, hỏi một Noul cho mỗi ứng viên, và tự cộng các câu trả lời lại.

Những con số nổi bật đến từ đâu

Hai con số xuất hiện trong gần như mọi thảo luận về Jev. Chúng đến từ các nguồn khác nhau và mô tả những thứ khác nhau.

0.7 giây. Every đăng một bài có tiêu đề "TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds." Các chỉ mục build liệt kê bài viết đó mô tả nó là 777 phán đoán trên 37 bài báo. Chúng tôi không tải được toàn bộ nội dung bài viết để xác nhận con số chi phí của nó, nên hãy coi chi phí mỗi lần chạy được nhắc quanh demo đó là phép đo của chính tác giả chứ không phải mức giá được công bố.

724 quảng cáo, 40 giây, khoảng 9 xu. Con số này được ghi lại hai lần. Trang build madewithjev.com — 724 competitor ads, broken down nêu rằng 724 quảng cáo đang chạy từ 37 thương hiệu đã được phân tích trong khoảng 40 giây. Bài đăng trên X của tác giả (ngày 17 tháng 9 năm 2026) bổ sung chi phí — "dùng 9 xu token" — và liệt kê các khía cạnh được trích xuất cho mỗi quảng cáo: hook, định dạng, ưu đãi, CTA, giai đoạn nhận biết và sự lệch pha với landing page.

Sự khác biệt giữa hai con số này đáng để ghi nhớ: 0.7 giây là thời gian đánh giá của mô hình trên một tập văn bản cỡ đoạn văn, còn 40 giây bao gồm cả việc tải và xử lý 724 quảng cáo đang chạy. Không con số nào là bảo đảm về thông lượng cho khối lượng công việc của bạn.

Cộng đồng đang xây dựng gì với nó

Mức độ đón nhận Jev dễ kiểm chứng một cách bất thường, vì gần như mọi thứ được công bố trong tuần đầu đều là mã nguồn mở. Số sao dưới đây được đọc từ GitHub API ngày 20 tháng 9 năm 2026.

Trình duyệt và sử dụng máy tính. browser-use/jev-ultrafast (★10,113) đến từ tổ chức browser-use và là dự án định hình phong cách. Nó phơi ra một không gian hành động cố định (CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, BLOCKED) và yêu cầu Jev chọn cả thao tác lẫn phần tử mục tiêu. Cả hai quyết định nằm trong một request TypeSafe duy nhất, với câu hỏi về mục tiêu được đánh dấu là speculative. Chỉ TYPE_TEXT mới gọi một mô hình văn bản, và ví dụ trong README dùng một mô hình nhỏ. Tác vụ minh họa của nó — Zürich đến London trên Google Flights — được ghi là 7.1 giây bao gồm cả sinh văn bản và tải trang. Không có script riêng cho từng site.

Nén context cho coding agent. tamaratran/fast-jev-compaction (★4,544) quyết định những kết quả công cụ nào trong bản ghi của coding agent vẫn đáng giữ, để một phiên dài có thể được nén lại mà không cần một lượt tóm tắt đầy đủ. Có các bản port và biến thể cho những agent harness khác.

Rào chắn cho agent. DevMortimer/pi-warden (★99) và shiftynick/jev-axi (★17) đều đặt một phán đoán trước mỗi lệnh hoặc lệnh gọi công cụ: hỏi trước, chặn những cái nguy hiểm. Đây là pattern mà "xác suất đã hiệu chỉnh cộng ngưỡng trong code của bạn" thực sự tốt hơn một câu trả lời dạng văn bản mà bạn phải diễn giải.

Định tuyến mô hình. vinilana/jev-gateway (★61) định tuyến các request đơn giản sang tầng chi phí thấp và chỉ nâng cấp những request khó. Đây là biểu hiện trực tiếp nhất của chính luận điểm TypeSafe — rằng một quyết định có thể tốn một phần nhỏ chi phí so với phần sinh văn bản mà nó gác cổng.

Game và demo điều khiển. fhshaik/typesafe-mario (★289) chơi Super Mario Bros. từ trạng thái emulator có cấu trúc, và RomanSlack/jev-drone (★81) chạy vòng điều khiển drone trong MuJoCo. Những dự án này lan truyền nhanh hơn nhiều so với mức độ sẵn sàng để triển khai; hãy coi chúng là minh họa cho interface, không phải bằng chứng về độ tin cậy trong production.

Các bản tái tạo mở. Đây là hướng thú vị nhất với bất kỳ ai muốn có năng lực này mà không cần thêm nhà cung cấp mới. TheoLeeCJ/SemIf (★2,123) chạy một mô hình mở trên một chiếc RTX 3090 tại nhà và nói rõ rằng nó độc lập với TypeSafe. TianyuCodings/NanoJev (★1,175) là một bản tái tạo quy mô nhỏ. convaiinnovations/laya là một encoder Apache-2.0, dùng được cho mục đích thương mại, với các decision head được huấn luyện bằng RLCD, công bố dưới các tag system-one và calibrated-decisions, kèm một runner đi kèm trong receptron/laya. Không cái nào trong số này là Jev, và các biểu đồ benchmark họ công bố là của chính họ; điểm mấu chốt là hình dạng của mô hình có thể tái tạo được.

Phân loại theo lô. Bản phân tích quảng cáo ở trên là ví dụ tiêu biểu, và đây là pattern dễ sống sót khi tiếp xúc với production nhất: giữ nguyên state, hỏi nhiều câu hỏi hẹp trong một request, và đọc xác suất.

Jev có thực sự rẻ hơn một LLM chi phí thấp?

Không, xét theo token đầu vào, và đây là phần mà hầu hết bài viết bỏ qua. Jev tính $0.042 mỗi 1M token đầu vào. Trên APIMaster, gpt-5.6-luna đang giảm giá từ $0.022 mỗi 1M token đầu vào — gần bằng một nửa mức giá đầu vào của Jev — với glm-5.3-flash ở $0.105 và deepseek-flash ở $0.15. Các mô hình generative được host rẻ nhất đã có giá đầu vào thấp hơn Jev.

Lập luận về chi phí của Jev dựa trên ba điều khác:

• Không có token đầu ra. Mô hình generative rẻ nhất vẫn phải phát ra văn bản cho mỗi phán đoán, và giá đầu ra cao hơn đầu vào vài lần. Jev trả về một xác suất rồi dừng.
• Độ trễ. TypeSafe công bố thời gian phản hồi end-to-end từ 70ms đến 500ms và mô tả so sánh với các mô hình frontier trên các truy vấn có dạng System One là nhanh hơn 40× đến 200×. Tốc độ là thứ cho phép một quyết định chạy ngay trong đường đi của request thay vì phải xếp hàng.
• Các câu hỏi tăng thêm gần như miễn phí. Vì các câu hỏi được phân nhánh song song trên một state, câu hỏi thứ mười chỉ tốn một phần nhỏ so với một lệnh gọi API thứ mười.

Việc đó có thắng hay không phụ thuộc vào khối lượng công việc của bạn. Nếu các phán đoán của bạn ít, dài và hưởng lợi từ suy luận, một LLM chi phí thấp với đầu ra có cấu trúc là lựa chọn tốt hơn. Nếu bạn đưa ra nhiều phán đoán ngắn trên mỗi đơn vị công việc, hoặc bạn cần câu trả lời trước khi người dùng nhận ra sự chậm trễ, thì phép tính sẽ khác.

Bạn có thể gọi Jev bằng một khóa tương thích OpenAI không?

Không, đối với chính endpoint của TypeSafe, và sự khác biệt mang tính cấu trúc chứ không phải vấn đề cấu hình:

• Route khác. TypeSafe tài liệu hóa một endpoint đánh giá duy nhất, /v1/systemone, và một danh sách /v1/models. Không có /chat/completions nào được tài liệu hóa.
• Body khác. Request mang state và một tập hợp các questions có kiểu. Body kiểu OpenAI mang messages và mong nhận lại văn bản được sinh ra.
• Response khác. Bạn nhận được xác suất và giá trị confidence được đánh khóa theo tên câu hỏi bạn chọn, không phải một chuỗi completion.

Đối với API của nhà cung cấp, để một client tương thích OpenAI nói chuyện được với Jev, bạn phải viết một lớp dịch cho cả hai chiều — đó chính là việc các gateway cộng đồng ở mục định tuyến phía trên làm. Jev đang trong quá trình onboarding trên APIMaster, và trang này sẽ được cập nhật khi tích hợp hoạt động. Cho đến lúc đó, lựa chọn đang hoạt động để có một phán đoán nhanh trên một endpoint tương thích OpenAI là một trong các tầng chi phí thấp bên dưới.

Nên chạy gì hôm nay khi bạn cần những phán đoán nhanh

Nếu thứ bạn thực sự cần là một phán đoán từ một endpoint tương thích OpenAI đã có sẵn, câu hỏi thực tế là nên gửi nó tới tầng chi phí thấp nào. Các route APIMaster đang hoạt động tính đến ngày 20 tháng 9 năm 2026:

Model ID	Route đang giảm giá	Từ (đầu vào / đầu ra mỗi 1M)	Giá niêm yết tham chiếu	Giảm giá ước tính
gpt-5.6-luna	3	$0.022 / $0.134	$0.20 / $1.20	~89% off
glm-5.3-flash	3	$0.105 / $0.35	$0.15 / $0.50	~30% off
deepseek-flash	1	$0.15 / $0.60	Ngang mức off-peak của DeepSeek	Không phụ phí
gpt-5.6-terra	15	$0.12 / $0.72	$2.00 / $12.00	~94% off
gemini-3.8-flash	7	$0.20 / $1.00	$1.50 / $7.50	~87% off

Bản thân Jev vẫn đang trong quá trình onboarding tại thời điểm viết bài; tầng bên dưới là thứ nên chạy trong lúc chờ. Ba lưu ý khi đọc bảng đó. Giá là route thấp nhất đang được giảm tại thời điểm kiểm tra, và các route khác nhau cho cùng một mô hình có giá khác nhau — hãy mở thẻ mô hình trước khi cam kết khối lượng lớn. deepseek-flash được định giá theo đúng mức off-peak của DeepSeek, nên cách nói trung thực là "không có phụ phí gateway", chứ không phải giảm giá. Và giá đầu vào thấp hơn không tự động là lựa chọn rẻ hơn: độ dài đầu ra, hành vi cache hit và tỷ lệ retry thường chi phối hóa đơn cuối cùng.

Một cách phân chia khả thi cho pipeline kiểu Jev trên một khóa duy nhất:

1. Đặt quyết định hẹp, tần suất cao lên một tầng nhỏ, chi phí thấp và gác cổng bằng ngưỡng confidence của chính bạn.
2. Chỉ nâng những trường hợp dưới ngưỡng đó lên một mô hình mạnh hơn.
3. Giữ việc đếm, tính toán và so sánh ngày trong code của bạn — đúng lời khuyên TypeSafe đưa ra, và nó áp dụng cho mọi mô hình trong bảng.

Tạo tài khoản APIMaster, nạp credit trả theo mức dùng từ $1, tạo khóa trong console, và trỏ một client tương thích OpenAI tới https://apimaster.ai/v1 với bất kỳ model ID nào ở trên. Một khóa dùng được cho các họ GPT, GLM, DeepSeek, Gemini và Claude, nên đường nâng cấp ở bước 2 vẫn nằm trong cùng một tích hợp. Hãy kiểm chứng một route bằng công cụ test model trước khi chuyển traffic production.

FAQ

Jev là gì? Jev là mô hình System One của TypeSafe AI. Nó nhận một state cùng một tập hợp các câu hỏi có kiểu và trả về xác suất đã hiệu chỉnh — các câu trả lời Choice, Score và Noul — thay vì văn bản được sinh ra.

Jev có phải là mô hình ngôn ngữ không? Không — và cách diễn đạt của chính TypeSafe còn dứt khoát hơn thế. Trong luồng thảo luận ra mắt, nhà sáng lập mô tả nó là "một mô hình dữ liệu có cấu trúc, nhưng về mặt kỹ thuật không phải là mô hình ngôn ngữ (nó không sinh ra ngôn ngữ)". Nó đọc văn bản bạn gửi và trả về các quyết định có kiểu dữ liệu kèm xác suất và giá trị độ tin cậy, và nó không bao giờ sinh ra văn xuôi. TypeSafe xếp nó bên cạnh các mô hình hội thoại RLHF và các mô hình suy luận RLVR như một hạng mục thứ ba, chứ không phải như một phiên bản thu nhỏ của một trong hai loại đó.

Model ID của Jev là gì? jev-1.13.0. Các alias jev-latest và jev-preview hiện trỏ tới cùng một phiên bản; các SDK mặc định dùng jev-latest.

Jev có giá bao nhiêu? $42 mỗi tỷ token đầu vào, tức $0.042 mỗi 1M token đầu vào. Token đầu ra miễn phí, và chỉ tính phí trên đầu vào.

Jev có tương thích OpenAI không? Không, trên chính API của TypeSafe. Nó dùng một endpoint riêng POST /v1/systemone với body gồm state cộng questions và trả về xác suất thay vì completion, nên một client kiểu OpenAI không thể gọi nó mà không thay đổi. Jev đang trong quá trình onboarding trên APIMaster, và trang này sẽ được cập nhật khi tích hợp hoạt động.

Jev đã có trên APIMaster chưa? Chưa được bán — Jev đang trong quá trình onboarding trên APIMaster, và trang này sẽ được cập nhật khi tích hợp hoạt động. Trong lúc chờ, tầng văn bản chi phí thấp mà bạn sẽ ghép với một tầng ra quyết định đã có sẵn; xem các thẻ trực tiếp cho gpt-5.6-luna, glm-5.3-flash và deepseek-flash.

Jev có hỗ trợ tiếng Trung và các ngôn ngữ không phải tiếng Anh khác không? TypeSafe nêu rằng tiếng Anh là ngôn ngữ huấn luyện chính và là nơi độ chính xác hiện tốt nhất, còn các ngôn ngữ khác bao gồm CJK được xử lý nhưng không tốt như nhau. Tài liệu khuyên bạn nên kiểm thử trên chính nội dung của mình và theo dõi các giá trị confidence khi định tuyến.

Tôi có thể fine-tune Jev trên dữ liệu của mình không? Không. TypeSafe không fine-tune hay LoRA-adapt Jev theo từng khách hàng, và không huấn luyện trên request hay response của khách hàng. Hành vi theo lĩnh vực được định hình thông qua state, hướng dẫn và tiêu chí trong mỗi request.

Những tác vụ nào nên tránh dùng Jev? TypeSafe công bố chín nhóm: đọc theo nghĩa đen, toán và số, so sánh ngày và giờ, gián tiếp, state lớn chứa đầy chi tiết không liên quan, nội dung đối kháng, tiêu chí mâu thuẫn, các bất biến cấu trúc theo lẽ thường, và sinh văn bản. Việc đếm và tính toán thuộc về code của bạn.

Tôi có thể tự host một giải pháp thay thế không? Có những bản tái tạo mở — trong đó có SemIf, NanoJev và encoder Apache-2.0 laya — nhưng chúng là các dự án độc lập với benchmark của riêng mình, không phải Jev. Hãy coi các so sánh được công bố là phép đo của chính các dự án đó.

Khi nào nên dùng Jev thay vì một LLM chi phí thấp? Khi quyết định hẹp và có kiểu, bạn đưa ra nó thường xuyên, và bạn cần kết quả trả về trong vài trăm mili giây thay vì vài giây. Với suy luận trên context dài, sinh văn bản, hoặc bất cứ việc gì cần tính toán, một mô hình generative chi phí thấp là lựa chọn tốt hơn.

Nguồn và tài liệu tham khảo thêm

• TypeSafe — Models — model ID, alias, giá $42/Btok, giới hạn tốc độ, ngân sách context, hỗ trợ ngôn ngữ và cách xử lý dữ liệu
• TypeSafe — Jev 1.13 jaggedness — các lĩnh vực TypeSafe loại ra ngoài phạm vi, kèm pattern khuyến nghị cho từng lĩnh vực, rà soát ngày 17 tháng 9 năm 2026
• TypeSafe — API reference và Quick start — endpoint, hình dạng request và response, cách dùng SDK
• TypeSafe — Introducing System One Models and Jev — bài ra mắt, con số end-to-end 70–500ms và so sánh 40×–200×
• Thảo luận trên Hacker News — 1,918 điểm trên thread ra mắt
• browser-use/jev-ultrafast — không gian hành động, thiết kế một request cho cả thao tác lẫn mục tiêu, và demo Google Flights
• Made with Jev — 724 competitor ads, broken down — trang build phân tích quảng cáo, cùng bài đăng của tác giả
• Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds Các bản tái tạo mở. Đây là luồng thú vị nhất đối với bất kỳ ai muốn sở hữu năng lực này mà không cần đến một nhà cung cấp mới. TheoLeeCJ/SemIf (★2,123) chạy một mô hình mở trên một chiếc RTX 3090 duy nhất tại nhà và nói rõ rằng nó độc lập với TypeSafe. TianyuCodings/NanoJev (★1,175) là một bản tái tạo quy mô nhỏ. convaiinnovations/laya là một mô hình phân loại theo giấy phép Apache-2.0, dùng được cho mục đích thương mại, được huấn luyện bằng RLCD, công bố dưới các thẻ system-one và calibrated-decisions, kèm theo một runner trong receptron/laya. Không có cái nào trong số này là Jev, và các biểu đồ benchmark mà chúng công bố là của riêng chúng; điểm mấu chốt là hình dạng của mô hình có thể tái tạo được.

Tài liệu mô hình và ghi chú phạm vi của TypeSafe được kiểm tra ngày 20 tháng 9 năm 2026; số sao và giá route APIMaster được đọc cùng ngày. Quá trình onboarding Jev trên APIMaster đang diễn ra và trang này sẽ được cập nhật khi tiến triển. Giá, giới hạn tốc độ và trạng thái dự án có thể thay đổi — hãy kiểm chứng trên thẻ trực tiếp hoặc trang của chính nhà cung cấp trước khi cam kết một khối lượng công việc.