OpenThai-SystemOne 新

免费预览

现在：使用任意 iApp API key 0 IC（注册免费），每个 key 每天 1,000 次决策之后：按决策计价的价格将于 2026 年 10 月公布

v0.1-20260920 Active 往返 0.23 秒，0 输出 token 公开基准 macro 61.9（Nimble-9B 74.8，Jev 76.0） POST /v3/store/openthai/systemone

OpenThai-SystemOne 是 iApp Technology 与 OpenThai 推出的开源（Apache 2.0）泰语与英语 System One 决策模型。它不生成文本。你发送一个 state（任意文本或 JSON：客服工单、评论、文档、界面无障碍树）和一个或多个结构化问题，它在一次前向计算中返回每个问题每个选项的校准概率。HTTP 接口与 TypeSafe AI 的 Jev 所用的 POST /v1/systemone 形状一致，为该 API 编写的 SDK 代码无需修改即可指向本端点。

问题类型	你提供	你得到
`choice`	指令和最多 255 个命名选项（可带描述）	最佳选项、每个选项的概率、`confidence`、`abstain`
`score`	指令和 2 到 10 个有序等级	概率加权得分（可为小数）和每个等级的概率
`noul`	一个是/否问题	`noul` = P(是)

模型页面：OpenThai-SystemOne
开放权重：huggingface.co/iapp/OpenThai-SystemOne
代码与训练方案：github.com/iapp-technology/openthai-systemone

快速开始

前提条件
- 免费的 iApp API key：注册，进入 API Keys，点击 Create New API Key
- 需要决策的状态，以及你想回答的问题

端点


端点	`POST https://api.iapp.co.th/v3/store/openthai/systemone`
认证	`apikey: <key>` 请求头
请求体	JSON：`state`（字符串或任意 JSON）和 `questions`（结构化问题的映射）
限制	免费预览期间每个 key 每分钟 100 次请求、每天 1,000 次决策；每个 `choice` 最多 255 个选项，每个 `score` 2 到 10 个等级，每次请求 64K token
输出	每个问题一个答案的 JSON，`usage.output_tokens` 始终为 0

如何获取 API Key？

请访问 API Key 管理页面查看现有 API key 或申请新的 key。

在线体验

四个预设：泰语工单分流、泰语评论审核、为智能体选择界面元素、英语 RAG 相关性判断。可编辑状态或问题，然后点击提问。登录后会自动填入你的 API key。

OpenThai-SystemOne 在线体验

一次请求，每个问题都返回概率。不生成任何文本。

免费预览

状态（文本或 JSON）

问题（JSON）

类型：choice（最多 255 个选项）、score（2 到 10 个有序等级）、noul（是/否）。

API Key

0.1 版。0.8B 模型不会输出未提供的选项，但仍可能选错。请将低置信度的答案交给更大的模型或人工处理。

代码示例

同一个请求的各语言版本：一条泰语客服工单，三个问题，一次调用。

cURL
Python
JavaScript

curl -s https://api.iapp.co.th/v3/store/openthai/systemone \
  -H "apikey: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "state": {"ticket": "โดนหักเงินซ้ำสองครั้งเมื่อวานนี้ ขอเงินคืนด่วนนะครับ โทรไปสามรอบแล้วไม่มีใครรับ"},
  "questions": {
    "department":  {"type": "choice", "instructions": "ทีมใดควรรับผิดชอบ",
                    "criteria": {"billing": "การเงิน/คืนเงิน", "technical": "ระบบใช้งานไม่ได้", "sales": null}},
    "frustration": {"type": "score",  "instructions": "ลูกค้าหงุดหงิดแค่ไหน",
                    "criteria": ["ใจเย็น", "หงุดหงิดแต่สุภาพ", "โกรธมาก"]},
    "refund":      {"type": "noul",   "instructions": "ลูกค้าขอเงินคืนอย่างชัดเจนหรือไม่"}
  }
}'

import requests

resp = requests.post(
    "https://api.iapp.co.th/v3/store/openthai/systemone",
    headers={"apikey": "YOUR_API_KEY"},
    json={
        "state": {"ticket": "โดนหักเงินซ้ำสองครั้งเมื่อวานนี้ ขอเงินคืนด่วนนะครับ โทรไปสามรอบแล้วไม่มีใครรับ"},
        "questions": {
            "department": {"type": "choice", "instructions": "ทีมใดควรรับผิดชอบ",
                           "criteria": {"billing": "การเงิน/คืนเงิน", "technical": "ระบบใช้งานไม่ได้", "sales": None}},
            "frustration": {"type": "score", "instructions": "ลูกค้าหงุดหงิดแค่ไหน",
                            "criteria": ["ใจเย็น", "หงุดหงิดแต่สุภาพ", "โกรธมาก"]},
            "refund": {"type": "noul", "instructions": "ลูกค้าขอเงินคืนอย่างชัดเจนหรือไม่"},
        },
    },
    timeout=30,
)
answers = resp.json()["answers"]
print(answers["department"]["choice"], answers["frustration"]["score"], answers["refund"]["noul"])
# 将低置信度的结果交给更大的模型或人工
if answers["department"]["confidence"] < 0.6:
    print("escalate")

const res = await fetch("https://api.iapp.co.th/v3/store/openthai/systemone", {
  method: "POST",
  headers: { apikey: "YOUR_API_KEY", "Content-Type": "application/json" },
  body: JSON.stringify({
    state: { ticket: "โดนหักเงินซ้ำสองครั้งเมื่อวานนี้ ขอเงินคืนด่วนนะครับ โทรไปสามรอบแล้วไม่มีใครรับ" },
    questions: {
      department: { type: "choice", instructions: "ทีมใดควรรับผิดชอบ",
                    criteria: { billing: "การเงิน/คืนเงิน", technical: "ระบบใช้งานไม่ได้", sales: null } },
      frustration: { type: "score", instructions: "ลูกค้าหงุดหงิดแค่ไหน",
                     criteria: ["ใจเย็น", "หงุดหงิดแต่สุภาพ", "โกรธมาก"] },
      refund: { type: "noul", instructions: "ลูกค้าขอเงินคืนอย่างชัดเจนหรือไม่" },
    },
  }),
});
const { answers, usage } = await res.json();
console.log(answers.department.choice, answers.frustration.score, answers.refund.noul, usage);

响应

上述请求的实测输出（166 个输入 token，0 个输出 token，一次前向计算）：

{
  "model": "openthai-systemone",
  "answers": {
    "department":  {"type": "choice", "choice": "billing",
                    "probabilities": {"billing": 0.963, "technical": 0.011, "sales": 0.026},
                    "confidence": 0.83, "abstain": 0.085},
    "frustration": {"type": "score", "score": 1.95,
                    "legend": {"0": "ใจเย็น", "1": "หงุดหงิดแต่สุภาพ", "2": "โกรธมาก"},
                    "probabilities": {"0": 0.012, "1": 0.031, "2": 0.957}, "confidence": 0.82},
    "refund":      {"type": "noul", "noul": 0.946}
  },
  "usage": {"input_tokens": 166, "output_tokens": 0}
}

解读答案

choice：choice 是最佳选项，probabilities 在你提供的选项上求和为 1，confidence 为 1 减去归一化熵，abstain 是没有任何选项合适的概率（iApp 扩展）。
score：score 是概率加权的等级索引（可为小数），probabilities 按等级给出，legend 将索引映射到标签。
noul：noul 是 P(是)。
将 confidence 低的答案交给更大的模型或人工处理。模型不会输出你未提供的选项，但仍可能出错。

应用场景

工单分流、评论审核、检查 LLM 答案是否有依据、为智能体选择要操作的界面元素、文档与字段分类、评论打分。每一种都是一次请求同时回答所有问题，在服务器 GPU 上只需几十毫秒。

性能

设置	实测
网关往返，3 个问题的泰语工单（本页示例，2026 年 9 月 20 日）	0.23 秒
服务器 GPU（H100），batch 1，3 个问题	40 至 70 毫秒
笔记本 GPU（MacBook M3 Max，MPS）	154 毫秒
输出 token	每次请求均为 0

基准测试

在 Bespoke Labs 公开的 13 子集 System One 基准上零样本评测，使用相同的子集、划分、指令和采样器。Nimble-9B 与 Jev 的数字为 Bespoke Labs 于 2026 年 9 月 18 日公布；我们的数字由随模型发布的评测脚本测得。choice 与 noul 报告准确率，score 报告等级完全匹配率。加粗表示 0.8B 模型领先 9B 模型的子集。

Subset	Type	n	OpenThai-SystemOne 0.8B	Nimble-9B	Jev 1.13.0
aegis2	noul	250	58.0	81.2	80.4
boolq	noul	300	63.7	86.0	89.7
civil_comments	noul	300	78.0	70.3	81.0
helpsteer2	score	250	42.8	39.0	34.1
massive-de-DE	choice	350	64.6	83.4	86.9
massive-en-US	choice	350	75.7	86.9	87.4
multinli	choice	299	85.6	85.3	82.9
paws	noul	250	67.2	82.8	89.2
pubmedqa	choice	250	53.6	75.6	77.2
squad2	noul	299	50.2	80.6	82.9
summeval-consistency	score	144	84.0	75.7	81.2
summeval-relevance	score	240	13.8	49.2	35.0
vitaminc-dev	choice	599	67.1	76.6	80.1
Macro average			61.9	74.8	76.0

原始 Qwen3.5-0.8B 以字母对数概率提示在同一基准上得 45.4。如实解读：0.8B 模型在 13 个子集中的 4 个领先 9B（NLI、摘要一致性、有用性评分、毒性），在阅读理解式是/否任务（squad2 接近随机、boolq、pubmedqa）和摘要相关性评分上明显落后，后者的评分头校准较差（ECE 0.79）。

泰语留出测试集，从未用于训练。ECE 为期望校准误差，越低越好：

Set	Type	n	Accuracy	ECE
MASSIVE-th intent (60-way)	choice	5,007	86.4	0.048
Prachathai67k topics	choice	3,501	97.7	0.005
XNLI-th	choice	2,490	76.5	0.028
SIB-200 Thai topic (7-way), whole dataset held out	choice	204	77.5	0.074
Wongnai review stars (1 to 5)	score	6,203	63.3	0.010
xLAM tool selection (English)	choice	884	99.4	0.007
Wisesight sentiment (4-class), whole dataset held out	choice	2,671	38.7	0.341
banking77 intent (77-way, English), whole dataset held out	choice	3,076	32.7	0.165

在泰语测试集以及 NLI 和主题任务上，置信度可靠（校准后 ECE 不超过 0.05）。在英语公开基准上 ECE 中位数为 0.15，因此请将低置信度的英语是/否决策交给更大的模型。完整表格、Brier 分数和校准前后对比见模型卡。

限制

0.1 版。0.8B 模型，不是推理模型。
只回答你提供的选项，且仍可能出错。用 confidence 分流不确定的情况。
v0.1 已知弱项（见上表）：泰语社交媒体情感（Wisesight 38.7）、细粒度 77 类英语意图（banking77 32.7）、抽取式问答风格的是/否（squad2 接近随机）以及摘要相关性评分。v0.2 以第一项为目标。
仅支持文本，不支持图片。
每个 choice 最多 255 个选项，每个 score 2 到 10 个等级，每次请求 64K token。

本地运行

权重开放。三行命令即可在自己的机器上得到同样的答案：

pip install "git+https://github.com/iapp-technology/openthai-systemone"
OPENTHAI_SYSTEMONE_MODEL=iapp/OpenThai-SystemOne uvicorn openthai_systemone.server:app --port 8000
curl -s http://localhost:8000/v1/systemone -H "Content-Type: application/json" -d '{"state": "...", "questions": {...}}'

技术参考

请求

POST https://api.iapp.co.th/v3/store/openthai/systemone，请求头 apikey，请求体 application/json：

字段	类型	说明
`state`	字符串或 JSON	决策的对象。接受任意 JSON 并序列化给模型。
`questions`	object	问题名到问题的映射。所有问题在同一次前向计算中回答。
`questions.<name>.type`	`choice`、`score` 或 `noul`	问题类型。
`questions.<name>.instructions`	字符串	要决策的内容，泰语或英语。
`questions.<name>.criteria`	object 或数组	`choice`：选项名到可选描述的对象（无描述用 `null`），最多 255 个。`score`：2 到 10 个按顺序排列的等级标签数组。`noul` 不使用。

响应

字段	说明
`model`	模型标识。
`answers.<name>`	每个问题一个对象，`type` 与请求一致。见解读答案。
`usage.input_tokens`	消耗的输入 token。
`usage.output_tokens`	始终为 0。

错误

状态码	含义
401	缺少或无效的 `apikey`。
422	请求格式错误，例如 `score` 少于 2 个等级或 `choice` 超过 255 个选项。
429	速率限制：免费预览期间每个 key 每分钟 100 次请求或每天 1,000 次决策。

架构

模型是 Qwen3.5-0.8B 的文本塔，在约 50 亿泰语 token 上继续预训练，并将语言模型头替换为 256 路槽位头。选项由控制 token 引入；每个答案位置投影为 256 个 logit，超出选项数的槽位被屏蔽，softmax 给出分布。第 255 号槽位表示"均不适用"。训练时打乱选项顺序，因此没有位置偏差。

更新日志

日期	版本	变更
2026 年 9 月 20 日	v0.1-20260920	公开发布。托管 API 上线 `api.iapp.co.th`，免费预览每个 key 每天限 1,000 次决策。开放权重和训练方案以 Apache 2.0 发布。

OpenThai-SystemOne 新

快速开始

在线体验

代码示例

响应

解读答案

应用场景

性能

基准测试

限制

本地运行

技术参考

请求

响应

错误

架构

更新日志

ChindaX

SpeechFlow

ChindaGO

快速开始​

在线体验​

代码示例​

响应​

解读答案​

应用场景​

性能​

基准测试​

限制​

本地运行​

技术参考​

请求​

响应​

错误​

架构​

更新日志​

快速开始

在线体验

代码示例

响应

解读答案

应用场景

性能

基准测试

限制

本地运行

技术参考

请求

响应

错误

架构

更新日志