01/10/2026 · VietTechies · Biên tập
Các hệ thống quản lý tuyển dụng truyền thống thường phụ thuộc vào bộ lọc từ khóa đơn sơ, trong khi các giải pháp AI tạo sinh gần đây lại tóm tắt hồ sơ thành các đoạn văn bản hoặc tạo ra điểm số dạng số chưa được hiệu chỉnh. Việc xây dựng công cụ sàng lọc ứng viên dựa trên các mô hình ngôn ngữ lớn (LLM) tạo sinh bộc lộ những hạn chế rõ rệt: quá trình giải mã tự hồi quy từng bước gây ra độ trễ không cần thiết, việc lấy mẫu dẫn đến kết quả không nhất quán giữa các lần nhập cùng một dữ liệu, và các con số được tạo ra thiếu đi sự hiệu chỉnh thống kê chuẩn xác.
Độ trễ của mô hình tạo sinh và điểm số thiếu hiệu chỉnh
LLM tạo sinh tính toán kết quả đầu ra theo từng token trong một quy trình tuần tự. Thiết kế này tạo ra độ trễ tự nhiên và chi phí cho mỗi token đầu ra cao hơn đáng kể so với việc xử lý đầu vào. Mặc dù phương pháp giải mã có ràng buộc buộc các mô hình tạo sinh phải tuân thủ cấu trúc JSON cố định, giải pháp này chỉ hạn chế định dạng của token chứ không thể chuyển đổi đầu ra cốt lõi thành xác suất thống kê đã được hiệu chỉnh.
Trong công tác sàng lọc ứng viên, mức đánh giá 70% do LLM tạo ra phản ánh sự dự đoán văn bản mang tính văn phong hơn là một phép đo xác suất thực sự. Do các mô hình tạo sinh đánh giá từng đầu vào một cách độc lập mà không có chuẩn cơ sở nội bộ thống nhất, đồng thời thường xuyên lấy mẫu đầu ra qua thiết lập nhiệt độ (temperature) khác 0, cùng một hồ sơ năng lực có thể cho ra các mức điểm khác nhau. Hơn nữa, đầu ra tạo sinh không thể phát tín hiệu khi độ tin cậy của mô hình ở mức thấp, buộc con người phải xác minh lại mọi kết quả bất kể độ chính xác.
Ra quyết định phân biệt với TypeSafe Jev
Để giải quyết bài toán sàng lọc như một vấn đề nhận dạng mẫu, TypeSafe AI đã giới thiệu mô hình Jev vào tháng 9 năm 2026. Được thiết kế như một mô hình System 1 dạng phân biệt và không tạo sinh, Jev hoàn toàn không tạo ra văn bản. Thay vào đó, mô hình này đánh giá dữ liệu đầu vào dựa trên một tập hợp các câu hỏi có kiểu dữ liệu cố định và trả về điểm số dạng số cùng xác suất đã được hiệu chỉnh. Được đồng sáng lập bởi cựu nghiên cứu sinh RLHF Diogo Almeida, TypeSafe đã huấn luyện Jev bằng phương pháp học tăng cường cho các quyết định hiệu chỉnh (RLCD) nhằm đảm bảo các chỉ số tin cậy được báo cáo phản ánh trực tiếp tỷ lệ chính xác trong thực tế.
Vì mô hình phân biệt hoạt động trên các không gian câu trả lời được định sẵn, hiện tượng ảo giác về mặt cấu trúc là hoàn toàn không thể xảy ra. Khi được tích hợp vào các công cụ tuyển dụng như cổng thông tin đại lý xây dựng bằng Next.js và Supabase, Jev đánh giá đồng thời nhiều tiêu chí công việc trên toàn bộ văn bản của ứng viên. Thay vì tự động đưa ra quyết định loại bỏ, các đầu ra xác suất đã hiệu chỉnh sẽ đánh dấu những điểm số có độ tin cậy thấp để con người xem xét, đồng thời phân loại gọn gàng các ứng viên có độ tin cậy cao.
Ảnh minh họa do AI tạo, không phải ảnh tư liệu.
Nguồn:
How to Build an AI Résumé Screening Tool with Next.js, Supabase, and TypeSafe Jev