Jan

Jan คือแพลตฟอร์มโอเพนซอร์สสำหรับรันโมเดล AI บนคอมพิวเตอร์ของตัวเอง มาเป็นแอปแชตบนเดสก์ท็อปสำหรับ macOS, Windows และ Linux ที่มี engine llama.cpp ในตัว มีคลังโมเดล (Hub) และเซิร์ฟเวอร์ API (ช่องทางให้โปรแกรมอื่นเรียกใช้) ในเครื่องที่เข้ากับ OpenAI ได้ จึงไม่ต้องลงโปรแกรมรันโมเดลตัวอื่นคู่กัน และต่อกับโมเดลคลาวด์ด้วย API key ของตัวเองได้ในแอปเดียวกัน

ไปที่เว็บ Jan jan.ai

เหมาะกับใคร

เหมาะกับมือใหม่ที่อยากได้แอปกดใช้ เพราะติดตั้งด้วยไฟล์ติดตั้งปกติ ไม่ต้องสมัครบัญชี และเปิดครั้งแรก Jan ดาวน์โหลดโมเดลเริ่มต้นให้เอง
เหมาะกับคนที่ไม่อยากให้ข้อมูลออกนอกเครื่อง เพราะโมเดล บทสนทนา การตั้งค่า และ log เก็บในเครื่อง และไฟล์ที่แนบถูกประมวลผลในเครื่องเมื่อใช้โมเดล local
เหมาะกับนักพัฒนาที่อยากใช้โมเดลในเครื่องแทน API บนคลาวด์ เพราะมี endpoint /v1/chat/completions แบบ OpenAI และ /v1/messages แบบ Anthropic ให้ SDK เดิมชี้มาได้
เหมาะกับคนที่ใช้ Claude Code และอยากให้โค้ดอยู่ในเครื่อง เพราะมีหน้า Settings > Integrations > Claude Code ให้กำหนดโมเดลของ Jan ให้แต่ละระดับ (Large/Opus, Medium/Sonnet, Small/Haiku)
เหมาะกับบริษัทที่อยากใช้ฟรีโดยไม่มีเงื่อนไขแยกสำหรับงานเชิงพาณิชย์ เพราะทั้งแอปใช้ Apache License 2.0 และไม่มีแผนเสียเงิน
เหมาะกับคนที่มี Ollama, vLLM หรือ llama-server รันอยู่แล้ว เพราะ Jan เพิ่ม endpoint ที่ใช้รูปแบบ OpenAI หรือ Anthropic เป็น custom provider ได้ เช่น http://localhost:11434/v1 ของ Ollama

ไม่เหมาะกับ

คนใช้ Mac ชิป Intel ควรดูตัวอื่น เพราะ Jan ไม่รองรับ Mac ชิป Intel ตั้งแต่ v0.8.0 และใน v0.8.5 โมเดล llama.cpp โหลดไม่ได้บนเครื่องแบบนี้ ใช้ได้แค่กับ provider ภายนอก
คนที่ต้องการหน้าจอภาษาไทย ยังไม่เหมาะ เพราะตัวเลือกภาษาของแอปมี 17 ภาษาและไม่มีภาษาไทย
ทีมที่ต้องการบัญชีผู้ใช้ สิทธิ์ และหน้าแอดมิน ควรดู Jan Server หรือตัวอื่น เพราะแอปเดสก์ท็อปแชร์ได้แค่การเปิด Local API Server ให้เครื่องในวง LAN เรียก
เครื่องที่ CPU ไม่มี AVX2 ใช้ไม่ได้ เพราะ llama.cpp ที่มากับแอปต้องใช้ AVX2 (Intel Haswell ปี 2013 ขึ้นไป หรือ AMD Excavator ปี 2015 ขึ้นไป)
คนที่อยากรันแอปเดสก์ท็อปใน Docker ควรดูตัวอื่น เพราะ Jan Desktop ไม่มีวิธีติดตั้งผ่าน Docker มีเฉพาะโปรเจกต์แยกชื่อ Jan Server ที่ใช้ Docker
โปรแกรมที่ต้องคุยกับ API รูปแบบของ Ollama ยังไม่เหมาะ เพราะเซิร์ฟเวอร์ของ Jan มีเฉพาะ endpoint แบบ OpenAI และ Anthropic

ทำได้แค่ไหน

ดาวน์โหลดและรันโมเดลจาก Hugging Face เช่น Llama, Gemma, Qwen และ GPT-oss บนเครื่องตัวเอง ด้วย engine llama.cpp ที่มากับแอป
Hub ติดป้ายให้แต่ละโมเดลว่า Fits, May be slow หรือ Won't fit ตามสเปกเครื่องของคุณ ก่อนกดดาวน์โหลด
เปิด Local API Server ที่ http://127.0.0.1:1337 ให้โปรแกรมอื่นเรียกโมเดลในเครื่องได้ ทั้งแบบ OpenAI และแบบ Anthropic
อัปโหลดไฟล์เข้า Project แล้ว Jan จะหั่นและทำดัชนีไว้ให้ถามตอบได้ทุกบทสนทนาใน Project นั้น รองรับ PDF, Markdown, DOCX, XLSX, PPTX และไฟล์โค้ด
เป็น MCP host (MCP คือมาตรฐานเชื่อม AI กับบริการภายนอก) เพิ่มเซิร์ฟเวอร์ได้ทั้งแบบ STDIO, HTTP และ SSE และต้องอนุมัติ tool call ทีละครั้ง
มี Web Search ในตัว ส่ง tools ชื่อ web_search และ web_fetch ให้โมเดลที่ใช้ tools ได้ โดยไม่ต้องมี API key หรือ MCP server
ต่อกับโมเดลคลาวด์ด้วย API key ของตัวเองได้ เช่น GPT ผ่าน OpenAI, Claude ผ่าน Anthropic, Mistral, Groq และ MiniMax

ใช้กับงานแบบไหนได้

มือใหม่ที่อยากได้แอปกดใช้ได้

เป็นแอปมีหน้าต่างบนทั้งสามระบบ ไม่ต้องสมัครบัญชี เปิดครั้งแรกจะดาวน์โหลดโมเดลเริ่มต้นให้เอง และ Hub ติดป้าย Fits, May be slow หรือ Won't fit ให้ทุกโมเดล

คอมแรม 8GB หรือไม่มีการ์ดจอได้บางส่วน

RAM 8GB เป็นขั้นต่ำบน Windows และ Linux (แนะนำ 16GB) และ CPU ต้องมี AVX2 โมเดล 4B ของ Jan ต้องการขั้นต่ำ 8GB RAM ที่ Q4 และ Lucy 1.7B ขั้นต่ำ 4GB ถ้าการ์ดจอมี VRAM ไม่ถึง 6 GB Jan จะรันบน CPU

ใช้การ์ดจอหรือ Apple Silicon ให้เต็มได้

NVIDIA ใช้ CUDA 13 ที่มากับแอป AMD, Intel Arc และ NVIDIA รุ่นเก่าใช้ Vulkan ส่วน Apple Silicon เปิด Metal เป็นค่าเริ่มต้น มีการตั้ง GPU Layers และการใช้หลายการ์ดจอ แต่ AMD ROCm/HIP บน Windows ต้องดาวน์โหลด backend เอง

เปิด API ให้โปรแกรมอื่นมาต่อได้

มีเซิร์ฟเวอร์ในตัวที่ http://127.0.0.1:1337 มี /v1/models, /v1/chat/completions และ /v1/messages แบบ Anthropic ตั้ง API key, CORS, Trusted Hosts และผูกกับ 0.0.0.0 ได้

ถามตอบจากไฟล์ของตัวเองได้

ไฟล์ใน Project ถูกหั่นและทำดัชนีไว้ค้นคืน (PDF, Markdown, DOCX, XLSX, PPTX, ไฟล์โค้ด) และแนบไฟล์กับข้อความเดียวได้ ประมวลผลในเครื่อง แต่ใช้กับ engine MLX ไม่ได้เพราะ MLX ไม่มี embeddings

ทำเอเจนต์ที่ใช้ tools หรือ MCPได้บางส่วน

Jan เป็น MCP host และโมเดล local ที่ทำ tool calling ได้ใช้ tools ได้ โดยต้องอนุมัติทีละครั้ง แต่เซิร์ฟเวอร์ STDIO ต้องมี NodeJS หรือ Python โมเดลโอเพนซอร์สหลายตัวไม่ได้ออกแบบมาให้ใช้ tools Web Search ต้องต่อเน็ต และ Cowork มีเฉพาะช่อง nightly

ตั้งเซิร์ฟเวอร์ให้ทั้งทีมใช้ได้บางส่วน

เซิร์ฟเวอร์ในแอปผูกกับ 0.0.0.0 พร้อม API key และ Trusted Hosts ได้ และ llama.cpp มี Parallel Sequences กับ Continuous Batching แต่แอปเดสก์ท็อปไม่มีบัญชีผู้ใช้หรือหน้าแอดมิน งานหลายผู้ใช้ต้องใช้โปรเจกต์แยกชื่อ Jan Server (ใช้ Docker) หรือ Tokamak

ใช้งานเป็นภาษาไทยไม่ได้

หน้าจอแอปไม่มีภาษาไทย (มี 17 ภาษา) คู่มือเป็นภาษาอังกฤษ และไม่มีโมเดลของ Jan ตัวใดที่บอกว่ารองรับภาษาไทย ยังไม่มีข้อมูลว่าโมเดลที่ดาวน์โหลดมาตอบภาษาไทยได้แค่ไหน

วิธีเริ่มใช้

Windows

ดาวน์โหลดตัวติดตั้ง x64 จาก https://app.jan.ai/download/latest/win-x64 (เครื่อง Windows on ARM ให้เลือกตัวติดตั้ง ARM64 จากหน้าดาวน์โหลด)
รันไฟล์ .exe ที่ดาวน์โหลดมา
รอจนติดตั้งเสร็จ
เปิด Jan

macOS

ดาวน์โหลดจาก https://app.jan.ai/download/latest/mac-universal (ใช้ได้กับ Mac ชิป Apple Silicon เท่านั้น)
เปิดไฟล์ติดตั้ง .dmg
ลาก Jan ไปไว้ใน Applications
เปิด Jan

Linux (Flatpak แนะนำ)

ถ้ายังไม่ได้ตั้ง Flathub ให้รัน flatpak remote-add --if-not-exists flathub https://flathub.org/repo/flathub.flatpakrepo
รัน flatpak install flathub ai.jan.Jan
เปิดด้วย flatpak run ai.jan.Jan
อัปเดตด้วย flatpak update ai.jan.Jan (ตัวอัปเดตในแอปถูกปิดไว้)

Linux (.deb หรือ AppImage)

แบบ .deb (Ubuntu/Debian): ดาวน์โหลดจาก https://app.jan.ai/download/latest/linux-amd64-deb
รัน sudo apt-get install ./jan-linux-amd64-{version}.deb หรือ sudo dpkg -i jan-linux-amd64-{version}.deb
แบบ AppImage: ดาวน์โหลดจาก https://app.jan.ai/download/latest/linux-amd64-appimage
รัน chmod +x jan-linux-x86_64-{version}.AppImage
รัน ./jan-linux-x86_64-{version}.AppImage

เริ่มใช้ครั้งแรก

เปิด Jan แล้วทำตามหน้าตั้งค่าครั้งแรก ซึ่งมีหน้า welcome, engine setup, first model และหน้า consent
รอให้ Jan ดาวน์โหลดโมเดลเริ่มต้นจนเสร็จ
เริ่มพิมพ์แชตได้เลย ไม่ต้องสมัครบัญชี

ดาวน์โหลดโมเดลเพิ่ม

เปิด Hub จากแถบด้านซ้าย
ค้นหาหรือเลื่อนดูโมเดล ดูป้าย Fits, May be slow หรือ Won't fit แล้วกด Download
เมื่อดาวน์โหลดเสร็จ เลือกโมเดลจากตัวเลือกโมเดลในแชต
โมเดลจาก Hugging Face: คัดลอก model ID เช่น TheBloke/Mistral-7B-v0.1-GGUF มาวางในช่อง Search ของ Hub แล้วเลือกรุ่น quantization
ไฟล์ GGUF ที่มีในเครื่องอยู่แล้ว: ไปที่ Settings > Llama.cpp แล้วกด Import

เปิด API ให้โปรแกรมอื่นใช้

ไปที่ Settings > Local API Server
ตั้ง API Key เป็นข้อความอะไรก็ได้
กด Start Server
รอจน log ขึ้น JAN API listening at http://127.0.0.1:1337
ทดสอบด้วย curl http://127.0.0.1:1337/v1/chat/completions -H "Content-Type: application/json" -H "Authorization: Bearer secret-key-123" -d '{"model": "YOUR_MODEL_ID", "messages": [{"role": "user", "content": "Tell me a joke."}]}'

ใช้เป็น backend ของ Claude Code

ไปที่ Settings > Integrations > Claude Code
กำหนดโมเดลของ Jan ให้แต่ละระดับ คือ Large/Opus, Medium/Sonnet และ Small/Haiku
กด Save & Enable

ลบโมเดล

ไปที่ Settings > Llama.cpp
กดไอคอนถังขยะข้างโมเดลที่ต้องการลบ
ถ้าจะลบทั้งหมด กด Delete All ในส่วน Models แอปจะแสดงพื้นที่ที่จะได้คืน
โมเดลที่ Import เข้ามาเองจะไม่ถูกลบ ไฟล์ต้นทางยังอยู่ที่เดิม

ถอนการติดตั้ง

Windows: Control Panel > Programs > Uninstall Program > Jan แล้วลบโฟลเดอร์ Jan ใน C:\Users\[username]\AppData\Roaming
macOS: ย้าย Jan จาก Applications ไปถังขยะ แล้วลบข้อมูลด้วย rm -rf ~/Library/Application\ Support/Jan/data
Linux: รัน flatpak uninstall ai.jan.Jan หรือ sudo apt-get remove jan หรือลบไฟล์ AppImage
Linux: ลบข้อมูลด้วย rm -rf ~/.local/share/Jan และ rm -rf ~/.config/Jan

Docker (Jan Server โปรเจกต์แยก)

เตรียม Docker Desktop หรือ Docker Engine กับ docker compose V2, Make และ Git บนเครื่องที่มี RAM อย่างน้อย 8 GB (แนะนำ 12 GB)
รัน git clone https://github.com/janhq/server.git
รัน cd server
รัน make quickstart

Build จาก source

เตรียม Node.js >= 20.0.0, Yarn >= 4.5.3, Make >= 3.81 และ Rust (สำหรับ Tauri)
รัน git clone https://github.com/janhq/jan
รัน cd jan
รัน make dev

ใช้กับเครื่องแบบไหนได้

macOS	macOS 13.6 ขึ้นไป เฉพาะชิป Apple Silicon (M1, M2, M3, M4) พื้นที่ว่าง 10GB ขึ้นไป Mac ชิป Intel ไม่รองรับ แม้ไฟล์ดาวน์โหลดจะชื่อ mac-universal
Windows	Windows 10 ขึ้นไป CPU x64 ที่มี AVX2 (Intel Haswell 2013+, AMD Excavator 2015+) หรือ ARM64 (Windows on ARM) RAM ขั้นต่ำ 8GB แนะนำ 16GB การ์ดจอ NVIDIA, AMD หรือ Intel Arc ต้องมี VRAM (หน่วยความจำของการ์ดจอ) อย่างน้อย 6GB พื้นที่ว่างอย่างน้อย 10GB
Linux	Debian/Ubuntu, Fedora/RHEL, Arch และ openSUSE CPU ต้องมี AVX2 RAM ขั้นต่ำ 8GB แนะนำ 16GB VRAM ขั้นต่ำ 6GB พื้นที่ว่างอย่างน้อย 10GB ส่วน Linux Arm64 ไม่มีไฟล์ดาวน์โหลดตรง มีแค่ลิงก์ไปวิธีทำใน GitHub issue
RAM กับขนาดโมเดลบน Mac	8GB ใช้โมเดลได้ถึงราว 3B โมเดล 7B บางตัวลงได้เฉพาะที่ quantization (การบีบอัดโมเดลให้เล็กลง) ระดับต่ำมาก 16GB ใช้ได้ถึงราว 7B และ 32GB ใช้ได้ถึงราว 13B ทั้งนี้ขึ้นกับ quantization, context length และหน่วยความจำที่ macOS ใช้อยู่
หลักเลือกขนาดโมเดล	เลือกโมเดลที่ใช้ไม่ถึง 80% ของ RAM ที่ว่าง เครื่อง 8GB ใช้โมเดลไม่เกิน 6GB และเครื่อง 16GB ใช้โมเดลไม่เกิน 13GB
NVIDIA	ตั้งแต่ v0.8.5 บน Windows และ Linux การ์ด NVIDIA ใช้ CUDA 13 ที่มากับแอป การ์ดหรือไดรเวอร์ที่รัน CUDA 13 ไม่ได้ เช่น ตระกูล Pascal (GTX 10 series) ใช้ Vulkan แทน ขณะที่หน้าติดตั้งยังบอกให้ลง NVIDIA Driver 470.63.01 ขึ้นไปและ CUDA toolkit 11.7 ขึ้นไป แล้วเปิดที่ Settings > Hardware > GPUs
NVIDIA Turing	v0.8.6 ทำให้การ์ดตระกูล Turing (GTX 16xx, RTX 20xx) ที่ใช้ไดรเวอร์เก่ากว่าสาย R595 กลับมาใช้ CUDA ที่มากับแอปได้
AMD และ Intel Arc	AMD บน Windows ใช้ได้ 2 backend คือ Vulkan (ค่าเริ่มต้น ใช้ได้ทันที) และ llama.cpp HIP ที่ต้องลง AMD ROCm for Windows 6.0 ขึ้นไปและดาวน์โหลด build เอง แนะนำ RX 6000 series ขึ้นไป AMD บน Linux และ Intel Arc ต้องรองรับ Vulkan
ไม่มีการ์ดจอ	Jan ตรวจฮาร์ดแวร์และเลือก backend ให้เอง โดยจะใช้การ์ดจอก็ต่อเมื่อการ์ดจอมี VRAM อย่างน้อย 6 GB ถ้าต่ำกว่านั้น Jan รันบน CPU
Apple Silicon และ MLX	Apple Silicon เปิด Metal เป็นค่าเริ่มต้น มี engine MLX ให้เลือกบน macOS 14 ขึ้นไป แต่ยังอยู่ในขั้นทดลอง ไม่มี embeddings ยังไม่ต่อ reasoning และสถาปัตยกรรมโมเดลใหม่บางตัวโหลดไม่ได้
หลายการ์ดจอและการแบ่งโหลด	ตั้ง Devices for Offload เป็นรายการ เช่น CUDA0,CUDA1 เลือก GPU Split Mode (ค่าเริ่มต้น Layer) และ Main GPU Index (ค่าเริ่มต้น 0) ได้ ส่วน GPU Layers ต่อโมเดลใช้ลดจำนวน layer ที่ส่งไปการ์ดจอเมื่อโมเดลลงไม่หมด
ขนาดไฟล์ติดตั้ง	v0.8.6: Windows x64 ราว 556 MB, Windows ARM64 ราว 323 MB, macOS .dmg ราว 100 MB, Linux AppImage ราว 695 MB และ Linux .deb ราว 1044 MB

โมเดลที่ใช้ได้

แหล่งโมเดล	Hub ในแอปเชื่อมกับ Model Hub ของ Hugging Face วาง model ID ของ Hugging Face ในช่องค้นหาได้ หรือกด Use this model บนหน้าโมเดลใน Hugging Face แล้วเลือก Jan ใต้ Local Apps
รูปแบบไฟล์	โมเดล local ที่รันด้วย llama.cpp ใช้ไฟล์ GGUF (รูปแบบไฟล์โมเดลของ llama.cpp) ส่วน engine MLX ใช้โมเดลรูปแบบ MLX-Swift เฉพาะ Apple Silicon
ระดับ quantization	Hub จัดกลุ่มเป็น Small, Balanced และ Large และติดป้าย Recommended ให้ตัวเริ่มต้น หน้าโมเดลของ Jan มี Q4_K_M, Q5_K_M และ Q8_0 ส่วน Jan Nano แนะนำ Q8 และ iQ4_XS สำหรับเครื่อง VRAM น้อย และให้เลี่ยง Q4_0 กับ Q4_K_M
โมเดลของ Jan รุ่น 4B	Jan-v3-4B (ฐาน Qwen3-4B-Instruct-2507, context 262,144 tokens, Apache 2.0) เป็นโมเดลใช้งานทั่วไป Jan-Code-4B ปรับมาสำหรับงานโค้ด และ Jan-v1 (ฐาน Qwen3-4B-thinking) สำหรับงานใช้เหตุผล ทั้งสามต้องการ RAM ขั้นต่ำ 8GB ที่ Q4 และแนะนำ 16GB ที่ Q8 รันบน CPU หรือ GPU
Jan-v1 บน SimpleQA	บน SimpleQA Jan-v1 ทำได้ 91.1% และรองรับ tool calling ไฟล์ GGUF มีขนาด 2.5 GB (Q4_K_M), 2.89 GB (Q5_K_M), 3.31 GB (Q6_K) และ 4.28 GB (Q8_0)
โมเดลของ Jan ตัวอื่น	Jan-v2-VL เป็นโมเดลภาพและข้อความ 8B (ฐาน Qwen3-VL-8B-Thinking) มี 3 รุ่นคือ low, med และ high ต้องการ RAM ขั้นต่ำ 16GB ที่ Q4 ส่วน Lucy เป็นโมเดล 1.7B (ฐาน Qwen3-1.7B) สำหรับค้นเว็บผ่าน tool calling ต้องการขั้นต่ำ 4GB และต้องใช้ Serper API key
Jan Nano	Jan Nano (32k) เป็นโมเดล 4B สำหรับงาน deep research และปรับมาให้ใช้กับ MCP server ขั้นต่ำ 8GB RAM ที่ iQ4_XS ส่วน Jan-Nano-128k มี context 128k และต้องการขั้นต่ำ 16GB RAM ที่ Q4
ภาพ เสียง และ reasoning	ตัวเลือก Add Images ขึ้นเฉพาะเมื่อโมเดลมีความสามารถ vision เช่น Jan-v2-VL ตัวเลือก Add Audio ขึ้นเฉพาะโมเดลที่รับเสียงได้ รองรับ WAV และ MP3 โมเดลที่คิดก่อนตอบได้ เช่น DeepSeek-R1 และ QwQ มีไอคอนสมองให้เลือกโหมด Auto, On หรือ Off
นำโมเดลของตัวเองเข้ามา	Import ไฟล์ GGUF ที่ Settings > Llama.cpp โดย Jan ลิงก์ไปที่ไฟล์เดิมโดยไม่คัดลอก โมเดล GGUF ที่แบ่งหลายไฟล์ให้ชี้ไปที่ไฟล์ส่วนที่ 1 และ Import โมเดล MLX จากดิสก์ได้เช่นกัน
โมเดลคลาวด์	ต่อกับ GPT ผ่าน OpenAI, Claude ผ่าน Anthropic, Mistral, Groq, MiniMax และรายอื่นด้วย API key ของตัวเอง ยังไม่มีรายชื่อ provider ในตัวที่ครบทุกรายของเวอร์ชันปัจจุบัน

หน้าตาและการใช้งาน

รูปแบบแอป	แอปเดสก์ท็อปมีหน้าต่าง สร้างด้วย Tauri มีแถบด้านซ้ายสำหรับ Hub, Projects และรายการแชต มีหน้า Settings และ System Monitor ที่แถบล่าง
การตั้งค่าครั้งแรก	ตั้งแต่ v0.8.5 เป็นขั้นตอนนำทางทีละหน้า คือ welcome, engine setup, first model และหน้า consent และ llama.cpp มากับแอปเลย ไม่ต้องดาวน์โหลด backend ตอนเปิดครั้งแรก
แชตและประวัติ	ประวัติแชตเก็บเป็น thread บนดิสก์ ชื่อ thread ถูกสรุปให้อัตโนมัติ และพิมพ์ข้อความถัดไปเข้าคิวได้ระหว่างที่คำตอบยังออกมาไม่จบ
Assistants	เก็บชุดคำสั่ง (system prompt) ไว้ใช้ซ้ำ จัดการที่ Settings > Assistants สลับได้จากช่องพิมพ์ด้วย + > Use Assistant หรือผูกกับ Project
Projects	รวมบทสนทนาเป็นกลุ่ม โดยมี assistant ที่กำหนดไว้และไฟล์ที่ใช้ร่วมกัน
ค่าปรับของโมเดล	กดไอคอนเฟืองเพื่อตั้ง Context Size, GPU Layers, Temperature, Top K, Top P, Min P, Repeat Penalty, Presence Penalty และ Frequency Penalty ส่วน llama.cpp มี Mirostat, Grammar File (GBNF) และ JSON Schema File เพิ่ม
ไฟล์แนบ	แนบรูป เสียง หรือไฟล์กับข้อความเดียวได้ ลากมาวางหรือวางรูปจาก clipboard ได้ รูปต้องใช้โมเดล vision และเสียงต้องใช้โมเดลที่รับเสียงได้
Jan Agent ใน terminal	Jan Agent (คำสั่ง jan) เป็นเอเจนต์ใน terminal (หน้าจอพิมพ์คำสั่ง) ที่ยังเป็น preview เป็นโปรแกรมแยกจากแอปเดสก์ท็อป และไม่มี engine รันโมเดลของตัวเอง
เว็บและมือถือ	หน้าดาวน์โหลดมีเฉพาะ MacOS (Universal), Windows (x64, ARM64) และ Linux (Flatpak, AppImage, Deb) ไม่มีแอป iOS หรือ Android ส่วน Jan Web ที่ chat.jan.ai พากลับไปหน้าแรกของ www.jan.ai ยังไม่ชัดว่ามีเวอร์ชันบนเบราว์เซอร์ให้ใช้จริงหรือไม่
เสียงพูดสด	แนบไฟล์เสียง WAV และ MP3 ได้ แต่ยังไม่มีข้อมูลเรื่องการพูดคุยด้วยเสียงสดในแอปเดสก์ท็อป

API และการต่อกับโปรแกรมอื่น

ที่อยู่และ port	เซิร์ฟเวอร์ในแอปเปิดที่ Settings > Local API Server > Start Server ค่าเริ่มต้นคือ host 127.0.0.1, port (หมายเลขช่องทางเชื่อมต่อ) 1337 และ prefix /v1 เซิร์ฟเวอร์ไม่ย้ายไป port อื่นเองถ้า 1337 ถูกใช้อยู่ ต้องเปลี่ยนเองในหน้าเดียวกัน
Endpoint	GET /v1/models, POST /v1/chat/completions แบบ OpenAI (รองรับ streaming, tool calling และบทสนทนาหลายรอบ) และ POST /v1/messages แบบ Anthropic ส่วน OpenAI Responses API (/v1/responses) ยังเป็น coming soon
MCP ฝั่งเซิร์ฟเวอร์	v0.8.0 เพิ่ม /v1/orchestrations ที่รัน MCP tool call ฝั่งเซิร์ฟเวอร์บน localhost:1337 และตัวเลือก Execute Tools on Server สำหรับ /v1/chat/completions ซึ่งปิดเป็นค่าเริ่มต้น
API key	ตั้งเป็นข้อความอะไรก็ได้ ถ้าตั้งแล้ว คำขอต้องส่ง header Authorization: Bearer YOUR_API_KEY ส่วน endpoint แบบ Anthropic รับ key ใน header x-api-key เว้นว่างเพื่อปิดการยืนยันตัวตนได้ แต่ไม่แนะนำเมื่อผูกกับ 0.0.0.0 และ CORS เปิดเป็นค่าเริ่มต้น
เปิดให้เครื่องอื่นในเครือข่าย	host 127.0.0.1 เข้าได้เฉพาะจากเครื่องตัวเอง ถ้าตั้งเป็น 0.0.0.0 อุปกรณ์อื่นในเครือข่ายเดียวกันเข้าได้ ตั้งแต่ v0.8.5 คำขอที่ host ไม่ใช่ localhost, host.docker.internal, IP ภายใน หรือรายการใน Trusted Hosts จะถูกปฏิเสธด้วย 403
รันเบื้องหลัง	บน Windows และ Linux มีตัวเลือก Run in background ที่เปิดเป็นค่าเริ่มต้น ปิดหน้าต่างแล้วเซิร์ฟเวอร์ยังทำงาน ถ้าปิดตัวเลือกนี้ การปิดหน้าต่างจะปิด Jan และหยุดเซิร์ฟเวอร์
หลายคำขอพร้อมกัน	llama.cpp มี Continuous Batching (ปิดเป็นค่าเริ่มต้น), Parallel Sequences และ Max Concurrent Models (1 คือโหลดทีละโมเดล, 0 คือไม่จำกัด) ตั้งแต่ v0.8.5 ค่า Parallel Sequences 1 กลายเป็น 0 ซึ่งให้ llama.cpp เลือกจำนวน slot เอง
OpenAI SDK	ชี้ client มาที่ Jan ด้วย client = OpenAI(base_url="http://127.0.0.1:1337/v1", api_key="YOUR_API_KEY")
Claude Code	ตั้งที่ Settings > Integrations > Claude Code กำหนดโมเดลของ Jan ให้ Large/Opus, Medium/Sonnet และ Small/Haiku แล้วกด Save & Enable
jan CLI	ตั้งแต่ v0.8.5 jan CLI ไม่ได้รวมอยู่ในแอปเดสก์ท็อปและต้องติดตั้งแยก ขณะที่หน้า Jan CLI ยังบอกว่า CLI ติดตั้งมาพร้อมแอปอัตโนมัติ หน้าเดียวกันมีคำสั่ง jan serve [MODEL_ID] ที่เปิดโมเดลที่ localhost:6767/v1 แบบ OpenAI ซึ่งเป็นคนละ port กับ 1337 ของแอป
Jan เป็นฝั่งเรียกเซิร์ฟเวอร์อื่น	เพิ่ม custom provider ที่ใช้รูปแบบ OpenAI หรือ Anthropic ได้ เช่น vLLM (http://localhost:8000/v1), Ollama (http://localhost:11434/v1), llama-server (http://localhost:8080/v1), LocalAI, TGI และ LiteLLM
Open WebUI และ editor	ยังไม่มีข้อมูลวิธีต่อ Open WebUI, VS Code หรือ Continue กับเซิร์ฟเวอร์ของ Jan และไม่มี API รูปแบบของ Ollama

ถามตอบจากไฟล์ tools และ MCP

ไฟล์ใน Project	อัปโหลดไฟล์เข้า Project แล้ว Jan หั่นและทำดัชนีไว้ค้นคืนในทุกบทสนทนาของ Project นั้น ซึ่งคือ RAG (การดึงเนื้อหาจากไฟล์มาประกอบคำตอบ) รองรับ PDF, Markdown, ไฟล์ Office (DOCX, XLSX, PPTX) และไฟล์โค้ด แผงไฟล์แสดงขนาดและจำนวน chunk
การอ้างอิงที่มา	ผลจากไฟล์แสดงเป็นการ์ดอ้างอิงมีหมายเลขพร้อมตัวอย่างเนื้อหาต้นทาง และคำตอบมีเลขยกกำกับที่ลิงก์กลับไปยังแหล่งที่ตรงกัน (cosine similarity >= 0.65)
ข้อจำกัดบน MLX	engine MLX ไม่มี embeddings งานถามตอบจากไฟล์ต้องใช้ llama.cpp
Web Search	เปิดเป็นค่าเริ่มต้น ผู้ให้บริการค้นหามี Exa (ค่าเริ่มต้น ไม่ต้องมี key), Tavily (ต้องมี key), SearXNG (ติดตั้งเอง) และ You.com (ไม่ต้องมี key แต่จำกัดจำนวนคำขอต่อวัน)
เพิ่ม MCP server	ไปที่ Settings > MCP Servers > + Add MCP Server เลือก Transport เป็น STDIO, HTTP (Streamable HTTP) หรือ SSE เซิร์ฟเวอร์ระยะไกลล็อกอินด้วย OAuth ได้ มีค่า Tool call timeout เริ่มต้น 30 วินาที และ Smart MCP tool routing
การอนุมัติ tool call	ต้องอนุมัติ tool call ทีละครั้ง แผงอนุมัติขึ้นในแชตพร้อม arguments ที่โมเดลจะส่ง มีตัวเลือก Allow All MCP Tool Permissions เซิร์ฟเวอร์ STDIO ต้องมี NodeJS หรือ Python ในเครื่อง ตัวอย่างคือ Browser MCP (Command npx, Arguments @browsermcp/mcp)
โมเดลกับ tool calling	โมเดลที่ดาวน์โหลดได้ไม่ได้ทำ tool calling หรือเข้ากับ MCP ได้ทุกตัว โมเดลโอเพนซอร์สหลายตัวไม่ได้ออกแบบมาให้ใช้ tools โมเดล local ต้องเปิด tool calling เองที่ปุ่ม edit ใน Model Capabilities
Cowork	ให้ Jan ทำงานหลายขั้น แตกงานเป็นขั้นตอน อ่านและเขียนไฟล์ รันคำสั่ง และถามกลับได้ มี Plan mode, task checklist, diff view, subagents และ Artifacts library ยังเป็น preview และมีเฉพาะช่อง nightly ไม่อยู่ในรุ่น stable
Jan Agent	เอเจนต์ใน terminal (preview ช่อง agent-nightly) อ่านและแก้โฟลเดอร์โปรเจกต์ รันคำสั่ง ค้นเว็บ และใช้ MCP server, skills และ memory ชุดเดียวกับ Jan Desktop ชี้ไปที่ Local API Server ของ Jan Desktop ได้ด้วย jan config set --base-url
Memory	หน้าแรกของเว็บแสดง Memory เป็น Coming Soon

ข้อมูลและความเป็นส่วนตัว

ที่เก็บข้อมูล	โมเดลที่ดาวน์โหลด บทสนทนา การตั้งค่า และ log เก็บในเครื่องเป็นไฟล์ JSON โฟลเดอร์เริ่มต้นคือ %APPDATA%/Jan/data บน Windows, ~/Library/Application Support/Jan/data บน Mac และ ~/.local/share/Jan/data บน Linux ย้ายได้ที่ Settings > General > Jan Data Folder
โครงสร้างโฟลเดอร์	โมเดล GGUF อยู่ใน llamacpp/models/<org>/<repo>/ โมเดล MLX อยู่ใน mlx/models/<model_id>/ แชตอยู่ใน threads/<thread_id>/ และ log อยู่ที่ logs/app.log
ใช้ออฟไลน์	โมเดล local รันบนเครื่องทั้งหมด ไม่ต้องมี API key และไม่ต้องต่ออินเทอร์เน็ตหลังดาวน์โหลดโมเดลแล้ว นี่เป็นค่าเริ่มต้นของแอป
Telemetry	ไม่เก็บข้อมูลจนกว่าคุณจะยินยอม เลือกตอนเปิดครั้งแรกและเปลี่ยนได้ใน Settings ถ้ายินยอม Jan นับ Active Users และ Retention ผูกกับ ID แบบสุ่ม ไม่เก็บแชต ไฟล์ ตัวตน prompt หรือโมเดลที่ใช้
ผู้ประมวลผล analytics	ใช้ PostHog EU ประมวลผลในสหภาพยุโรป เก็บข้อมูล analytics ได้นานสุด 12 เดือน ขอลบข้อมูลได้ที่ hello@jan.ai (Privacy Policy ฉบับ January 16, 2025)
โมเดลคลาวด์	เมื่อใช้โมเดลคลาวด์ ข้อความและไฟล์ที่แนบถูกส่งไปยัง API ของผู้ให้บริการรายนั้นโดยตรง แอป Jan ไม่เข้าถึงหรือเก็บข้อความเหล่านั้น
Web Search	Web Search เปิดเป็นค่าเริ่มต้นและใช้ผู้ให้บริการภายนอก (Exa เป็นค่าเริ่มต้น) คำค้นจึงออกนอกเครื่อง เว้นแต่ปิดหรือเปลี่ยนไปใช้ SearXNG ที่ติดตั้งเอง
บัญชีผู้ใช้	แอปเดสก์ท็อปไม่ต้องมีบัญชี ส่วน Jan Agent มีคำสั่ง jan login สำหรับล็อกอิน Tokamak แบบเลือกได้
ล้างข้อมูลทั้งหมด	Reset to Factory Settings ลบข้อมูลผู้ใช้ทั้งหมด รวมโมเดลที่ดาวน์โหลดและประวัติแชต ย้อนกลับไม่ได้ และต้องพิมพ์ RESET เพื่อยืนยัน

ลิขสิทธิ์และการใช้ในบริษัท

License ของแอป	Apache License, Version 2.0 ทั้งแอป ไม่มีเงื่อนไขแยกระหว่างการใช้ส่วนตัวกับเชิงพาณิชย์ และขอให้ใส่ attribution ในคู่มือหรือสื่อที่ผู้ใช้เห็นตามความเหมาะสม
เจ้าของ	Menlo Research ถือลิขสิทธิ์ (Copyright 2025 Menlo Research) นิติบุคคลใน privacy policy คือ Menlo Research Pte Ltd ทีมส่วนใหญ่อยู่ที่ Ho Chi Minh City เวียดนาม
แผนเสียเงิน	ไม่มีหน้าราคา แผนเสียเงิน แผนทีม หรือราคา enterprise บน jan.ai ติดต่อเรื่องธุรกิจได้ที่ hello@jan.ai ส่วนค่าใช้โมเดลคลาวด์จ่ายให้ผู้ให้บริการแต่ละรายผ่าน API key ของตัวเอง
License ของโมเดล	Jan-v3-4B, Jan-Code-4B และ Jan-v3.5-4B เป็น Apache 2.0 โมเดลของเจ้าอื่นจาก Hugging Face มี license ของตัวเอง และบางตัวต้องใช้ Hugging Face access token
Jan Server สำหรับทีม	โปรเจกต์แยก (janhq/server, ป้าย MIT licence) เป็นแพลตฟอร์ม LLM API ที่ติดตั้งเอง มี API แบบ OpenAI, MCP tools, การยืนยันตัวตน OAuth/OIDC ผ่าน Keycloak, Kong API gateway และ PostgreSQL รันด้วย Docker Compose หรือ Kubernetes และใช้ vLLM ในเครื่องหรือ endpoint ระยะไกลเป็นตัวรันโมเดล
Tokamak	backend AI ระดับองค์กรแบบติดตั้งเอง มี Router, Fusion Model (Tokamak-1) และ Governance & Audit ยังไม่มีข้อมูลราคาและเงื่อนไขของ Tokamak
บัญชีและสิทธิ์ในแอปเดสก์ท็อป	แอปเดสก์ท็อปไม่มีบัญชีผู้ใช้ บทบาท หรือหน้าแอดมิน การใช้ร่วมกันทำได้แค่เปิด Local API Server บน LAN ด้วย host 0.0.0.0, API key และ Trusted Hosts
ข้อตกลงการใช้งาน	ยังไม่มีข้อมูลข้อตกลงการใช้งาน (terms of service) ของแอปเดสก์ท็อป

ภาษาไทย

หน้าจอแอป	ไม่มีภาษาไทย ตัวเลือกภาษามี 17 ภาษา คือ English, Español, Français, Italiano, Hindi, Bahasa, Polski, Tiếng Việt, Simplified Chinese, Traditional Chinese, Deutsch, Čeština, Português (Brasil), Korean, Japanese, Russian และ Català
คู่มือ	คู่มือเป็นภาษาอังกฤษอย่างเดียว README มีฉบับภาษาจีน (README.zh.md) และญี่ปุ่น (README.ja.md) ไม่มีภาษาไทย
โมเดลภาษาไทย	หน้าโมเดลของ Jan ไม่ได้เอ่ยถึงภาษาไทยและไม่ได้บอกว่ารองรับกี่ภาษา ยังไม่มีข้อมูลว่าโมเดลตัวใดตอบภาษาไทยได้
การพิมพ์ถามเป็นภาษาไทย	ยังไม่มีข้อมูลเรื่องการใช้งานเป็นภาษาไทยหรือความสามารถหลายภาษาของแอป

ราคาและแผน

แผน	ราคา	ได้อะไรบ้าง
Jan Desktop	Free	ฟรีและโอเพนซอร์สภายใต้ Apache License 2.0 ไม่มีค่าสมาชิกรายเดือนหรือค่า API สำหรับโมเดลที่รันในเครื่อง และไม่ต้องสมัครบัญชี
โมเดลคลาวด์ผ่าน API key ของตัวเอง	จ่ายให้ผู้ให้บริการโมเดลแต่ละราย	Jan ไม่คิดเงิน ค่าใช้โมเดลคลาวด์ เช่น ของ OpenAI หรือ Anthropic เรียกเก็บโดยผู้ให้บริการรายนั้นผ่าน API key ของคุณ

ข้อจำกัดและสิ่งที่ควรรู้ก่อนเริ่ม

Mac ชิป Intel ไม่รองรับตั้งแต่ v0.8.0 ใน v0.8.5 แอปยังเปิดได้และใช้กับ provider ภายนอกได้ แต่โมเดล llama.cpp โหลดไม่ได้ ถ้าต้องใช้โมเดล local บน Mac ชิป Intel ต้องอยู่ที่ v0.8.4
Jan ใช้การ์ดจอก็ต่อเมื่อการ์ดจอมี VRAM อย่างน้อย 6 GB ต่ำกว่านั้นรันบน CPU และ CPU ต้องมี AVX2
ขนาด context เริ่มต้นของโมเดล local คือ 8192 (ตั้งได้ถึง 131072) แชตยาวหรืองานที่ใช้ tools มากจะเจอข้อความ ran out of context size และต้องเพิ่ม context ซึ่งใช้หน่วยความจำมากขึ้น
engine MLX ใช้ได้เฉพาะ Apple Silicon บน macOS 14 ขึ้นไป ยังอยู่ในขั้นทดลอง ไม่มี embeddings และยังไม่ต่อ reasoning
Cowork มีเฉพาะช่อง nightly ไม่อยู่ในรุ่น stable และ Jan Agent ยังเป็น preview
Local API Server ผูกกับ 127.0.0.1:1337 และไม่ย้ายไป port อื่นเองเมื่อ port ถูกใช้อยู่
Fit to Hardware จำกัดขนาด context ให้อัตโนมัติตามโมเดลและหน่วยความจำ เปิดเป็นค่าเริ่มต้นบน Windows และ Linux ที่มีการ์ดจอแยก และปิดเป็นค่าเริ่มต้นบนการ์ดจอในตัวและ macOS
การรวม OpenClaw ถูกยกเลิกตั้งแต่ Jan v0.7.9 ถ้าจะใช้ OpenClaw ต้องใช้ Jan v0.7.8
เผื่อพื้นที่ดิสก์ไว้ ไฟล์ติดตั้งมีขนาดราว 0.1 GB (macOS) ถึง 1 GB (Linux .deb) ต้องมีพื้นที่ว่างอย่างน้อย 10GB โมเดลแต่ละตัวมีขนาดหลาย GB เช่น Jan-v1 4B อยู่ที่ 2.5 ถึง 4.28 GB และเปิดครั้งแรกแอปดาวน์โหลดโมเดลเริ่มต้นเองทันที
หน้าติดตั้งเขียนว่า Nothing is sent to the cloud แต่ Web Search เปิดเป็นค่าเริ่มต้นและส่งคำค้นไปที่ Exa ถ้าต้องการให้ไม่มีอะไรออกนอกเครื่อง ต้องปิด Web Search หรือเปลี่ยนผู้ให้บริการค้นหา
ตั้งแต่ v0.8.5 Remember Conversations Between Sessions เปิดเป็นค่าเริ่มต้น แคชของบทสนทนาเก็บใน llamacpp/thread-cache และใช้ดิสก์ได้ถึง Conversation Cache Disk Limit ที่ 8192 MiB
การ์ด NVIDIA รุ่นเก่าตระกูล Pascal เช่น GTX 10 series ไม่ได้ใช้ CUDA ตั้งแต่ v0.8.5 และถูกสลับไปใช้ Vulkan ตัวเลือกดาวน์โหลด backend CUDA 11 หรือ 12 ที่เคยมีใน 0.8.4 ถูกเอาออกแล้ว
หน้าคู่มือบางหน้ายังไม่ตรงกับแอป หน้า llama.cpp ยังมีตัวเลือก backend CUDA 11.7/12.0 และ CPU กับการตั้งค่า Auto Update Engine ทั้งที่ engine มากับแอปแล้ว หน้า Jan CLI ยังแสดง jan launch openclaw ทั้งที่ OpenClaw ถูกยกเลิกใน v0.7.9 และแถบประกาศบนหน้าคู่มือยังเป็น v0.8.4
ตั้งแต่ v0.8.5 ไฟล์โปรแกรมของแอปเดสก์ท็อปชื่อ Jan-Desktop (แอปยังชื่อ Jan) และคำสั่ง jan ไม่ได้มากับแอป ต้องติดตั้งแยก ส่วน jan serve ใช้ port 6767 ไม่ใช่ 1337
บน Linux แพ็กเกจ .deb ไม่ถูกอัปเดตโดยตัวอัปเดตในแอป ต้องดาวน์โหลดแพ็กเกจใหม่มาติดตั้งเอง Flatpak อัปเดตผ่าน Flathub และมีแค่ AppImage ที่ใช้ตัวอัปเดตในแอปได้
บน Ubuntu 24.04 นโยบาย AppArmor เริ่มต้นบล็อก sandbox ของ shell tool Jan จึงไม่แสดง tool นี้ในแชต และ AppImage ของ v0.8.5 เคยปิดตัวเองตอนโหลดโมเดลบนบาง distribution ซึ่งแก้แล้วใน v0.8.6
โมเดลบางตัวบน Hugging Face ต้องใส่ Hugging Face Access Token ก่อนจึงดาวน์โหลดได้ ใส่ที่ Settings > General > Others > HuggingFace Token
ถ้าตั้ง Server Host เป็น 0.0.0.0 เครื่องอื่นในเครือข่ายเรียกโมเดลของคุณได้ ควรตั้ง API Key ไว้ด้วย เพราะช่องนี้เว้นว่างได้และจะปิดการยืนยันตัวตน

คำถามที่คนถามเกี่ยวกับ Jan

Jan คืออะไร

Jan คือแพลตฟอร์มโอเพนซอร์สสำหรับรันโมเดล AI บนคอมพิวเตอร์ของตัวเอง มาเป็นแอปแชตบน macOS, Windows และ Linux ที่มี llama.cpp คลังโมเดล Hub เซิร์ฟเวอร์ API แบบ OpenAI และ MCP ในตัว พัฒนาโดย Menlo Research

Jan ฟรีไหม ใช้ในบริษัทได้ไหม

ฟรี ทั้งแอปเป็นโอเพนซอร์สภายใต้ Apache License 2.0 และไม่มีเงื่อนไขแยกระหว่างการใช้ส่วนตัวกับเชิงพาณิชย์ ไม่มีแผนเสียเงินหรือราคา enterprise ค่าใช้จ่ายจะมีเฉพาะเมื่อคุณต่อโมเดลคลาวด์ด้วย API key ของตัวเอง

ติดตั้ง Jan ยังไง

Windows ดาวน์โหลดไฟล์ .exe จาก https://app.jan.ai/download/latest/win-x64 แล้วรัน Mac ดาวน์โหลด .dmg แล้วลาก Jan ไปไว้ใน Applications ส่วน Linux แนะนำ flatpak install flathub ai.jan.Jan เปิดครั้งแรกแอปจะดาวน์โหลดโมเดลเริ่มต้นให้เอง ไม่ต้องสมัครบัญชี

Jan ต้องใช้สเปกเครื่องเท่าไร ไม่มีการ์ดจอใช้ได้ไหม

Windows และ Linux ต้องมี RAM ขั้นต่ำ 8GB (แนะนำ 16GB) CPU ที่มี AVX2 และพื้นที่ว่าง 10GB ส่วน Mac ต้องเป็น Apple Silicon บน macOS 13.6 ขึ้นไป ไม่มีการ์ดจอก็ใช้ได้ เพราะ Jan รันบน CPU เมื่อการ์ดจอมี VRAM ไม่ถึง 6 GB

คอมแรม 8GB ใช้ Jan ได้ไหม

ได้กับโมเดลขนาดเล็ก เครื่อง 8GB ควรใช้โมเดลไม่เกิน 6GB โมเดล 4B ของ Jan ต้องการขั้นต่ำ 8GB RAM ที่ Q4 และ Lucy 1.7B ต้องการขั้นต่ำ 4GB ส่วน Mac 8GB ใช้ได้ถึงโมเดลราว 3B

Jan ใช้ port อะไร เปิด API ยังไง

ไปที่ Settings > Local API Server แล้วกด Start Server เซิร์ฟเวอร์เปิดที่ http://127.0.0.1:1337 โดยมี prefix /v1 ใช้ได้ทั้ง /v1/chat/completions แบบ OpenAI และ /v1/messages แบบ Anthropic ส่วนคำสั่ง jan serve ของ CLI ใช้ port 6767

ลบโมเดลใน Jan ยังไง โมเดลเก็บไว้ที่ไหน

ไปที่ Settings > Llama.cpp แล้วกดไอคอนถังขยะข้างโมเดล หรือกด Delete All โมเดล GGUF เก็บในโฟลเดอร์ llamacpp/models ใต้ Jan data folder ซึ่งอยู่ที่ %APPDATA%/Jan/data บน Windows, ~/Library/Application Support/Jan/data บน Mac และ ~/.local/share/Jan/data บน Linux

Jan ใช้ออฟไลน์ได้ไหม ข้อมูลออกนอกเครื่องไหม

โมเดล local ใช้ออฟไลน์ได้หลังดาวน์โหลดโมเดลแล้ว และแชตกับไฟล์เก็บในเครื่อง ข้อมูลจะออกนอกเครื่องเมื่อใช้โมเดลคลาวด์ เมื่อ Web Search ทำงาน (เปิดเป็นค่าเริ่มต้นและใช้ Exa) หรือเมื่อคุณยินยอมให้เก็บสถิติการใช้งาน

Jan ต้องลงคู่กับ Ollama หรือโปรแกรมอื่นไหม

ไม่ต้อง Jan มี engine llama.cpp มากับแอปและรันโมเดลได้เอง ถ้ามี Ollama อยู่แล้วก็เพิ่มเป็น custom provider ได้ที่ http://localhost:11434/v1 ส่วน MCP server แบบ STDIO ต้องมี NodeJS หรือ Python ในเครื่อง

ไปที่เว็บ Jan jan.ai