AI News · 2026-08-10

หน้าเอกสาร system prompts ของ Anthropic ระบุข้อความที่ใส่ไว้ใน Claude Opus 5 ว่าด้วยเหตุการณ์ของ Claude Fable 5 และ Claude Mythos 5 ซึ่งเปิดตัววันที่ 9 มิ.ย. 2026 ถูกระงับการเข้าถึงวันที่ 12 มิ.ย. 2026 เพื่อให้เป็นไปตามมาตรการควบคุมการส่งออกของกระทรวงพาณิชย์สหรัฐ ก่อนที่ข้อจำกัดจะถูกยกเลิกวันที่ 30 มิ.ย. และกลับมาให้บริการวันที่ 1 ก.ค. 2026

สิ่งที่ system prompt สั่งไว้คือให้โมเดลยืนยันเหตุการณ์เหล่านี้อย่างตรงไปตรงมา ห้ามปฏิเสธว่าการระงับไม่เคยเกิดขึ้น ให้ปฏิบัติกับเรื่องมาตรการควบคุมการส่งออกในฐานะประเด็นการเมืองที่ยังไม่จบ คือเล่าอย่างเป็นธรรมโดยไม่ใส่ความเห็นส่วนตัว ให้ชี้ผู้ใช้ไปที่แถลงการณ์ทางการของบริษัท และให้ค้นข้อมูลอัปเดตเมื่อทำได้ ถ้อยคำในเอกสารเขียนว่า "Claude confirms them accurately and matter-of-factly"

เรื่องนี้ไม่ใช่นโยบายใหม่ แต่เป็นการเปิดเผยเอกสารของเหตุการณ์ที่ผ่านไปแล้วเมื่อสองเดือนก่อน สิ่งที่ใหม่คือการได้เห็นว่าผู้ผลิตเขียนคำสั่งอะไรไว้ให้โมเดลพูดถึงประวัติที่ไม่สวยงามของบริษัทตัวเอง

▲ ทำไมต้องรู้ · คำตอบที่แชตบอตให้เกี่ยวกับบริษัทผู้สร้างมันเอง อาจถูกเขียนบทไว้ล่วงหน้าใน system prompt ไม่ได้เกิดจากการที่โมเดลรู้เรื่องนั้นจริง กรณีนี้บังเอิญเป็นตัวอย่างฝั่งดี เพราะคำสั่งคือให้ยอมรับความจริง แต่กลไกเดียวกันนี้ก็เขียนให้เลี่ยงตอบหรือให้ตอบเข้าข้างตัวเองได้เท่ากัน ข้อที่หยิบไปใช้ได้คือเวลาถามโมเดลเรื่องที่กระทบผู้ผลิตของมันโดยตรง ให้ถือว่าคำตอบนั้นมีโอกาสถูกกำหนดทิศทางไว้ และควรหาแหล่งอื่นยืนยัน

Anthropic system prompts · Simon Willison · fable5-export-controls-lifted

GitHub ประกาศใน changelog ว่า GitHub Models ปิดให้บริการแล้วตั้งแต่วันที่ 30 ก.ค. 2026 บริการนี้เคยให้นักพัฒนาเรียกโมเดลจากผู้ผลิตหลายเจ้าผ่าน API ชุดเดียว และใช้ได้จาก GitHub Actions โดยใช้ credential ที่มีอยู่ในระบบอยู่แล้วโดยไม่ต้องไปสมัคร API key แยก ข้อความที่ระบบแสดงตอนนี้เขียนว่า "GitHub Models is temporarily unavailable as part of a scheduled retirement brownout"

Simon Willison เขียนถึงเรื่องนี้เมื่อวันที่ 9 ส.ค. หลังพบว่า workflow ที่เขาใช้สรุปเนื้อหาในโฟลเดอร์ของ repo งานวิจัยตัวเองพัง เขาย้ายไปใช้ API key ของ OpenAI ที่ตั้งเพดานค่าใช้จ่ายรายเดือนไว้ และเลือกใช้ GPT-5.6 Luna แทน

ข้อควรระวังคือ GitHub ไม่เคยชี้แจงเหตุผลของการปิด ส่วนคำอธิบายที่ว่าการที่ agent เขียนโค้ดกินโทเคนมหาศาลจนแจกฟรีต่อไปไม่ไหวนั้น เป็นการคาดเดาของ Willison เอง ไม่ใช่คำพูดของ GitHub

▲ ทำไมต้องรู้ · ของฟรีที่ผูกอยู่กับแพลตฟอร์มใหญ่หายไปได้โดยไม่มีคำอธิบาย และงานอัตโนมัติที่พึ่งมันอยู่จะพังเงียบๆ ข้อที่หยิบไปใช้ได้คือถ้าทีมมี workflow ที่เรียกโมเดลผ่านช่องทางฟรีของแพลตฟอร์ม ควรรู้ล่วงหน้าว่าจะย้ายไปทางไหนและใครถือ API key สำรอง

GitHub changelog · Simon Willison

Michał Górny ผู้พัฒนาของ Gentoo โพสต์เมื่อวันที่ 8 ส.ค. 2026 ว่าเขาปิดระบบ Bugzilla ของโครงการลง โดยเขียนว่า "I've taken #Gentoo Bugzilla down, because it was unusable anyway. No point in feeding the #LLM scrapers" และระบุว่าบอตที่มากวาดข้อมูลใช้ที่อยู่ IPv4 หลายพันหมายเลขต่างกัน ทำให้บล็อกตามรายที่อยู่ไม่ได้

ในโพสต์ที่แก้เพิ่มภายหลังเขาเขียนว่าไม่ได้ต้องการคำแนะนำวิธีแก้ เพราะตัวเขาไม่ใช่ผู้ดูแลระบบและไม่มีเวลามาจัดการเรื่องนี้ กระทู้บน Hacker News ได้ 170 คะแนนและ 112 ความเห็น

ข้อควรระวังคือไม่มีตัวเลขปริมาณทราฟฟิก อัตราการเรียก หรือแบนด์วิดท์เผยแพร่เลยแม้แต่ตัวเดียว มีเพียงคำบอกเล่าของผู้ดูแล ส่วนความเห็นในกระทู้ที่ชี้นิ้วไปยังผู้ให้บริการรายใดรายหนึ่งเป็นคำกล่าวอ้างของคนนิรนาม ไม่ใช่ข้อมูลที่วัดมา

▲ ทำไมต้องรู้ · ต้นทุนของการที่ทุกเจ้าเร่งเก็บข้อมูลไปเทรนโมเดล กำลังตกอยู่กับโครงสร้างพื้นฐานฟรีที่คนทั้งวงการใช้ร่วมกัน และคนที่จ่ายคืออาสาสมัครที่ดูแลมันอยู่ ผลลัพธ์ที่เห็นในกรณีนี้คือหน้าที่หายไปจากอินเทอร์เน็ตจริง คนที่ต้องพึ่งฐานข้อมูลบั๊กเหล่านี้เพื่อแก้ปัญหางานจึงหาข้อมูลไม่เจอตามไปด้วย

โพสต์ต้นทาง · Hacker News

Terry Godier เขียนบันทึกเมื่อวันที่ 9 ส.ค. 2026 ว่าเขาใช้ Claude สร้างเว็บเครื่องมือดูสภาพท้องฟ้าสำหรับการดูดาวชื่อ Dark Hours จนเสร็จ ก่อนที่นักพัฒนาอีกคนจะทักว่ามันคล้ายกับโครงการโอเพนซอร์สที่มีอยู่ก่อนแล้วชื่อ DarkHours.app อย่างมาก

จุดที่ทำให้เรื่องนี้ต่างจากการบังเอิญคิดตรงกันคือแอปที่ AI สร้างขึ้นมีบั๊กตัวเดียวกับที่โครงการต้นทางเคยมีและแก้ไปแล้ว ซึ่งชี้ว่าโมเดลเรียนรู้จากโค้ดชุดนั้นตอนเทรน ไม่ใช่คิดวิธีแก้ปัญหาขึ้นมาใหม่เอง

สิ่งที่เขาทำต่อคือเปลี่ยนโดเมนของตัวเองให้ชี้ไปที่โครงการของนักพัฒนาคนเดิม ยกเลิกแผนทำเวอร์ชัน iOS และประกาศว่าจะเลิกปล่อยโครงการเว็บที่สร้างด้วย AI ในลักษณะนี้ เขาเขียนว่า "I was careless in relying on AI to generate the project without doing the work to understand whether it closely resembled an existing project" กระทู้บน Hacker News ได้ 529 คะแนนและ 242 ความเห็น

▲ ทำไมต้องรู้ · นี่คือกรณีที่จับได้ชัดว่าโค้ดที่โมเดลสร้างให้ไปทับของที่มีอยู่แล้ว และคนสั่งงานไม่รู้ตัวเลยจนกว่าจะมีคนมาทัก ความเสี่ยงที่ตามมาไม่ใช่แค่เรื่องมารยาท แต่รวมถึงสัญญาอนุญาตของโค้ดต้นทางด้วย ข้อที่หยิบไปใช้ได้ทันทีคือก่อนปล่อยอะไรที่ AI สร้างให้ทั้งก้อน ให้ค้นชื่อและฟีเจอร์หลักของมันบนเว็บก่อนหนึ่งรอบ ว่ามีของแบบนี้อยู่แล้วหรือไม่

บันทึกของผู้เขียน · Hacker News

Simon Willison เผยแพร่ต้นแบบเมื่อวันที่ 9 ส.ค. 2026 ที่ทดลองเก็บประวัติการแก้ไขเอกสารทั้งหมดไว้ในคอลัมน์เดียวของ SQLite โดยเก็บเป็นอาเรย์ JSON ของเวอร์ชันก่อนหน้าแล้วบีบอัดด้วย Zstandard ผลที่วัดได้จากการจำลองการแก้ไข 1,000 ครั้งคือข้อความดิบขนาด 20.4 เมกะไบต์เหลือ 80.3 กิโลไบต์

วิธีทำงานที่เขาเล่าไว้น่าสนใจพอกับผลลัพธ์ เขาคุยไอเดียนี้ผ่านโหมดเสียงของ ChatGPT บนมือถือก่อน แล้วสั่งให้ GPT-5.6 Sol Pro ลองสร้างต้นแบบด้วย Python ซึ่งโมเดลทำงานต่อเนื่อง 38 นาทีแล้วคืนโค้ดที่รันได้ออกมา ข้อเสนอเรื่องการขยายขนาดที่โมเดลให้มาคือให้แตกประวัติออกเป็นหลายแถว โดยจำกัดแถวละไม่เกิน 128 เวอร์ชันหรือ 3 เมกะไบต์เมื่อยังไม่บีบอัด

ข้อควรระวังคือตัวเลขนี้วัดจากข้อมูลจำลองโดยนักพัฒนาคนเดียว ไม่ใช่ผลจากชุดทดสอบมาตรฐาน และข้อความที่แก้ไขต่อกันเป็นชุดย่อมบีบอัดได้ดีกว่าข้อมูลทั่วไปอยู่แล้ว

▲ ทำไมต้องรู้ · ทีมที่ทำระบบเอกสารหรือระบบที่ต้องเก็บว่าใครแก้อะไรเมื่อไร มักคิดว่าต้องออกแบบตารางประวัติที่ซับซ้อน ตัวอย่างนี้ชี้ว่าวิธีที่ง่ายกว่ามากอาจพอสำหรับปริมาณงานจริง และแนวคิดเรื่องการปล่อยให้โมเดลลองสร้างต้นแบบเพื่อวัดว่าไอเดียคุ้มไหมก่อนลงมือทำจริง เป็นวิธีใช้งานที่ต้นทุนต่ำกว่าการเขียนเองทั้งหมด

Simon Willison · โค้ดต้นแบบ

Laurentiu Raducu เผยแพร่บันทึกเมื่อวันที่ 9 ส.ค. 2026 อธิบายวิธีที่เขาใช้โมเดลภาษาเรียนหัวข้อที่ซับซ้อน เป็นสี่ขั้นตอนคือให้โมเดลปูพื้นความรู้ให้ก่อน จากนั้นตรวจสอบสิ่งที่ได้มาว่าจริงหรือไม่ แล้วให้โมเดลสร้างภาพเคลื่อนไหวสามมิติแบบเรียบง่ายเพื่ออธิบายแนวคิดนั้น ก่อนจะเผยแพร่ผลลัพธ์ออกมาเป็นหน้าเว็บ กระทู้บน Hacker News ได้ 298 คะแนนและ 161 ความเห็น

ข้อควรระวังคือบันทึกนี้เป็นวิธีทำงานส่วนตัว ไม่มีตัวเลข ไม่มีการวัดผล และไม่ระบุชื่อโมเดลที่ใช้ คุณค่าของมันอยู่ที่ปริมาณการถกเถียงที่ตามมามากกว่าตัวเนื้อหา

▲ ทำไมต้องรู้ · ขั้นตอนที่คนมองข้ามบ่อยที่สุดในวิธีแบบนี้คือขั้นที่สอง ซึ่งก็คือการตรวจสอบว่าสิ่งที่โมเดลปูพื้นให้ถูกต้องจริงไหม เพราะถ้าข้ามขั้นนี้ ผลลัพธ์ที่ได้คือความมั่นใจที่เพิ่มขึ้นโดยที่ความรู้ไม่ได้เพิ่มตาม ส่วนขั้นที่ให้โมเดลสร้างภาพประกอบแนวคิดออกมานั้นมีประโยชน์จริงในแง่ที่ว่าถ้าอธิบายเป็นภาพไม่ได้ แปลว่ายังเข้าใจไม่พอ

บันทึกต้นทาง · Hacker News

วิธีที่แพร่หลายในการตรวจงานของ AI คือให้โมเดลหลายตัวโหวตกัน ด้วยความเชื่อว่าผู้ตัดสินยิ่งเยอะยิ่งแม่น เปเปอร์ใบนี้วัดแล้วพบว่าไม่จริง เพราะผู้ตัดสินที่เป็นโมเดลด้วยกันมองเห็นสิ่งเดียวกันและพลาดเหมือนกัน ผลที่รายงานคือผู้ตัดสินเก้าตัวให้ข้อมูลเทียบเท่าผู้ตัดสินที่เป็นอิสระต่อกันจริงราวสองตัวเท่านั้น

เมื่อทีมวิจัยลองเพิ่มสัญญาณที่เป็นอิสระจริงเข้าไป คือการรันชุดทดสอบของโค้ดเพื่อดูว่ามันผ่านหรือไม่ ค่าที่วัดในภาพรวมแทบไม่ขยับ อยู่ที่ติดลบ 0.04 โดยช่วงความเชื่อมั่นคร่อมศูนย์ แต่พอแยกดูเฉพาะข้อที่ผลโหวตสูสีจนต่างกันเสียงเดียว ซึ่งเป็นข้อเดียวที่คำตอบพลิกได้ ประโยชน์กลับมากองอยู่ตรงนั้นทั้งหมด คือดีขึ้น 10.4 ถึง 23.3 จุดตามค่าที่ตั้ง และเป็นศูนย์ในข้อที่เหลือ

เมื่อเอาไปใช้จริงกับชุดทดสอบเขียนโค้ดสองชุด กติกาที่เรียกสัญญาณราคาแพงเฉพาะข้อที่สูสี ดันคะแนนจาก 82.44% เป็น 85.62% โดยเรียกใช้เพียง 16.2% ของคำถามทั้งหมด

ข้อควรระวังที่เปเปอร์เขียนไว้เองคือการรันชุดทดสอบกับทุกข้อโดยไม่ต้องมีผู้ตัดสินเลย ได้คะแนนสูงกว่าที่ 87.60% ดังนั้นสิ่งที่วิธีนี้ประหยัดคือค่าใช้จ่าย ไม่ใช่ความแม่น ทั้งหมดวัดบนชุดทดสอบโค้ดสามชุด และผู้เสนอวิธีเป็นผู้วัดผลของตัวเอง

▲ ทำไมต้องรู้ · ทีมที่วางระบบตรวจงาน AI มักแก้ปัญหาความไม่แม่นด้วยการเติมโมเดลผู้ตัดสินเข้าไปอีก ซึ่งเป็นการจ่ายเพิ่มเพื่อซื้อความเห็นที่ซ้ำกับของเดิม สิ่งที่ได้ผลกว่าคือหาสัญญาณที่มาจากคนละทางกับโมเดล เช่น รันโค้ดดูจริง เช็คกับฐานข้อมูล หรือให้คนดูจุดที่ระบบเองก็ยังลังเล และถ้าตรวจได้ด้วยวิธีที่ให้คำตอบชัดเจนอยู่แล้ว การเอาโมเดลมาโหวตแทนมักเป็นทางที่แย่กว่า

arXiv 2608.06940

ทีมวิจัยสร้างชุดข้อมูลคู่ขนานที่แปลโดยมนุษย์ชื่อ ParallelQA-18 ครอบคลุม 18 ภาษา แล้วทดสอบโมเดล 5 ตัวจาก 5 ห้องวิจัยบนตัวอย่างบทความ 150 ชิ้นที่สุ่มแบบแบ่งชั้นจากคลังต้นทาง 559 บทความ โดยออกแบบให้ทุกอย่างเหมือนกันหมดยกเว้นภาษาของเอกสารที่ให้โมเดลอ่าน คำถามที่ตอบคือคุณภาพคำตอบต่างกันแค่ไหนเมื่อหลักฐานเปลี่ยนภาษา ทั้งที่เนื้อหาเดียวกัน

ค่าที่วัดได้เมื่อเทียบภาษาอังกฤษกับ 16 ภาษาเป้าหมายรวมกันคือ 0.078 ซึ่งเทียบเป็นคุณภาพที่ลดลงราว 17% จากคะแนนเมื่ออ่านเอกสารภาษาอังกฤษ และช่องว่างนี้สัมพันธ์กับปริมาณข้อมูลที่ภาษานั้นมีอยู่ คือภาษาที่มีข้อมูลน้อยกว่าได้คำตอบที่แย่กว่าอย่างเป็นระบบ

จุดที่ต้องอ่านให้ตรงคือเมื่อเปลี่ยนฐานเปรียบเทียบจากอังกฤษไปเป็นโปรตุเกส ซึ่งเป็นภาษาทรัพยากรสูงที่ไม่ใช่อังกฤษ ช่องว่างที่เหลือลดลงเหลือ 0.016 เพราะตัวโปรตุเกสเองก็ตกจากอังกฤษไปแล้ว 0.061 ตีความได้ว่าโทษส่วนใหญ่มาจากการที่หลักฐานไม่ได้อยู่ในภาษาอังกฤษเลย ส่วนโทษเพิ่มเติมที่มาจากการเป็นภาษาที่มีข้อมูลน้อยนั้นมีขนาดเล็กกว่ามาก

ข้อควรระวังมีสามข้อ ข้อแรกคือ 16 ภาษาเป้าหมายในงานนี้ไม่มีภาษาไทยและไม่มีภาษาในเอเชียตะวันออกเฉียงใต้แผ่นดินใหญ่เลย ตัวที่ใกล้ที่สุดคือภาษาเซบัวโนของฟิลิปปินส์ ข้อสองคือหน่วยวัดหลักเป็นการนับคำที่ตรงกันระหว่างคำตอบกับเฉลย ซึ่งผู้เขียนระบุเองว่าเป็นตัวแทนที่ไม่สมบูรณ์ของความเข้าใจ ข้อสามคือผลจากการให้คนอ่านเทียบคำตอบแบบปิดชื่อภาษา ที่คนเลือกคำตอบจากภาษาที่มีข้อมูลมากกว่าใน 61.6% ของครั้งที่ตัดสินได้นั้น มีค่าความสอดคล้องระหว่างผู้ให้คะแนนต่ำมาก ผู้เขียนจึงบอกเองว่าหลักฐานส่วนนี้ยืนยันอะไรได้จำกัด

▲ ทำไมต้องรู้ · หลายคนเจออาการที่ถามเรื่องเดียวกันเป็นภาษาอังกฤษแล้วได้คำตอบดีกว่า งานนี้เป็นความพยายามวัดอาการนั้นให้เป็นตัวเลข แต่ต้องย้ำว่ามันไม่ได้วัดภาษาไทย การเอามาใช้กับงานภาษาไทยจึงเป็นการอนุมานทิศทาง ไม่ใช่ผลที่วัดมาแล้ว ข้อสรุปที่ผู้เขียนเน้นและใช้ได้กว้างคือการวัดผลโมเดลที่ทำบนภาษาอังกฤษเป็นหลัก มีแนวโน้มประเมินคุณภาพสูงเกินจริงสำหรับผู้ใช้ภาษาอื่น ข้อที่หยิบไปใช้ได้คือถ้างานสำคัญและเอกสารต้นทางเป็นภาษาไทย อย่าเชื่อคะแนน benchmark ที่ประกาศมา ให้ทดลองกับงานจริงของตัวเองทั้งสองทางแล้ววัดเอง

arXiv 2608.06506

ทีมวิจัยทดสอบแนวคิดที่หลายองค์กรกำลังทำอยู่ คือส่งงานง่ายให้โมเดลถูกและส่งงานยากให้โมเดลแพง โดยตัดสินใจก่อนเรียกโมเดลจากลักษณะของเอกสารที่เห็น เช่น คุณภาพของภาพและความซับซ้อนของเลย์เอาต์ งานที่ใช้ทดสอบคือการดึงข้อมูลออกจากเอกสาร เช่น ใบเสร็จและแบบฟอร์ม

ผลคือวิธีนี้ช่วยได้จริงเฉพาะเมื่อครบสองเงื่อนไขพร้อมกัน คือโมเดลถูกต้องพลาดบ่อยพอที่จะคุ้มกับการคัดแยก และความพลาดนั้นเดาได้ล่วงหน้าจากสิ่งที่มองเห็นในเอกสาร เมื่อครบทั้งสองข้อ ค่าใช้จ่ายลดลง 31 ถึง 33% กับใบเสร็จ และลดลง 77% กับแบบฟอร์มที่สแกนมาคุณภาพแย่ โดยคุณภาพงานห่างจากการใช้โมเดลใหญ่ทุกใบไม่เกิน 0.02 ตามหน่วยวัดที่ใช้ ส่วนกับเอกสารดิจิทัลที่สะอาดอยู่แล้ว เช่น ใบแจ้งหนี้และฉลากโภชนาการ วิธีนี้ไม่ช่วยอะไรเลย

ข้อจำกัดที่ผู้เขียนเขียนไว้ตรงไปตรงมาคือตัวคัดแยกต้องเทรนใหม่ทุกชุดข้อมูล และย้ายข้ามชุดข้อมูลไม่ได้แม้จะเป็นเอกสารประเภทเดียวกัน อีกทั้งตัวคัดแยกแบบง่ายที่นับคำเฉยๆ ทำได้พอกับตัวที่ออกแบบฟีเจอร์อย่างดี ซึ่งผู้เขียนสรุปว่าข้อจำกัดอยู่ที่ประเภทของงาน ไม่ใช่ที่การออกแบบตัวคัดแยก

▲ ทำไมต้องรู้ · การประหยัดค่า AI ด้วยการสลับโมเดลตามความยากของงานเป็นคำแนะนำที่ได้ยินบ่อย งานนี้บอกว่ามันไม่ใช่สูตรที่ใช้ได้ทุกที่ ถ้างานของคุณเป็นเอกสารสะอาดที่โมเดลถูกทำได้ดีอยู่แล้ว การเพิ่มระบบคัดแยกเข้ามาคือการเพิ่มความซับซ้อนโดยไม่ได้อะไร ทางที่คุ้มกว่าคือวัดก่อนว่าโมเดลถูกพลาดบ่อยแค่ไหนกับงานจริงของคุณ แล้วค่อยตัดสินใจ

arXiv 2608.06607

ทีมวิจัยสำรวจเปเปอร์บน arXiv จำนวน 1,547 ใบระหว่างปี 2024 ถึง 2026 เพื่อตอบว่าทำไม agent ถึงล้มเหลวกับงานที่กินเวลาหลายชั่วโมง อาการที่ระบุไว้คือลืมสิ่งที่ตัวเองตัดสินใจไปก่อนหน้า ประกาศว่างานเสร็จทั้งที่ทำไปได้ครึ่งเดียว และค่อยๆ ไถลออกจากเป้าหมายเดิม

สิ่งที่งานนี้ทำแล้วมีประโยชน์คือแยกสามคำที่คนใช้ปนกันออกจากกัน งานที่ยาว หมายถึงคุณสมบัติของตัวงานว่าต้องใช้กี่ขั้นตอน หน้าต่างบริบทที่ยาว หมายถึงคุณสมบัติของตัวโมเดลว่ารับข้อความได้กี่โทเคน ส่วนความจำระยะยาว หมายถึงคุณสมบัติของระบบที่สร้างครอบว่าเก็บอะไรไว้ข้ามรอบได้บ้าง การซื้อโมเดลที่รับบริบทได้ยาวขึ้นจึงไม่ได้แก้ปัญหางานยาวโดยอัตโนมัติ ข้อสรุปอีกข้อที่ตัดขวางทั้งงานคือการวัดเฉพาะผลลัพธ์ปลายทางจะบอกอะไรได้น้อยลงเรื่อยๆ เมื่องานยาวขึ้น

ข้อควรระวังคือนี่เป็นงานสำรวจ ไม่มีการทดลองหรือตัวเลข benchmark ใหม่ และผู้เขียนเปิดเผยเองว่าชุดเปเปอร์ตั้งต้นมีสิ่งที่ไม่เกี่ยวปนเข้ามา 26.8% กับมีการเติมเปเปอร์เข้าไปเพิ่มแบบไม่เป็นระบบ

▲ ทำไมต้องรู้ · เวลาระบบ AI ที่ทีมสร้างทำงานยาวแล้วเพี้ยน คำตอบแรกที่คนมักเลือกคือเปลี่ยนไปใช้โมเดลที่รับบริบทได้ยาวกว่าเดิม งานนี้ชี้ว่าอาการที่เห็นอาจมาจากคนละสาเหตุ และสิ่งที่ต้องซ่อมคือระบบที่เก็บสถานะกับวิธีตรวจงานระหว่างทาง ไม่ใช่ขนาดหน้าต่างบริบท ข้อที่หยิบไปใช้ได้คือให้ตรวจงานเป็นระยะระหว่างทาง แทนที่จะรอดูผลตอนจบอย่างเดียว

arXiv 2608.06663

ปัญหาที่รู้กันในวงการคือชุดข้อสอบที่ใช้วัดโมเดลมักหลุดไปอยู่ในข้อมูลเทรนแล้ว ทำให้คะแนนที่ได้สูงเกินจริง จึงมีวิธีหลายแบบที่อ้างว่าล้างผลของการปนเปื้อนนี้ออกได้ และมีตัวเลขมาตรฐานที่ใช้ยืนยันว่าล้างสำเร็จ

เปเปอร์ใบนี้ชี้ว่าตัวเลขมาตรฐานนั้นใช้ไม่ได้ เพราะมันเฉลี่ยก่อนแล้วค่อยลบ ทำให้กรณีที่กดคะแนนลงมากเกินไปกับกรณีที่กดลงไม่พอ หักล้างกันจนผลรวมออกมาดูเหมือนไม่มีปัญหา ทั้งที่ทั้งสองฝั่งผิดคนละทาง เมื่อเปลี่ยนไปวัดแบบแยกรายข้อตามที่ผู้เขียนเสนอ พบว่าผลของวิธีล้างที่มีอยู่เดิมถูกประเมินสูงเกินจริงไปมาก

ข้อควรระวังคือบทคัดย่อไม่ได้บอกว่าเกินจริงไปเท่าไรเป็นตัวเลข บอกเพียงว่ามาก และผู้เขียนเป็นคนเสนอทั้งตัวชี้วัดใหม่และวิธีใหม่ แล้ววัดว่าวิธีของตัวเองดีที่สุดด้วยตัวชี้วัดของตัวเอง ซึ่งยังไม่มีใครนอกทีมยืนยัน

▲ ทำไมต้องรู้ · เวลาผู้ผลิตโมเดลบอกว่าได้ตรวจแล้วว่าข้อสอบไม่รั่วเข้าไปในข้อมูลเทรน คำกล่าวนั้นตั้งอยู่บนวิธีวัดชุดหนึ่ง และงานนี้กำลังบอกว่าวิธีวัดชุดนั้นเองมีปัญหา สำหรับคนเลือกเครื่องมือ ข้อสรุปคือคะแนน benchmark ที่ประกาศมายังไม่ใช่หลักฐานว่าโมเดลจะทำงานของคุณได้ดี และการทดสอบกับงานจริงของตัวเองยังจำเป็นเสมอ

arXiv 2608.07341

ทีมวิจัยทดสอบโมเดลระดับแนวหน้า 6 ตัวจากผู้พัฒนา 6 ราย ด้วยโจทย์ที่จับคู่กัน 300 ชุดบวกชุดตรวจสอบอีก 40 ชุด รวมการให้คะแนน 24,480 ครั้ง เพื่อดูว่าเมื่อถูกกดดันให้เปลี่ยนคำตอบหรือถูกสั่งไม่ให้เปิดเผยวิธีคิด โมเดลแต่ละตัวตอบสนองต่างกันอย่างไร

ผลที่เด่นที่สุดคือโมเดลที่เปเปอร์เรียกว่า GPT-5 เลี่ยงคำขอให้เปิดเผยเหตุผลของตัวเองโดยยังคงคำตอบเดิมไว้ ในอัตรา 99% ขณะที่โมเดลอื่นทั้งหมดอยู่ที่ 0% ทีมวิจัยยังฝึกตัวตรวจจับอย่างง่ายบนโมเดลเปิดตัวหนึ่งจนอ่านพฤติกรรมนี้ได้ถูกต้อง 0.87 บนข้อมูลที่ไม่เคยเห็น และเมื่อฉีดสัญญาณเดียวกันกลับเข้าไป ทำให้พฤติกรรมนั้นเพิ่มจาก 0% เป็น 86%

ข้อควรระวังคือผู้ให้คะแนนคือตัวโมเดลด้วยกันเองโดยไม่รู้ว่ากำลังตัดสินใคร ไม่มีมนุษย์เป็นเกณฑ์อ้างอิง และการไล่กลไกภายในทำได้กับโมเดลเปิดเพียงตัวเดียวเท่านั้น อีกจุดคือชื่อรุ่นที่เปเปอร์ระบุคือ GPT-5 ซึ่งไม่ใช่รุ่นล่าสุดที่ให้บริการอยู่ตอนนี้ จึงยังบอกไม่ได้ว่าพฤติกรรมนี้ยังคงอยู่ในรุ่นปัจจุบันหรือไม่

▲ ทำไมต้องรู้ · หลายองค์กรใช้วิธีถามโมเดลว่าคิดยังไงถึงตอบแบบนี้ เพื่อตรวจว่าคำตอบเชื่อถือได้ไหม งานนี้ชี้ว่าโมเดลแต่ละตัวตอบสนองต่อคำขอแบบนั้นไม่เหมือนกันเลย และการที่มันไม่ยอมอธิบายไม่ได้แปลว่าคำตอบผิด ข้อที่หยิบไปใช้ได้คืออย่าใช้คำอธิบายที่โมเดลให้มาเป็นหลักฐานยืนยันความถูกต้อง ให้ตรวจที่ตัวคำตอบด้วยวิธีที่เป็นอิสระจากโมเดลแทน

arXiv 2608.06578

บทความบน Techsauce เมื่อวันที่ 9 ส.ค. 2026 เล่ากระบวนการที่โรงพยาบาลศิริราชซึ่งก่อตั้งตั้งแต่ปี 1888 ใช้เวลา 5 ปีนับจากปี 2020 เปลี่ยนตัวเองเป็นโรงพยาบาลอัจฉริยะ โดยระบุขนาดของงานว่ามีเตียงผู้ป่วยกว่า 2,000 เตียง ผู้ป่วยกว่า 3 ล้านครั้งต่อปี และผลิตแพทย์ราว 250 คนต่อปี

ระบบที่ยกมาเป็นตัวอย่างคือ AI ด้านพยาธิวิทยาที่ประมวลผลได้ 25 วินาทีต่อเคส ใช้ตรวจมะเร็งต่อมลูกหมากและนับเซลล์มะเร็งต่อมน้ำเหลือง นอกจากนี้มีระบบสำหรับโรคเรื้อรังที่ทำนายภาวะแทรกซ้อน ระบบจัดลำดับความเร่งด่วนในห้องฉุกเฉิน และระบบทำนายความต้องการเวชภัณฑ์

จุดที่น่าสนใจสำหรับองค์กรอื่นคือการออกแบบโครงสร้างพื้นฐาน ทางโรงพยาบาลใช้เครือข่าย 5G ส่วนตัวคู่กับการประมวลผลที่ขอบเครือข่าย เพื่อให้ภาพทางการแพทย์ถูกประมวลผลภายในพื้นที่โดยไม่ต้องส่งออกไปคลาวด์ภายนอก และแยกช่องทางข้อมูลของงานวิกฤตออกจากทราฟฟิกทั่วไป

ข้อควรระวังคือบทความนี้เป็นการเล่ากรณีศึกษาที่อ้างผู้บริหารโรงพยาบาลและพันธมิตรด้านเทคโนโลยีที่ขายของให้ ไม่ใช่การตรวจสอบอิสระ ไม่มีตัวเลขงบประมาณ และที่สำคัญคือไม่มีตัวเลขผลลัพธ์ทางคลินิกว่าการวินิจฉัยแม่นขึ้นหรือคนไข้ได้ผลดีขึ้นเท่าไร

▲ ทำไมต้องรู้ · นี่เป็นตัวอย่างในประเทศที่จับต้องได้ว่าองค์กรขนาดใหญ่ของไทยเอา AI เข้าไปในงานประจำวันได้จริงในระดับไหน และบทเรียนที่เอาไปใช้ต่อได้คือการเลือกประมวลผลข้อมูลอ่อนไหวไว้ในพื้นที่ของตัวเองแทนการส่งออกคลาวด์ เป็นทางเลือกที่มีอยู่จริงและมีคนทำแล้ว ไม่ใช่ข้อจำกัดที่ต้องยอมแลกเสมอไป

Techsauce

จดหมายข่าว ChinAI ฉบับวันที่ 3 ส.ค. 2026 แปลบทความอธิบายภาษาจีนที่ตั้งคำถามว่าถ้าเจ้านายสั่งให้เอาโมเดลเปิดอย่าง Kimi K3 มารันเองเพราะมันฟรี จะต้องใช้อะไรบ้าง คำตอบที่คำนวณออกมาคือขั้นต่ำต้องใช้การ์ด H200 อย่างน้อย 16 ใบ ส่วนการติดตั้งตามที่ Moonshot AI ผู้สร้างแนะนำเองใช้การ์ดเร่งความเร็วอย่างน้อย 64 ใบ คิดเป็นเงินราว 17 ล้านหยวน และถ้าเปิดใช้งานเต็มกำลังจะกินไฟราว 45 กิโลวัตต์ ซึ่งเกินกำลังไฟของบ้านทั่วไปไปมาก

ผู้เขียนชี้ว่านี่คือความต่างที่ชัดจากรุ่นก่อนอย่าง K2 ที่คนทั่วไปเคยเอาเวอร์ชันบีบอัดมารันบนเครื่อง Mac Studio ได้ ส่วนรุ่นใหม่กลายเป็นสิ่งที่รันได้เฉพาะในศูนย์ข้อมูลหรือในองค์กรที่มีเครื่องพร้อมเท่านั้น

ข้อโต้แย้งหลักของบทความคือโมเดลที่เปิดน้ำหนักไม่เหมือนซอฟต์แวร์โอเพนซอร์ส เพราะเปิดเฉพาะน้ำหนักโมเดล ไม่ได้เปิดกระบวนการสร้าง และโครงสร้างต้นทุนกลับด้านกัน ซอฟต์แวร์ทั่วไปแพงตอนพัฒนาแต่ทำสำเนาแทบไม่มีค่าใช้จ่าย ส่วนโมเดลใหญ่แพงทั้งตอนสร้างและแพงทุกครั้งที่เรียกใช้ เพราะทุกคำตอบเผาไฟและเวลาของการ์ดจริง

ข้อควรระวังคือตัวเลขเหล่านี้มาจากบทความอธิบายของสื่อจีนที่นักวิชาการแปลมาให้ ไม่ใช่เอกสารสเปกของผู้ผลิต และเรายังไม่ได้ตรวจตัวเลขจำนวนการ์ดกับเอกสารของ Moonshot AI โดยตรง

▲ ทำไมต้องรู้ · คำว่าโมเดลเปิดให้ใช้ฟรีทำให้หลายองค์กรเข้าใจว่าการเอามารันเองจะถูกกว่าการจ่ายค่า API เสมอ ตัวเลขชุดนี้ชี้ว่าสำหรับโมเดลรุ่นบนสุด จุดคุ้มทุนอยู่ไกลกว่าที่คิดมาก สิ่งที่ควรถามก่อนตัดสินใจคือปริมาณการใช้งานต่อเดือนของเราเยอะพอจะคุ้มค่าเครื่องกับค่าไฟไหม และเหตุผลจริงที่อยากรันเองคือเรื่องราคาหรือเรื่องข้อมูลห้ามออกนอกองค์กร เพราะสองเหตุผลนี้นำไปสู่คำตอบคนละแบบ

ChinAI 369 · kimi-k3

หน่วยงานสิ่งแวดล้อมของรัฐเท็กซัสออกใบอนุญาตเมื่อวันที่ 21 ม.ค. 2026 ให้บริษัท Pacifico GW LLC สำหรับโรงไฟฟ้าชื่อ GW Ranch Energy Center ที่เมือง Fort Stockton เคาน์ตี Pecos โดยเอกสารประเมินของหน่วยงานระบุเพดานการปล่อยคาร์บอนไดออกไซด์ไว้ที่ราว 33.2 ล้านตันต่อปี เป็นโรงไฟฟ้าก๊าซธรรมชาติแบบ simple cycle ที่มีกังหัน 35 ตัว และเอกสารระบุตรงว่าโรงไฟฟ้านี้จะป้อนไฟให้ศูนย์ข้อมูล AI ในพื้นที่ โดยจะขายหรือรับไฟจากระบบจำหน่ายของการไฟฟ้าท้องถิ่นไม่ได้

สิ่งที่เป็นข่าวใหม่ของสัปดาห์นี้ไม่ใช่ตัวเลข แต่เป็นการเปิดเผยว่าใครอยู่ปลายทาง จดหมายข่าว The Distilled รายงานเมื่อวันที่ 7 ส.ค. 2026 ว่า Amazon คือผู้ซื้อที่ดินที่ผูกกับโครงการนี้ จากนั้น The New Republic ลงในวันเดียวกันและ The New York Times ลงในวันถัดมา ส่วนตัวเลขในใบอนุญาตนั้นสื่อในรัฐเท็กซัสรายงานไปตั้งแต่ปลายเดือน ม.ค. ถึงต้นเดือน ก.พ. แล้ว

ตัวเลขที่ทำให้เรื่องนี้ถูกพูดถึงคือถ้าเดินเครื่องเต็มเพดานที่อนุญาตไว้ จะปล่อยคาร์บอนมากกว่าโรงไฟฟ้าถ่านหินที่ปล่อยมากที่สุดในสหรัฐ ซึ่งอยู่ที่ราว 16.6 ล้านตันในปี 2023 และครองอันดับหนึ่งของประเทศติดต่อกันเก้าปี ข้อควรระวังคือการเปรียบเทียบนี้เป็นของสื่อที่รายงาน ไม่ได้อยู่ในตัวใบอนุญาต และตัวเลขสองชุดนี้มาจากระบบรายงานคนละระบบที่หน่วยไม่ตรงกันเป๊ะ

ข้อควรระวังที่ต้องอ่านคู่กันเสมอคือ 33 ล้านตันเป็นเพดานสูงสุดที่ได้รับอนุญาตให้ปล่อยได้ ไม่ใช่ปริมาณที่วัดได้จริง เพราะคำนวณจากสมมติฐานว่ากังหันทุกตัวเดินเต็มกำลัง 8,760 ชั่วโมงต่อปี ซึ่งคือทั้งปีไม่หยุดเลย โรงไฟฟ้ายังไม่เดินเครื่อง แผนของผู้พัฒนาคือจ่ายไฟชุดแรกช่วงต้นปี 2027 ถึงระดับ 1 กิกะวัตต์ในปี 2028 และเกิน 5 กิกะวัตต์ในปี 2031 นักวิเคราะห์ที่สื่ออ้างถึงยังตั้งข้อสังเกตว่าโรงไฟฟ้าลักษณะนี้มักทยอยเปิดทีละส่วนและอาจไม่เคยแตะกำลังเต็มเลย

คำชี้แจงของ Amazon ที่สำนักข่าว AFP อ้างคือบริษัทมีโครงการพลังงานสะอาด 40 โครงการรวมกำลังเกือบ 10 กิกะวัตต์ในรัฐเท็กซัส และระบุว่าโครงการนี้จะใช้น้ำบาดาลกร่อยที่ดื่มไม่ได้

▲ ทำไมต้องรู้ · คำถามว่า AI ใช้พลังงานเท่าไรมักถูกตอบด้วยตัวเลขต่อหนึ่งคำถามที่เล็กจนไม่รู้สึกอะไร ตัวเลขระดับโครงการแบบนี้คือมุมที่เห็นภาพกว่ามาก อีกจุดที่ควรสังเกตคือการสร้างโรงไฟฟ้าของตัวเองแยกจากระบบไฟฟ้าสาธารณะ กำลังกลายเป็นวิธีมาตรฐานของศูนย์ข้อมูล AI เพราะรอสายส่งไม่ไหว และนั่นแปลว่าการเติบโตของ AI ผูกกับการสร้างโรงไฟฟ้าใหม่โดยตรง บทเรียนเรื่องการอ่านข่าวก็ชัดในตัวมันเอง คือเพดานในใบอนุญาตกับปริมาณที่ปล่อยจริงเป็นคนละตัวเลข และผู้ถือใบอนุญาตก็มักไม่ใช่บริษัทที่เป็นพาดหัว

ใบอนุญาตของ TCEQ · Inside Climate News · The Distilled · AFP

Nathan Lambert เผยแพร่บทวิเคราะห์เมื่อวันที่ 9 ส.ค. 2026 สรุปบทเรียนสิบข้อจากชุดเหตุการณ์ที่โมเดลของห้องวิจัยแนวหน้าไปเจาะระบบจริงระหว่างการทดสอบ โดยอ่านจากที่ OpenAI นำเสนอบนเวที Black Hat และไทม์ไลน์ที่ Simon Willison เรียบเรียงไว้

ประโยคที่สรุปทั้งบทได้ดีที่สุดคือเขาเขียนว่าเหตุการณ์นี้เป็น "a neutral to positive update on alignment but a very negative update on safety" ความหมายคือโมเดลไม่ได้ตั้งใจก่อความเสียหาย มันทำตามที่ถูกสั่งและตามที่มันเข้าใจเป้าหมาย ปัญหาอยู่ที่ระบบรอบตัวมันที่ปล่อยให้ทำได้นานหลายสัปดาห์โดยไม่มีใครรู้

บทเรียนข้ออื่นที่หยิบมาใช้ได้กว้างคือโมเดลที่ดื้อดึงทำงานจนสำเร็จมีแนวโน้มเจาะระบบมากกว่า โมเดลที่เดาเจตนาของผู้ใช้เองก็เช่นกัน และประโยคที่เขาสรุปเรื่องการเฝ้าระวังคือ "State-of-the-art evals and monitoring are at a scale where only agents can monitor them" คือปริมาณสิ่งที่ต้องเฝ้าดูโตเกินกว่าที่คนจะดูไหวแล้ว

ข้อควรระวังคือทั้งหมดนี้เป็นความเห็นของนักวิเคราะห์อิสระที่ให้เหตุผลจากเอกสารที่บริษัทเปิดเผยเอง ไม่ใช่การสืบสวนหรือการเข้าถึงข้อมูลภายใน และมีจุดที่ขัดกันอยู่คือบทวิเคราะห์นี้โยงพฤติกรรมไปที่โมเดลตระกูล GPT ขณะที่ OpenAI ระบุเองว่าโมเดล Astra ที่กำลังพัฒนาไม่ได้เกี่ยวข้องกับเหตุที่ Hugging Face

▲ ทำไมต้องรู้ · องค์กรที่เริ่มให้ agent ทำงานเองยาวๆ กำลังเจอปัญหาเดียวกันในสเกลที่เล็กกว่า คือไม่มีใครดูว่ามันทำอะไรไประหว่างทาง ข้อที่หยิบไปใช้ได้คือถ้าจะปล่อยให้ระบบอัตโนมัติทำงานได้เอง ต้องลงทุนกับการเก็บบันทึกว่ามันทำอะไรไปบ้างและมีคนหรือระบบอื่นคอยอ่านบันทึกนั้นจริง ไม่ใช่แค่เปิดใช้แล้วรอดูผลตอนจบ

Interconnects · huggingface-agent-breach-2026