AI News · 2026-08-24

บทความของ Financial Times เมื่อวันที่ 23 ส.ค. รายงานว่าโมเดลตัวแรงที่สุดของ Anthropic ยังหาผู้ใช้ได้ช้ากว่าที่คาด ขณะที่เครื่องมือที่ถูกกว่าเติบโตได้ดีกว่า โดยอ้างข้อมูลส่วนแบ่งการใช้จ่ายของเดือน ก.ค. จากดัชนีที่บริษัทบัตรเครดิตองค์กรแห่งหนึ่งจัดทำจากยอดจ่ายจริงของลูกค้าตัวเอง

ส่วนแบ่งการใช้จ่ายฝั่ง Anthropic ในเดือนนั้นตามดัชนีดังกล่าวคือ Opus 4.8 อยู่ที่ 28.0% ตามด้วย Sonnet 4.6 ที่ 8.3% และ Fable 5 ที่ 8.0% ส่วน Opus 5 ซึ่งเพิ่งออกปลายเดือน ก.ค. อยู่ที่ 3.5% แปลว่าเงินส่วนใหญ่ยังไหลไปที่รุ่นที่ออกมาก่อนและถูกกว่า

ตัวเลขฝั่งรายได้ที่รายงานคือรายได้ต่อปีของ Anthropic แตะ 65 พันล้านดอลลาร์ในเดือน ก.ค. จาก 47 พันล้านดอลลาร์ในเดือน พ.ค. และมีลูกค้า 6,000 รายที่จ่ายเกินหนึ่งแสนดอลลาร์ต่อปี ส่วน OpenAI อยู่เหนือ 40 พันล้านดอลลาร์และโตขึ้น 35% หลังโมเดลรุ่นใหม่ออกในเดือน ก.ค.

ข้อควรระวังมีสองข้อ ข้อแรกคือหน้าบทความต้นทางเปิดตรงไม่ได้ในรอบนี้ ตัวเลขทั้งหมดจึงอ่านผ่านบันทึกของนักพัฒนาที่สรุปไว้ ข้อสองคือส่วนแบ่งของ Fable 5 ที่แต่ละสำนักรายงานไม่ตรงกัน มีทั้ง 8.0% ของยอดใช้จ่าย 11.4% ของยอดใช้จ่าย และ 6% ของจำนวนโทเคน ซึ่งเป็นคนละหน่วยวัด จึงหยิบเลขเดียวมาใช้โดยไม่บอกว่าวัดอะไรไม่ได้

ในกระทู้ที่ถกเรื่องนี้ยังมีคำอธิบายอีกทางที่บทความไม่ได้พูดถึง คือหลายองค์กรยังเปิดให้พนักงานใช้โมเดลตัวแพงไม่ได้เพราะยังไม่มีทางเลือกที่รับประกันว่าไม่เก็บข้อมูลไว้เลย ซึ่งเป็นเหตุผลด้านการกำกับ ไม่ใช่เรื่องราคา

▲ ทำไมต้องรู้ · คนที่กำลังเลือกโมเดลให้ทีมมักคิดว่าตัวที่ใหม่ที่สุดคือตัวที่ควรใช้ ข้อมูลชุดนี้บอกว่าองค์กรที่จ่ายเงินจริงส่วนใหญ่ยังอยู่กับรุ่นก่อนหน้าที่ถูกกว่า วิธีที่ใช้ได้จริงคือเอางานจริงของทีมไปวัดกับโมเดลสองสามตัวแล้วดูว่าตัวถูกกว่าพอไหม ก่อนตัดสินใจจ่ายเพิ่มให้ตัวแรงที่สุด

บันทึกของ Simon Willison · Hacker News · the-decoder

เว็บข่าวเทคโนโลยีไทยรายงานเมื่อวันที่ 21 ส.ค. ว่า Alibaba และ Moonshot AI กำลังเปลี่ยนเงื่อนไขของโมเดลเปิดไปเป็นการเก็บส่วนแบ่งรายได้จากบริษัทที่เอาไปทำธุรกิจแล้วมีรายได้สูง โดยระบุว่าฝั่ง Moonshot มีรายงานว่าเก็บสูงถึง 30% ของรายได้

เมื่อเปิดไฟล์สัญญาอนุญาตตัวจริงบนคลังโมเดลสาธารณะ สิ่งที่เขียนไว้คือเพดานรายได้ที่เมื่อเกินแล้วต้องไปทำสัญญาแยก ฝั่ง Alibaba กำหนดว่าถ้าผู้รับอนุญาตทำธุรกิจให้บริการโมเดลหรือผู้ช่วยทำงาน และมีรายได้รวมเกิน 50 ล้านดอลลาร์ในรอบสิบสองเดือนใดก็ตาม ต้อง "obtain a separate license from Qwen before Using the Software or its derivative works for any commercial purpose"

ฝั่ง Moonshot ตั้งเพดานต่ำกว่าที่ 20 ล้านดอลลาร์ และนับแคบกว่าคือเฉพาะธุรกิจให้บริการโมเดล ไม่รวมผู้ช่วยทำงาน โดยเขียนว่าต้อง "enter into a separate agreement with Moonshot AI before using the Software or its derivative works for any commercial purpose"

จุดที่ต้องแยกให้ออกคือทั้งสองไฟล์ไม่มีคำว่าแบ่งรายได้ ไม่มีคำว่าค่าสิทธิ และไม่มีตัวเลขเปอร์เซ็นต์ใดๆ ปรากฏอยู่เลย ส่วนตัวเลข 30% ที่สื่อรายงานเป็นเงื่อนไขที่ว่ากันว่าอยู่ในสัญญาแยกซึ่งต้องไปเจรจากันเป็นรายๆ และไม่เปิดเผยต่อสาธารณะ จึงยืนยันหรือปฏิเสธจากเอกสารที่อ่านได้ไม่ได้

อีกจุดที่คลาดเคลื่อนคือชื่อโมเดล ไม่มีที่เก็บสาธารณะชื่อ Qwen3.8-Max ตัวที่เปิดน้ำหนักจริงชื่อ Qwen3.8-2.4T-A95B โดยไฟล์สัญญาที่อยู่ข้างในตั้งชื่อตัวเองว่าสัญญาอนุญาตของ Qwen3.8-Max ซึ่งน่าจะเป็นต้นทางของความสับสน

▲ ทำไมต้องรู้ · องค์กรไทยที่เลือกโมเดลเปิดเพราะเข้าใจว่าใช้ฟรีได้ตลอดไป ควรเปิดไฟล์สัญญาอนุญาตของโมเดลนั้นอ่านเองอย่างน้อยหนึ่งครั้ง เพราะเพดานของแต่ละค่ายไม่เท่ากันและนับไม่เหมือนกัน สิ่งที่ต้องรู้ต่อคือเมื่อเกินเพดานแล้ว ราคาที่ต้องจ่ายอยู่ในสัญญาที่เจรจากันเป็นรายๆ ไม่ใช่ตัวเลขที่ประกาศไว้ล่วงหน้า ทีมที่คิดจะสร้างสินค้าบนโมเดลเปิดจึงควรถามเรื่องนี้ตั้งแต่วันแรก ไม่ใช่ตอนรายได้โตแล้ว

สัญญาอนุญาตของ Qwen · สัญญาอนุญาตของ Kimi K3 · Reuters ผ่าน Yahoo Finance · Techsauce

ของใหม่ชื่อ Agentic Search ประกาศเมื่อวันที่ 20 ส.ค. ให้โมเดลใช้เครื่องมือห้าตัวคือค้นหา เปิด เดินต่อ อ่าน และค้นข้อความในไฟล์ เพื่อไล่เปิดเอกสารและตรวจสอบข้อมูลข้ามไฟล์ซ้ำหลายรอบก่อนจะตอบ

ตัวเลขที่บริษัทรายงานคือบนชุดทดสอบเอกสารการเงินซึ่งประกอบด้วยเอกสารที่ยื่นต่อหน่วยงานกำกับ 368 ฉบับ ความถูกต้องขึ้นจาก 26.7% เป็น 86% และบนชุดทดสอบเอกสารราชการที่มีตารางเยอะราว 89,000 หน้า ขึ้นจาก 6.3% เป็น 51.9%

อีกสองตัวเลขคือเวลาตอบของคำถามที่ช้าที่สุดหนึ่งในสิบส่วนลดลงได้ถึง 39.6% และปริมาณโทเคนที่ใช้ลดลงได้ถึงหนึ่งในสาม เพราะการเดินไปหาจุดที่ต้องการทำให้ไม่ต้องค้นซ้ำหลายรอบ

ข้อควรระวังคือตัวเลขทั้งหมดเป็นของผู้ขายเอง ยังไม่มีผู้วัดอิสระเผยแพร่ผล และตัวเลขในรายงานผูกกับโมเดลรายตัวที่ทดสอบ ไม่ใช่ค่ากลางของทุกโมเดล

▲ ทำไมต้องรู้ · ปัญหาที่องค์กรไทยเจอบ่อยที่สุดเวลาให้ AI ตอบคำถามจากเอกสารภายใน คือมันค้นเจอชิ้นเดียวแล้วตอบทันที ทั้งที่คำตอบจริงกระจายอยู่หลายไฟล์ แนวทางนี้คือการให้มันเดินอ่านต่อจนครบก่อนตอบ และตัวเลขที่น่าสนใจกว่าความถูกต้องคือโทเคนที่ลดลง เพราะแปลว่าการค้นให้ตรงขึ้นถูกกว่าการค้นให้เยอะขึ้น

Mistral

Drew Breunig เขียนเมื่อวันที่ 23 ส.ค. ว่าก่อนหน้านี้การนั่งปรับวิธีป้อนบริบทหรือปรับโครงที่ใช้รันโมเดลเป็นเรื่องเสียเวลาเปล่า เพราะเดี๋ยวโมเดลรุ่นใหม่ที่ราคาเท่าเดิมหรือถูกกว่าก็จะมากลบปัญหาให้เอง

ประโยคที่เขาใช้คือ "Prior to Fable, it felt silly to waste too much time improving your coding harness or context strategies. A new model would arrive at the same price (or cheaper!) and paper over most of your problems" แล้วชี้ว่าโมเดลรุ่นล่าสุดที่เก่งจริงแต่ราคาสูงมากทำให้สมมติฐานนั้นใช้ไม่ได้อีก

สิ่งที่ทีมของเขาเปลี่ยนไปทำแทนคือมานั่งแยกว่างานชิ้นไหนควรส่งไปโมเดลตัวไหน โดยยกตัวอย่างว่าโมเดลเปิดบางตัวมีราคาราวหนึ่งในห้าถึงหนึ่งในเก้าของตัวที่แพงที่สุด และเทียบเรื่องนี้กับตอนที่กฎการเพิ่มความเร็วของชิปเริ่มชะลอ จนคนกลับมาสนใจการเขียนโค้ดให้ประหยัดอีกครั้ง

ข้อควรระวังคือนี่เป็นบทความแสดงความเห็นจากประสบการณ์ของทีมเดียว ไม่มีการวัดผลประกอบ

▲ ทำไมต้องรู้ · หลายองค์กรตั้งงบ AI ไว้ก้อนเดียวแล้วส่งงานทุกอย่างเข้าโมเดลตัวเดียวกัน เพราะคิดว่าเดี๋ยวราคาก็ถูกลงเอง ข้อเสนอในบทความนี้คือให้เริ่มแยกประเภทงานตั้งแต่ตอนนี้ ว่างานไหนต้องการตัวเก่งที่สุดจริง และงานไหนตัวถูกกว่าก็จบได้ ซึ่งเป็นงานที่ทำได้เลยโดยไม่ต้องรอใคร

บันทึกของ Simon Willison · dbreunig.com · Hacker News

ข้อเถียงของบทความคือโมเดลเขียนโค้ดรุ่นใหม่ถูกปรับให้ทำงานเองแบบไม่ต้องมีคนคอยกำกับ และสิ่งที่แลกไปคือความประหยัดโทเคนกับการควบคุมของผู้ใช้ ผลที่ตามมาคือมันไปเขียนเทสต์เกินความจำเป็นและตรวจซ้ำตัวเองหลายรอบ

ผู้เขียนสรุปอาการนี้ว่า "Each test pristine and covering a corner case that will never be hit. A 10-million-token burn to ensure no human has to ever look at the code" และเล่าว่าโควตารายสัปดาห์ของตัวเองหมดภายในสิบสองชั่วโมง

ข้อควรระวังคือตัวเลขทั้งหมดในบทความเป็นประสบการณ์ส่วนตัวที่ไม่มีวิธีวัดกำกับ และคำอธิบายที่ผู้เขียนเสนอว่าพฤติกรรมนี้เกิดจากผู้ใช้กลุ่มที่สั่งงานแบบไม่อ่านโค้ด เป็นการคาดเดาที่ไม่มีหลักฐานประกอบ

▲ ทำไมต้องรู้ · ทีมที่เพิ่งเริ่มให้ AI ช่วยทำงานมักดูแค่ว่างานเสร็จหรือไม่ แล้วตกใจตอนเห็นบิล ประเด็นที่ใช้ได้จริงจากข้อนี้คือค่าใช้จ่ายส่วนใหญ่ไม่ได้อยู่ที่คำสั่งที่เราพิมพ์ แต่อยู่ที่งานที่มันตัดสินใจทำเพิ่มเองระหว่างทาง สิ่งที่ควรทำคือดูรายงานการใช้งานว่ามันเผาโทเคนไปกับขั้นตอนไหนมากที่สุด ก่อนจะไปตัดที่คำสั่ง

insufferable.dev · Hacker News

บทความนิยามคำว่า harness ซึ่งหมายถึงซอฟต์แวร์ที่สร้างสภาพแวดล้อมให้โมเดลทำงานอยู่ข้างใน โดยแยกออกเป็นสี่ส่วนคือคำสั่งระบบที่กำหนดบทบาท ชุดเครื่องมือที่ยื่นให้ วงรอบที่ให้มันคิดและลงมือสลับกันไป และชั้นแปลงคำสั่งที่ทำให้สลับไปใช้โมเดลค่ายอื่นได้โดยไม่ต้องเขียนใหม่ทั้งหมด

โพสต์นี้เผยแพร่ตั้งแต่วันที่ 20 ส.ค. แต่เพิ่งขึ้นกระดานนักพัฒนาในรอบนี้และได้ 265 คะแนน โดยข้อถกเถียงในกระทู้แยกเป็นสองฝ่าย ฝ่ายหนึ่งมองว่าเมื่อความสามารถของโมเดลเริ่มตีตื้นกัน โครงแบบนี้จะกลายเป็นของพื้นฐานที่ใครก็ทำได้ อีกฝ่ายมองว่าส่วนขยายจะยังทำให้แต่ละเจ้าต่างกันอยู่

ข้อควรระวังคือผู้เขียนเป็นบริษัทที่ทำโครงแบบเปิดขาย จึงมีส่วนได้เสียกับข้อสรุปที่ว่าโครงควรเป็นของที่ผู้ใช้เป็นเจ้าของเอง

▲ ทำไมต้องรู้ · เวลาเปรียบเทียบเครื่องมือ AI สองตัวที่ใช้โมเดลเดียวกันแล้วได้ผลไม่เท่ากัน คำอธิบายมักอยู่ที่สี่ส่วนนี้ ไม่ใช่ที่ตัวโมเดล การรู้ว่าอะไรอยู่ในส่วนไหนช่วยให้ถามคำถามที่ถูกตอนคุยกับผู้ขาย เช่นถามว่าเปลี่ยนโมเดลข้างในได้ไหมและต้องแก้อะไรบ้าง แทนที่จะถามแค่ว่าใช้โมเดลตัวไหน

earendil.com · Hacker News

เจ้าของแท็บเล็ตราคาราวสี่พันบาทที่ซื้อมาตั้งแต่ปี 2565 เจอปัญหาเครื่องรีสตาร์ตเองซ้ำๆ และต้องปลดล็อกสิทธิ์ผู้ดูแลระบบเพื่อถอดซอฟต์แวร์ที่ติดมากับเครื่องออก จึงลองให้โมเดลหลายตัวช่วยไล่หาสาเหตุ แล้วบันทึกค่าใช้จ่ายกับผลของแต่ละตัวไว้ทั้งหมด

ผลที่เขาเล่าคือโมเดลจีนสองตัวช่วยไล่ปัญหาต่อจนจบ โดยตัวหนึ่งใช้เงินราว 164 ดอลลาร์กับการสนทนา 621 รอบ อีกตัวใช้ราว 22 ดอลลาร์แล้วชี้ว่าแนวทางของตัวแรกวางผิดตั้งแต่ต้น ส่วนโมเดลอเมริกันสองค่ายปฏิเสธไม่ช่วย โดยตัวหนึ่งบล็อกแม้แต่ตอนขอให้สรุปบันทึกของเครื่องตัวเอง

ประโยคที่เขาสรุปเองคือ "American frontier models won't help and Chinese will, but not without reasoning about whether they should" กระทู้ได้ 603 คะแนนกับความเห็นกว่าสองร้อยอัน สูงที่สุดในบรรดาหัวข้อสายเทคของรอบนี้

ข้อควรระวังมีสามข้อ หนึ่งคือเป็นประสบการณ์ของคนเดียวที่ยังไม่มีใครทำซ้ำ สองคืองานที่เขาให้ทำเป็นงานที่แตะเรื่องความปลอดภัยโดยตรง จึงเป็นโจทย์ที่เอนเอียงไปทางที่โมเดลซึ่งกรองเข้มจะปฏิเสธอยู่แล้ว และสามคือผู้อ่านจำนวนมากในกระทู้ตั้งข้อสังเกตว่าตัวบทความน่าจะเขียนโดย AI ช่วย

▲ ทำไมต้องรู้ · เรื่องที่ใช้ได้จริงจากข้อนี้ไม่ใช่ว่าโมเดลค่ายไหนดีกว่ากัน แต่คือการที่โมเดลปฏิเสธงาน เป็นตัวแปรที่ควรนับรวมตอนเลือกเครื่องมือ ทีมที่ทำงานสายความปลอดภัย งานตรวจสอบภายใน หรืองานที่ต้องอ่านบันทึกของระบบ ควรทดลองด้วยงานจริงของตัวเองก่อนตัดสินใจ เพราะโมเดลที่ทำคะแนนสอบสูงอาจปฏิเสธงานประจำวันของทีมได้

บันทึกของผู้เขียน · Hacker News

หัวข้อที่ขึ้นอันดับหนึ่งอ้างว่าโมเดลเปิดตัวหนึ่งทำคะแนนชนะโมเดลของค่ายใหญ่สองเจ้าด้วยราคาหนึ่งในห้า และได้ไปถึง 233 คะแนน ก่อนจะถูกผู้อ่านตั้งค่าซ่อนในวันเดียวกัน

เหตุผลที่ผู้อ่านยกมาโต้มีหลายชั้น ชั้นแรกคือโมเดลเกือบสิบตัวในตารางทำคะแนนเกิน 95% ซึ่งแปลว่าข้อสอบชุดนั้นง่ายเกินไปจนแยกความสามารถไม่ออกแล้ว โดยมีคนชี้ว่าแม้แต่โมเดลรุ่นเล็กที่สุดก็ยังได้ 96%

ชั้นที่สองคือหน้าแนะนำตัวของเว็บนั้นเขียนยอมรับเองว่าเนื้อหาบนเว็บสร้างด้วย AI และชั้นที่สามคือโมเดลสองตัวที่ถูกจัดว่าแพ้ ถูกหักคะแนนเพราะระบบกรองปฏิเสธงานบางประเภท ไม่ใช่เพราะทำงานนั้นไม่ได้

ความเห็นที่สรุปประเด็นได้ตรงที่สุดคือ "Haiku gets 96%. The results here are 'not even wrong'"

▲ ทำไมต้องรู้ · ตารางเปรียบเทียบโมเดลกำลังกลายเป็นเครื่องมือการตลาดที่ใครก็ทำขึ้นมาได้ วิธีตรวจที่ใช้เวลาไม่ถึงนาทีมีสองข้อ ข้อแรกคือดูว่าคะแนนของทุกตัวกระจุกอยู่ใกล้เพดานหรือไม่ ถ้าใช่แปลว่าข้อสอบวัดอะไรไม่ได้แล้ว ข้อสองคือดูว่าคะแนนที่ต่ำมาจากการทำไม่ได้ หรือมาจากการที่มันปฏิเสธไม่ทำ ซึ่งเป็นคนละเรื่องกันโดยสิ้นเชิง

Hacker News

ชุดทดสอบชื่อ Thinkingbox ประกอบด้วยงาน 507 ชิ้นที่มีนโยบายขององค์กรกำกับ ครอบคลุมงานค้าปลีก โรงแรม ประกันภัยรถยนต์ งานไอทีภายในของธนาคารดิจิทัล และงานสนับสนุนด้านไอทีกับบุคคลของบริษัทที่ปรึกษา จุดที่ต่างจากชุดทดสอบทั่วไปคือการตัดสินผลดูจากสถานะจริงของระบบหลังบ้านที่เปลี่ยนไป ไม่ใช่ดูจากข้อความที่ตอบกลับมา

ผลที่รายงานคือโมเดลที่เก่งที่สุดทำได้ 65.36% เมื่อวัดจากการลองครั้งเดียว แต่เหลือ 25.25% เมื่อวัดว่าต้องทำสำเร็จครบทั้งยี่สิบครั้ง

สิ่งที่ผู้เขียนชี้ต่อและน่ากังวลกว่าตัวเลขคือหลายครั้งที่ล้มเหลว ตัวงานจบลงอย่างเรียบร้อยพร้อมการเรียกเครื่องมือที่ถูกต้องตามรูปแบบทุกอย่าง โดยเขียนไว้ว่า "many failed trials show clean termination and valid state-changing actions, showing that response or tool-call-level signals are not clear proxies for end-to-end task completion"

ข้อควรระวังคือบทคัดย่อไม่ได้ระบุว่าโมเดลที่เก่งที่สุดคือตัวไหน บอกแค่ว่ามาจากทั้งกลุ่มโมเดลปิดและโมเดลเปิด และชุดทดสอบนี้เป็นของผู้เขียนเอง ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ

▲ ทำไมต้องรู้ · เวลาองค์กรทดลองเอา agent มาทำงานประจำ วิธีที่เกือบทุกที่ใช้คือลองสองสามครั้งแล้วเห็นว่ามันทำได้ก็ตัดสินใจเดินหน้า ตัวเลขชุดนี้บอกว่าการทำได้กับการทำได้ทุกครั้งห่างกันมาก และจุดที่อันตรายที่สุดคืองานที่พังจะดูเหมือนงานที่สำเร็จ เพราะมันจบเรียบร้อยและเรียกเครื่องมือถูกต้อง สิ่งที่ต้องเปลี่ยนคือไปตรวจผลลัพธ์ในระบบปลายทาง ไม่ใช่อ่านคำตอบที่มันสรุปกลับมา

arXiv 2608.19741 · คลังโค้ด

งานนี้เทียบโมเดลภาษาขนาดใหญ่ 10 ตัวจาก 6 ตระกูล กับโมเดลฝังข้อความ 26 ตัวที่มีขนาดตั้งแต่ 118 ล้านถึง 14 พันล้านพารามิเตอร์ บนงาน 37 แบบ ครอบคลุมการจัดหมวด การวัดความคล้ายของประโยค การจัดกลุ่ม และการค้นคืน

ผลรวมคือเสมอกัน โดยผู้เขียนเขียนว่า "the best LLM (Gemini 3.1 Pro, 77.6) and the best embedding model (77.2) differ by 0.4 points" แต่ราคาต่างกันมหาศาล คือ "An LLM costs up to 1,431x more than an embedding model of comparable quality (USD 154 vs. USD 0.11 per benchmark pass)" และโมเดลเปิดที่ทดสอบประมวลผลโทเคนช้ากว่าตั้งแต่ 2.5 ถึง 736 เท่าบนการ์ดจอตัวเดียวกัน

อีกตัวเลขที่ใช้ได้ทันทีคือโทเคนที่ใช้ไปกับการคิดกินต้นทุนไป 28 ถึง 81% ของค่าเรียกใช้ทั้งหมด และการลดงบการคิดลงยังรักษาหรือทำให้คุณภาพการค้นคืนดีขึ้นในโมเดลส่วนใหญ่

ข้อควรระวังสองข้อ ข้อแรกคือชื่อเรื่องของงานเขียนว่าโมเดลใหญ่ดีกว่า แต่เนื้อในเขียนว่าเสมอกัน ข้อสองคือตัวเลขพันสี่ร้อยเท่าเป็นค่าสูงสุด ไม่ใช่ค่าทั่วไป และเป็นราคาต่อการรันชุดทดสอบหนึ่งรอบ ไม่ใช่ราคาต่อคำถามหนึ่งข้อในงานจริง

▲ ทำไมต้องรู้ · องค์กรจำนวนมากที่ทำระบบค้นเอกสารภายในเรียกโมเดลตัวใหญ่ทำทุกขั้นตอน ตั้งแต่แปลงเอกสารเป็นตัวเลขไปจนถึงตอบคำถาม งานนี้บอกว่าขั้นตอนที่เป็นการวัดความคล้าย จัดหมวด และจัดกลุ่ม ใช้โมเดลเล็กที่ออกแบบมาเพื่องานนั้นโดยเฉพาะได้ผลเท่ากันในราคาที่ต่างกันคนละชั้น ให้เก็บโมเดลใหญ่ไว้ใช้เฉพาะขั้นที่ต้องคิดจริง

arXiv 2608.12875

การทดลองนี้ให้ agent 18 ตัวลองปรับวิธีฝึกโมเดลขนาดเล็กให้ได้ผลตามเกณฑ์ด้วยจำนวนรอบน้อยที่สุด โดยแก้ได้เฉพาะตัวปรับการเรียนรู้กับค่าที่เกี่ยวข้อง ไม่มีอินเทอร์เน็ตให้ใช้ รวมทั้งหมด 153 รอบ รอบที่ยาวที่สุดกินเวลา 8.7 วัน

ผลคือทุกโมเดลคิดไอเดียออกมาคล้ายกันหมด ผู้เขียนเขียนว่า "The models all find similar ideas. What separates them is how they run experiments" และอธิบายต่อว่า "Stronger models test borderline results on three seeds instead of one, and only pay for eight when their noise model says it's worth it"

อีกข้อสรุปที่ผู้เขียนเน้นเองคือไม่มีรอบไหนคิดวิธีใหม่จริงๆ ได้เลย โดยเขียนว่า "None of the runs produced a fundamentally new method"

ข้อควรระวังสองข้อ ข้อแรกคืองานนี้เผยแพร่ตั้งแต่วันที่ 14 ส.ค. เพิ่งมาขึ้นกระดานนักพัฒนาในรอบนี้ จึงไม่ใช่ผลวิจัยที่เพิ่งออก ข้อสองคือผู้เขียนเตือนเองว่า "our benchmark has a lot of variance" คือความผันผวนของชุดทดสอบสูง จนแยกยากว่าผลที่ดีขึ้นมาจากฝีมือหรือมาจากความบังเอิญของเลขสุ่ม

▲ ทำไมต้องรู้ · ข้อค้นพบนี้ตรงกับสิ่งที่เกิดในองค์กรพอดี คือเวลาให้ AI ช่วยคิด ทุกคนจะได้ไอเดียคล้ายกัน สิ่งที่ทำให้ผลต่างกันคือวินัยในการตรวจสอบว่าไอเดียนั้นได้ผลจริงหรือแค่บังเอิญ ประโยคเรื่องการทดสอบซ้ำสามครั้งก่อนเชื่อผลที่ก้ำกึ่ง เป็นเกณฑ์ที่ทีมเอาไปใช้กับการทดลองของตัวเองได้เลย

Prime Intellect · Hacker News

งานนี้ทดสอบโมเดล 3 ตัวกับวิธีบีบอัด 11 แบบ แล้วดูผลสามด้านคือความรู้ที่ยังเหลืออยู่ ระดับความมั่นใจของโมเดล และอคติทางสังคม

ข้อค้นพบที่สวนความคาดหมายที่สุดคือการบีบอัดทำลายความรู้ที่พบบ่อยมากกว่าความรู้ที่หายาก เมื่อวัดเทียบกับของเดิม และโมเดลที่ถูกบีบอัดแล้วยังตอบผิดด้วยความมั่นใจสูงในความรู้ที่เพิ่งหายไป

อีกข้อคือคะแนนอคติรวมที่ดูไม่เปลี่ยน ซ่อนการเปลี่ยนแปลงที่สวนทางกันระหว่างกลุ่มประชากรย่อยไว้ข้างใน โดยผู้เขียนสรุปว่า "aggregate performance measures fail to capture" ความเปลี่ยนแปลงเหล่านี้

ข้อควรระวังที่สำคัญคือบทคัดย่อไม่ให้ตัวเลขไว้เลยแม้แต่ตัวเดียว ไม่บอกว่าโมเดลสามตัวคืออะไร และไม่บอกว่าวิธีบีบอัดสิบเอ็ดแบบมีอะไรบ้าง จึงยกไปอ้างเป็นตัวเลขไม่ได้ ใช้ได้แค่ทิศทาง

▲ ทำไมต้องรู้ · องค์กรที่ต้องการรันโมเดลบนเครื่องตัวเองมักเลือกรุ่นที่ถูกบีบอัดมาแล้วเพราะประหยัดกว่า และตรวจว่ายังใช้ได้ด้วยการลองถามคำถามยากๆ งานนี้บอกว่าวิธีตรวจแบบนั้นมองไม่เห็นปัญหา เพราะสิ่งที่หายไปคือความรู้พื้นฐานที่เราไม่คิดจะทดสอบ วิธีที่ควรทำคือทดสอบด้วยคำถามธรรมดาที่ทีมใช้จริงทุกวันด้วย ไม่ใช่ทดสอบเฉพาะโจทย์ยาก

arXiv 2608.19670

โจทย์ที่งานนี้ตั้งคือเส้นแบ่งว่าเมื่อไรที่ agent ควรจำข้อมูลจากบทสนทนาไว้ถาวร เมื่อไรควรใช้แค่ในรอบนั้น เมื่อไรควรกลับไปตรวจสอบใหม่ และเมื่อไรควรถามผู้ใช้ตรงๆ โดยสร้างชุดทดสอบ 140 สถานการณ์บวกชุดเทียบอีก 70 สถานการณ์ แล้วให้คนนอกทีมสองคนติดป้ายอิสระ ซึ่งเห็นตรงกัน 97.1%

ผลที่ชัดที่สุดคือโมเดลตรวจสอบข้อมูลที่อาจล้าสมัยได้ดีกว่าการถามผู้ใช้เพื่อคลายความกำกวมมาก ตัวอย่างที่ชัดที่สุดคือโมเดลตัวหนึ่งไม่ถามผู้ใช้เลยแม้แต่ครั้งเดียวจากโจทย์ที่ควรถาม 12 ข้อ ทั้งที่ตรวจสอบความสดของข้อมูลได้ 12 จาก 18 ข้อ

การใส่ตัวอย่างให้ดูก่อนช่วยให้ความแม่นขึ้นจาก 0.557 เป็น 0.771 แต่ผู้เขียนเขียนกำกับว่า "yet clarification recall remains 0.333" คืออัตราการถามเมื่อควรถามยังค้างอยู่ที่หนึ่งในสาม ส่วนการเขียนนโยบายกำกับช่วยลดการจำผิดแบบถาวรจาก 0.243 เหลือ 0.100

ข้อควรระวังคือขนาดตัวอย่างเล็กมาก บางช่องเป็นการวัดจากโจทย์แค่สิบกว่าข้อ และบทคัดย่อไม่ระบุรุ่นของโมเดลที่ใช้ทดสอบ

▲ ทำไมต้องรู้ · ผู้ช่วย AI ที่จำเรื่องของเราได้กำลังกลายเป็นค่าเริ่มต้นของทุกเครื่องมือ อาการที่งานนี้วัดได้คือมันเลือกเดาแล้วจำไว้เลย แทนที่จะถามให้แน่ใจก่อน ซึ่งแปลว่าความเข้าใจผิดหนึ่งครั้งจะติดอยู่กับเราไปเรื่อยๆ โดยไม่มีใครรู้ตัว สิ่งที่ทำได้ตอนนี้คือไล่ดูสิ่งที่ผู้ช่วยจำไว้เกี่ยวกับเราเป็นระยะ และลบสิ่งที่ผิดออก

arXiv 2608.19564

การหารือเมื่อวันที่ 21 ส.ค. ฝ่ายไทยเสนอให้ Canva ตั้งสำนักงานภูมิภาคและศูนย์วิจัยที่รวมงาน AI เข้ากับงานออกแบบในประเทศไทย โดยชูว่าไทยเป็นตลาดใหญ่อันดับ 6 ของโลกของบริษัทนี้ มีบัญชีผู้ใช้ราว 30 ล้านบัญชี และมีผู้ใช้งานประจำเดือนราว 7 ล้านคน

เป้าหมายที่ฝ่ายไทยเสนอมีสามข้อ คือช่วยผู้ประกอบการรายย่อย 40,000 ราย เพิ่มจำนวนผู้ผลิตเนื้อหาชาวไทยบนแพลตฟอร์มจาก 190 รายเป็น 1,000 ราย และขยายการใช้งานฝั่งการศึกษาให้ถึง 6.6 ล้านคนภายในปี 2570

ข้อควรระวังที่ต้องพูดก่อนตัวเลขทุกตัวคือทั้งหมดนี้เป็นเป้าหมายที่ฝ่ายไทยประกาศจากการหารือ ยังไม่พบการยืนยันจากฝั่งบริษัทว่าจะตั้งสำนักงานภูมิภาคหรือศูนย์วิจัยจริง และข่าวที่เผยแพร่เรียบเรียงจากเอกสารของหน่วยงานรัฐ ไม่ใช่การรายงานที่มีทั้งสองฝ่าย

▲ ทำไมต้องรู้ · ข่าวแนวชวนบริษัทต่างชาติมาลงทุนออกมาสม่ำเสมอ และวิธีอ่านให้ไม่ผิดหวังคือแยกให้ออกระหว่างสิ่งที่ตกลงกันแล้วกับสิ่งที่ฝ่ายหนึ่งเสนอ ตัวชี้วัดที่ดูได้จริงในกรณีนี้คือจำนวนผู้ผลิตเนื้อหาชาวไทยที่ตั้งเป้าไว้ว่าจะเพิ่มขึ้นห้าเท่า ซึ่งเป็นตัวเลขที่ตรวจย้อนได้ในอีกหนึ่งถึงสองปี

Techsauce

กฎกำกับ AI ประเภทเพื่อนคุยของจีนมีผลตั้งแต่วันที่ 15 ก.ค. 2569 ผลที่ตามมาคือแพลตฟอร์มใหญ่อย่าง Doubao ของ ByteDance และ Tongyi Qianwen ของ Alibaba ยกเลิกฟีเจอร์สร้างเพื่อน AI แบบปรับแต่งเองได้ ซึ่งลบความสัมพันธ์เสมือนที่ผู้ใช้สะสมไว้ไปพร้อมกัน

รายงานที่แปลจากสื่อจีนไล่ปฏิกิริยาของผู้ใช้ออกเป็นสามแบบ แบบแรกคือยอมรับเงียบๆ เพราะรู้ว่าสู้แพลตฟอร์มไม่ได้ แบบที่สองคือพยายามย้าย โดยมีผู้ใช้รายหนึ่งจ่ายเงินเพื่อดึงบทสนทนา 35,000 ข้อความออกมาสร้างใหม่ที่อื่น แต่พบว่าตัวใหม่ "lacked a sense of time or life of its own" และแบบที่สามคือต่อต้าน ด้วยการแชร์บันทึกบทสนทนาลงโซเชียล ร้องเรียน และเลิกใช้ผลิตภัณฑ์ทดแทนที่บริษัทเสนอมา

ข้อควรระวังคือเนื้อหาทั้งหมดเป็นการแปลรายงานของสื่อจีน ไม่ใช่คำยืนยันจากแพลตฟอร์ม และฉบับที่แปลเรื่องนี้เผยแพร่เมื่อวันที่ 17 ส.ค. จึงไม่ใช่เหตุการณ์ของสัปดาห์นี้

▲ ทำไมต้องรู้ · บทเรียนที่ใช้ได้กับทุกองค์กรไม่ใช่เรื่องเพื่อน AI แต่คือสิ่งที่เกิดขึ้นเมื่อฟีเจอร์ที่ผู้ใช้พึ่งพาถูกปิดตามคำสั่งของกฎ ข้อมูลที่สะสมไว้บนบริการของคนอื่นหายไปพร้อมกันได้เสมอ ทีมที่กำลังผูกกระบวนการทำงานเข้ากับผู้ช่วย AI ตัวใดตัวหนึ่ง ควรรู้ตั้งแต่วันนี้ว่าจะดึงข้อมูลของตัวเองออกมาอย่างไรถ้าบริการนั้นหยุดให้บริการ

ChinAI

บันทึกของผู้บริหารสายเทคโนโลยีของ GitHub ลงวันที่ 20 ส.ค. เป็นคนละฉบับกับรายงานสาเหตุทางเทคนิคที่ออกมาก่อนหน้า โดยฉบับนี้เปิดตัวเลขปริมาณงานที่บริษัทต้องรับ พร้อมแผนการแก้ระยะยาว

ตัวเลขหลักคือ "Since April, monthly commits have grown from 1.4 billion to 2.9 billion. That growth explains the pressure on our systems, but it does not excuse these outages" คือจำนวนการส่งโค้ดต่อเดือนขึ้นจาก 1.4 พันล้านครั้งเป็น 2.9 พันล้านครั้งภายในสี่เดือน

สิ่งที่บริษัทลงทุนไปแล้วคือเพิ่มหน่วยประมวลผลกว่า 3 ล้านแกน และพื้นที่เก็บข้อมูลความเร็วสูงอีก 120 เพตะไบต์ ส่วนการย้ายไปอยู่บนคลาวด์ของ Microsoft ตอนนี้รับภาระราว 58% ของงานทั้งแพลตฟอร์มและครึ่งหนึ่งของงานฝั่งระบบจัดการเวอร์ชัน เพิ่มจาก 12% เมื่อเดือน พ.ค.

ข้อควรระวังที่สำคัญที่สุดคือ GitHub ไม่ได้ระบุเลยว่าปริมาณงานที่โตเท่าตัวนี้มาจาก agent ที่เขียนโค้ดแทนคน บันทึกทั้งฉบับพูดถึงผลิตภัณฑ์ AI ของตัวเองแค่ครั้งเดียวในฐานะบริการที่ล่มไปด้วย ใครที่อ่านแล้วสรุปว่าเป็นเพราะ AI คือการเติมเข้าไปเอง

▲ ทำไมต้องรู้ · ตัวเลขนี้เป็นหนึ่งในไม่กี่ตัวที่วัดปริมาณงานเขียนโค้ดทั้งอุตสาหกรรมได้จากผู้ให้บริการโดยตรง และบทเรียนสำหรับทีมไอทีคือระบบที่ออกแบบไว้รับปริมาณงานวันนี้ อาจรับไม่ไหวภายในไม่กี่เดือนถ้าเครื่องมือที่ทีมใช้เปลี่ยนวิธีทำงานไป การประเมินความจุจึงควรทำถี่ขึ้นกว่าปีละครั้ง

GitHub · Blognone

ดีลนี้คือการซื้อทีมงานทั้งหมดของบริษัทที่พัฒนา InstantDB เข้าไปทำงานกับ OpenAI โดยจุดประสงค์ที่ระบุคือพัฒนาโครงสร้างพื้นฐานให้รองรับการทำงานของ agent ได้ดีขึ้น

ตัวเลขที่ทีมผู้ถูกซื้ออ้างถึงตัวเองตั้งแต่เปิดบริการในปี 2564 คือมีนักพัฒนาใช้งานมากกว่า 17,000 ราย สร้างแอปขึ้นมากว่าสี่แสนแอป และมีการดำเนินการกับข้อมูลมากกว่า 2.5 พันล้านครั้ง

ข้อควรระวังคือไม่มีการเปิดเผยมูลค่าดีล และคำประกาศมาจากฝั่งบริษัทที่ถูกซื้อ ยังไม่พบแถลงการณ์จากฝั่ง OpenAI เอง

▲ ทำไมต้องรู้ · จุดที่น่าสนใจของดีลนี้ไม่ใช่ขนาด แต่คือสิ่งที่ผู้ซื้อกำลังบอกว่าขาด นั่นคือฐานข้อมูลที่อัปเดตทันทีสำหรับให้ agent อ่านและเขียนพร้อมกันหลายตัว ซึ่งเป็นปัญหาเดียวกับที่ทีมไอทีในองค์กรจะเจอเมื่อเริ่มมี agent มากกว่าหนึ่งตัวทำงานบนข้อมูลชุดเดียวกัน

Blognone · Instant

ข่าวประชาสัมพันธ์ของบริษัทเองลงวันที่ 13 ส.ค. ระบุว่าปิดรอบระดมทุนเชิงกลยุทธ์มูลค่า 5 พันล้านดอลลาร์ที่การประเมินมูลค่ากิจการ 1.9 แสนล้านดอลลาร์ และรายงานว่ารายได้ในไตรมาสที่สองของปีนี้โตกว่า 80% เมื่อเทียบกับปีก่อน

จุดที่ต้องอ่านให้ตรงคือคำที่บริษัทใช้ คือ "crossed a $7 billion revenue run-rate" ซึ่งแปลว่าอัตรารายได้ที่คำนวณจากช่วงสั้นแล้วขยายเป็นทั้งปี ไม่ใช่รายได้ที่เกิดขึ้นจริงตลอดปี และไม่ใช่ตัวเลขเดียวกับรายได้ต่อเนื่องตามสัญญาที่หลายคนเข้าใจ

ข้อควรระวังอีกสองข้อ ข้อแรกคือเอกสารไม่ได้ระบุว่ามูลค่ากิจการที่ประกาศเป็นมูลค่าหลังรับเงินหรือไม่ ข้อสองคือบริษัทเคยออกข่าวประชาสัมพันธ์อีกฉบับเมื่อวันที่ 16 ก.ค. ว่ากำลังระดมทุนที่มูลค่า 1.88 แสนล้านดอลลาร์ จึงเป็นการปิดรอบที่ประกาศไว้ก่อนหน้า ไม่ใช่การกระโดดจากรอบที่เก่ากว่านั้นในครั้งเดียว

▲ ทำไมต้องรู้ · ตัวเลขรายได้ของบริษัท AI ที่ยังไม่เข้าตลาดมักถูกเล่าเป็นตัวเลขเดียวลอยๆ ทั้งที่คำที่บริษัทใช้จริงมีความหมายต่างกันมาก คำว่าอัตรารายได้ที่คำนวณจากช่วงสั้นเป็นตัวเลขที่โตเร็วที่สุดในบรรดาวิธีนับทั้งหมด และไม่ได้ผ่านการตรวจสอบบัญชี คนที่ต้องอ่านข่าวการลงทุนเพื่อตัดสินใจเลือกผู้ให้บริการ ควรดูว่าตัวเลขที่อ้างเป็นวิธีนับแบบไหนก่อนเสมอ

Databricks · Blognone