AI News · 2026-09-03

Google ประกาศ Gemini 3.8 Flash และ Gemini 3.8 Flash Cyber เมื่อวันที่ 2 ก.ย. โดยเขียนเองว่านี่คือรุ่น Flash ตัวที่สามที่ออกภายในหกสัปดาห์ ตัวหลักคงความเร็วและต้นทุนเท่ารุ่น 3.7 แต่ปรับความสามารถด้านการให้เหตุผลและการเขียนโปรแกรมขึ้น

ราคาช่วงแนะนำอยู่ที่ 0.75 ดอลลาร์ต่อล้านโทเคนขาเข้าและ 3.75 ดอลลาร์ต่อล้านโทเคนขาออก โดยเอกสารระบุวันหมดอายุไว้ชัดเจนว่าสิ้นสุด 31 ธ.ค. 2569 และตั้งแต่ 1 ม.ค. 2570 จะขึ้นเป็น 1.50 และ 7.50 ดอลลาร์ตามลำดับ ซึ่งเท่ากับราคาเพิ่มเป็นสองเท่า

ตัวเลขที่บริษัทให้มาคือ 54.9 เปอร์เซ็นต์บนข้อสอบ HLE-Verified ส่วนรุ่น Cyber นั้น Google ระบุว่าทำได้เกิน 70 เปอร์เซ็นต์บนชุดทดสอบภายในชุดหนึ่งที่ให้โมเดลไล่หาช่องโหว่ในโค้ดที่เขียนด้วยภาษาโปรแกรม 20 ภาษา ซึ่งเป็นงานค้นหาช่องโหว่ ไม่ใช่งานเขียนแพตช์ และทีมความปลอดภัยของ Chrome ซึ่งเป็นทีมภายในของ Google เอง รายงานว่ารุ่นนี้เขียนแพตช์แก้ช่องโหว่ใน Chrome ได้ถูกต้องมากกว่าโมเดลเชิงพาณิชย์ที่ดีที่สุด 2.6 เท่า

จุดที่ควรอ่านให้ครบคือบนชุดทดสอบการปะช่องโหว่ชื่อ CWE-Bench รุ่น Cyber ทำได้ 47.2 เปอร์เซ็นต์ ซึ่งต่ำกว่าโมเดลแนวหน้าที่ Google เอามาเทียบซึ่งอยู่ที่ 47.8 เปอร์เซ็นต์ โดย Google ไม่ได้ระบุว่าโมเดลที่เอามาเทียบคือตัวไหน และวางกรอบเรื่องนี้เป็นข้อได้เปรียบด้านราคา ไม่ใช่การเอาชนะ ส่วนรุ่น Cyber ไม่ได้เปิดขายทั่วไป แต่เปิดผ่านโครงการชื่อ Fairwind Program ให้เฉพาะหน่วยงานรัฐ ผู้ดูแลโครงสร้างพื้นฐานสำคัญ และผู้ดูแลแพลตฟอร์มเทคโนโลยีหลัก โดยมีการตรวจประวัติผู้ขอใช้และจำกัดการใช้งานไว้เฉพาะทีมความปลอดภัยภายในองค์กรนั้น

ข้อควรระวังคือตัวเลขที่ยกมาทั้งหมดเป็นผลที่ Google วัดเองและประกาศเอง ยังไม่มีใครทำซ้ำได้อย่างอิสระ สิ่งที่มีตอนนี้คือการวัดของผู้ประเมินอิสระที่ใช้ชุดทดสอบคนละชุดกัน จึงเอามาเทียบตรงๆ กับตัวเลขข้างต้นไม่ได้

▲ ทำไมต้องรู้ · ราคาที่จะขึ้นเป็นสองเท่าในวันที่ 1 ม.ค. 2570 คือสิ่งที่ต้องจดไว้ในงบประมาณตั้งแต่วันนี้ ทีมที่กำลังคำนวณความคุ้มค่าของระบบใหม่ด้วยราคาช่วงแนะนำ จะเจอบิลคนละก้อนทันทีที่ขึ้นปีใหม่ และแนวโน้มที่ผู้ผลิตแยกความสามารถด้านความปลอดภัยออกไปอยู่หลังการคัดกรอง แปลว่าเครื่องมือที่เก่งที่สุดของแต่ละค่ายจะไม่ใช่ตัวที่ซื้อได้ด้วยบัตรเครดิตอีกต่อไป

Google · Gemini API changelog · Blognone

OpenAI เผยแพร่บทความชื่อ Path to Astra เมื่อ 1 ก.ย. โดยเขียนไว้ตรงตัวว่าตอนนี้บริษัทเชื่อว่า Astra เข้าเกณฑ์ระดับ Critical ด้านความมั่นคงไซเบอร์ตามกรอบ Preparedness Framework ของตัวเอง และเป็นโมเดลตัวแรกที่บริษัทจัดไว้ที่ระดับนี้ ซึ่งเป็นการยกระดับถ้อยคำจากประกาศเมื่อ 7 ส.ค. ที่บอกเพียงว่ายังตัดความเป็นไปได้ของระดับนี้ไม่ได้

ตัวเลขที่บริษัทให้มาต้องอ่านให้ครบวงเล็บ คะแนนเต็ม 100 เปอร์เซ็นต์นั้นอยู่บนชุดทดสอบที่วัดความสามารถสร้างโปรแกรมโจมตีจากช่องโหว่ที่รู้อยู่แล้ว ไม่ใช่การหาช่องโหว่ใหม่ ส่วนช่องโหว่ระดับ zero-day สองรายการที่โมเดลหาเจอและใช้ต่อเป็นลูกโซ่การโจมตีนั้น เกิดขึ้นภายในชุดทดสอบภายในที่ประกอบด้วยช่องโหว่ร้ายแรง 20 รายการของ V8 ซึ่งเป็นเครื่องรันจาวาสคริปต์ของ Chrome ที่เปิดเผยระหว่างเดือน มิ.ย. ถึง ส.ค. 2569 ไม่ใช่การเจอในระบบจริงที่ใช้งานอยู่

ฝั่งมาตรการป้องกัน ตัวเลขการปฏิเสธที่ 91.5 เปอร์เซ็นต์ เทียบกับ 59 เปอร์เซ็นต์ของ GPT-5.6 Sol เป็นคะแนนบนชุดประเมินการหลอกให้ทำงานไซเบอร์ที่บริษัทสร้างเอง ไม่ใช่อัตราการปฏิเสธคำขอที่มีปัญหาโดยทั่วไป

เรื่องการเปิดให้ใช้ บริษัทระบุว่าจะเปิดเร็วๆ นี้โดยไม่ให้วันที่ เริ่มจากกลุ่มผู้ทดสอบรุ่นแรกกลุ่มเล็ก แล้วขยายผ่านช่องทางชื่อ Daybreak Blue ซึ่งเป็นระดับการเข้าถึงแบบคัดกรองที่มีอยู่ก่อนแล้วสำหรับงานฝั่งตั้งรับ ไม่ใช่โครงการที่ตั้งขึ้นใหม่เพื่อ Astra

ข้อควรระวังคือตัวเลขทั้งหมดเป็นการวัดตัวเองของ OpenAI และยังไม่มีการเผยแพร่ผลตรวจจากผู้วัดอิสระ โดยบริษัทระบุว่าจะให้รายละเอียดการทดสอบมาตรการป้องกันในเอกสารประกอบรุ่นที่จะออกตามมา อีกจุดคือหน้าเว็บของ OpenAI ปิดกั้นเครื่องมือดึงข้อมูลของเราด้วยรหัส 403 การอ่านตัวบทจึงทำผ่านบริการแปลงหน้าเว็บเป็นข้อความ และหน้านั้นไม่มีบรรทัดวันที่กำกับ วันที่ 1 ก.ย. มาจากสำนักข่าวที่รายงานตรงกัน

▲ ทำไมต้องรู้ · เมื่อโมเดลที่หาช่องโหว่ได้เองเก่งขึ้นถึงระดับที่ผู้ผลิตเองบอกว่าอันตราย สิ่งที่ตามมาคือคนที่ตั้งใจโจมตีก็เข้าถึงความสามารถแบบเดียวกันได้ในที่สุด ไม่ทางใดก็ทางหนึ่ง องค์กรที่ยังคิดว่าซอฟต์แวร์เก่าที่ไม่มีใครแตะมานานปลอดภัยเพราะไม่มีใครสนใจ ควรเปลี่ยนสมมติฐานนั้นได้แล้ว เพราะการไล่อ่านโค้ดเก่าทั้งกองกำลังกลายเป็นงานที่ถูกลงมาก

OpenAI · CNBC · Blognone

Meta เปิดตัว Muse Spark 1.3 บนหน้าเอกสารสำหรับนักพัฒนา โดยอธิบายว่าออกแบบมาสำหรับงานที่ต้องทำต่อเนื่องยาวและงานเขียนโปรแกรมแข่งขัน จุดขายที่บริษัทเขียนไว้คือโมเดลติดตามบริบทและผลลัพธ์ก่อนหน้าได้ ทำงานกับข้อมูลตั้งต้นที่ยุ่งหรือขัดกันเองได้ และขอข้อมูลเพิ่มจากผู้ใช้เมื่อจำเป็น

หน้าต่างบริบทอยู่ที่หนึ่งล้านโทเคน รับภาพ วิดีโอ และเอกสารได้ในตัว พร้อมความสามารถเรียกใช้เครื่องมือและสั่งงานผ่านหน้าจอ

ราคาผ่าน Meta Model API อยู่ที่ 1.25 ดอลลาร์ต่อล้านโทเคนขาเข้า 4.25 ดอลลาร์ขาออก และค่าอ่านข้อมูลจากแคชที่ 0.15 ดอลลาร์ เข้าถึงได้ทั้งผ่าน API ของ Meta เอง ผ่าน OpenRouter และผ่านเครื่องมือบรรทัดคำสั่งชื่อ Muse Code

ข้อควรระวังคือหน้าประกาศไม่ได้ระบุจำนวนพารามิเตอร์และไม่ได้ระบุสัญญาอนุญาต ส่วนหน้าเบนช์มาร์กแสดงเป็นภาพกราฟโดยไม่มีตัวเลขกำกับ จึงยังเทียบกับรุ่นอื่นแบบตัวต่อตัวไม่ได้

▲ ทำไมต้องรู้ · ราคาค่าอ่านแคชที่ 0.15 ดอลลาร์เทียบกับขาเข้า 1.25 ดอลลาร์ คิดเป็นราว 0.12 เท่า ซึ่งเป็นสัดส่วนใกล้เคียงกับที่โมเดลส่วนใหญ่ในตลาดคิดกัน แปลว่าการแข่งกันลดราคาตอนนี้ย้ายมาอยู่ที่บรรทัดแคชกันเกือบทุกเจ้าแล้ว งานที่ส่งเอกสารชุดเดิมซ้ำๆ จึงควรกลับไปคำนวณต้นทุนใหม่ทุกครั้งที่มีรุ่นใหม่ออก

Meta

รุ่น 2.1.259 มีรายการแก้ไขยาวหลายสิบรายการ โดยจุดที่กระทบฝ่ายไอทีขององค์กรมากที่สุดคือการที่ตั้งค่าที่องค์กรบังคับไว้เคยถูกข้ามไปเงียบๆ เมื่อไฟล์นั้นอ่านไม่ออก ตอนนี้เปลี่ยนเป็นโปรแกรมปฏิเสธการเปิดใช้งานแทน

ของใหม่ฝั่งองค์กรคือการตั้งค่าชื่อ managedMcpServers ที่ให้ผู้ดูแลระบบแจกเซิร์ฟเวอร์เครื่องมือให้ผู้ใช้ได้เอง และตัวเลือก permission-prompts none สำหรับเครื่องที่รันแบบไม่มีคนเฝ้า ซึ่งจะปฏิเสธทุกอย่างที่ต้องรอคนกดอนุมัติแทนที่จะค้างรอ

ฝั่งความปลอดภัยมีการแก้กฎปฏิเสธการอ่านไฟล์ที่เคยไม่ครอบคลุมสามกรณี คือไฟล์ที่ซ่อนอยู่ในค่าของตัวเลือก ไฟล์ที่เป็นตัวถูกกระทำของคำสั่ง git และคำสั่งที่เขียนต่อกันหลายท่อน

อีกจุดที่คนใช้งานหลายหน้าต่างพร้อมกันจะรู้สึกได้ทันทีคือการแก้อาการที่เซสชันที่เปิดพร้อมกันย้อนการตั้งค่าของกันและกัน จนสถานะของโครงการและเครื่องมือที่ต่อไว้หายไป

▲ ทำไมต้องรู้ · การเปลี่ยนจากข้ามไปเงียบๆ มาเป็นไม่ยอมเปิดเลย คือแนวคิดที่ควรเอาไปใช้กับระบบอื่นในองค์กรด้วย เพราะการตั้งค่าความปลอดภัยที่ล้มเหลวแบบเงียบ อันตรายกว่าการที่ระบบไม่ยอมทำงาน เนื่องจากไม่มีใครรู้ว่ากติกาที่เขียนไว้ไม่ได้ทำงานมานานแค่ไหน

Claude Code CHANGELOG

Simon Willison เขียนเมื่อ 2 ก.ย. ว่าคำสั่งระบบของ Claude Fable 5.1 เพิ่มข้อห้ามใหม่หลายข้อ โดยข้อที่ชัดที่สุดระบุว่า Claude จะไม่ทำซ้ำเนื้อเพลง บทกวี หรือข้อความจากหนังสือและบทความ ไม่ว่าทั้งหมดหรือบางส่วน และให้ยืนยันคำปฏิเสธนี้ตลอดบทสนทนา ส่วนงานที่ตีพิมพ์ก่อนปี 1929 ยังทำได้

ข้อห้ามอีกชุดที่เพิ่มเข้ามาคือการวาดตัวละคร มาสคอต โลโก้ ปกอัลบั้ม ปกหนังสือ และการออกแบบผลิตภัณฑ์ที่มีลิขสิทธิ์ ผ่านทุกช่องทางรวมถึงการเขียนเป็นโค้ด SVG หรือภาพจากตัวอักษร

จังหวะเวลาที่ผู้เขียนชี้ให้เห็นคือ Sony Music Publishing และ Warner Chappell ยื่นฟ้อง Anthropic เรื่องการฝึกโมเดลจากคลังเนื้อเพลง โดยข่าวออกเมื่อ 31 ส.ค. ที่ผ่านมา

อีกสองการเปลี่ยนแปลงที่เขาบันทึกไว้คือ นี่เป็นครั้งแรกที่คำสั่งระบบของ Claude อ้างถึงเว็บไซต์ภายนอกที่ไม่ใช่ของ Anthropic โดยเป็นเว็บให้ข้อมูลลดอันตรายจากสารเสพติดสามแห่ง และการตัดแนวทางเดิมที่ให้ Claude จบบทสนทนาได้เมื่อเจอผู้ใช้ที่ก้าวร้าว เปลี่ยนเป็นให้ช่วยต่อไปอย่างตรงไปตรงมาโดยไม่ต้องขอโทษเมื่อถูกพูดจาไม่ดี

▲ ทำไมต้องรู้ · ข้อห้ามพวกนี้จะโผล่มาเป็นคำปฏิเสธกลางงานของคนทำคอนเทนต์ในไทย ตั้งแต่การขอให้ช่วยวิเคราะห์เนื้อเพลงไปจนถึงการขอให้ร่างภาพประกอบที่มีตัวการ์ตูนดัง สิ่งที่ควรเข้าใจคือคำปฏิเสธเหล่านี้ไม่ใช่ข้อจำกัดทางเทคนิค แต่เป็นกติกาที่บริษัทเขียนลงไปเอง และเปลี่ยนตามสถานการณ์คดีความได้ตลอด แผนงานที่ผูกกับความสามารถข้อใดข้อหนึ่งจึงควรมีทางสำรองไว้เสมอ

Simon Willison

Simon Willison ทดสอบระดับความพยายามทั้งห้าระดับของ Claude Fable 5.1 คือ low, medium, high, xhigh และ max ด้วยโจทย์วาดภาพเดียวกัน แล้วบันทึกตัวเลขที่ได้ไว้ทั้งหมด

ที่ระดับ max งานชิ้นเดียวใช้โทเคนขาออก 65,927 โทเคน ใช้เวลา 13 นาที 54 วินาที และมีค่าใช้จ่าย 3.30 ดอลลาร์ ส่วนที่ระดับ low และ medium งานเดียวกันใช้โทเคนขาออกราว 2,000 โทเคน และมีค่าใช้จ่ายต่ำกว่า 10 เซนต์ต่อครั้ง

เขายังบันทึกด้วยว่าที่ระดับ low และ medium ไม่มีร่องรอยการคิดแสดงออกมาเลย ขณะที่ระดับ high และ xhigh เห็นการไล่แก้ปัญหาที่ละเอียดขึ้นตามลำดับ ส่วนงานที่เขาทำต่อด้วยระดับ high ใช้ 26,201 โทเคน คิดเป็น 1.37 ดอลลาร์

▲ ทำไมต้องรู้ · ค่าเริ่มต้นของเครื่องมือหลายตัวไม่ได้ตั้งไว้ที่ระดับต่ำสุด และผู้ใช้ส่วนใหญ่ก็ไม่เคยเปิดดูว่าตัวเองตั้งไว้ที่ระดับไหน ตัวเลขชุดนี้บอกว่าการปล่อยไว้ตามค่าเริ่มต้นกับการปรับให้เหมาะกับงาน ต่างกันได้ในระดับที่เห็นชัดบนบิลสิ้นเดือน วิธีที่ใช้ได้ทันทีคือทดลองงานประจำของตัวเองที่ระดับต่ำก่อน แล้วค่อยไล่ขึ้นเมื่อคุณภาพไม่พอ ไม่ใช่เริ่มจากสูงสุดแล้วไม่เคยลด

Simon Willison

เอกสารสำหรับนักพัฒนาระบุฟีเจอร์สถานะทดลองสามตัวที่มากับรุ่นใหม่ ตัวแรกคือการเปลี่ยนระดับความพยายามกลางบทสนทนา โดยแทรกข้อความชนิด system เข้าไปในรายการข้อความเพื่อเปลี่ยนระดับสำหรับรอบถัดไป และเอกสารระบุว่าวิธีนี้รักษาแคชคำสั่งไว้ได้

ตัวที่สองคือข้อความระบบที่มีอายุแค่รอบเดียว โดยตั้งค่าให้ข้อความนั้นแสดงผลเฉพาะรอบปัจจุบันแล้วค้างอยู่ในประวัติโดยไม่คิดค่าโทเคน เอกสารอธิบายว่าคำเตือนที่ต้องย้ำทุกรอบจะไม่สะสมทับกันไปเรื่อยๆ และไม่ทำให้แคชหรือบล็อกความคิดที่ตามมาใช้ไม่ได้

ตัวที่สามคือค่าใหม่ของการแสดงผลการคิด ที่ทำให้ช่องความคิดกลับมาว่างเปล่าเหมือนโหมดซ่อน แต่ข้อความรายงานความคืบหน้าสั้นๆ ที่โมเดลเขียนระหว่างเรียกเครื่องมือจะกลับมาเป็นข้อความธรรมดาแทน

อีกกติกาที่ไม่ใช่ฟีเจอร์ทดลองแต่ต้องรู้คือบล็อกความคิดถูกเก็บไว้ให้เฉพาะโมเดลที่สร้างมันขึ้นมาหรือรุ่นที่ใหม่กว่าเท่านั้น โมเดลรุ่นเก่ากว่าอ่านไม่ได้ และระบบจะตัดทิ้งให้เมื่อมีการส่งย้อนกลับไปหารุ่นเก่า

▲ ทำไมต้องรู้ · ทีมที่ต่อระบบกับ AI เองมักเจอปัญหาเดียวกันคือ พอต้องแทรกคำสั่งใหม่กลางทาง แคชที่สะสมมาทั้งบทสนทนาก็หายไปทั้งก้อน แล้วบิลก็เด้ง ฟีเจอร์ชุดนี้เป็นสัญญาณว่าผู้ผลิตเริ่มมองว่าการควบคุมพฤติกรรมกลางทางเป็นเรื่องปกติของงานจริง ไม่ใช่กรณียกเว้น แต่เพราะยังเป็นสถานะทดลอง จึงไม่ควรผูกระบบที่ใช้งานจริงไว้กับมันจนกว่าจะออกจากสถานะนี้

Claude Platform release notes

หน้าเอกสารช่วยเหลือของ Mistral ระบุว่าผู้ใช้แพ็กเกจมาตรฐานของผลิตภัณฑ์แชทชื่อ Vibe ไม่ได้ถูกตั้งค่าให้งดการนำข้อมูลไปฝึกโมเดลตั้งแต่ต้น แต่ต้องเข้าไปปิดเองในหน้าตั้งค่า ขณะที่ลูกค้าระดับองค์กรถูกตั้งค่าให้งดไว้ตั้งแต่แรก

ข้อมูลที่อยู่ในขอบเขตนี้ครอบคลุมทั้งบทสนทนา เอกสาร และเนื้อหาอื่นที่ผู้ใช้ป้อนเข้าไป โดยเอกสารระบุชัดว่าเอกสารที่อัปโหลดขึ้น Vibe นับเป็นข้อมูลขาเข้าที่อยู่ใต้กติกานี้ด้วย

จุดที่คนพลาดกันมากที่สุดตามที่เอกสารเขียนไว้เองคือ ปุ่มปิดของฝั่งแชทกับฝั่ง API เป็นคนละปุ่มกัน ปิดตัวหนึ่งไม่ได้ปิดอีกตัว ต้องเข้าไปตั้งค่าแยกกันทั้งสองที่

กระทู้เรื่องนี้ขึ้นกระดานนักพัฒนาด้วยคะแนน 359 และความเห็น 155 รายการ

▲ ทำไมต้องรู้ · คนทำงานจำนวนมากเลือกใช้ผู้ให้บริการจากยุโรปเพราะเชื่อว่ากติกาความเป็นส่วนตัวเข้มกว่า แต่กติกาที่เข้มกว่าไม่ได้แปลว่าค่าเริ่มต้นจะเป็นแบบที่เราคิด บทเรียนที่ใช้ได้กับทุกเครื่องมือคือให้เปิดหน้าตั้งค่าดูด้วยตาตัวเองว่าตอนนี้ตั้งไว้อย่างไร และอย่าเหมาว่าปิดที่เดียวแล้วปิดหมดทุกช่องทาง

Mistral

บริษัทชื่อ AISLE เขียนบล็อกเมื่อ 2 ก.ย. ว่าเครื่องมือของตัวเองหาช่องโหว่ในโปรแกรม curl ซึ่งเป็นเครื่องมือดึงข้อมูลผ่านเครือข่ายที่ติดตั้งอยู่แทบทุกระบบ ได้ทั้งหมดหกรายการที่ได้รับรหัส CVE และถูกแก้ในรุ่น 8.22.0

เส้นเวลาที่บริษัทอ้างอิงมาจากโพสต์ของ Daniel Stenberg ผู้ดูแล curl เอง โดยเมื่อ 24 ส.ค. เขาเขียนว่าเครื่องมือของ Anthropic บอกว่าหาเพิ่มไม่เจอแล้ว และหน้าผลลัพธ์ของเครื่องมือฝั่ง OpenAI ว่างเปล่า จากนั้นวันที่ 25 ส.ค. เขาโพสต์เปรียบเทียบจำนวนรายงานที่ได้รับจากสองระบบ และวันที่ 28 ส.ค. จำนวน CVE ที่รอประกาศของ curl เพิ่มจากสามเป็นสิบรายการ

ข้อควรระวังมีสามข้อ ข้อแรกคือช่องโหว่ทั้งหกรายการถูกจัดระดับความรุนแรงไว้ที่ระดับต่ำทั้งหมด ข้อที่สองคือจากรายงานที่ระบบส่งเข้ามา 29 รายการ มีเพียงหกรายการที่ได้รับการยืนยันเป็น CVE จริง ข้อที่สามคือบทความนี้เป็นบล็อกของบริษัทที่ขายบริการนี้อยู่ จึงเป็นการเล่าเรื่องจากมุมของผู้มีส่วนได้เสียโดยตรง

▲ ทำไมต้องรู้ · ในวันเดียวกับที่บริษัทใหญ่สองเจ้าประกาศว่าโมเดลของตัวเองเก่งเรื่องหาช่องโหว่ กรณีนี้เป็นเครื่องเตือนว่าคะแนนบนชุดทดสอบกับผลบนโค้ดจริงที่ผ่านสายตาคนมานานหลายปี เป็นคนละเรื่องกัน สิ่งที่องค์กรควรทำเวลาผู้ขายเอาตัวเลขมาเสนอ คือขอให้ลองกับโค้ดของเราเองสักก้อน แล้วดูว่าสิ่งที่เจอเป็นเรื่องจริงกี่รายการจากที่รายงานมาทั้งหมด

AISLE

ทีมวิจัยสร้างสภาพแวดล้อมจำลองงานบริการลูกค้าที่ผลลัพธ์ถูกต้องรู้ได้แน่นอน แล้วใส่ความผิดพลาดเข้าไปทีละหนึ่งจุดในขั้นตอนที่รู้ตำแหน่ง โดยแยกความผิดพลาดเป็นสองแบบคือแบบที่ทำให้ผลลัพธ์ที่ลูกค้าเห็นเสียไปด้วย กับแบบที่ผลลัพธ์ยังออกมาถูกอยู่

ผลจากการทดสอบผู้ตรวจห้าแบบบนเส้นทางการทำงาน 400 เส้นคือ ผู้ตรวจที่ดูเฉพาะคำตอบสุดท้ายจับความผิดพลาดแบบแรกได้ 84 เปอร์เซ็นต์ แต่จับแบบที่สองได้เพียง 45 เปอร์เซ็นต์ และยังตีธงว่าผิดกับงานที่ทำถูกอยู่แล้วราวหนึ่งในสาม

ผู้ตรวจที่ไล่ดูทีละขั้นตอนทำได้ดีกว่ามากคือจับแบบที่สองได้ 77 เปอร์เซ็นต์โดยไม่มีการเตือนผิดเลย แต่ใช้เวลามากกว่าสามเท่า ส่วนวิธีให้ตรวจซ้ำหลายรอบแล้วโหวตกัน ทีมระบุว่าใช้เวลาเพิ่มสามเท่าโดยไม่ทำให้ดีขึ้นเลย

เงื่อนไขที่ต้องอ่านคู่กันเสมอคือผู้ตรวจทุกตัวในงานนี้เป็นโมเดลขนาดเล็กที่รันในเครื่องได้ คือขนาด 14 พันล้านและ 8 พันล้านพารามิเตอร์ ไม่มีโมเดลระดับแนวหน้าอยู่ในการทดสอบเลย ตัวเลขชุดนี้จึงเป็นพฤติกรรมของผู้ตรวจขนาดเล็ก ไม่ใช่ของโมเดลตัวใหญ่ที่องค์กรส่วนใหญ่ใช้ และผู้ตรวจแบบไล่ทีละขั้นตอนรุ่น 8 พันล้านก็ใช้ไม่ได้จริง เพราะตีธงว่าผิดเกือบทุกเส้นทาง

จุดที่ทีมเน้นมากที่สุดคือไม่มีผู้ตรวจตัวไหนอ่านคำตอบสุดท้ายจริงจัง เมื่อทดลองแปะคำสัญญาที่แต่งขึ้นเองต่อท้ายเส้นทางที่ทำถูกทุกขั้นตอน กติกาแบบเขียนเงื่อนไขตายตัวจับไม่ได้เลย และผู้ตรวจแบบไล่ทีละขั้นตอนก็ปล่อยผ่านถึง 82 เปอร์เซ็นต์

▲ ทำไมต้องรู้ · องค์กรที่เริ่มใช้ AI ตรวจงาน AI มักเลือกวิธีที่ถูกที่สุดคือส่งคำถามกับคำตอบไปให้อีกตัวหนึ่งตัดสิน ตัวเลขชุดนี้บอกว่าวิธีนั้นปล่อยงานที่ทำถูกแบบผิดวิธีผ่านไปเกินครึ่ง ซึ่งเป็นความเสี่ยงที่จะโผล่มาเป็นปัญหาตอนที่วิธีทำงานนั้นถูกเอาไปใช้ซ้ำในงานถัดไป

arXiv 2609.00038

ทีมวิจัยเผยแพร่ชุดทดสอบชื่อ AgentJudgeBench ขนาด 3,808 ตัวอย่าง เพื่อวัดว่าการใช้โมเดลภาษาเป็นกรรมการตัดสินงานที่ต้องเรียกเครื่องมือต่อกันเป็นทอดๆ เชื่อถือได้แค่ไหน โดยจัดโครงสร้างงานเป็นผังการพึ่งพากันหกแบบและระดับความยากสามระดับ

ผลจากการทดสอบผู้สร้างคำตอบห้าตัว ซึ่งเป็นโมเดลน้ำหนักเปิดสี่ตัวขนาดตั้งแต่ 3 พันล้านถึง 7 หมื่นล้านพารามิเตอร์ รวมกับโมเดลเชิงพาณิชย์อีกหนึ่งตัว และกรรมการอีกหกตัว คือความสอดคล้องของกรรมการลดลงเรื่อยๆ ตามความยากที่เพิ่มขึ้นในทุกคู่ที่ทดสอบ และลดเร็วกว่าเดิมราว 1.5 เท่าเมื่อไม่มีเฉลยให้ดู

บนโจทย์ยากที่ไม่มีเฉลย กรรมการทั้งหกตัวไปกระจุกกันอยู่ในช่วง 77 ถึง 82 เปอร์เซ็นต์ ซึ่งทีมเรียกว่าเป็นเพดานเชิงโครงสร้างที่มาจากความยากของงานเอง ไม่ใช่สิ่งที่แก้ได้ด้วยการใช้โมเดลใหญ่ขึ้น โดยทีมเขียนกำกับไว้เองว่าความสูงของเพดานนี้ขึ้นกับวิธีเขียนคำสั่งอยู่บ้างในกรณีที่ผู้สร้างคำตอบเป็นโมเดลที่อ่อนกว่า

คำว่าความสอดคล้องในงานนี้หมายถึงการตัดสินตรงกับโปรแกรมให้คะแนนที่เขียนเป็นกฎไว้ ไม่ใช่การตัดสินตรงกับมนุษย์ จึงไม่ควรอ่านตัวเลขนี้เป็นความแม่นยำในความหมายทั่วไป

สิ่งที่ขัดสัญชาตญาณคือการให้เฉลยไปดูด้วย บางครั้งกลับทำให้โมเดลที่เก่งกว่าตัดสินแย่ลง ส่วนการเขียนเกณฑ์ให้ละเอียดช่วยได้สูงสุด 6.5 จุด แต่ไม่ได้ผลสม่ำเสมอเมื่อเปลี่ยนคู่โมเดล

▲ ทำไมต้องรู้ · อ่านคู่กับงานก่อนหน้าแล้วภาพจะชัดขึ้น คือทั้งสองงานบอกว่าการเอา AI มาตรวจ AI มีเพดานที่ต่ำกว่าที่หลายคนคิด และเพดานนั้นต่ำที่สุดพอดีในงานยากซึ่งเป็นงานที่เราอยากได้ตัวช่วยที่สุด ทางออกจึงไม่ใช่การหากรรมการที่เก่งขึ้น แต่คือการออกแบบงานให้มีจุดตรวจที่วัดได้เองโดยไม่ต้องใช้ดุลพินิจ

arXiv 2608.26623

งานที่ได้คะแนนโหวตสูงสุดบนกระดานเปเปอร์ของ Hugging Face รอบนี้เสนอวิธีชื่อ SMELT ซึ่งให้โมเดลวนประมวลผลชั้นครึ่งกลางซ้ำสองรอบ แทนที่จะเดินหน้าผ่านทุกชั้นครั้งเดียวตามปกติ

สิ่งที่ทำให้งานนี้ต่างจากงานก่อนหน้าคือทีมคุมงบประมวลผลให้เท่ากันทุกกรณี แล้ววัดว่าวิธีนี้ยังได้เปรียบอยู่ไหม ซึ่งผลคือประหยัดพลังประมวลผลในการฝึกได้ 6.8 ถึง 18.0 เปอร์เซ็นต์บนเส้นที่คุ้มค่าที่สุด โดยทดสอบกับโมเดลหลายขนาดจนถึงระดับ 54 พันล้านพารามิเตอร์

คำอธิบายเชิงกลไกที่ทีมเสนอคือการวนรอบที่สองช่วยลดอาการที่โมเดลไปเทน้ำหนักความสนใจกองไว้ที่ตำแหน่งเดิมโดยไม่มีความหมาย แล้วย้ายน้ำหนักนั้นไปหาคำที่เกี่ยวกับเนื้อหาจริงแทน และผลดีจะเห็นชัดขึ้นเมื่อข้อความยาวขึ้นและมีตัวอย่างในคำสั่งมากขึ้น

▲ ทำไมต้องรู้ · เรื่องนี้ดูไกลตัวคนทำงานทั่วไป แต่ผลของมันคือราคาที่เราจ่ายในอีกหกเดือนข้างหน้า ทุกครั้งที่มีวิธีลดต้นทุนการฝึกลงได้สิบกว่าเปอร์เซ็นต์ ผู้ผลิตจะเลือกอย่างใดอย่างหนึ่งระหว่างลดราคาหรือทำโมเดลที่เก่งขึ้นในราคาเท่าเดิม ซึ่งทั้งสองทางก็เป็นข่าวดีสำหรับคนใช้

arXiv 2609.01343

รายงานนี้ตั้งต้นจากปัญหาที่องค์กรซึ่งต้องเก็บข้อมูลไว้ในประเทศเจอกันจริง คือเมื่อโฮสต์โมเดลเองแล้วรับรุ่นใหม่เข้ามาเรื่อยๆ โดยไม่ปลดรุ่นเก่าออก กองการ์ดจอที่มีจำกัดก็ถูกแบ่งย่อยจนใช้ไม่คุ้ม ทีมจึงรวมงานจากแอปภายในกว่า 200 ตัวมาไว้บนโมเดลเดียว

วิธีที่ใช้คือไล่ดูข้อผิดพลาดจากการใช้งานจริงแล้วแยกช่องว่างด้านคุณภาพเป็นสามแกน คือการทำตามคำสั่ง การเรียกใช้เครื่องมือ และลักษณะงานเฉพาะขององค์กร จากนั้นแทนที่จะฝึกให้เก่งทุกแกนพร้อมกันซึ่งทำให้แต่ละแกนตีกันเอง ทีมฝึกแยกเป็นสามตัวแล้วค่อยหลอมรวมเข้าด้วยกันทีหลัง

สิ่งที่ทีมบันทึกไว้ว่าน่าสนใจคือแต่ละแกนพังคนละแบบ แกนหนึ่งทำให้คำตอบยุบลงจนไร้ความหมาย แกนหนึ่งทำให้โมเดลเรียกเครื่องมือพร่ำเพรื่อ และอีกแกนทำให้เขียนยาวเกินจำเป็นเพื่อเอาคะแนน แต่ละอันต้องแก้คนละวิธี

ผลที่รายงานคือโมเดลที่ได้ชนะโมเดลอ้างอิงที่ใหญ่กว่าราวเจ็ดเท่าในสามการวัด คือ 69.6 ต่อ 65.8 บนสนามเทียบภายใน 0.85 ต่อ 0.83 ด้านการทำตามคำสั่ง และ 0.79 ต่อ 0.77 ด้านการเรียกใช้เครื่องมือ และรับงานจริงได้ครึ่งหนึ่งของทั้งแพลตฟอร์มคือ 116 ล้านคำขอต่อเดือน

▲ ทำไมต้องรู้ · ข้อจำกัดเรื่องข้อมูลต้องอยู่ในประเทศเป็นเงื่อนไขที่องค์กรไทยหลายแห่งเจอเหมือนกัน โดยเฉพาะสายการเงิน สุขภาพ และราชการ รายงานนี้เป็นตัวอย่างที่จับต้องได้ว่าเส้นทางโฮสต์เองไม่จำเป็นต้องแปลว่าได้ของด้อยกว่า แต่ต้องยอมลงแรงกับการไล่ดูข้อผิดพลาดจากงานจริงก่อน ไม่ใช่เลือกโมเดลจากตารางคะแนนสาธารณะแล้วจบ

arXiv 2609.01572

รายงานสรุปข่าวประจำวันของ AINews ระบุว่าโมเดล Qwen3.8-Max จาก Alibaba ขึ้นอันดับหนึ่งของกระดาน Code Arena หมวดการพัฒนาเว็บ ด้วยคะแนน 1691 โดยเป็นการเปิดตัวครั้งแรกบนกระดานนี้

กระดานนี้จัดอันดับด้วยการให้คนเปรียบเทียบผลงานของโมเดลเป็นคู่ๆ แล้วคำนวณเป็นคะแนนแบบเดียวกับที่ใช้จัดอันดับหมากรุก จึงเป็นการวัดความชอบของผู้ใช้ ไม่ใช่การวัดความถูกต้องแบบข้อสอบ

ข้อควรระวังคือคะแนนนี้มาจากผู้ดำเนินการกระดานเพียงรายเดียว และรายงานจากแหล่งต่างๆ ระบุชื่อรุ่นย่อยและราคาไม่ตรงกัน จึงยังไม่ควรนำตัวเลขราคาไปใช้อ้างอิงจนกว่าจะเห็นหน้าราคาทางการ

▲ ทำไมต้องรู้ · ช่องว่างระหว่างโมเดลจีนกับโมเดลอเมริกาในงานเขียนโค้ดหน้าเว็บแคบลงจนสลับอันดับกันได้แล้ว ซึ่งมีผลกับการเลือกเครื่องมือของทีมไทยโดยตรง เพราะโมเดลฝั่งจีนมักตั้งราคาต่ำกว่าอย่างมีนัยสำคัญ สิ่งที่ต้องพิจารณาคู่กันเสมอคือเรื่องที่เก็บข้อมูลและกฎหมายที่ผู้ให้บริการอยู่ใต้บังคับ ซึ่งเป็นคนละเรื่องกับคะแนนบนกระดาน

AINews

รายงานทางเทคนิคของ UI-Venus-2 เสนอโมเดลพื้นฐานสำหรับงานสั่งงานผ่านหน้าจอ ที่ทำงานข้ามทั้งมือถือ เว็บ และระบบปฏิบัติการเดสก์ท็อป ในกรอบเดียวที่วนรอบระหว่างการคิดกับการลงมือทำ

สิ่งที่ทีมขยายขึ้นพร้อมกันสามด้านคือ ด้านสภาพแวดล้อมที่ครอบคลุมแอปมือถือหลายภาษามากกว่า 170 ตัวและระบบปฏิบัติการเดสก์ท็อป ด้านโจทย์ที่สร้างคำสั่งโดยอิงจากฟังก์ชันที่แอปนั้นมีจริง และด้านการตรวจสอบที่ใช้ทั้งการดูทั้งเส้นทางและดูรายจุด ประกอบกับการทำเครื่องหมายบนภาพและการโหวตจากหลายโมเดล

ทีมยังระบุว่าใส่กลไกด้านความปลอดภัยเพื่อควบคุมการลงมือทำในขั้นตอนที่มีผลกระทบจริง และปล่อยโมเดลนี้เป็นโอเพนซอร์ส

ข้อควรระวังคือบทคัดย่อไม่ได้ระบุคะแนนบนชุดทดสอบใดเลย จึงยังเทียบกับระบบอื่นด้วยตัวเลขไม่ได้ และคำว่าหลายภาษาในที่นี้ไม่ได้ระบุว่ารวมภาษาไทยหรือไม่

▲ ทำไมต้องรู้ · งานที่คนไทยอยากให้ AI ช่วยมากที่สุดส่วนหนึ่งคืองานคีย์ข้อมูลเข้าระบบเก่าที่ไม่มีช่องทางเชื่อมต่ออัตโนมัติ ซึ่งต้องอาศัยการสั่งงานผ่านหน้าจอนี่เอง การที่มีโมเดลแบบเปิดที่ฝึกกับแอปหลายภาษาออกมา แปลว่าทางเลือกที่ไม่ต้องส่งภาพหน้าจอของระบบภายในออกไปนอกองค์กรกำลังมีมากขึ้น

arXiv 2609.00028

รายงานที่ขึ้นอันดับต้นของกระดานนักพัฒนาเมื่อ 2 ก.ย. อ้างว่าคำแนะนำซอฟต์แวร์ของเครื่องมือค้นหาแบบ AI ตัวหนึ่ง อ้างอิงเว็บที่แทบไม่มีคนเข้าเป็นสัดส่วนเกินครึ่ง เราไล่ตรวจรายงานนี้แล้วพบว่าต้องแยกเป็นสองส่วน เพราะส่วนหนึ่งยืนยันได้ด้วยตัวเอง แต่อีกส่วนยืนยันไม่ได้เลย

ส่วนที่ยืนยันได้จากทะเบียนโดเมนและแผนผังเว็บของตัวเองคือมีเว็บสามแห่งชื่อ worldmetrics.org, gitnux.org และ wifitalents.com ที่รวมกันผลิตหน้าประเภทซอฟต์แวร์ที่ดีที่สุดในหมวดต่างๆ ด้วยเครื่องรวม 215,128 หน้า ทั้งสามจดทะเบียนผ่านผู้ให้บริการรายเดียวกันระหว่างวันที่ 4 ธ.ค. 2566 ถึง 1 พ.ค. 2567 ชี้ไปที่เนมเซิร์ฟเวอร์คู่เดียวกัน และใช้แม่แบบหน้าเว็บกับเมนูชุดเดียวกัน โดยสองในสามแห่งตั้งชื่อหน้าแรกของตัวเองไว้ตรงตัวว่าเป็นหน้าสำหรับใช้อ้างอิง

ส่วนที่ยืนยันไม่ได้คือสถิติทั้งหมดเกี่ยวกับเครื่องมือค้นหานั้น เพราะเมื่อตรวจที่มาของผู้เขียนรายงานกลับพบว่าโดเมนของผู้เขียนเพิ่งจดทะเบียนก่อนวันเผยแพร่เพียงหนึ่งวัน รายงานไม่มีชื่อผู้เขียนกำกับ และมีอีกโดเมนหนึ่งที่อ้างตัวเป็นสำนักวิจัยอิสระเหมือนกัน จดทะเบียนในวินาทีเดียวกันผ่านผู้ให้บริการรายเดียวกัน แล้วเผยแพร่รายงานโจมตีเป้าหมายเดียวกัน โดยทั้งสองชิ้นถูกส่งขึ้นกระดานนักพัฒนาโดยบัญชีเดียวกันในวันเดียวกัน

▲ ทำไมต้องรู้ · บทเรียนมีสองชั้นและชั้นที่สองสำคัญกว่า ชั้นแรกคือหน้าเว็บจัดอันดับที่ผลิตด้วยเครื่องระดับแสนหน้ามีอยู่จริงและตรวจสอบได้ ใครที่กำลังทำคอนเทนต์ให้ AI หยิบไปแนะนำควรรู้ว่ากำลังแข่งกับอะไรอยู่ ชั้นที่สองคือรายงานที่ออกมาแฉเรื่องนี้ ใช้วิธีเดียวกับสิ่งที่มันประณาม คือเป็นเว็บนิรนามอายุหนึ่งวันที่ไม่มีใครรู้ว่าใครทำ ซึ่งแปลว่าเวลาเจอตัวเลขที่ตรงกับสิ่งที่เราเชื่ออยู่แล้ว การตรวจว่าใครเป็นคนเผยแพร่สำคัญพอๆ กับการอ่านตัวเลขนั้น

Trellner · worldmetrics.org · gitnux.org · wifitalents.com

Blognone รายงานเมื่อ 2 ก.ย. ว่า Dell แจ้งผลประกอบการไตรมาสสองของปีบัญชี 2570 ด้วยรายได้ 46,971 ล้านดอลลาร์ เติบโต 58 เปอร์เซ็นต์เทียบกับช่วงเดียวกันของปีก่อน ซึ่งเป็นสถิติสูงสุดของบริษัท

แรงขับหลักมาจากความต้องการเซิร์ฟเวอร์สำหรับงาน AI ที่ไม่หยุด โดยรายได้ส่วนนี้เพิ่มขึ้นเป็นสองเท่าเป็น 16,000 ล้านดอลลาร์ ส่วนกลุ่มโครงสร้างพื้นฐานรวมอยู่ที่ 32,000 ล้านดอลลาร์ เติบโต 89 เปอร์เซ็นต์ ขณะที่กลุ่มเครื่องสำหรับผู้ใช้ทั่วไปอยู่ที่ 15,000 ล้านดอลลาร์ เติบโต 20 เปอร์เซ็นต์

ตัวเลขที่บอกอนาคตมากกว่ารายได้คือยอดค้างส่งของเซิร์ฟเวอร์ AI ที่สะสมอยู่ 95,000 ล้านดอลลาร์ ซึ่งเป็นคำสั่งซื้อที่รับไว้แล้วแต่ยังส่งมอบไม่ได้

▲ ทำไมต้องรู้ · ยอดค้างส่งที่สูงกว่ารายได้ทั้งไตรมาสถึงสองเท่า เป็นสัญญาณตรงว่าของยังขาดตลาด ซึ่งแปลไปถึงราคาที่องค์กรไทยต้องจ่ายถ้าคิดจะซื้อเครื่องมาตั้งเองและระยะเวลารอที่ยาวขึ้น ทีมที่กำลังเปรียบเทียบระหว่างเช่าใช้บนคลาวด์กับลงทุนเครื่องเอง ควรใส่ระยะเวลารอของเป็นตัวแปรในการตัดสินใจด้วย ไม่ใช่คิดแค่ราคาต่อหน่วย

Blognone

Blognone รายงานเมื่อ 2 ก.ย. ว่าคณะกรรมาธิการยุโรปประกาศจัดประเภท ChatGPT ให้เป็นเครื่องมือค้นหาออนไลน์ขนาดใหญ่มาก และจัดให้ Reddit กับ Roblox เป็นแพลตฟอร์มออนไลน์ขนาดใหญ่มาก ภายใต้กฎหมายบริการดิจิทัลของสหภาพยุโรป

การจัดประเภทนี้ทำให้ทั้งสามบริการเข้าไปอยู่ในกลุ่มเดียวกับอีก 25 บริการที่ถูกจัดไว้ก่อนหน้า ซึ่งต้องปฏิบัติตามข้อกำหนดการกำกับดูแลที่เข้มงวดกว่าบริการทั่วไป

▲ ทำไมต้องรู้ · กติกาที่ยุโรปออกมักไหลไปเป็นมาตรฐานที่ผู้ให้บริการเลือกใช้ทั่วโลก เพราะทำระบบชุดเดียวถูกกว่าทำแยกตามภูมิภาค สิ่งที่คนทำงานไทยจะเห็นตามมาคือหน้าจอที่มีคำอธิบายมากขึ้นว่าคำตอบมาจากไหน ช่องทางร้องเรียนที่ชัดขึ้น และรายงานความเสี่ยงที่บริษัทต้องเผยแพร่ ซึ่งเป็นเอกสารที่ฝ่ายกฎหมายขององค์กรใช้ประกอบการประเมินผู้ให้บริการได้จริง

Blognone