AI News · 2026-10-05

หน้าช่วยเหลือของ Google ระบุว่าตั้งแต่ 9 ตุลาคม ผู้ใช้ที่ไม่มีแพ็กเกจจะใช้ได้เฉพาะโมเดลรุ่น Flash-Lite แพ็กเกจ AI Plus ใช้ได้ทั้ง Flash-Lite และ Flash ส่วนรุ่น Pro เปิดให้เฉพาะแพ็กเกจ AI Pro และ AI Ultra

ผู้ใช้ยังเลือกระดับความพยายามของโมเดลได้สามระดับ คือ low, medium และ high ซึ่งใช้โควตาไม่เท่ากัน โดยโควตาคิดตามปริมาณการประมวลผล รีเฟรชทุก 5 ชั่วโมงจนกว่าจะชนเพดานรายสัปดาห์ แพ็กเกจ AI Plus ได้โควตาสองเท่าของผู้ใช้ฟรี และ AI Pro ได้สี่เท่า

หน้าช่วยเหลือระบุว่าผู้ใช้ AI Pro และ AI Ultra จะได้ตัวเลือก Deep Think ซึ่ง 9to5Google รายงานว่าตอนนี้มีเฉพาะแพ็กเกจราคา 99.99 และ 199.99 ดอลลาร์ต่อเดือน และระบุราคาในสหรัฐไว้ที่ 4.99 ดอลลาร์ต่อเดือนสำหรับ AI Plus และ 19.99 ดอลลาร์สำหรับ AI Pro ข้อควรระวังคือวันที่ 9 ตุลาคมยืนยันได้เฉพาะผู้ใช้ที่ไม่มีแพ็กเกจ ผู้ใช้ AI Plus จะได้รับอีเมลแจ้งกำหนดแยก แหล่งข่าวยังไม่บอกว่าบัญชีที่ทำงานหรือบัญชีองค์กรได้รับผลด้วยหรือไม่ และราคาในไทยอาจต่างจากสหรัฐ

▲ ทำไมต้องรู้ · คนทำงานที่ใช้ Gemini ฟรีเขียนงานหรือสรุปเอกสารจะได้คำตอบจากโมเดลรุ่นเล็กลงตั้งแต่สัปดาห์นี้ ถ้าคุณภาพงานลดลงให้เช็กแพ็กเกจก่อนโทษพรอมต์ และองค์กรที่ปล่อยให้พนักงานใช้บัญชีฟรีควรทบทวนว่าผลงานที่ได้ยังพอใช้หรือไม่

Google Gemini Help · 9to5Google · Blognone

Strata เป็นโปรแกรมรันโมเดลแบบโอเพนซอร์สภายใต้สัญญาอนุญาต MIT ที่ทำมาเพื่อรัน Qwen3.8-Flash-Next ขนาด 125B บนเครื่อง Windows หรือ Linux ที่มีการ์ดจอ NVIDIA ซีรีส์ RTX 20 ถึง 50 หรือการ์ด AMD Radeon บางรุ่นที่ระบุไว้ เช่น RX 7900 XT และ RX 9070 XT ที่มีหน่วยความจำการ์ดจอ 12GB ขึ้นไป RAM อย่างน้อย 32GB และพื้นที่ดิสก์ราว 80GB

ตารางของผู้พัฒนาระบุว่าบน RTX 5070 รุ่นบีบอัดหนักที่สุดเขียนคำตอบได้ราว 94 โทเคนต่อวินาที และรุ่นที่บีบอัดน้อยกว่าเหลือราว 53 โทเคนต่อวินาที ส่วน AMD RX 9070 XT รุ่นบีบอัดหนักที่สุดได้ราว 60 โทเคนต่อวินาที โปรแกรมทำได้เพราะโมเดลแบบนี้ใช้งานผู้เชี่ยวชาญย่อยเพียงบางส่วนต่อโทเคน จึงวางส่วนที่ใช้บ่อยไว้บนการ์ดจอและเก็บทั้งหมดไว้ใน RAM

ข้อควรระวังคือตัวเลขทั้งหมดเป็นผลวัดของผู้พัฒนาเอง หัวข้อบน Hacker News พูดถึง RTX 4090 แต่หน้าโครงการไม่มีผลวัดบนการ์ดรุ่นนั้น การบีบอัดหนักขนาดนี้มักแลกกับคุณภาพคำตอบ และหน้าโครงการเตือนว่าเครื่องอาจค้าง 1 ถึง 3 นาทีตอนเริ่มโหลด

▲ ทำไมต้องรู้ · การรันโมเดลขนาดใหญ่ในเครื่องตัวเองโดยไม่ส่งข้อมูลออกนอกองค์กรเริ่มทำได้บนฮาร์ดแวร์ระดับผู้บริโภค แต่ก่อนนำไปใช้กับงานจริงควรทดสอบคุณภาพคำตอบกับงานของตัวเองก่อน

GitHub Strata · Hacker News

Kevin Liao เขียนเมื่อ 3 ตุลาคมว่าปลั๊กอินความจำของ agent ที่เก็บข้อมูลเป็นชิ้นเล็กแล้วค้นคืนด้วยความคล้ายของความหมายมีปัญหา เพราะชิ้นข้อมูลขาดบริบท agent ไม่รู้ว่าตัวเองขาดอะไร และคนตรวจข้อมูลหลายพันชิ้นไม่ได้

เขาเสนอให้ agent อ่านเอกสาร Markdown ของโปรเจกต์ก่อนลงมือ แล้วอัปเดตเอกสารหลังทำงานเสร็จ เป็นวงจรสั่งงาน อ่านเอกสาร ทำงาน แล้วอัปเดต พร้อมปล่อยเครื่องมือโอเพนซอร์สชื่อ Operator Memory บทความนี้ได้คะแนนบน Hacker News กว่า 340

ข้อควรระวังคือเป็นข้อเสนอจากประสบการณ์ของผู้เขียน ยังไม่มีการวัดผลเทียบกับระบบความจำแบบอื่น

▲ ทำไมต้องรู้ · ทีมที่ใช้ AI ทำงานต่อเนื่องหลายวัน การเก็บบริบทไว้ในเอกสารที่คนเปิดอ่านและแก้ได้ช่วยให้ตรวจได้ว่า AI รู้อะไรอยู่ และแก้ได้เมื่อข้อมูลผิด

Kevin Liao · Hacker News

TechCrunch รายงานเมื่อ 2 ตุลาคมว่า Meta เปิดโครงการ Muse Gadgets ให้นักพัฒนาสร้างฮาร์ดแวร์ของตัวเองที่คุยกับ agent Muse ได้ รองรับบอร์ดอย่าง Raspberry Pi และ ESP32 พร้อมจอ ปุ่ม และเซนเซอร์ต่างๆ

Blognone ซึ่งเรียกโครงการนี้ว่า Meta Gadgets ระบุว่าโครงการมีทั้งเฟิร์มแวร์และชุดพัฒนาซอฟต์แวร์ และยกตัวอย่างการใช้งาน เช่น ตัวควบคุมบ้านอัจฉริยะบน Raspberry Pi จอสัมผัสที่รัน Muse และแท่ง HDMI ต่อทีวี

ข้อควรระวังคือรายงานของ TechCrunch ไม่ได้ระบุสัญญาอนุญาตของโครงการ

▲ ทำไมต้องรู้ · agent กำลังขยายจากหน้าจอคอมและมือถือไปสู่อุปกรณ์ในบ้านและสำนักงาน ซึ่งทำให้คำถามเรื่องสิทธิ์การเข้าถึงข้อมูลที่ Muse เคยเจอมาก่อนสำคัญขึ้นอีก

TechCrunch · Blognone

ทีมผู้เขียนแปดคนสร้างชุดทดสอบ 20 งานที่ติดตั้งซอฟต์แวร์โอเพนซอร์สจริงบนคลัสเตอร์ Kubernetes ชั่วคราว ใส่ข้อผิดพลาดเข้าไป และปล่อยโหลดต่อเนื่อง แล้วให้ agent วินิจฉัยและซ่อม โดยตรวจว่าระบบกลับมาทำงานได้จริงแทนการตรวจโค้ดอย่างเดียว

ผลคือโมเดลแนวหน้าทำคะแนนได้ต่ำกว่า 64.3% ความล้มเหลวมีตั้งแต่หาต้นเหตุผิด ซ่อมไม่ครบ ไปจนถึงซ่อมแล้วทำให้ส่วนอื่นพังแบบไม่ปลอดภัย แต่ละรอบใช้เฉลี่ย 2.81 ล้านโทเคนและ 41 รอบการโต้ตอบ

ข้อควรระวังคือเป็น preprint ที่ยังไม่ระบุเวทีตีพิมพ์ และมีเพียง 20 งาน

▲ ทำไมต้องรู้ · องค์กรที่คิดจะให้ agent ดูแลระบบตอนเกิดเหตุควรให้คนอนุมัติก่อนแก้ระบบจริง เพราะความผิดพลาดที่พบรวมถึงการซ่อมแล้วทำให้ส่วนอื่นเสีย และค่าโทเคนต่อเหตุหนึ่งครั้งก็สูง

arXiv 2610.00648

ทีมผู้เขียนหกคนเริ่มจากข้อเท็จจริงที่ทราบกันว่า "a few dozen harmful examples" ในข้อมูล fine-tune ทำให้โมเดลเลิกปฏิเสธคำขออันตรายได้ แล้วทดสอบกับโมเดลหกรุ่นจากสี่ตระกูลว่าวิธีป้องกันด้วยการล็อกชั้นของโมเดลที่เกี่ยวกับความปลอดภัยไม่ให้ถูกแก้ ทนการโจมตีที่ปรับเปลี่ยนได้หรือไม่

เมื่อใช้ตัวอย่างอันตรายร้อยชิ้น การปฏิเสธยังเหลือเกือบศูนย์ในทั้งหกรุ่น เพราะผลเสียย้ายไปเกิดในชั้นที่ไม่ได้ล็อก อีกวิธีที่ใช้ได้กับสี่รุ่นหลังการ fine-tune สั้นๆ ก็ถูกผู้โจมตีที่กระจายการแก้ไขออกไปหลบได้บน Llama-3.1-8B ทีมจึงเสนอเกณฑ์ตรวจห้าข้อสำหรับวิธีป้องกันแบบนี้

ข้อควรระวังคือเป็น preprint ที่ยังไม่ระบุเวทีตีพิมพ์ แต่ทีมก็พบว่าการล็อกชั้นอาจช่วยรักษาการปฏิเสธไว้ได้ในกรณีที่ข้อมูลอันตรายจำนวนน้อยหลุดเข้าไปในชุดฝึกโดยไม่ตั้งใจ

▲ ทำไมต้องรู้ · องค์กรที่ fine-tune โมเดลเปิดด้วยข้อมูลของตัวเองควรคัดข้อมูลฝึกให้สะอาดและทดสอบความปลอดภัยซ้ำหลังปรับแต่งทุกครั้ง เพราะระบบป้องกันที่ติดมากับโมเดลหายได้ง่ายกว่าที่คิด

arXiv 2610.00320

Anthropic ประกาศเมื่อ 2 ตุลาคมเปิด Claude Frontier Academy โปรแกรมฝึกวิศวกรที่บริษัทเรียกว่า Frontier Deployed Engineers โดยเริ่มด้วยการเรียนในสถานที่จริงหลายวันกับวิศวกรของ Anthropic พร้อมสอบภาคปฏิบัติ ตามด้วยช่วงฝึกงานจริง 12 สัปดาห์ที่ผู้เรียนนำโปรเจกต์ Claude ในองค์กรของตัวเอง

โปรแกรมรับเฉพาะวิศวกรที่องค์กรเสนอชื่อ จัดที่ซานฟรานซิสโก นิวยอร์ก และลอนดอน ประกาศไม่ได้ระบุค่าใช้จ่าย รายชื่อพาร์ตเนอร์มี Accenture, Bain, Capgemini, Commonwealth Bank of Australia, Deloitte, McKinsey, Morgan Stanley และ Novo Nordisk

Anthropic ให้เหตุผลว่าส่วนที่ยากคือการสร้างคนที่ "can take Claude from an idea to a system in production"

▲ ทำไมต้องรู้ · ผู้ขายโมเดลเริ่มยอมรับเองว่าคอขวดของการใช้ AI ในองค์กรคือคนที่นำไปทำงานจริงได้ ไม่ใช่ตัวโมเดล องค์กรไทยที่อยากได้ผลจาก AI จึงควรวางแผนสร้างคนในทีมควบคู่กับการซื้อเครื่องมือ

Anthropic

Anthropic เผยแพร่กรณีศึกษาเมื่อ 1 ตุลาคมว่าธนาคาร Barclays มีพนักงานกว่า 16,000 คนใช้ผู้ช่วยค้นความรู้ภายในที่ทำงานด้วย Claude ซึ่งตอบการค้นหาไปแล้วกว่าหนึ่งล้านครั้ง และฝ่าย Global Markets ใช้ Claude คัดแยกและส่งต่ออีเมลลูกค้าราว 120,000 ฉบับต่อวัน

ธนาคารตั้งเป้าให้นักพัฒนา 50% ใช้ Claude Code ภายในสิ้นปี 2026 และให้วิศวกรซอฟต์แวร์ส่วนใหญ่ใช้ในปี 2027 นอกจากนี้ยังใช้ Claude ปรับปรุงระบบเก่าและงานปฏิบัติการ

ข้อควรระวังคือเป็นกรณีศึกษาที่ผู้ขายเผยแพร่เอง ไม่มีตัวเลขผลลัพธ์ทางธุรกิจ เช่น เวลาหรือต้นทุนที่ลดได้

▲ ทำไมต้องรู้ · งานที่ธนาคารใหญ่เลือกเริ่มคือการค้นความรู้ภายในและคัดแยกอีเมลจำนวนมาก ซึ่งเป็นงานที่องค์กรไทยหลายแห่งเริ่มได้เหมือนกันโดยไม่ต้องสร้างระบบซับซ้อน

Anthropic

Mistral ประกาศเมื่อ 28 กันยายนว่าจะตั้งทีมวิจัย Physics AI และ Industrial AI ที่มิวนิก ร่วมกับมหาวิทยาลัยเทคนิคมิวนิก (TUM) ทำแบบจำลองดิจิทัลด้านอากาศพลศาสตร์ยานยนต์ด้วยอุโมงค์ลมของมหาวิทยาลัย และทำงานกับ BMW เรื่องการจำลองการชน และกับ Siemens Energy ในงานอุตสาหกรรม

ทีมนี้ต่อยอดจากการซื้อ Emmi AI เมื่อเดือนพฤษภาคม ซึ่งนำนักฟิสิกส์ นักวิจัย และวิศวกรกว่า 30 คนเข้ามา บริษัทยังระบุว่าจะสร้างกำลังประมวลผลในยุโรป 1 กิกะวัตต์ภายในปี 2030

▲ ทำไมต้องรู้ · ผู้ผลิตโมเดลเริ่มแข่งกันในงานเฉพาะทางของอุตสาหกรรม เช่น การจำลองทางวิศวกรรม ซึ่งเกี่ยวกับโรงงานและผู้ผลิตชิ้นส่วนยานยนต์ในไทยที่ทำงานกับแบรนด์ยุโรป

Mistral AI