Alibaba เปิดตัว ‘Qwen4-Max’ ช่วยงาน 8 ชั่วโมงเหลือแค่ 8 นาที การเงิน กฎหมาย และการแพทย์ ตรวจย้อนกลับได้ทุกบรรทัด

Alibaba เปิดตัว Qwen4-Max โมเดลเรือธงรุ่นใหม่ของตระกูล Qwen ที่บริษัทวางตำแหน่งให้เป็น 'เพื่อนร่วมทีม AI ที่ทำงานได้ตลอด 24 ชั่วโมง' เพราะไม่ได้ออกแบบมาแค่ตอบคำถาม แต่รับงานยาวอย่างออกแบบชิ้นส่วนรถยนต์ สร้างเกมทั้งเกม หรือทำวิจัยวัสดุใหม่ต่อเนื่อง 48 ชั่วโมงได้เอง ตัวโมเดลมีขนาด 2.4 ล้านล้านพารามิเตอร์ เข้าใจภาพได้ในตัว และรับข้อมูลได้ครั้งละ 1 ล้านโทเคน (Token) ซึ่งเป็นหน่วยย่อยของข้อความที่โมเดลประมวลผล มากพอจะรับเอกสารยาวหลายร้อยหน้าได้ในรอบเดียว

ที่น่าสนใจไม่แพ้สเปกคือ Alibaba เลือกไม่ปล่อย Qwen4-Max แบบ Open-weight ซึ่งหมายถึงการเผยแพร่น้ำหนักโมเดล (Weights) ให้ใครก็ดาวน์โหลดไปติดตั้ง ปรับแต่ง หรือฝึกต่อเองได้ ทั้งที่ Qwen เป็นตระกูลโมเดล Open-weight ที่มียอดดาวน์โหลดมากที่สุดในโลกตามข้อมูลของ Bloomberg และรุ่นก่อนหน้าอย่าง Qwen3.8-Max ก็ยังเปิดให้ดาวน์โหลดได้ รอบนี้นักพัฒนาจึงต้องเรียกใช้ผ่านบริการคลาวด์ของ Alibaba เท่านั้น ส่วนรุ่นเล็กของตระกูล Qwen4 บริษัทยืนยันว่าจะตามมาแบบ Open-weight แต่ยังไม่ระบุวันที่

จุดขายที่ Alibaba ชูควบคู่กับความเก่งคือความคุ้มค่า เพราะ Qwen4-Max ทำคะแนนดีกว่ารุ่นก่อนเกือบทุกด้านทั้งที่ใช้โทเคนน้อยลง และในชุดทดสอบงานจริงที่บริษัทพัฒนาขึ้นเอง ค่าใช้จ่ายเฉลี่ยต่องานลดจาก 4.43 ดอลลาร์สหรัฐ เหลือ 1.67 ดอลลาร์ หรือลดลง 62%

ตัวใหญ่ 2.4 ล้านล้านพารามิเตอร์ แต่ทำงานจริงแค่ส่วนเดียว

ความคุ้มค่านี้เริ่มต้นที่สถาปัตยกรรมใหม่ของตระกูล Qwen4 ซึ่งยังเป็นแบบผสมผู้เชี่ยวชาญ หรือ Mixture-of-Experts (MoE) ที่แบ่งโมเดลออกเป็นผู้เชี่ยวชาญย่อยหลายกลุ่ม แล้วเรียกใช้เฉพาะกลุ่มที่เกี่ยวข้องกับงานตรงหน้า แม้พารามิเตอร์หลักจะมีถึง 2.4 ล้านล้านตัว แต่ทำงานจริงต่อหนึ่งโทเคนเพียง 71 พันล้านตัว น้อยกว่ารุ่นก่อนราว 25% โดยยังมีพารามิเตอร์ส่วนเสริมอีก 328 พันล้านตัวสำหรับชั้นจดจำรูปแบบคำ (N-gram Embedding)

ทีม Qwen ปรับโครงสร้างหลักสามจุด จุดแรกคือกลไกการเลือกโฟกัสข้อมูล (Attention) ที่ใช้ชั้น Gated DeltaNet บีบอัดข้อความก่อนหน้าให้เป็นสถานะขนาดคงที่ แล้วทำงานคู่กับ Qwen Sparse Attention (QSA) ที่ใช้ตัวคัดกรองขนาดเล็กหยิบเฉพาะบริบทที่เกี่ยวข้องมาประมวลผล ต้นทุนจึงลดลงเมื่อต้องรับข้อความยาวมาก ๆ จุดที่สองคือ Gated Residual ที่เพิ่มเส้นทางส่งข้อมูลข้ามชั้นเป็นสี่เส้นขนานพร้อมประตูควบคุมการอ่านและเขียน ข้อมูลจึงไหลระหว่างชั้นได้ดีขึ้นและการฝึกนิ่งขึ้น ส่วนจุดที่สามคือ N-gram Embedding ที่ช่วยให้โมเดลจำรูปแบบคำที่มักอยู่ติดกัน ซึ่งเพิ่มความสามารถของโมเดลโดยแทบไม่เพิ่มการประมวลผล

ผลที่ตามมาคือการฝึกโมเดลระดับ 2.4 ล้านล้านพารามิเตอร์ที่ราบรื่นตลอดรอบ ค่าความคลาดเคลื่อน (Loss) ลดลงสม่ำเสมอโดยไม่มีจังหวะพุ่งผิดปกติเลย และเมื่อวัดความสามารถของโมเดลฐานก่อนการปรับแต่ง Qwen4-Max-Base ก็ทำได้ดีกว่า Qwen3.8-Max-Base ในทุกหมวด ทั้งความรู้ทั่วไป การเขียนโค้ด การถามตอบ และสาขาวิทยาศาสตร์ เทคโนโลยี วิศวกรรม และคณิตศาสตร์ (STEM) โดยดีขึ้นราว 5-13% ทั้งที่ใช้พารามิเตอร์ทำงานน้อยกว่า

ชนะรุ่นพี่แทบทุกสนาม แต่ยังไม่ใช่เบอร์หนึ่งทุกด้าน

เมื่อออกไปเทียบกับคู่แข่ง Alibaba เปิดผลชุดทดสอบ (Benchmark) 16 รายการ โดยวาง Qwen4-Max เทียบกับ Claude Opus 5.5 ของ Anthropic, GPT6.1-Sol และ GPT6-Astra ของ OpenAI และ Kimi K3.1 ของ Moonshot AI ภาพที่ออกมาคือ Qwen4-Max ขึ้นนำในสนามงานเฉพาะทางหลายรายการ เด่นที่สุดคืองานกฎหมาย HLAB-Vals-1.1 ที่ได้ 21.3 คะแนน ทิ้งอันดับสองอย่าง Kimi K3.1 ที่ได้ 11.7 เกือบเท่าตัว นอกจากนี้ยังนำใน Agents' Last Exam ที่วัดงานระยะยาวซึ่งมีมูลค่าทางเศรษฐกิจ ด้วยคะแนน 46.7 เหนือ Opus 5.5 และ Kimi K3.1 ที่ได้ 43.4 เท่ากัน รวมถึงงานวิจัยชีวสารสนเทศ BioMysteryBench ที่ได้ 85.0 และงานเขียนโค้ดแบบ AI Agent อย่าง DeepSWE ที่ได้ 75.7 เฉือน Kimi K3.1 (75.5) และ Opus 5.5 (74.2) ไปเล็กน้อย

ในทางกลับกัน หลายสนามยังเป็นของคู่แข่ง ใน Terminal-Bench 4.0 ที่วัดการเขียนโค้ดผ่านหน้าจอคำสั่ง Qwen4-Max ได้ 48.5 ตามหลัง Kimi K3.1 (67.2) และ Opus 5.5 (59.6) ค่อนข้างห่าง ขณะที่ ProgramBench ซึ่งให้สร้างซอฟต์แวร์ขึ้นใหม่โดยไม่เห็นโค้ดต้นฉบับ Qwen4-Max ได้ 31.5 แต่ Opus 5.5 ทำได้ถึง 65.0 ส่วน Humanity's Last Exam ที่วัดการใช้เหตุผลข้ามศาสตร์ Qwen4-Max ได้ 51.7 ต่ำกว่า Opus 5.5 ที่ 59.8 และด้านการอ่านกราฟกับการทำความเข้าใจวิดีโอก็ยังตามหลังโมเดลของ OpenAI อยู่ ทั้งนี้ผลบางรายการอ้างอิงจากกระดานจัดอันดับภายนอก เช่น Artificial Analysis และ Vals Index แต่การเลือกชุดทดสอบและการเรียบเรียงผลทั้งหมดเป็นของ Alibaba เอง

ตัวเลขที่ Alibaba ชูมากที่สุดคือ 'งานเท่าเดิม แต่จ่ายน้อยลง 62%'

ถึงจะยังไม่ชนะทุกสนาม แต่ตัวเลขที่ Alibaba ให้น้ำหนักที่สุดกลับมาจากการเทียบกับตัวเอง โดยบริษัทพัฒนากรอบจำแนกงานจริงชื่อ Work360 ที่แตกงานออกเป็น 26 กลุ่มอุตสาหกรรมหลัก 182 กลุ่มย่อย และ 721 สาขาเฉพาะทาง แล้วสร้างเป็นชุดทดสอบงานยากของแต่ละอุตสาหกรรม ผลล่าสุด Qwen4-Max ได้ 52.69 คะแนน เพิ่มขึ้นจาก 47.74 ของ Qwen3.8-Max

ที่สำคัญกว่าคะแนนคือจำนวนโทเคนที่ใช้ เพราะใน Work360 Qwen4-Max ใช้โทเคนน้อยลงราว 24% เมื่อตั้งระดับการคิดไว้สูงสุด (Xhigh) และน้อยลง 35% ที่ระดับสูง (High) ส่วนใน Terminal-Bench 4.0 ใช้น้อยลงราว 48% และ 49% ตามลำดับ เมื่อรวมกับการลดราคาค่าเรียกใช้งานผ่าน Application Programming Interface (API) ลงจากรุ่นก่อน โดยเฉพาะราคาข้อมูลขาเข้าที่ระบบจำไว้แล้ว (Cached Input) ซึ่งลดลงมาก ค่าใช้จ่ายเฉลี่ยต่องานใน Work360 จึงลดจาก 4.43 ดอลลาร์ เหลือ 1.67 ดอลลาร์ ขณะที่ราคาบน QwenCloud อยู่ที่ 1.50 ดอลลาร์ต่อล้านโทเคนขาเข้า และ 4.50 ดอลลาร์ต่อล้านโทเคนขาออก

จากโรงงานรถยนต์ถึงสตูดิโอเกม

ตัวเลขบนกระดาษอาจยังไม่ชัดเท่าการเห็นงานจริง Alibaba จึงยกตัวอย่างการใช้งานจากหลายอุตสาหกรรมประกอบการเปิดตัว ในงานสามมิติ Qwen4-Max ใช้โปรแกรม Blender ขึ้นรูปทรง จัดฉาก ใส่วัสดุ จัดแสง และเรนเดอร์ภาพได้เอง ครอบคลุมทั้งงานสถาปัตยกรรม ภายในอาคาร ภูมิทัศน์ธรรมชาติ และฉากไซไฟ โดยชิ้นงานเหล่านี้ถูกนำไปใช้ในเกมจริงและพิมพ์ออกมาเป็นวัตถุด้วยเครื่องพิมพ์สามมิติแล้ว

งานพัฒนาเกมก็ไปไกลไม่แพ้กัน เพราะ Qwen4-Max ทำงานกับเอนจินเกมชั้นนำอย่าง Unity, Unreal Engine และ Godot ได้คล่อง จากคำสั่งภาษาธรรมดาเพียงชุดเดียว โมเดลจะสร้างฉาก เขียนกลไกการเล่น หยิบทรัพยากรภายนอกที่เหมาะสมมาใช้ ออกแบบหน้าจอแสดงสถานะ และใส่เอฟเฟกต์ภาพ จากนั้นจึงเปิดเกมขึ้นมาเล่นเอง แล้วใช้สิ่งที่เห็นบนจอไปปรับมุมกล้อง ท่าทางตัวละคร การตอบสนองเมื่อโจมตีโดน แสง และจังหวะของเกม ตัวอย่างที่ Alibaba โชว์คือ Meow of Magic เกมผจญภัยของแมวนักเวทบน Unreal Engine ที่ผู้เล่นต้องร่ายเวท เลือกอัปเกรด และผ่านด่านศัตรูทีละระลอกจนถึงบอส

ส่วนในโรงงานจริงของ SANF และ Pacific Union ผู้ผลิตชิ้นส่วนยานยนต์ Qwen4-Max รับงานตั้งแต่วางแผนสายการผลิตไปจนถึงออกแบบชิ้นส่วน ในระดับสายการผลิต โมเดลนำผังสองมิติและค่าพารามิเตอร์ของกระบวนการมาสร้างเป็นโมเดลสายการผลิตสามมิติจากคลังเครื่องจักรที่มีอยู่ จำลองรอบเวลาการผลิต และทดสอบระบบควบคุมเครื่องจักรแบบตั้งโปรแกรมได้ (Programmable Logic Controller หรือ PLC) ในโลกเสมือนก่อนติดตั้งจริง ส่วนในระดับชิ้นส่วน โมเดลออกแบบชุดประตูรถ ล้อเสียดทาน และชิ้นส่วนอื่น พร้อมวางแผนการกลึงไส สร้างเส้นทางเดินมีด และจำลองตรวจสอบจนจับจุดที่ตัดเกินหรือตัดไม่ถึงได้ก่อนเริ่มเดินเครื่อง ผลคือเวลาที่คนต้องใช้เขียนโปรแกรมชิ้นงานหนึ่งชิ้นลดจากราว 475 นาที เหลือ 24 นาที หรือลดลงราว 95%

นอกจากนี้ Qwen4 ยังทำงานร่วมกับ WonderClip เพื่อผลิตวิดีโอได้ครบกระบวนการ ตั้งแต่ขัดเกลาสคริปต์สตอรีบอร์ด สร้างฉากและวัตถุ กำหนดเส้นทางกล้องในฉากจำลองแบบคร่าว ๆ เรนเดอร์เป็นคลิปย่อย ไปจนถึงตัดต่อรวมเป็นภาพยนตร์หลายฉาก

การเงิน กฎหมาย และการแพทย์ งานที่ต้องตรวจย้อนกลับได้ทุกบรรทัด

ความท้าทายที่สูงขึ้นอีกขั้นคืองานวิชาชีพที่ผิดพลาดไม่ได้ และทุกข้อสรุปต้องสืบกลับไปหาหลักฐานได้ ในงานวิจัยการลงทุน Qwen4 เรียกใช้เครื่องมือผ่านมาตรฐานเชื่อมต่อ Model Context Protocol (MCP) ได้ 90 ตัว เพื่อดึงราคาตลาด งบการเงิน อัตราดอกเบี้ย และข้อมูลเงินปันผล ทั้งหุ้นจีน หุ้นฮ่องกง หุ้นสหรัฐฯ พันธบัตร กองทุน และอนุพันธ์ ในกรณีศึกษาสัญญาซื้อขายล่วงหน้าที่อ้างอิงดัชนี CSI 300 โมเดลนำต้นทุนการเงิน อัตราเงินปันผล และอายุสัญญามาคำนวณส่วนต่างราคาตามทฤษฎี แล้ววิเคราะห์ส่วนต่างที่เกิดขึ้นจริง ผลงานส่งออกมาเป็นไฟล์ Excel และสไลด์ PowerPoint ที่แก้ไขได้ โดยคลิกลิงก์ในแต่ละเซลล์เพื่อไปยังแหล่งข้อมูลต้นทางได้ และกราฟทุกอันในสไลด์ผูกกับตัวเลขในไฟล์ Excel แบบหนึ่งต่อหนึ่ง นักวิเคราะห์จึงตรวจย้อนตัวเลขและสูตรได้ทันที

งานกฎหมายก็ใช้หลักเดียวกัน ในการตรวจสอบสถานะบริษัทก่อนเข้าตลาดหลักทรัพย์ (Pre-IPO Due Diligence) ลูกค้าส่งเอกสารทำงานมาเป็นชุด ๆ รวม 198 ไฟล์ที่ตั้งชื่อและจัดรูปแบบไม่ตรงกัน Qwen4-Max คัดสิ่งที่ไม่เกี่ยวข้องออก ตั้งชื่อใหม่และจัดเข้า 14 โฟลเดอร์ตามเนื้อหา พร้อมทำดัชนีเอกสารให้อัตโนมัติ จากนั้นจึงค้นข้อมูลสาธารณะทั้งการจดทะเบียนธุรกิจ ทรัพย์สินทางปัญญา คดีความ และประวัติเครดิต มาตรวจทานกับเอกสารของลูกค้า และชี้ความเสี่ยงที่ซ่อนอยู่ในข้อตกลงปรับมูลค่ากิจการ (Valuation Adjustment Mechanism หรือ VAM) พร้อมเสนอแนวทางแก้ไข ผลงานสุดท้ายคือรายงาน 86 หน้า ความยาวกว่า 60,000 ตัวอักษรจีน ครอบคลุม 12 หัวข้อการตรวจสอบ และ 14 ประเด็นทางกฎหมาย โดยทุกข้อสรุปมีการอ้างอิงเอกสารต้นทางกำกับ

ส่วนงานการแพทย์ Alibaba เลือกโชว์เคสในหอผู้ป่วยวิกฤต ซึ่งผู้ป่วยมักมีภาวะแทรกซ้อนหลายอย่างและอาการเปลี่ยนเร็ว ผู้ป่วยในเคสนี้เกิดภาวะหัวใจห้องล่างสั่นพลิ้ว (Ventricular Fibrillation) หลังการใส่ขดลวดค้ำยันหลอดเลือดแดงที่คอ แพทย์กู้ชีพได้สำเร็จ แต่หลังถอดท่อช่วยหายใจกลับมีอาการเจ็บหน้าอก จนต้องใส่ท่อใหม่ในวันที่ 6 ข้อมูลทั้งหมดมีทั้งผลแล็บหลายสิบฉบับ บันทึกความก้าวหน้าการรักษากว่า 10,000 ตัวอักษรจีน คำสั่งแพทย์หลายชุด และภาพถ่ายทางการแพทย์ต้นฉบับ 1,433 ภาพ ภายในบทสนทนาเดียว Qwen4 ค้นค่าการอักเสบ C-Reactive Protein (CRP) ของแต่ละวันได้ถูกต้อง เรียงเหตุการณ์ตลอด 6 วันเป็นเส้นเวลา แยกภาพถ่ายออกเป็น 6 ชุด ระบุภาพเอกซเรย์คอมพิวเตอร์ทรวงอกที่ต้องดู แล้วส่งเอเจนต์ย่อย (Subagent) หลายตัวไปอ่านภาพตัดขวางหลายร้อยภาพพร้อมกัน จนพบภาวะปอดทึบทั้งสองข้างในส่วนที่อยู่ต่ำ ตรงกับการวินิจฉัยของแพทย์เจ้าของไข้ และเสนอแนวทางดูแลรักษา 4 ข้อที่ตรงกับคำสั่งการรักษาจริงของแพทย์ในวันนั้นทุกข้อ

ถึงอย่างนั้น Alibaba ย้ำในแถลงการณ์ด้านจริยธรรมว่า Qwen ออกแบบมาเพื่อช่วยคนทำงาน ไม่ได้มาแทนวิจารณญาณของผู้เชี่ยวชาญในสถานการณ์ที่ส่งผลกระทบสูง และการตัดสินใจที่อาจเกิดผลร้ายแรงยังต้องมีผู้เชี่ยวชาญที่เป็นมนุษย์กำกับดูแลเสมอ

AI Agent ที่ทำงานข้ามคืน โดยไม่ปล่อยให้ผู้ใช้รอจนจบ

งานทั้งหมดข้างต้นต้องอาศัยการทำงานต่อเนื่องหลายชั่วโมง Qwen4-Max จึงมาพร้อมแนวทางที่เรียกว่า Live Delivery เพื่อแก้ปัญหาของ AI Agent ที่ทำงานยาว เพราะถ้าผู้ใช้ต้องรอจนงานเสร็จถึงจะเห็นผล ความผิดพลาดระหว่างทางก็แก้ได้ยาก Live Delivery จึงให้ AI Agent ส่งงานเวอร์ชันแรกที่ใช้งานได้ออกมาก่อน แล้วค่อยขยายและปรับปรุงทีละรอบ โดยปรับแผนตามผลการทำงานและความต้องการของผู้ใช้ ผู้ใช้จึงเห็นความคืบหน้าเป็นรูปธรรมทุกรอบ และเข้ามาแก้หรือเปลี่ยนทิศทางได้ทุกเมื่อ ทั้งนี้ทีม Qwen ยังเปิดโค้ดปลั๊กอิน Qwen-Live-Delivery-Plugin ให้ผู้ใช้ติดตั้งไปใช้งานแนวทางนี้ได้ด้วย

ความสามารถทำงานยาวนี้ถูกนำไปใช้จริงภายใน Alibaba Cloud แล้ว ในงานจัดสรรทรัพยากรคลาวด์ที่ใช้รัน ฝึก และให้บริการโมเดล Qwen4-Max สร้างอัลกอริทึมตัวเลือกขึ้นมาเอง แล้วส่งให้ MindOpt ซึ่งเป็นโปรแกรมหาคำตอบเชิงเหมาะสมที่สุดของ Alibaba ประเมินความเป็นไปได้ ค่าเป้าหมาย และเวลาที่ใช้ จากนั้นจึงแก้โค้ดและตรวจทานซ้ำจนได้กลยุทธ์ที่ดีขึ้น ผลคือต้นทุนการจัดคิวเรียกใช้โมเดลหลายตัวสำหรับงานติดป้ายกำกับข้อมูลลดลงเฉลี่ย 10.42% เมื่อเทียบกับค่าอ้างอิง การจัดสรรชิปกราฟิก (GPU) แบบเรียลไทม์ทำให้ระยะเวลาที่มีเครื่องว่างเต็มเครื่องเพิ่มขึ้น 4.62% และการจัดสรรหน่วยประมวลผลกลาง (CPU) ใหม่แบบออฟไลน์หาคำตอบที่ดีที่สุดได้เร็วขึ้นกว่า 14.61 เท่า ที่น่าสนใจคือวงจรนี้ย้อนกลับมาช่วยตัวโมเดลเอง เพราะทรัพยากรที่ประหยัดได้กลายเป็นกำลังประมวลผลสำหรับพัฒนาโมเดลรุ่นถัดไป

ออกแบบสารหล่อเย็นชิปเองใน 48 ชั่วโมง จนได้ของจริงในแล็บ

เมื่อทำงานยาวได้ขนาดนี้ Alibaba จึงลองให้ Qwen4 ทำวิจัยทางวิทยาศาสตร์แบบครบวงจร โจทย์แรกคือปัญหาความร้อนจากชิปกำลังสูงรุ่นใหม่ในดาต้าเซ็นเตอร์ Qwen4 ใช้แพลตฟอร์ม Mira ของ Deep Principle ซึ่งเชื่อมงานคำนวณบนคอมพิวเตอร์เข้ากับห้องแล็บทดลองจริง แล้วทำงานเองต่อเนื่อง 48 ชั่วโมง ตั้งแต่สำรวจแนวทางทางเทคนิค สร้างกลุ่มโมเลกุลตัวเลือก 2.7 ล้านโมเลกุล คัดกรองโครงสร้าง ทำนายคุณสมบัติ คำนวณด้วยหลักการพื้นฐานทางฟิสิกส์ (First-principles Calculation) วิเคราะห์เส้นทางการสังเคราะห์ย้อนกลับ และวางแผนการทดลอง จากนั้นจึงสั่งห้องแล็บอัตโนมัติให้เตรียมสาร สังเคราะห์ แยกสารให้บริสุทธิ์ และทดสอบ หลังวนรอบออกแบบ สังเคราะห์ ทดสอบ และเรียนรู้จากผลไปทั้งหมด 4 รอบ Qwen4 ก็ได้โมเลกุลสารหล่อเย็นตัวใหม่ที่ผ่านการพิสูจน์ด้วยการทดลองจริง

โจทย์ที่สองคือการค้นหายาสำหรับโรคอัลไซเมอร์ ซึ่งภาวะการอักเสบในสมองเป็นส่วนสำคัญของพยาธิสภาพ และโปรตีนเชิงซ้อน NLRP3 Inflammasome ที่มีส่วนในกระบวนการนี้ก็เป็นเป้าหมายสำคัญของการวิจัยแนวทางรักษาใหม่ Qwen4-Max ทำงานบนแพลตฟอร์ม PharmMaster ของ DP Technology โดยค้นงานวิจัยและสิทธิบัตรเอง เลือกโมเลกุลอ้างอิง แล้วออกแบบโครงสร้าง ทำนายคุณสมบัติ และจำลองการจับกับเป้าหมาย (Molecular Docking) หลายรอบ ตลอดกระบวนการโมเดลเรียกใช้เครื่องมือ 454 ครั้ง ประเมินค่าเชิงคำนวณ 3,239 รายการ และออกแบบโมเลกุลตัวเลือก 24 ตัว ผลการคำนวณพลังงานอิสระการจับยึดสัมพัทธ์ (Relative Binding Free Energy หรือ RBFE) ประเมินว่าโมเลกุลที่ได้จับกับเป้าหมายได้แน่นกว่าโมเลกุลตั้งต้นจากสิทธิบัตรราว 3.6 เท่า แต่ผลนี้ยังมาจากการคำนวณบนคอมพิวเตอร์เท่านั้น โดยผู้เชี่ยวชาญของ DP Technology มองว่าโมเลกุลนี้มีคุณค่าทางการวิจัยสูงและควรนำไปทดสอบในห้องแล็บต่อ

เขียนโค้ดปลอดภัยขึ้นเกือบเท่าตัว

ยิ่งโมเดลทำงานเองได้มากขึ้น คำถามเรื่องความปลอดภัยก็ยิ่งสำคัญ ในการฝึกงานด้านวิศวกรรมซอฟต์แวร์ ทีม Qwen เพิ่มการตรวจความปลอดภัยของโค้ดควบคู่กับการตรวจว่าโค้ดทำงานได้ ผลบนชุดทดสอบ Last Secure Code Bench คืออัตราโค้ดระดับฟังก์ชันที่ผ่านทั้งด้านการทำงานและความปลอดภัยเพิ่มจาก 22.0% ในรุ่นก่อน เป็น 31.8% ส่วนสัดส่วนโค้ดที่ปลอดภัยพร้อมกันทั้งระดับฟังก์ชัน ไฟล์ และทั้งโปรเจกต์ เพิ่มจาก 8% เป็น 14.7% หรือเกือบเท่าตัว โดยโมเดลเลี่ยงช่องโหว่หลักอย่างการแทรกคำสั่งอันตราย ปัญหาการจัดการหน่วยความจำ และการควบคุมสิทธิ์เข้าถึงที่บกพร่องได้ดีขึ้นชัดเจน

ด้านความมั่นคงปลอดภัยไซเบอร์ ทีม Qwen คัดข้อมูลฝึกตามวัตถุประสงค์ โดยเก็บข้อมูลสำหรับงานป้องกัน เช่น การตรวจหาและแก้ไขช่องโหว่ ไว้ แต่ตัดข้อมูลที่มุ่งเพิ่มความสามารถในการเจาะระบบออก ผลการตรวจสอบโดยผู้เชี่ยวชาญภายในยังไม่พบความสามารถที่ก่อความเสี่ยงด้านไซเบอร์ในวงกว้าง ขณะที่ความเสี่ยงด้านเคมี ชีวภาพ รังสี และนิวเคลียร์ (CBRN) ทีมงานออกแบบข้อมูลความปลอดภัยเฉพาะทางในขั้นปรับแต่งหลังการฝึก ทำให้โมเดลแยกคำขอที่มีความเสี่ยงได้มากขึ้น โดยไม่ปฏิเสธคำขอปกติเกินจำเป็น

Max เป็นแค่ตัวแรกของตระกูล Qwen4

Qwen4-Max เปิดให้ใช้งานแล้วบน QwenCloud ทั้งผ่าน API และแพ็กเกจ Token Plan รวมถึงในแอป QwenWork, Qoder และ QwenStudio ซึ่ง Alibaba พัฒนาโมเดลนี้ร่วมกับทีมผลิตภัณฑ์อย่าง Qoder ตั้งแต่ต้น เพื่อกำหนดความสามารถของโมเดลจากขั้นตอนการทำงานจริงของผู้ใช้ โดยเฉพาะงานออฟฟิศและงานออกแบบ ส่วนนักพัฒนาที่รอโมเดลไปรันเอง Alibaba ยืนยันว่ารุ่นเล็กในตระกูล Qwen4 ซึ่งใช้เทคนิคการฝึกรุ่นเดียวกันจะตามมาแบบ Open-weight ในอนาคต

สำหรับรุ่นท็อปตัวนี้ คำโปรยว่า 'เพื่อนร่วมทีม AI' จึงเป็นมากกว่าสโลแกน เพราะ Alibaba พยายามพิสูจน์ด้วยงานที่ส่งมอบได้จริง ทั้งชิ้นส่วนรถยนต์ รายงานกฎหมาย และสารหล่อเย็นที่จับต้องได้ในห้องแล็บ แต่เพื่อนร่วมทีมคนนี้ต้องทำงานผ่านคลาวด์ของ Alibaba เท่านั้น

ที่มา: Qwen, The Next Web

ลงทะเบียนเข้าสู่ระบบ เพื่ออ่านบทความฟรีไม่จำกัด

No comment

RELATED ARTICLE

Responsive image

จากศักยภาพของ AI สู่ผลลัพธ์ทางธุรกิจ ซีอีโอ Accenture SEA ชี้การขยาย AI ต้องมากกว่าเทคโนโลยี

Anoop Sagoo ซีอีโอ Accenture SEA ชี้การขยายผล AI ต้องอาศัยผู้นำที่เข้าใจตรงกัน บริบททางธุรกิจ การกำกับดูแลอย่างรับผิดชอบ และการวัดผลจากคุณค่าที่ AI สร้างขึ้น...

Responsive image

Sam Altman เผยเห็นใจ Jensen Huang ในฐานะ CEO ที่เคยถูกไล่ออกมาเช่นกัน

Sam Altman ซีอีโอ OpenAI เชื่ออุตสาหกรรม AI ยังไปต่อได้ แม้ไร้เงา Jensen Huang หลังถูกปลดพ้นเก้าอี้ซีอีโอ Nvidia เซ่นปมข่าวฉาว พร้อมเผยความเห็นอกเห็นใจในฐานะคนเคยโดนปลด...

Responsive image

เปิดตัว ChatGPT Wallet AI Agent ช่วยจ่ายเงินแทน ปกป้องเลขบัตรด้วย Payment Token และต้องสแกนหน้ายืนยันก่อนจ่ายทุกครั้ง

OpenAI เปิดตัว ChatGPT Wallet ให้ AI Agent ใน dots จ่ายเงินแทนผู้ใช้โดยไม่เห็นเลขบัตรจริง ยืนยันด้วยการสแกนหน้าทุกครั้ง เปิดเฉพาะ Pro ในสหรัฐฯ พร้อมเช็กความพร้อมของแบงก์ไทย...