Thinking Machines Lab เปิดตัว ‘Inkling-Small‘ Open-Weight 276 พันล้านพารามิเตอร์ ให้เหตุผล + เขียนโค้ดเก่งแซงรุ่นพี่ Inkling

เพียง 15 วันหลังปล่อยโมเดลตัวแรกอย่าง Inkling ออกสู่สาธารณะ Thinking Machines Lab บริษัท AI ของคุณ Mira Murati อดีตประธานเจ้าหน้าที่ฝ่ายเทคโนโลยี (CTO) ของ OpenAI ก็ตามมาด้วยรุ่นน้องที่ท้าทายสมมติฐานเดิมของวงการ นั่นคือโมเดลที่มีขนาดเล็กลงถึง 4 เท่า แต่กลับทำคะแนนด้านการให้เหตุผลและการเขียนโค้ดได้ 'เหนือกว่า' รุ่นพี่ที่ใหญ่กว่ามาก

โมเดลตัวใหม่ชื่อว่า Inkling-Small เป็นโมเดล Open-weight ที่เปิดให้ดาวน์โหลดน้ำหนักโมเดลได้เต็มรูปแบบ จุดขายหลักคือประสิทธิภาพที่ใกล้เคียงหรือดีกว่ารุ่นพี่ในหลายด้าน แต่ใช้พลังประมวลผลน้อยกว่ามาก ทำให้ต้นทุนต่อการใช้งานถูกลงอย่างมีนัยสำคัญ โดยราคาค่าประมวลผลฝั่ง Output อยู่ที่ 1.20 ดอลลาร์สหรัฐต่อ 1 ล้านโทเคน เทียบกับรุ่นพี่ Inkling ที่อยู่ราว 4.05 ดอลลาร์สหรัฐต่อ 1 ล้านโทเคน

สเปกและสถาปัตยกรรม เล็กแต่ครบ

Inkling-Small เป็นโมเดลภาษาแบบ Transformer ที่ใช้สถาปัตยกรรม Mixture-of-Experts (MoE) ซึ่งเป็นเทคนิคที่แบ่งโมเดลออกเป็น 'ผู้เชี่ยวชาญ' หลายส่วน แล้วเรียกใช้เฉพาะส่วนที่จำเป็นในการตอบแต่ละคำถาม แทนที่จะปลุกทั้งโมเดลขึ้นมาทำงานพร้อมกัน ผลคือโมเดลมีพารามิเตอร์รวมทั้งสิ้น 276 พันล้านพารามิเตอร์ แต่มีพารามิเตอร์ที่ทำงานจริง (Active Parameters) ในแต่ละครั้งเพียง 12 พันล้านพารามิเตอร์เท่านั้น

ตัวเลขนี้เล็กกว่ารุ่นพี่ Inkling อย่างชัดเจน เพราะ Inkling มีพารามิเตอร์รวม 975 พันล้านพารามิเตอร์ และทำงานจริง 41 พันล้านพารามิเตอร์ต่อครั้ง เมื่อคิดเป็นสัดส่วนแล้ว Inkling-Small จึงมีขนาดราว 1 ใน 4 ของรุ่นพี่ตามชื่อที่ตั้งไว้ ตัวโมเดลถูกฝึกบนระบบ NVIDIA GB300 NVL72 และรองรับความสามารถหลักเช่นเดียวกับรุ่นพี่ ทั้งการให้เหตุผลจากไฟล์เสียงและรูปภาพได้โดยตรง การปรับระดับการคิดวิเคราะห์ได้ตามต้องการ และ Context Window ที่รองรับได้สูงสุดถึง 1 ล้านโทเคน

จุดที่น่าสนใจคือ Inkling-Small เริ่มฝึกหลังรุ่นพี่ ทำให้ทีมงานมีโอกาสปรับปรุงกระบวนการฝึกให้ดีขึ้น ทั้งการปรับสัดส่วนข้อมูลที่ใช้ฝึกและสูตรการเรียนรู้ของเครื่อง จากนั้นทีมงานได้นำเช็คพอยต์รุ่นก่อนหน้าอย่าง Inkling-Small (preview) มาฝึกต่อด้วยเทคนิคการกลั่นความรู้ (On-policy Distillation) โดยใช้ Inkling รุ่นพี่เป็น 'ครู' ก่อนจะเดินหน้าฝึกด้านการเขียนโค้ดเชิงเอเจนต์ (Agentic Coding) ด้วยการเรียนรู้แบบ Reinforcement Learning ต่ออีกสองสัปดาห์

เล็กกว่า แต่ทำเหตุผลและโค้ดได้แรงกว่า

ผลจากการฝึกที่ปรับปรุงใหม่ทำให้ Inkling-Small ทำคะแนนแซงหน้ารุ่นพี่ในงานด้านการให้เหตุผลและการเขียนโค้ด บนการทดสอบมาตรฐานชื่อ Humanity's Last Exam แบบข้อความล้วน Inkling-Small ทำคะแนนได้ 31.6% นำหน้า Inkling ที่ทำได้ 29.7% และความได้เปรียบนี้ยังคงอยู่ในทุกระดับงบประมาณการคิด กล่าวคือเส้นประสิทธิภาพของ Inkling-Small อยู่เหนือรุ่นพี่ตลอดทั้งกราฟ ส่วนการทดสอบเขียนโค้ดอย่าง SWEBench-Verified ทำคะแนนทะลุ 80%

ความสามารถที่ทีมงานชูเป็นจุดเด่นคือการปรับระดับการคิดวิเคราะห์ได้ตั้งแต่ระดับต่ำสุดไปจนถึงระดับสูงสุด (xhigh) ซึ่งช่วยให้ผู้ใช้ปรับสมดุลระหว่างต้นทุนกับประสิทธิภาพให้เหมาะกับงานของตัวเองได้ เมื่อวัดที่ระดับการคิดสูงสุด Inkling-Small ถือเป็นหนึ่งในโมเดล Open-weight ที่คุ้มค่าที่สุดในแง่ของประสิทธิภาพต่อจำนวนโทเคนที่ใช้ เมื่อเทียบกับโมเดลในระดับขนาดเดียวกัน นอกจากนี้ตัวโมเดลยังทำงานได้ลื่นไหลบนเครื่องมือและระบบสำหรับการเขียนโค้ดและการใช้เครื่องมือหลายรูปแบบ จึงเป็นตัวเลือกที่ต้นทุนคุ้มค่าสำหรับงานสายพัฒนา

อย่างไรก็ตาม ทีมงานระบุตรงไปตรงมาว่ารุ่นพี่ Inkling ยังคงได้เปรียบในด้านความครอบคลุมของความรู้และความแม่นยำเชิงข้อเท็จจริง (Factuality) ซึ่งเป็นธรรมชาติของโมเดลที่มีขนาดใหญ่กว่าและเก็บความรู้ได้มากกว่า

Multimodal ที่เน้นงานเสียงและภาพเชิงลึก

เช่นเดียวกับรุ่นพี่ Inkling-Small ถูกออกแบบมาให้เก่งด้านความเข้าใจเสียง (Audio Intelligence) ทำให้เหมาะกับการนำไปใช้กับงานด้านเสียงในสถานการณ์จริง ทีมงานยังพัฒนาความสามารถในการเขียนภาษา Python เพื่อจัดการงานด้านภาพ โมเดลสามารถผสมการให้เหตุผลจากภาพเข้ากับการดำเนินการอย่างการครอบตัด การซูม และการตรวจสอบภาพเชิงโปรแกรม ทำให้ทำงานกับเอกสารและแผนภูมิที่มีข้อมูลขนาดเล็กหรือดูยากได้ดีขึ้น

เบื้องหลังความสามารถนี้คือสถาปัตยกรรมแบบไร้ตัวเข้ารหัส (Encoder-free) ที่รองรับหลายรูปแบบข้อมูลโดยกำเนิด เหมือนกับรุ่นพี่ทุกประการ โดยไฟล์เสียงจะถูกแทนด้วยสเปกโตรแกรมแบบ dMel ส่วนรูปภาพจะถูกแบ่งเป็นชิ้นส่วนขนาด 40x40 พิกเซล แล้วแปลงผ่านโครงข่ายแบบ hMLP สี่ชั้น ก่อนที่ทั้งเสียงและภาพจะถูกแปลงผ่านชั้นฝังตัว (Embedding Layer) และประมวลผลร่วมกับโทเคนข้อความไปพร้อมกัน ทีมงานระบุว่า Inkling-Small ทำคะแนนใกล้เคียงรุ่นพี่ในการทดสอบด้าน Multimodal เกือบทุกรายการโดยใช้ต้นทุนต่ำกว่า ทั้งการให้เหตุผลจากภาพ ความเข้าใจแผนภูมิและไดอะแกรม การตอบคำถามคณิตศาสตร์จากภาพ ความเข้าใจการพูด และการให้เหตุผลจากเสียงแบบยาว

ความมั่นใจที่ปรับเทียบได้ และความปลอดภัยที่สืบทอดจากรุ่นพี่

อีกด้านที่ Thinking Machines Lab ให้ความสำคัญคือสิ่งที่เรียกว่า Epistemics หรือความน่าเชื่อถือของกระบวนการคิด โดย Inkling-Small ถูกฝึกในแนวทางเดียวกับรุ่นพี่ ทั้งเรื่องการปรับเทียบความมั่นใจ (Calibration) การทำตามคำสั่ง และการต้านทานการเซ็นเซอร์ กระบวนการปรับเทียบความมั่นใจใช้การเรียนรู้แบบเสริมกำลังกับเกณฑ์การให้คะแนนที่เหมาะสม บนคลังคำถามพยากรณ์เหตุการณ์จริงจำนวนมาก เพื่อให้โมเดลแสดงระดับความมั่นใจได้อย่างเหมาะสมและพยากรณ์ได้แม่นยำภายใต้ความไม่แน่นอน ผลคือ Inkling-Small ทำคะแนนด้านการพยากรณ์ได้เทียบเท่ารุ่นพี่

ด้านความปลอดภัย Inkling-Small สืบทอดสูตรการฝึกหลังการเทรน ด้านความปลอดภัยมาจากรุ่นพี่ทั้งหมด พร้อมกลไกป้องกันที่ครอบคลุมทั้งการโต้ตอบระหว่างมนุษย์กับ AI ในชีวิตประจำวันและความสามารถที่มีความเสี่ยงสองทาง (Dual-use) อีกทั้งยังผ่านกระบวนการทดสอบก่อนปล่อยใช้งานชุดเดียวกัน ทั้งการประเมินภายในและการทดสอบเจาะระบบ (Red-teaming) โดยพันธมิตรภายนอกที่เชื่อถือได้ บนการทดสอบ StrongREJECT ที่วัดว่าโมเดลปฏิเสธคำขอที่เป็นอันตรายชัดเจนได้หรือไม่ Inkling-Small ทำได้เทียบเท่ารุ่นพี่และเทียบเท่าโมเดล Open-weight ตัวอื่นในตลาด

เกมธุรกิจของ Mira Murati โมเดลฟรี แต่เก็บเงินที่การปรับแต่ง

สิ่งที่ทำให้การเปิดตัว Inkling-Small น่าจับตาไม่ใช่แค่ตัวเลข Benchmark แต่เป็นกลยุทธ์ธุรกิจที่อยู่เบื้องหลัง Thinking Machines Lab ก่อตั้งโดยคุณ Mira Murati พร้อมทีมงานที่หลายคนมาจาก OpenAI และระดมทุนได้ 2 พันล้านดอลลาร์สหรัฐ ที่ระดับมูลค่ากิจการ 1.2 หมื่นล้านดอลลาร์สหรัฐ เมื่อเดือนกรกฎาคม 2025 โดยมีนักลงทุนอย่าง Nvidia, AMD, Andreessen Horowitz และ Jane Street

จุดที่ต่างจากคู่แข่งคือบริษัทไม่ได้หารายได้จากตัวโมเดลโดยตรง แต่เปิดให้ดาวน์โหลดน้ำหนักโมเดลเต็มรูปแบบบน Hugging Face ฟรี แล้วไปเก็บรายได้จาก Tinker ซึ่งเป็นแพลตฟอร์มสำหรับการปรับแต่งโมเดลเฉพาะทาง (Fine-tune) แนวคิดคือลูกค้าองค์กรสามารถนำโมเดลพื้นฐานที่แข็งแรงอยู่แล้วไปปรับแต่งให้ตรงกับงานของตัวเอง ซึ่งทีมงานเคยระบุตอนเปิดตัว Inkling ว่าโมเดลที่ผ่านการ Fine-tune อย่างเหมาะสมสามารถทำงานได้ดีกว่าโมเดลปิดในหลายงาน ทั้งเร็วกว่าและถูกกว่า

สำหรับ Inkling-Small ทีมงานเปิดให้ปรับแต่งบน Tinker และพูดคุยผ่านข้อความ รูปภาพ และเสียงได้บน Tinker Playground โดยทั้ง Inkling และ Inkling-Small มาพร้อมส่วนลดช่วงเปิดตัวแบบจำกัดเวลา ขณะที่โมเดลอื่นบน Tinker และเช็คพอยต์ทั้งหมดก็เปิดให้ใช้บน Tinker Playground เช่นกัน โดยคิดค่าบริการตามอัตราในหน้าราคาของบริษัท

Inkling-Small เปิดให้ดาวน์โหลดและใช้งานแล้วในวันนี้ ทั้งการดาวน์โหลดน้ำหนักโมเดลเต็มรูปแบบและการปรับแต่งบน Tinker ทีมงานระบุว่าโมเดลนี้เป็นก้าวสำคัญตามพันธกิจของบริษัทในการสร้าง AI ที่ต่อยอดเจตจำนงและวิจารณญาณของมนุษย์

ที่มา: Thinking Machines Lab, Axios, SiliconANGLE