Liquid AI ปล่อย LFM2.5-230M — โมเดลโอเพนเวต 230 ล้านพารามิเตอร์ที่รันบนมือถือได้ 213 โทเคน/วินาที และเก่งกว่าโมเดลใหญ่กว่า 4 เท่าในงานดึงข้อมูล
ขณะที่ข่าวโมเดลส่วนใหญ่วิ่งไล่ตามตัวเลขพารามิเตอร์ที่ใหญ่ขึ้นเรื่อย ๆ เมื่อ 25 มิถุนายน 2026 Liquid AI เดินสวนทางด้วยการเปิดเวต LFM2.5-230M — โมเดลที่เล็กที่สุดของบริษัทที่มีแค่ 230 ล้านพารามิเตอร์ แต่ออกแบบมาเพื่องานที่ชัดเจนมาก: เรียกใช้เครื่องมือ (tool use) และดึงข้อมูล (data extraction) บนอุปกรณ์ปลายทาง ไม่ว่าจะเป็นมือถือ หุ่นยนต์ หรืออุปกรณ์ automation
จุดที่ทำให้มันน่าสนใจสำหรับนักพัฒนาไม่ใช่ “เล็ก” เฉย ๆ แต่คือ เล็กแล้วยังเก่งในงานเฉพาะทาง: บนชุดทดสอบดึงข้อมูล CaseReportBench โมเดล 230M ตัวนี้ทำได้ 22.51 ทิ้งห่าง Qwen3.5-0.8B (800 ล้านพารามิเตอร์) ที่ได้ 13.83 และ Gemma 3 1B (พันล้านพารามิเตอร์) ที่ได้แค่ 2.28 — นั่นคือชนะโมเดลที่ใหญ่กว่า 3–4 เท่าในงานที่มันถูกออกแบบมาทำ
เล็กพอที่จะรัน “ได้ทุกที่” จริง ๆ
หัวใจของ LFM2.5-230M คือการรันได้บนฮาร์ดแวร์ที่คนทั่วไปมีอยู่แล้ว ไม่ต้องมี GPU คลาวด์:
- Samsung Galaxy S25 Ultra: ~213 โทเคน/วินาที (decode) กินแรม 375 MB
- Raspberry Pi 5: ~42 โทเคน/วินาที กินแรมแค่ 293 MB
ตัวเลขนี้มาจากรุ่น quantize 4-bit ที่มีขนาดไฟล์ระดับไม่กี่ร้อยเมกะไบต์ — เล็กพอจะฝังลงในแอปมือถือหรืออุปกรณ์ IoT ได้โดยไม่ต้องต่อเน็ต และที่สำคัญคือ Liquid AI ปล่อย day-one support ครบทั้ง llama.cpp, MLX, vLLM, SGLang และ ONNX หมายความว่านักพัฒนาหยิบไปรันบน stack ที่ใช้อยู่ได้ทันทีในวันแรก ไม่ต้องรอชุมชนพอร์ต
โมเดลฐานสำหรับ fine-tune ไม่ใช่แชตบอตเอนกประสงค์
Liquid AI พูดชัดว่านี่ ไม่ใช่โมเดลตอบคำถามทั่วไป — คะแนนความรู้กว้าง ๆ อย่าง GPQA Diamond อยู่ที่ 25.41 ซึ่งไม่ใช่จุดขาย แต่จุดที่มันถูกปั้นมาคือ ทำตามคำสั่งและเรียกเครื่องมือ (IFEval 71.71) เพื่อเป็น “ฐานเบา ๆ ให้นักพัฒนา fine-tune แล้วเอาไปฝังในเวิร์กโฟลว์ agentic”
ทีมปล่อยสองเช็กพอยต์: LFM2.5-230M-Base (โมเดลพรีเทรนสำหรับเอาไป fine-tune ต่อ) และ LFM2.5-230M (รุ่น instruction-tuned พร้อมใช้) โมเดลพรีเทรนบน 19 ล้านล้านโทเคน รวมเฟสขยายคอนเท็กซ์เป็น 32K ทั้งหมดเปิดเวตให้โหลดมา fine-tune และดีพลอยได้เอง
มุมมอง AI Curator
LFM2.5-230M สะท้อนเทรนด์ที่กำลังแยกตัวออกจากกระแส “โมเดลยิ่งใหญ่ยิ่งดี” อย่างชัดเจน: แทนที่จะสร้างโมเดลรู้ทุกเรื่อง Liquid AI สร้าง โมเดลที่รู้น้อยเรื่องแต่ทำเรื่องนั้นเร็วและถูก บนฮาร์ดแวร์ที่ไม่ต้องเสียค่าคลาวด์ — นี่คือคนละโจทย์กับ frontier model และเป็นโจทย์ที่ใกล้ตัวนักพัฒนาที่ต้องส่งของจริงมากกว่า เพราะงาน production จำนวนมากไม่ได้ต้องการการให้เหตุผลระดับ PhD แต่ต้องการ “อ่านเอกสารแล้วดึงฟิลด์ออกมาเป็น JSON” ซ้ำ ๆ เป็นล้านครั้งด้วยต้นทุนต่ำที่สุด
สำหรับบริบทไทย/SEA นี่คือของที่ใช้ได้จริง — แอปที่ต้องดึงข้อมูลจากใบเสร็จ บัตรประชาชน หรือฟอร์มราชการ สามารถรันโมเดลนี้ บนเครื่องผู้ใช้โดยตรง โดยข้อมูลส่วนตัวไม่ต้องออกจากอุปกรณ์เลย — ตอบโจทย์ทั้งเรื่อง PDPA และการทำงานในพื้นที่สัญญาณอ่อน ส่วนสตาร์ตอัปที่กังวลบิลค่า API ต่อเดือน การย้ายงาน extraction ปริมาณมากไปรันบน edge อาจตัดต้นทุนก้อนใหญ่ทิ้งได้ ข้อแม้เดียวคือต้องยอมรับว่ามันเป็นเครื่องมือเฉพาะทาง — ใช้ผิดงาน (เช่น เอาไปคุยตอบคำถามทั่วไป) แล้วจะผิดหวัง ต้อง fine-tune ให้ตรงงานก่อนถึงจะเห็นพลังจริง
แหล่งข่าว:
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service