Ollama 0.31 เร่ง Gemma 4 บน Apple Silicon เร็วขึ้นเกือบ 90% — เปิดใช้เป็นค่าเริ่มต้น ผลลัพธ์ไม่เปลี่ยน ด้วย multi-token prediction บน MLX

เมื่อวันที่ 29 มิถุนายน 2026 Ollama ปล่อยเวอร์ชัน 0.31 ที่เพิ่ม multi-token prediction (MTP) สำหรับ Gemma 4 บนเครื่อง Apple Silicon — และตัวเลขที่ได้ค่อนข้างชนเพดาน: เจนโทเคน เร็วขึ้นเกือบ 90% บนเบนช์มาร์ก Aider polyglot โดย เปิดใช้เป็นค่าเริ่มต้น และ ไม่เปลี่ยนผลลัพธ์ของโมเดล

สำหรับนักพัฒนาที่รันโมเดลโอเพนเวตบน MacBook เป็นหลัก นี่คืออัปเดตที่จับต้องได้ทันที — โมเดล Gemma 4 ที่เดิมช้าจนแทบใช้เป็น coding agent ไม่ไหวบนแล็ปท็อป กลายเป็นเร็วพอจะใช้งานจริงได้ โดยไม่ต้องแลกกับคุณภาพคำตอบ

MTP ทำงานยังไง — และทำไมถึงเร็วขึ้นเยอะ

Multi-token prediction จับคู่โมเดลหลักกับ draft model ตัวเล็ก โดย draft model จะ “เดา” โทเคนถัดไปหลาย ๆ ตัวล่วงหน้า แล้วโมเดลหลัก ตรวจ (verify) ทั้งชุดในรอบเดียว ถ้าคำเดาตรง ก็ commit หลายโทเคนพร้อมกัน แทนที่จะคลอดทีละโทเคน กลไกนี้เองที่ทำให้ throughput พุ่งขึ้นโดยที่ output ยังเหมือนเดิมเป๊ะ (เพราะทุกโทเคนถูกโมเดลหลักตรวจก่อนเสมอ)

หัวใจของงานรอบนี้อยู่ที่ MLX — เฟรมเวิร์กของ Apple ที่ Ollama เข้าไปเขียน GPU kernel เฉพาะทาง ให้ ทำให้ขั้นตอน batch verification เร็วขึ้น 2–2.5 เท่า สำหรับงานลักษณะนี้ นั่นคือเหตุผลที่ตัวเลขบน Apple Silicon กระโดดได้ถึงเกือบ 90%

ตัวเลขทดสอบ: Aider polyglot บน M5 Max

Ollama วัดผลด้วย Aider polyglot benchmark ซึ่ง “รัน coding agent จริง ผ่านโจทย์เขียนโปรแกรมจริง” ไม่ใช่ workload สังเคราะห์ ทำให้ตัวเลขสะท้อนงาน agent จริงมากกว่าเบนช์มาร์กแบบ token/วินาทีเปล่า ๆ การทดสอบทำบน M5 Max กับ Gemma 4 quantization nvfp4

เงื่อนไขการใช้งาน: ต้องเป็น Ollama 0.31 ขึ้นไปบน macOS ส่วน draft model ที่ใช้เป็น MTP drafter มาจากงาน multi-token prediction ของ Google เอง (Gemma 4 เป็นโมเดล Apache-2.0) — จุดนี้สำคัญเพราะหมายความว่าทั้งสายเป็นของที่รันโลคัลได้ ไม่ต้องพึ่ง API

มุมมอง AI Curator

ประเด็นที่ควรจับ ไม่ใช่แค่ “เร็วขึ้น 90%” แต่คือ “เร็วขึ้นโดยไม่เสียคุณภาพ” — MTP ต่างจากทางลัดเร่งความเร็วหลายแบบตรงที่มันไม่ใช่การ quantize เพิ่ม หรือ ตัด context ทิ้ง แต่ทุกโทเคนยังผ่านการตรวจของโมเดลหลัก ผลลัพธ์จึงเทียบเท่ากับรันแบบเดิมทุกประการ นี่คือประเภทของ optimization ที่ควรเปิดใช้ทันทีเพราะแทบไม่มีข้อเสีย และ Ollama ก็เปิดเป็นค่าเริ่มต้นให้แล้ว

ในภาพใหญ่ นี่คือสมรภูมิที่กำลังร้อนขึ้นเรื่อย ๆ: การรีดประสิทธิภาพ inference บนฮาร์ดแวร์ผู้บริโภค เราเพิ่งเห็น DeepSeek ปล่อย DSpark (speculative decoding เร่ง V4) และ vLLM ทำ MTP บน Blackwell มาก่อนหน้านี้ ตอนนี้ MTP มาถึงชั้น “รันบน MacBook ที่บ้านได้” แล้ว — ทิศทางชัดว่าเทคนิคเร่งความเร็วระดับ data center กำลังไหลลงมาสู่เครื่องส่วนตัวเร็วมาก

สำหรับนักพัฒนาไทยและ SEA ที่ทำงานบน MacBook (ซึ่งเป็นสัดส่วนไม่น้อยในสายนี้) ข้อสรุปเชิงปฏิบัติคือ: ถ้าคุณใช้ Gemma 4 เป็น local coding assistant อยู่แล้ว แค่ อัปเป็น Ollama 0.31 ก็ได้ความเร็วเพิ่มเกือบเท่าตัวฟรี ๆ และถ้ายังไม่เคยลอง Gemma 4 บนเครื่องเพราะกลัวช้า — รอบนี้เป็นจังหวะดีที่จะลองใหม่ การมี local model ที่เร็วพอใช้งานจริง หมายถึงลดการพึ่ง API ที่คิดเงินตามโทเคนลงได้ทั้งเรื่องต้นทุนและความเป็นส่วนตัวของข้อมูล

แหล่งข่าว

• Faster Gemma 4 on Apple Silicon with MLX multi-token prediction — Ollama Blog
• Multi-token prediction in Gemma 4 — Google Developers Blog
• Aider polyglot benchmark