Prime Intellect เปิดตัว Verifiers v1 — แยก "สภาพแวดล้อม" ของ Agentic RL ออกเป็น 3 ชิ้นประกอบกันได้

ในสัปดาห์ที่ข่าวโมเดลใหญ่ ๆ เงียบ Prime Intellect — สตาร์ทอัพที่โฟกัสการเทรน AI แบบกระจายศูนย์ (decentralized) — ปล่อยของที่คนสาย agentic RL รอมานาน: การรีไรต์ไลบรารี Verifiers ใหม่ทั้งหมด ที่บริษัทเรียกว่า “Verifiers v1” (แท็กจริงบน GitHub/PyPI คือ 0.2.0 ลงวันที่ 10 กรกฎาคม 2026 และมีสำนักข่าวสายเทคเช่น MarkTechPost ตามมาเขียนถึงเมื่อ 13 กรกฎาคม)

Verifiers คือไลบรารีโอเพนซอร์ส (MIT license, ~4.3k ดาวบน GitHub) สำหรับ “สร้างสภาพแวดล้อมเพื่อเทรนและประเมิน LLM” หัวใจของเวอร์ชันใหม่คือการ หั่นสิ่งที่เคยเป็นก้อนเดียวชื่อ “environment” ออกเป็นสามชิ้นที่ประกอบสลับกันได้ — งานนี้สำคัญกับใครก็ตามที่กำลังเทรน agent ด้วย reinforcement learning หรือสร้าง eval ของตัวเอง เพราะมันเปลี่ยน “สภาพแวดล้อม” จากสคริปต์ตายตัว ให้กลายเป็นชิ้นส่วนที่นำมาต่อกันใหม่ได้

แยกเป็น taskset / harness / runtime

สถาปัตยกรรมใหม่แบ่งความรับผิดชอบชัดเจน:

• Taskset — นิยาม “งาน” ว่าคืออะไร: ข้อมูล เครื่องมือ (tools) และวิธีให้คะแนน (scoring/reward) โดย ไม่ผูก กับวิธีแก้งาน
• Harness — โปรแกรมที่ลงมือ “แก้” งานจริงและผลิต rollout ออกมา จะเป็นแค่ ReAct loop ธรรมดา, coding agent เต็มรูปแบบอย่าง Codex / Terminus 2 หรือ agent ที่คุณเขียนเองก็ได้
• Runtime — ที่ที่โค้ดรันจริง ตั้งแต่ local (subprocess, Docker) ไปจนถึง remote sandbox (Prime Sandboxes, Modal)

ผลก็คือ taskset หนึ่งชุดเอาไปรันด้วย harness ไหนก็ได้ — อยากเทียบว่า agent A กับ agent B ทำงานเดียวกันได้ดีแค่ไหน ก็สลับ harness โดยไม่ต้องแก้ตัวงาน หรืออยากย้ายจากรันในเครื่องขึ้นไปรันบน sandbox บนคลาวด์ ก็สลับ runtime โดย taskset/harness เดิมไม่ต้องแตะ

ตัวอย่างการนิยาม taskset สั้น ๆ ที่ทีมโชว์ไว้ ให้ภาพว่า reward เขียนเป็นเมธอด Python ตรง ๆ:

class AdditionTask(vf.Task[AdditionData]):
    @vf.reward
    async def exact_match(self, trace: vf.Trace) -> float:
        return float(trace.last_reply == str(self.data.answer))

และรัน eval ผ่าน CLI ได้ทันที:

uv run eval @ path/to/config.toml

trace แบบกราฟ: ลดขนาดลง ~10 เท่าในงานยาว

จุดที่เป็นวิศวกรรมล้วน ๆ แต่สำคัญมากสำหรับการเทรน agent หลาย ๆ เทิร์น คือวิธีเก็บ trace ของบทสนทนา/การกระทำ

ของเดิม (v0) เก็บแบบ prompt-completion pair ต่อเทิร์น ซึ่งทำให้ข้อมูล “บวมแบบกำลังสอง” (quadratic blowup) — ยิ่ง agent คุยยาว ข้อมูลซ้ำยิ่งพอกตัว เพราะทุกเทิร์นแบกประวัติทั้งหมดที่ผ่านมา

v1 เปลี่ยนมาใช้ message graph ที่ “แต่ละข้อความเป็น node เฉพาะตัวในกราฟ” ทำให้ขนาด trace โตแบบ เชิงเส้น ตามจำนวนเทิร์นแทน ผลตามที่ทีมรายงานคือ trace ยาว ~100 เทิร์น มีขนาดเล็กลงราว 10 เท่า — ซึ่งแปลตรง ๆ เป็นค่า RAM/ค่า storage ที่ลดลงในงาน long-horizon RL ที่ agent ต้องเดินหลายสิบขั้น

นอกจากนี้ v1 ยังเพิ่ม interception server (HTTP proxy ที่คั่นระหว่าง agent runtime กับ inference server) เพื่อบันทึก trace, คุมพารามิเตอร์การสุ่ม (sampling) และแม้แต่เขียนทับ response ได้ โดย ไม่ต้องไปแก้ harness — มีประโยชน์เวลาอยากเก็บข้อมูลเทรนจาก agent ที่เราไม่ได้เขียนเอง

ต่อตรงเข้ากับ prime-rl และ Environments Hub

Verifiers ไม่ได้อยู่ลอย ๆ — มันคือชั้น “สภาพแวดล้อม” ในสแต็กของ Prime Intellect: taskset ที่สร้างด้วย v1 ป้อนเข้า prime-rl (เฟรมเวิร์กเทรนของบริษัท) ได้โดยตรง และ trace ถูก “บริโภคตรง ๆ โดยไม่ต้องคำนวณซ้ำ” ช่วยลด overhead หน่วยความจำฝั่ง orchestrator ตอนเทรน ส่วนตัว environment เองก็แชร์/ดึงผ่าน Environments Hub ของ Prime Intellect ได้ และรองรับชุดข้อมูลแบบ Harbor ออกมาให้เลย

พูดง่าย ๆ: ถ้าคุณอยากเทรน agent ด้วย RL เอง เส้นทางคือ เขียน taskset (งาน + reward) → เลือก harness (agent ที่จะมาแก้) → เลือก runtime (จะรันที่ไหน) → ป้อนเข้า prime-rl แล้วเทรน โดยแต่ละชิ้นสลับเปลี่ยนได้อิสระ

มุมมอง AI Curator

ปีนี้คำว่า “agent” ถูกพูดจนเฝือ แต่คนที่ลงมือ เทรน agent จริง ๆ (ไม่ใช่แค่ต่อ prompt เข้ากับ API) เจอปัญหาเดียวกันหมด: การประกอบ “สภาพแวดล้อม” สำหรับ RL มันพันกันยุ่ง — ตัวงาน, ตัว agent, และที่รัน ถูกมัดรวมเป็นสคริปต์ก้อนเดียวที่เอาไปใช้ซ้ำแทบไม่ได้ การที่ Verifiers v1 แยกมันเป็น taskset / harness / runtime คือการยืมบทเรียน “separation of concerns” จากวิศวกรรมซอฟต์แวร์ทั่วไป มาใส่ใน RL pipeline — ฟังดูไม่หวือหวา แต่นี่แหละคือชิ้นส่วนที่ทำให้ทีมเล็ก ๆ เทรน agent ได้โดยไม่ต้องรีไรต์ทุกอย่างใหม่ทุกครั้ง

จุดที่ผมให้ค่ามากคือ message graph ที่ลด trace ลง ~10 เท่า ในงานยาว นี่ไม่ใช่ตัวเลขการตลาด แต่คือกำแพงต้นทุนจริงที่กั้นคนส่วนใหญ่ออกจาก long-horizon RL — เพราะยิ่ง agent เดินหลายขั้น หน่วยความจำและ storage ยิ่งระเบิด การกดมันให้โตเชิงเส้นแทนกำลังสอง คือความต่างระหว่าง “เทรนได้บน GPU ที่มี” กับ “เทรนไม่ไหว” สำหรับสตาร์ทอัพหรือแล็บมหาวิทยาลัย

สำหรับนักพัฒนาไทย/SEA ที่สนใจสร้าง agent เฉพาะทาง (เช่น agent ที่ทำงานภาษาไทย, งานเอกสารราชการ, หรือ workflow เฉพาะอุตสาหกรรม) — คุณค่าอยู่ที่ taskset เพราะความรู้เฉพาะโดเมนของคุณถูกเข้ารหัสลงใน “งาน+ reward” ไม่ใช่ในตัวโมเดล นั่นแปลว่าคุณสามารถนิยามว่า “สำเร็จ” หน้าตาเป็นอย่างไรในบริบทของคุณเอง แล้วสลับ harness/โมเดลข้างใต้ได้ตามงบและฮาร์ดแวร์ ข้อควรระวังคือ Verifiers ยังผูกกับสแต็กของ Prime Intellect (prime-rl, Environments Hub, Prime Sandboxes) อยู่พอสมควร — MIT license เปิดให้เอาไปดัดแปลงได้เต็มที่ก็จริง แต่ถ้าอยากได้ประโยชน์สูงสุดแบบครบวงจร ก็เท่ากับต้องซื้อเข้าระบบนิเวศของเขาระดับหนึ่ง ก่อนพึ่งพาในโปรดักชัน แนะนำให้ลองเขียน taskset เล็ก ๆ รันด้วย runtime แบบ local ดูก่อน เพื่อชั่งว่าโมเดลความคิดแบบ 3 ชิ้นนี้เข้ากับงานคุณจริงไหม

แหล่งข่าว

• verifiers v1: Decomposing Tasksets and Harnesses for Agentic RL & Evaluations — Prime Intellect
• Prime Intellect Releases Verifiers v1 — MarkTechPost (13 ก.ค. 2026)
• PrimeIntellect-ai/verifiers — GitHub (MIT license)