NVIDIA ปล่อย Nemotron 3 Embed — โมเดล embedding เปิดน้ำหนัก ขึ้นอันดับ 1 บน RTEB

NVIDIA ปล่อย Nemotron 3 Embed เมื่อวันที่ 16 กรกฎาคม 2026 — ชุดโมเดล embedding แบบเปิดน้ำหนัก 3 ตัว ที่เล็งไปที่งาน retrieval ระดับโปรดักชัน: RAG, agentic retrieval, ค้นโค้ด และ agent memory โดยรุ่นใหญ่สุด Nemotron-3-Embed-8B-BF16 ทำคะแนน 78.46 NDCG@10 ขึ้นอันดับ 1 บนกระดาน RTEB ของ Hugging Face

ข่าวนี้น่าสนใจสำหรับนักพัฒนามากกว่าที่หัวข้อบอก เพราะ embedding เป็นชิ้นส่วนที่คนไทยส่วนใหญ่ยังจ่ายเป็น API ต่อเดือน (OpenAI, Cohere, Voyage) ทั้งที่มันคือจุดที่ self-host ได้คุ้มที่สุด — โมเดลเล็ก รันบน GPU ตัวเดียวได้ และข้อมูลไม่ต้องออกจากองค์กร ที่สำคัญคือสัญญาอนุญาตรอบนี้ใจกว้างจริง

สเปกและตัวเลข

โมเดล	ขนาด	มิติเวกเตอร์	Context	RTEB	MMTEB Retrieval
Nemotron-3-Embed-8B-BF16	8.0B	4096	32k	78.5%	75.5%
Nemotron-3-Embed-1B-BF16	1.14B	2048	32k	72.4%	71.0%
Nemotron-3-Embed-1B-NVFP4	1.14B	2048	32k	—	—

รุ่น 1B ลด error rate ลง 27% บน RTEB และ 28% บน MMTEB Retrieval เทียบกับรุ่นก่อนหน้าขนาดเท่ากัน ส่วนรุ่น NVFP4 ให้ throughput สูงกว่า BF16 ถึง 2 เท่า บนการ์ด Blackwell โดยยังรักษาความแม่นยำไว้ 99%+

รายละเอียดที่ควรรู้:

• สัญญาอนุญาต: OpenMDW-1.1 — สัญญาจาก Linux Foundation ที่ NVIDIA ประกาศรับมาใช้กับตระกูล Nemotron/Cosmos/Isaac GR00T ตั้งแต่พฤษภาคม 2026 เป็นแบบ permissive จริง: ใช้ แก้ แจกจ่ายได้โดยไม่จำกัด และผลลัพธ์จากโมเดลไม่ติดเงื่อนไขสัญญา ใช้เชิงพาณิชย์ได้เต็มที่
• รองรับ 34 ภาษา รวมภาษาไทย พร้อมงานค้นโค้ด
• ฐานเป็นโมเดล Mistral — รุ่น 8B สร้างบน Ministral-3-8B-Instruct-2512 (จุดที่น่าสังเกต: NVIDIA ไม่ได้เทรนจากศูนย์ แต่ต่อยอดจากโมเดลเปิดของเจ้าอื่น) เทรนบนตัวอย่างกว่า 50 ล้านชุด
• เปิดทั้ง weights, datasets และ recipes — สูตร fine-tune/distill เปิดผ่าน NVIDIA NeMo AutoModel บน GitHub
• ดีพลอยได้หลายทาง — Hugging Face, NVIDIA NIM microservice, vLLM และผ่านพาร์ตเนอร์อย่าง Baseten, DeepInfra, Friendli AI, OpenRouter

ข้อควรระวัง: “อันดับ 1 บน RTEB” วันนี้ไม่เท่ากับ RTEB ตอนเปิดตัว

ตรงนี้คือส่วนที่ข่าวส่วนใหญ่ไม่บอก และนักพัฒนาควรรู้ก่อนเชื่อตัวเลข

RTEB (Retrieval Embedding Benchmark) เปิดตัวเบต้าเมื่อตุลาคม 2025 เพื่อแก้ปัญหาโมเดลที่ “เก่งบนกระดาน แต่พังกับข้อมูลจริง” จุดขายหลักของมันคือการผสมชุดข้อมูลปิด (private) ประมาณครึ่งหนึ่ง ที่มีแต่ทีม MTEB เห็น — ถ้าโมเดลไหนคะแนนตกฮวบระหว่างชุดเปิดกับชุดปิด นั่นคือสัญญาณ overfit ชัดๆ

แต่เมื่อมกราคม 2026 ทีม MTEB ถอดคอลัมน์ private ออกจากกระดานชั่วคราว เหตุผลคือ Voyage AI ซึ่งร่วมพัฒนาชุดข้อมูล มีสิทธิ์เข้าถึงข้อมูลประเมินชุดปิดโดยตรง ทีมงานระบุว่าแม้ “ไม่มีใครกล่าวหาว่ามีการใช้ในทางที่ผิด” แต่ความได้เปรียบเชิงโครงสร้างนี้ “บั่นทอนความน่าเชื่อถือของกระดาน MTEB” จึงถอดออกจนกว่าจะหาชุดข้อมูลปิดเพิ่มจากองค์กรผู้ใช้จริง (ไม่ใช่ผู้พัฒนาโมเดล)

แปลว่า 78.46 ของ Nemotron วัดจาก 16 งานที่เป็นชุดเปิดทั้งหมด — เกราะกันการ overfit ที่เคยเป็นเหตุผลให้ RTEB น่าเชื่อถือกว่า MTEB ตอนนี้ยังไม่อยู่ในตัวเลขพาดหัว ไม่ได้แปลว่า NVIDIA ทำอะไรผิด หรือโมเดลไม่ดี — แค่แปลว่า “อันดับ 1 บน RTEB” ปี 2026 มีน้ำหนักน้อยกว่าที่ชื่อ RTEB สัญญาไว้ตอนเปิดตัว และช่องว่างระหว่างคะแนนกระดานกับงานจริงของคุณยังต้องวัดเอง

มุมมอง AI Curator

ถ้าให้เลือกจุดเดียวที่ทีมไทยควรเริ่ม self-host โมเดล ผมจะบอกว่าเริ่มที่ embedding ไม่ใช่ LLM — และรีลีสนี้คือเหตุผล

เหตุผลตรงไปตรงมา: การเปลี่ยน LLM หลักไปเป็นโมเดลเปิดคือการยอมแลกคุณภาพที่ผู้ใช้รู้สึกได้ทันที แต่ embedding เป็นชิ้นส่วนที่ซ่อนอยู่หลังบ้าน ผู้ใช้ไม่เห็นว่าเวกเตอร์มาจากไหน เห็นแค่ว่าค้นเจอหรือไม่เจอ นั่นทำให้มันเปลี่ยนได้โดยไม่มีต้นทุนทางการรับรู้ ขณะที่ประโยชน์ชัดมาก: รุ่น 1B มิติ 2048 รันบน GPU ตัวเดียวสบายๆ และ index ทั้งองค์กรของคุณ — สัญญา เวชระเบียน เอกสารภายใน — ไม่ต้องวิ่งออกไปหา API ต่างประเทศทีละ chunk ซึ่งเป็นประเด็นตรงกับ PDPA มากกว่าฝั่ง LLM เสียอีก เพราะการทำ RAG แปลว่าคุณส่งคลังข้อมูลทั้งก้อนออกไป ไม่ใช่แค่คำถามรายครั้ง

OpenMDW-1.1 คือสิ่งที่ทำให้ข้อนี้เป็นจริงในทางกฎหมาย ไม่ใช่แค่ในทางเทคนิค ข้อที่ว่า “ผลลัพธ์จากโมเดลไม่ติดเงื่อนไขสัญญา” สำคัญกว่าที่คนคิด เพราะสัญญา AI แบบ custom หลายฉบับ (รวมของ Meta และ NVIDIA เองในอดีต) เคยแอบผูกเงื่อนไขไว้กับ output จนฝ่ายกฎหมายองค์กรตีความไม่จบ การที่ NVIDIA ย้ายทั้งตระกูลมาใช้สัญญากลางของ Linux Foundation แปลว่าคำถาม “เอาไปใช้กับลูกค้าได้ไหม” ตอบได้ในหน้าเดียว

ส่วนเรื่อง RTEB — ผมไม่ได้ยกมาเพื่อจับผิด NVIDIA แต่เพื่อเตือนนิสัยที่เราเห็นซ้ำๆ ในวงการ: กระดานคะแนนมีอายุ และกติกาเปลี่ยนเงียบๆ เรื่องที่ Voyage ได้เปรียบเชิงโครงสร้างจนต้องถอดคอลัมน์ทิ้ง เป็นบทเรียนว่าเบนช์มาร์กที่ผู้พัฒนาโมเดลมีส่วนสร้างชุดทดสอบเอง ย่อมมีคำถามเสมอ ไม่ว่าจะสุจริตแค่ไหน สำหรับทีมที่จะเลือก embedding จริงๆ วิธีที่ถูกคือสร้างชุดประเมินจากคำถามจริงของผู้ใช้คุณเอง 50–100 ข้อ แล้ววัด recall@k บนคลังเอกสารของคุณ — โดยเฉพาะภาษาไทย ที่ทุกกระดานระดับโลกให้น้ำหนักน้อยและตัดคำต่างจากภาษาอื่น ตัวเลข 78.46 บอกได้แค่ว่า “โมเดลนี้ควรอยู่ในรายชื่อผู้เข้ารอบ” มันไม่เคยบอกว่าโมเดลนี้ชนะบนข้อมูลของคุณ

แหล่งข่าว

• NVIDIA Nemotron 3 Embed Ranks #1 Overall on RTEB, Advancing Agentic Retrieval — Hugging Face Blog
• nvidia/Nemotron-3-Embed-8B-BF16 — Model card
• Introducing RTEB: A New Standard for Retrieval Evaluation — Hugging Face
• Decision: Temporary removal of the private RTEB column — GitHub Issue #3934
• Linux Foundation Releases OpenMDW-1.1; NVIDIA Adopts OpenMDW