Liquid AI ปล่อย LFM2.5-Encoders — encoder จิ๋ว 230M/350M อ่านสัญญายาว 8K โทเคนบน CPU โน้ตบุ๊กใน 30 วินาที

ท่ามกลางกระแสโมเดลยักษ์ระดับล้านล้านพารามิเตอร์ที่ครองข่าวสัปดาห์นี้ Liquid AI เดินสวนทางด้วยการปล่อย LFM2.5-Encoders เมื่อ 28 กรกฎาคม 2026 — encoder แบบ bidirectional สองขนาด คือ 230M และ 350M พารามิเตอร์ ที่ออกแบบมาให้รันบน CPU ของเครื่องธรรมดาโดยเฉพาะ

นี่ไม่ใช่โมเดลสำหรับแชทหรือเขียนโค้ด แต่เป็นของสำหรับงานที่นักพัฒนาทำกันทุกวันและมักถูกมองข้าม: จัดหมวดหมู่เอกสาร, สกัดข้อมูล, จัดอันดับผลค้นหา (reranking), กรองเนื้อหา — งานที่ปัจจุบันหลายทีมยิง LLM ตัวใหญ่ไปแก้แบบสิ้นเปลือง ทั้งที่ encoder ตัวเล็กทำได้ถูกกว่าและเร็วกว่ามาก

เร็วกว่า ModernBERT 3.7 เท่าบน CPU

ตัวเลขที่ Liquid AI ชูคือประสิทธิภาพบน CPU ล้วน ๆ: ที่ความยาวบริบทสูงสุด 8,192 โทเคน LFM2.5-Encoder-230M ประมวลผลจบในราว 28 วินาที ซึ่งเทียบเป็นทรูพุตแล้วเร็วกว่า ModernBERT-base ประมาณ 3.7 เท่า

บล็อกของ Liquid AI สรุปความหมายเชิงปฏิบัติไว้ตรงประเด็น: คุณสามารถ “สแกนหรือจัดหมวดหมู่สัญญาทั้งฉบับ บทถอดเสียงทั้งไฟล์ หรือเธรดซัพพอร์ตยาว ๆ ได้ภายในไม่ถึง 30 วินาที บน CPU ของโน้ตบุ๊ก” — ไม่ต้องมี GPU ไม่ต้องส่งข้อมูลออกนอกเครื่อง

ด้านคุณภาพ ตัว 350M ทำอันดับ 4 จาก 14 encoder ที่ทดสอบบนชุดงานรวม GLUE, SuperGLUE และงานหลายภาษา ส่วนตัว 230M ได้คะแนนเฉลี่ย 79.29 ± 1.02 จาก 17 งานรวม อยู่อันดับ 6 จาก 14 โมเดล — โดยชนะ ModernBERT-base (149M) และสูสีกับ mDeBERTa-v3 (280M) ทั้งที่บางตัวมีขนาดใหญ่กว่า บล็อกระบุด้วยว่ารุ่น 230M เอาชนะ ModernBERT-base และ EuroBERT ทุกรุ่น ขณะที่ตัวเองเล็กกว่าโมเดลส่วนใหญ่ในกลุ่ม

สเปกที่ควรรู้ก่อนเอาไปใช้

• สถาปัตยกรรม: encoder แบบ bidirectional (masked language model) ที่ดัดแปลงมาจาก backbone แบบ hybrid ของ LFM2 — ใช้บล็อก gated short-convolution สลับกับ grouped-query attention ต่างจาก transformer encoder ทั่วไป
• การเทรน: pretrain ด้วย masked language modeling แบบสองขั้น คือปูพื้นความสามารถทางภาษาทั่วไปก่อน แล้วค่อยปรับให้รับบริบทยาว
• บริบท: 8,192 โทเคน
• ภาษา: 15 ภาษา — อังกฤษ, เยอรมัน, สเปน, ฝรั่งเศส, อิตาลี, ดัตช์, โปแลนด์, โปรตุเกส, อาหรับ, ฮินดี, ญี่ปุ่น, รัสเซีย, ตุรกี, เวียดนาม และจีน
• ขนาดจริง: 229.7M และ 354.5M พารามิเตอร์, hidden size 1024, vocab 65,536 ทั้งคู่

จุดที่ต้องอ่านให้ละเอียดคือ สัญญาอนุญาต โมเดลใช้ LFM Open License v1.0 ซึ่งไม่ใช่ Apache-2.0 แม้จะสร้างบนฐานของ Apache-2.0 ก็ตาม ความต่างที่สำคัญคือเพดานรายได้: การใช้เชิงพาณิชย์ฟรีจำกัดเฉพาะบริษัทที่มี รายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐ หากบริษัทมีรายได้ตั้งแต่ 10,000,000 ดอลลาร์ขึ้นไป สิทธิ์ใช้เชิงพาณิชย์แบบฟรีจะสิ้นสุดลง และต้องติดต่อ Liquid AI เพื่อซื้อสัญญาอนุญาตเชิงพาณิชย์ ส่วนองค์กรไม่แสวงหากำไรที่เข้าเกณฑ์ และการใช้เพื่อการวิจัย ได้รับการยกเว้นโดยไม่มีเพดาน

พูดให้ชัดคือ นี่เป็น open weights แต่ไม่ใช่ open source ตามนิยาม OSI — ดาวน์โหลดน้ำหนักได้จริง แต่ต้องเช็กสถานะบริษัทตัวเองก่อนเอาขึ้นโปรดักชัน

มุมมอง AI Curator

ผมคิดว่าโมเดลกลุ่มนี้คือของที่ทีมไทยจำนวนมากต้องการจริง มากกว่าโมเดลล้านล้านพารามิเตอร์ที่เป็นข่าวใหญ่กว่าในสัปดาห์เดียวกัน

เหตุผลตรงไปตรงมา: งาน AI ในองค์กรไทยส่วนใหญ่ที่ผมเห็นไม่ใช่การสร้าง agent ที่เขียนโค้ดเองได้ แต่เป็นงานน่าเบื่อ ๆ ที่มีปริมาณมหาศาล — คัดแยกเอกสาร, อ่านเธรดร้องเรียนลูกค้าแล้วจัดกลุ่ม, สกัดฟิลด์จากสัญญา, จัดอันดับผลค้นหาภายใน ทีมจำนวนไม่น้อยยิงงานพวกนี้ไปที่ LLM ตัวใหญ่ผ่าน API เพราะ “มันก็ทำได้” แล้วจบเดือนมาเจอบิลที่อธิบายให้ฝ่ายการเงินฟังไม่ได้ encoder 230M ที่รันบน CPU ของเครื่องที่มีอยู่แล้ว แก้ปัญหานี้ที่ต้นทางโดยตรง

ประเด็นที่สำคัญกว่าต้นทุนคือ ข้อมูลไม่ต้องออกจากเครื่อง สำหรับงานที่แตะสัญญา เอกสารบุคคล หรือบทสนทนาลูกค้า — ซึ่งอยู่ใต้ PDPA เต็ม ๆ — การที่โมเดลรันบน CPU ในองค์กรได้ ทำให้คำถามเรื่องการโอนข้อมูลข้ามพรมแดนหายไปทั้งหมด ไม่ต้องทำ DPA กับผู้ให้บริการต่างประเทศ ไม่ต้องเถียงกับฝ่ายกฎหมายว่าข้อมูลไปพักที่ไหน นี่คือคุณค่าที่ประเมินเป็นตัวเงินยาก แต่คนที่เคยผ่านกระบวนการอนุมัติในองค์กรใหญ่จะเข้าใจทันที

ข้อจำกัดที่ต้องพูดตรง ๆ คือ ไม่มีภาษาไทยในรายการ 15 ภาษา — มีเวียดนามและจีน แต่ไทยไม่อยู่ในนั้น สำหรับงานภาษาไทยล้วน คุณควรคาดหวังผลที่ด้อยกว่าตัวเลขเบนช์มาร์กในบล็อกอย่างมีนัยสำคัญ และควรทดสอบกับข้อมูลจริงของตัวเองก่อนตัดสินใจ เสมอ ทางที่สมเหตุสมผลกว่าคือใช้กับเอกสารภาษาอังกฤษที่องค์กรไทยมีเยอะอยู่แล้ว (สัญญา เอกสารเทคนิค อีเมลธุรกิจ) หรือใช้เป็นตัวตั้งต้นแล้ว fine-tune ด้วยข้อมูลไทยของตัวเอง — ซึ่งโมเดลขนาด 230M นั้น fine-tune ได้ด้วยงบประมาณที่ทีมเล็กเอื้อมถึงจริง ต่างจากการ fine-tune LLM หลายพันล้านพารามิเตอร์

สุดท้าย เรื่องสัญญาอนุญาตอย่าอ่านข้าม เพดาน 10 ล้านดอลลาร์ (ราว 350 ล้านบาท) ฟังดูสูง แต่บริษัทจดทะเบียนไทยขนาดกลางจำนวนมากอยู่เหนือเส้นนี้สบาย ๆ ถ้าคุณอยู่ในองค์กรระดับนั้น การหยิบน้ำหนักมาใช้ในโปรดักชันโดยไม่คุยกับ Liquid AI ก่อน คือความเสี่ยงทางกฎหมายที่ไม่คุ้มกับเวลาที่ประหยัดได้ — และเป็นเหตุผลที่ผมยังแนะนำให้ทีมที่ต้องการความสบายใจระยะยาว ชั่งน้ำหนักกับทางเลือกที่เป็น Apache-2.0 แท้ ๆ อย่าง ModernBERT ควบคู่ไปด้วย แม้ตัวเลขประสิทธิภาพจะสู้ไม่ได้ก็ตาม

แหล่งข่าว

• LFM2.5-Encoders for Fast Long-Context Inference on CPU — Liquid AI (Hugging Face Blog)
• LiquidAI/LFM2.5-Encoder-230M — Hugging Face
• LiquidAI/LFM2.5-Encoder-350M — Hugging Face
• LFM Open License v1.0 — Liquid AI