VisionPsy-Nano: VLM 460M พารามิเตอร์จาก Tether AI ที่ชนะรุ่นใหญ่กว่าตัวเอง และให้ token แรกเร็วกว่าเดิม 19-23 เท่าบนมือถือจริง

เมื่อวันที่ 29 กรกฎาคม 2026 ทีม Tether AI Research (ภายใต้โครงการ QVAC) ปล่อย VisionPsy-Nano — ตระกูล vision-language model ขนาดราว 460 ล้านพารามิเตอร์ ที่ออกแบบมาเพื่อรันบนอุปกรณ์โดยตรง พร้อม น้ำหนักเปิดใบอนุญาต Apache 2.0

ในทะเลของ VLM ที่ออกกันแทบทุกสัปดาห์ ตัวนี้น่าสนใจด้วยเหตุผลเฉพาะเจาะจง: มันไม่ได้เคลมว่าสู้โมเดลใหญ่ได้ แต่เคลมว่า ชนะรุ่นที่ใหญ่กว่าตัวเองราวเท่าตัว ในงานบางประเภท ขณะที่ยังเล็กพอจะอยู่ในมือถือจริง

สเปกและสถาปัตยกรรม

ตระกูลนี้มีสองรุ่น:

• VisionPsy-Nano-460M — เน้นคุณภาพ
• VisionPsy-Nano-460M-Flash — เน้น latency ตัด visual token ลงมาก

โครงสร้างเป็นการประกอบชิ้นส่วนโอเพนซอร์สที่มีอยู่แล้วอย่างมีวินัย มากกว่าจะเป็นสถาปัตยกรรมใหม่:

• vision encoder: SigLIP2 ประมวลผลภาพที่ 512×512 แบบ native
• language backbone: SmolLM2-360M
• connector: pixel-shuffle MLP สร้าง 64 image token ต่อ tile
• base model: nanoVLM-460M-8k
• context: 8,192 โทเคน
• ใบอนุญาต: Apache 2.0 และมีเวอร์ชัน GGUF quantized ให้เอาไปรันบนเครื่องได้เลย

จุดที่ควรสังเกตคือ จำนวน visual token — นี่คือตัวเลขที่กำหนดต้นทุนจริงของ VLM บนอุปกรณ์ เพราะภาพหนึ่งใบที่กลายเป็น token หลายร้อยตัวคือสิ่งที่ทำให้ VLM เล็ก ๆ ยังช้าอยู่ดี และนี่คือที่มาของความต่างระหว่างสองรุ่น: ที่ความละเอียด 512×512 แบบ native รุ่นเต็มใช้ 1,088 visual token ส่วน Flash ใช้แค่ 64 — ลดลงราว 17 เท่า โดยที่โมเดลการ์ดระบุว่ายังรักษาคุณภาพไว้ราว 99% ของรุ่นเต็ม

สถาปัตยกรรมของสองรุ่นเหมือนกันทุกประการ ต่างกันแค่ นโยบายการประมวลผลภาพ เท่านั้น

ตัวเลข: ชนะในรุ่น และชนะข้ามรุ่นบางรายการ

ตามที่ทีมรายงานบนโมเดลการ์ด VisionPsy-Nano-460M ทำ คะแนนรวมแบบ normalized สูงสุดในกลุ่มน้ำหนักราว 0.5B ที่ 62.3 เทียบกับคู่แข่งที่ 54.9-59.6 โดยแยกตามความสามารถ:

ด้าน	VisionPsy-Nano	คู่แข่งในรุ่นเดียวกัน
ความเข้าใจเอกสาร (document)	73.9	62.4-71.6
การรับรู้ภาพ (perception)	61.5	53.9-58.8
การให้เหตุผล (reasoning)	52.2	43.7-48.6

ที่เคลมแรงกว่านั้นคือ โมเดลนี้ ชนะขาดโมเดลที่ใหญ่กว่าตัวเองราวเท่าตัว — ได้แก่ FastVLM-0.5B (~0.75B), Qwen3.5-0.8B และ InternVL3.5-1B — บนสามชุดวัดคือ ScienceQA, MM-IFEval และ POPE (POPE คือชุดวัดอาการหลอน/มโนวัตถุในภาพ ซึ่งเป็นจุดอ่อนคลาสสิกของ VLM เล็ก)

ส่วนตัวเลขที่จับต้องได้ที่สุดสำหรับคนทำแอปคือฝั่ง Flash: ทีมรายงานว่าเวลาถึง token แรกเร็วกว่า nanoVLM-460M-8k และ SmolVLM2-500M ราว 19-23 เท่า โดยวัดบนเครื่องจริง — Pixel 9, Galaxy S23 และ Galaxy S25 Ultra ไม่ใช่บน GPU เซิร์ฟเวอร์

การวัดบนมือถือรุ่นที่คนใช้จริงเป็นรายละเอียดที่ควรให้เครดิต เพราะรายงาน on-device จำนวนมากวัดบนฮาร์ดแวร์ที่ผู้ใช้ทั่วไปไม่มี (โมเดลการ์ดของ Flash เองรายงานตัวเลขไว้กว้างกว่านั้นอีกที่ 20-36 เท่า ขึ้นกับเครื่องและ baseline ที่เทียบ)

แต่ความเร็วนี้มีราคาที่ทีมเขียนไว้ตรง ๆ เช่นกัน: Flash อ่อนไหวกว่ากับงาน OCR ความละเอียดสูงและเอกสารที่แน่น เพราะรายละเอียดภาพถูกตัดทิ้งไปมาก ใครทำงานสายอ่านเอกสารจึงควรเทียบทั้งสองรุ่นก่อนเลือก ไม่ใช่หยิบ Flash เพราะเร็วกว่าอย่างเดียว

ข้อจำกัดที่ทีมเขียนไว้เอง

โมเดลการ์ดระบุข้อจำกัดตรงไปตรงมา ซึ่งควรอ่านก่อนเอาไปใช้จริง:

• ฝึกและปรับมาเพื่อภาพเดียวต่อหนึ่งคำถาม — ไม่ใช่โมเดลสำหรับเปรียบเทียบหลายภาพ
• อาจทำได้ไม่ดีกับ เอกสารที่หนาแน่นมาก และ คณิตศาสตร์ซับซ้อน
• เน้นภาษาอังกฤษเป็นหลัก
• ไม่เหมาะกับการตัดสินใจที่มีความเสี่ยงสูง (safety-critical)

งานที่ทีมวางเป้าไว้คือ visual question answering, การอ่านเอกสาร/ชาร์ต/ไดอะแกรม, การอ่านข้อความในภาพ (scene text) และการทำตามคำสั่งเชิงภาพแบบเบา ๆ บนอุปกรณ์ที่จำกัดทั้งหน่วยความจำและ latency

มุมมอง AI Curator

โมเดลตัวนี้เป็นตัวอย่างที่ดีของเทรนด์ที่ผมคิดว่าถูกประเมินต่ำเกินไปในปี 2026: ความก้าวหน้าที่สำคัญที่สุดของ VLM ตอนนี้ไม่ได้เกิดที่ frontier แต่เกิดที่ปลายล่างของเส้นโค้ง ขณะที่ข่าวใหญ่วิ่งไปที่โมเดลระดับล้านล้านพารามิเตอร์ ความสามารถระดับ “อ่านเอกสารในภาพได้จริง” กำลังไหลลงมาอยู่ในของขนาด 460M ที่รันในโทรศัพท์ได้โดยไม่ต้องต่อเน็ต

และมันน่าสนใจเพราะ ไม่มีอะไรวิเศษในสูตร — SigLIP2 + SmolLM2-360M + pixel-shuffle connector คือชิ้นส่วนสาธารณะทั้งหมด สิ่งที่ได้ผลคือการเลือกชิ้นส่วนดี ๆ มาต่อกันอย่างเข้าใจ แล้วปรับ visual token ให้พอดีกับงบ latency นี่เป็นสูตรที่ ทีมขนาดกลางทำตามได้จริง ไม่ต้องมีคลัสเตอร์ GPU ระดับชาติ

สำหรับบริบทไทย/SEA มีทั้งข่าวดีและข้อจำกัดที่ต้องพูดให้ตรง ข่าวดี คือ use case ที่ตรงกับตลาดไทยมากที่สุด — อ่านใบเสร็จ, อ่านสลิปโอนเงิน, อ่านป้าย, อ่านแบบฟอร์ม — คืองานภาพเดียวต่อคำถามพอดี และเป็นงานที่ ควรอยู่บนเครื่องด้วยเหตุผลด้านความเป็นส่วนตัว (สลิปธนาคารและบัตรประชาชนไม่ควรถูกอัปขึ้นคลาวด์ของใครถ้าเลี่ยงได้) การมีโมเดล Apache 2.0 ที่ทำงานนี้ได้ในเครื่องคือทางเลือกที่มีค่าจริง

ข้อจำกัด คือคำว่า “เน้นภาษาอังกฤษเป็นหลัก” ต้องอ่านให้หนัก งานอ่านข้อความไทยในภาพเป็นโจทย์ที่ยากกว่าอังกฤษอยู่แล้ว (ไม่มีช่องว่างระหว่างคำ, มีสระ/วรรณยุกต์ซ้อนหลายชั้น, ฟอนต์หัวกลมกับหัวตัดต่างกันมาก) และไม่มีอะไรในรายงานนี้บอกว่ามันทำภาษาไทยได้ ใครจะเอาไปใช้ต้องวัดกับข้อมูลไทยของตัวเองก่อน อย่าเชื่อคะแนน MM-IFEval แล้วคิดว่าใช้ได้เลย — คะแนนบน benchmark อังกฤษไม่ได้บอกอะไรเกี่ยวกับสลิปธนาคารไทยเลย

ในทางกลับกัน การที่มันเป็น Apache 2.0 พร้อม GGUF และมี base เป็นชิ้นส่วนเปิดทั้งหมด แปลว่ามันเป็น ฐานที่ fine-tune ต่อได้จริง — และนี่อาจเป็นคุณค่าที่แท้จริงของมันสำหรับทีมไทยมากกว่าการเอาไปใช้ตรง ๆ: เอาโครงมา แล้วเทรนต่อด้วยข้อมูลภาพภาษาไทย ซึ่งด้วยขนาด 460M เป็นงานที่ทีมเล็ก ๆ มีงบ GPU จำกัดยังทำไหว

แหล่งข่าว

• VisionPsy-Nano: State-of-the-Art On-Device Vision-Language Models — Hugging Face Blog (29 ก.ค. 2026)
• qvac/VisionPsy-Nano-460M — โมเดลการ์ดบน Hugging Face
• qvac/VisionPsy-Nano-460M-Flash — รุ่นเน้น latency