LG ปล่อย K-EXAONE 2.0 น้ำหนักเปิด 750B/37B ใต้ Apache 2.0 — โมเดลใหญ่ที่สุดของเกาหลี ที่ตารางเบนช์มาร์กของตัวเองยอมรับว่ายังตามจีน

ขณะที่ข่าวโมเดลเปิดส่วนใหญ่ในปีนี้มาจากจีน เกาหลีใต้เพิ่งวางหมากตัวใหญ่ที่สุดของตัวเองลงบนกระดาน — และวางด้วยสัญญาอนุญาตที่ใจกว้างที่สุดเท่าที่ทำได้

LG AI Research ประกาศเมื่อ 31 กรกฎาคม 2026 ปล่อย K-EXAONE 2.0 โมเดล MoE ขนาด 750B total / 37B active โดยน้ำหนักขึ้น Hugging Face ที่ LGAI-EXAONE/K-EXAONE-2.0-750B-A37B ตั้งแต่ 29 กรกฎาคม จุดที่ทำให้ข่าวนี้สำคัญกว่า “มีโมเดลใหญ่เพิ่มอีกตัว” มีสองข้อ: มันคือ โมเดลพื้นฐานที่ใหญ่ที่สุดที่พัฒนาในเกาหลีจนถึงปัจจุบัน และมันเปลี่ยนมาใช้ Apache 2.0 ซึ่งเปิดให้ใช้เชิงพาณิชย์ได้โดยไม่มีข้อจำกัด — ต่างจาก EXAONE รุ่นก่อน ๆ ที่เคยผูกเงื่อนไขไว้

นี่คือ เฟสสองของโครงการ Sovereign AI Foundation Model ของกระทรวงวิทยาศาสตร์และไอซีทีเกาหลี ไม่ใช่การปล่อยโมเดลของบริษัทเอกชนล้วน ๆ

สเปกและวิธีที่มันถูกขยายขึ้นมา

รายการ	ค่า
พารามิเตอร์รวม / active	750B / 37B
Experts	1 shared + 256 total, activate 8 ตัว
Layers	78 (dense 2 ชั้นแรก + sparse 76) + MTP อีก 1
Hidden / Intermediate / Expert dim	6,144 / 18,432 / 2,048
Attention	64 Q-heads / 8 KV-heads, head dim 128, ผสม global (NoPE) กับ SWA
Context length	262,144 โทเคน
Vocab	153,600
Knowledge cutoff	ไตรมาส 2 ปี 2025
License	Apache 2.0

สิ่งที่น่าสนใจเชิงเทคนิคคือวิธีสร้าง: K-EXAONE 2.0 ไม่ได้เทรนใหม่จากศูนย์ แต่ถูก upcycle จาก K-EXAONE รุ่นก่อน (236B/23B) โดยขยายทั้งความลึกและความกว้าง ให้ใหญ่ขึ้นกว่าสามเท่า แล้วตามด้วย continual pretraining, mid-training ที่เน้นความยาก และ post-training

ทีมรายงานรายละเอียดหนึ่งที่คนทำโมเดลควรเก็บไว้: ระหว่างการขยาย พวกเขาพบว่า การ clamp หลังสอง SwiGLU branch ช่วยลดปัญหา activation ระเบิดในเลเยอร์ลึก ๆ ได้ผล ทำให้ทั้งการเทรนและ inference เสถียรขึ้น

ฝั่ง production มีของให้ด้วย: รองรับ speculative decoding สองแบบคือ MTP (Multi-Token Prediction) และ DSpark ซึ่งทีมระบุว่าเร่งการ generate ได้ราว 3–5 เท่า — สำคัญกับงาน agentic ที่รันยาว และการที่ DSpark (เทคนิคที่ DeepSeek เผยแพร่) ถูกหยิบมาใช้ในโมเดลเกาหลีเป็นตัวอย่างที่ดีว่างานเปิดไหลข้ามค่ายเร็วแค่ไหน

ภาษาถูกขยายจาก 6 เป็น 10 ได้แก่ เกาหลี อังกฤษ สเปน เยอรมัน ญี่ปุ่น เวียดนาม ฝรั่งเศส อิตาลี โปแลนด์ และโปรตุเกส

LG ยังปล่อยเวอร์ชันสำหรับ deploy ตามมาในวันที่ 30 กรกฎาคม อีกสามตัวใต้ Apache 2.0 เหมือนกัน ได้แก่ FP8, NVFP4 และ DSpark (ตัว draft model สำหรับ speculative decoding) — ซึ่งเป็นสัญญาณว่าตั้งใจให้เอาไป serve จริง ไม่ใช่ปล่อยน้ำหนัก BF16 ทิ้งไว้เฉย ๆ

ตารางเบนช์มาร์กที่ซื่อสัตย์ผิดปกติ

โมเดลการ์ดของ K-EXAONE 2.0 เอาตัวเองไปวางเทียบกับ Qwen3.5 (397B/17B), GLM-5.1 (754B/40B) และ DeepSeek V4 Pro max (1.6T/49B) และผลลัพธ์ส่วนใหญ่ ไม่ได้เข้าข้างตัวเอง ซึ่งเป็นเรื่องที่หายากพอจะต้องชม

จุดที่ K-EXAONE 2.0 ชนะทั้งตาราง:

เบนช์มาร์ก	K-EXAONE 2.0	Qwen3.5	GLM-5.1	DSV4 Pro (max)
OpenAI-MRCR (long-context retrieval)	94.4	93.0	71.5	92.9
KGC-Safety	99.8	92.0	69.3	82.8
ROK-Fortress (safety)	89.5	86.1	73.2	47.6

จุดที่มัน ตามหลังชัดเจน:

เบนช์มาร์ก	K-EXAONE 2.0	Qwen3.5	GLM-5.1	DSV4 Pro (max)
MMLU-Pro	83.5	89.8	86.0	87.5
GPQA-Diamond	82.2	88.4	86.2	90.1
Humanity’s Last Exam	18.3	28.7	31.0	37.7
SWE-bench Verified	68.2	76.4	73.6	80.6
Terminal-Bench 2.1	43.8	51.3	61.8	64.0
KMMLU-Pro (ภาษาเกาหลี)	69.1	77.4	75.8	80.5

แถวสุดท้ายคือแถวที่เจ็บที่สุด: ในเบนช์มาร์กความรู้ภาษาเกาหลีของตัวเอง โมเดลสัญชาติเกาหลีแพ้ทั้ง Qwen3.5, GLM-5.1 และ DeepSeek — และแพ้ไม่น้อยด้วย

ถ้าเทียบกับรุ่นก่อนของตัวเอง (K-EXAONE 236B/23B) การพัฒนาเป็นเรื่องจริงและใหญ่: SWE-bench Verified ขยับจาก 49.4 → 68.2, Terminal-Bench 2.1 จาก 30.3 → 43.8, OpenAI-MRCR จาก 52.3 → 94.4 LG สรุปเองว่าค่าเฉลี่ย 24 เบนช์มาร์กขึ้นจาก 63.3 เป็น 70.1 โดยหมวดโค้ดและ agentic ดีขึ้นราว 30%

มุมมอง AI Curator

ผมอยากให้อ่านโมเดลนี้ด้วยเกณฑ์ที่ถูกต้อง เพราะถ้าวัดด้วยคำถาม “เป็นโมเดลเปิดที่เก่งที่สุดหรือไม่” คำตอบคือไม่ และไม่ใกล้ด้วย — Qwen3.5 ที่ใหญ่กว่าครึ่งหนึ่งชนะมันในเกือบทุกหมวดหลัก

แต่คำถามที่โครงการ sovereign AI ถามจริง ๆ ไม่ใช่คำถามนั้น มันคือ “ประเทศนี้มีโมเดลระดับ frontier ที่ตัวเองเป็นเจ้าของ ตรวจสอบได้ และไม่มีใครถอดปลั๊กได้หรือยัง” และคำตอบของเกาหลีตอนนี้คือมีแล้ว ปล่อยใต้ Apache 2.0 พร้อม technical report — ซึ่งเป็นระดับความเปิดที่มากกว่าที่โครงการรัฐหนุนส่วนใหญ่ในโลกยอมทำ

สิ่งที่ผมคิดว่าเป็นสัญญาณที่แท้จริงจากตารางนี้คือ ช่องว่างในหมวดภาษาเกาหลี การที่ KMMLU-Pro ของ K-EXAONE 2.0 (69.1) แพ้ Qwen3.5 (77.4) บอกอะไรที่สำคัญมากกับภูมิภาคเรา: การเป็นเจ้าของภาษาไม่ได้แปลว่าจะชนะในภาษานั้น โมเดลจีนที่เทรนบนข้อมูลมหาศาลและ recipe ที่สุกกว่า สามารถเก่งภาษาเกาหลีกว่าโมเดลเกาหลีได้ นี่คือบทเรียนตรง ๆ สำหรับโครงการโมเดลไทย ไม่ว่าจะเป็น Typhoon, OpenThaiGPT หรือความพยายามที่จะเกิดขึ้นในอนาคต — “ข้อมูลภาษาไทยที่เรามีเยอะกว่า” ไม่ใช่คูน้ำที่ป้องกันอะไรได้นานถ้า recipe และสเกลตามไม่ทัน

แล้วอะไรคือคูน้ำที่ยังใช้ได้จริง? ตารางนี้ตอบไว้แล้วสองข้อ คือ long-context retrieval และ safety — สองหมวดที่ K-EXAONE 2.0 ชนะทุกตัวรวมถึงโมเดลที่ใหญ่กว่ามันสองเท่า นี่ไม่ใช่ความบังเอิญ มันเป็นสิ่งที่เลือกได้ด้วยการทุ่มการ post-training ลงไปตรงจุด และเป็นสองอย่างที่ ลูกค้าองค์กรและภาครัฐซื้อจริง มากกว่าคะแนน GPQA องค์กรที่ต้องอ่านสัญญา 200 หน้าหรือเอกสารกำกับดูแลทั้งชุด สนใจว่าโมเดลหาข้อความในบริบทยาวเจอไหม มากกว่าสนใจว่ามันตอบโจทย์ฟิสิกส์ระดับปริญญาเอกได้หรือเปล่า ถ้าทีมไทยจะเลือกสนามรบ นี่คือตัวอย่างของการเลือกที่ถูก

สำหรับนักพัฒนาไทยที่จะหยิบไปใช้จริง มีสามข้อ: หนึ่ง — มันรองรับภาษาเวียดนามแต่ไม่รองรับภาษาไทย ในสิบภาษาที่ประกาศ ถ้างานคุณเป็นภาษาไทย นี่ไม่ใช่ตัวเลือกแรก สอง — 750B total ที่ active 37B แปลว่าต้นทุน serve ต่อโทเคนใกล้เคียงโมเดล 37B แต่ ต้นทุนหน่วยความจำยังเป็นระดับคลัสเตอร์ ไม่ใช่ของที่รันบนเครื่องเดียว สาม — ข้อดีที่ประเมินค่าต่ำไม่ได้คือ Apache 2.0 แบบไม่มีเงื่อนไขแนบ ในโลกที่ “open weights” หลายตัวมาพร้อมข้อจำกัดการใช้เชิงพาณิชย์หรือเงื่อนไขจำนวนผู้ใช้ การได้ Apache 2.0 จริง ๆ จากโมเดลระดับนี้ยังเป็นของหายาก และเป็นเหตุผลที่ควรเก็บชื่อนี้ไว้ในลิสต์ แม้วันนี้จะยังไม่ใช่ตัวที่คะแนนสูงที่สุด

แหล่งข่าว

• LG AI Research — ประกาศ K-EXAONE 2.0 (31 ก.ค. 2026)
• LGAI-EXAONE/K-EXAONE-2.0-750B-A37B — โมเดลการ์ดและน้ำหนักบน Hugging Face
• K-EXAONE 2.0 Technical Report (PDF)
• LG-AI-EXAONE/K-EXAONE-2.0 — GitHub