Model Genome: เครื่องมือตรวจ DNA ของ LLM ว่าเทรนเองจริงหรือแค่เอาโมเดลเปิดคนอื่นมาต่อยอด

เวลาแล็บหรือหน่วยงานรัฐประกาศว่า “เราพัฒนา foundation model ของเราเอง” คนนอกแทบไม่มีเครื่องมือตรวจสอบเลยว่าคำนั้นแปลว่าอะไร — เทรนจากศูนย์จริง? หรือเอา Qwen/Llama มา continued-pretraining แล้วเปลี่ยนชื่อ? บล็อกโพสต์ Model Genome ที่เผยแพร่บน Hugging Face เมื่อ 8 สิงหาคม 2026 โดยผู้ใช้ mayafree (Proto_AGI) เสนอไปป์ไลน์ที่ทำซ้ำได้เพื่อตอบคำถามนี้ โดยใช้เฉพาะสิ่งที่โมเดลเปิดเผยสู่สาธารณะอยู่แล้ว

นี่ไม่ใช่งานวิจัยขนาดใหญ่จากแล็บชั้นนำ แต่เป็นเครื่องมือเล็ก ๆ ที่ตอบคำถามที่ระบบนิเวศโมเดลเปิดเลี่ยงมานาน และมาในจังหวะที่หลายประเทศ — รวมทั้งไทย — กำลังใช้เงินภาษีสร้าง “โมเดลแห่งชาติ” กันอย่างคึกคัก

ตรวจสามแกน: config, tokenizer, weights

Model Genome ดูหลักฐานสามชั้นที่ปลอมยากไล่จากง่ายไปยาก

แกนที่ 1 — architecture fingerprint เทียบฟิลด์ใน config.json ตรง ๆ: hidden_size, num_layers, จำนวน attention head, และค่าคอนฟิกอื่น ๆ ชุดตัวเลขเหล่านี้เป็นเหมือนลายนิ้วมือ เพราะการเทรนจากศูนย์จริงแทบไม่มีเหตุผลที่จะได้ค่าตรงกันเป๊ะกับโมเดลเปิดที่มีอยู่ทุกตัว

แกนที่ 2 — tokenizer fingerprint วัดว่า vocabulary ซ้อนทับกับโมเดลต้นทางแค่ไหน tokenizer เป็นหลักฐานที่ดีเป็นพิเศษเพราะการเปลี่ยน tokenizer หลังเทรนเสร็จนั้นแพงและเจ็บ ทีมที่ derive มาจึงมักเก็บของเดิมไว้

แกนที่ 3 — weights fingerprint ใช้ Linear CKA (Centered Kernel Alignment) เทียบความคล้ายของ embedding โดยออกแบบให้ทนต่อ rotational invariance

ผลรวมสามแกนถูกสรุปเป็นป้าย “genotype” สี่แบบ: Native (พัฒนาเอง), Adapted (ยืมมาบางส่วน), Mixed, และ Ported (ยกสถาปัตยกรรมของคนอื่นมาใช้)

ข้อค้นพบเชิงวิธีการที่ตรงไปตรงมาน่านับถือ

ส่วนที่ทำให้โพสต์นี้น่าเชื่อถือคือผู้เขียนรายงานสิ่งที่ ไม่ได้ผล ด้วย

• cosine similarity แบบ row-wise ใช้ไม่ได้เลย เพราะ rotational invariance — น้ำหนักที่ผ่านการหมุนในปริภูมิเดียวกันให้ค่าคล้ายกันต่ำทั้งที่สืบสายกันจริง
• แม้แต่ CKA เองก็ยังแยกไม่ค่อยออก ระหว่าง continued-pretraining กับการเทรนจากศูนย์ เมื่อโมเดลถูกเทรนต่อนาน ๆ ร่องรอยจะจางลงเรื่อย ๆ

ข้อสรุปจึงเป็นว่า config และ tokenizer คือหลักฐานหลัก ส่วน weights เป็นหลักฐานประกอบ ซึ่งเป็นข้อสรุปที่ถ่อมตัวและตรงกับความจริงมากกว่าการอ้างว่าวัดสายพันธุ์จากน้ำหนักได้แม่นยำ

ผู้เขียนปล่อย Space ชื่อ Model Genome Korea ให้ลองเล่นได้จริง โดยรันวิเคราะห์ foundation model ของ 9 องค์กรเกาหลี — เป็นการเลือกสนามทดสอบที่ตรงประเด็น เพราะเกาหลีใต้คือประเทศที่อัดงบสร้างโมเดลแห่งชาติหนักที่สุดประเทศหนึ่งในเอเชีย

มุมมอง AI Curator

เครื่องมือนี้กดปุ่มที่เจ็บพอดีสำหรับเอเชียตะวันออกเฉียงใต้ ในช่วงสองปีที่ผ่านมาแทบทุกประเทศในภูมิภาคประกาศโมเดลของตัวเอง — Typhoon ของ SCB10X, OpenThaiGPT, SEA-LION ของสิงคโปร์ — และสื่อกับงานแถลงมักใช้คำว่า “โมเดลที่คนไทยสร้างเอง” อย่างกว้าง ๆ ความจริงที่คนในวงการรู้กันอยู่แล้วคือส่วนใหญ่เป็นการ continued-pretraining บนฐานโมเดลเปิดอย่าง Qwen, Llama หรือ Gemma ซึ่ง ไม่ใช่เรื่องน่าอาย เลยแม้แต่นิดเดียว — มันคือการตัดสินใจทางวิศวกรรมที่ถูกต้อง การเทรนจากศูนย์ด้วยงบระดับที่ประเทศเรามีคือการเผาเงินเพื่อให้ได้โมเดลที่แย่กว่า ส่วนคุณค่าจริงอยู่ที่ข้อมูลภาษาไทย การ tokenize ภาษาไทยให้คุ้ม และการ eval ที่เข้าใจบริบทไทย ซึ่งเป็นงานยากที่ทีมไทยทำได้ดีจริง

ปัญหาจึงไม่ใช่การ derive แต่คือ การไม่พูดให้ชัดว่า derive เพราะเมื่อผู้ตัดสินใจซื้อหรือผู้อนุมัติงบเข้าใจผิดว่ากำลังจ่ายเงินให้ “โมเดลที่สร้างจากศูนย์” มันบิดเบือนทั้งการจัดสรรงบและความคาดหวังต่อทีม — และเมื่อเครื่องมืออย่าง Model Genome ทำให้ใคร ๆ ก็ตรวจได้ในไม่กี่นาที ต้นทุนของการปล่อยให้เข้าใจผิดก็เปลี่ยนจาก “ไม่มีใครรู้” เป็น “รอวันที่มีคนกดปุ่ม” สิ่งที่ควรเกิดขึ้นคือธรรมเนียมใหม่ในการปล่อยโมเดล: ระบุ base model ที่ใช้ในโมเดลการ์ดอย่างเปิดเผย บอกจำนวนโทเคนที่เทรนต่อ และบอกว่าเปลี่ยน tokenizer หรือไม่ — สามบรรทัดนี้ทำให้เครดิตไปอยู่ถูกที่ และทำให้สิ่งที่ทีมไทยทำได้ดีจริงถูกมองเห็นแทนที่จะถูกกลบด้วยข้อถกเถียงว่า “สร้างเองจริงไหม” อีกด้านหนึ่งที่ควรระวังคือเครื่องมือแบบนี้ให้ หลักฐานเชิงบ่งชี้ ไม่ใช่คำพิพากษา — ผู้เขียนเองก็ยอมรับว่าแยก continued-pretraining ระยะยาวออกจากการเทรนใหม่ไม่ได้ ใครที่จะหยิบผลจาก Space ไปพาดหัวว่า “จับได้แล้ว” ควรอ่านหัวข้อข้อจำกัดให้จบก่อน

แหล่งข่าว

• Hugging Face Blog — Model Genome: Fingerprinting Whether an LLM Was Trained From Scratch or Derived (8 ส.ค. 2026)
• Hugging Face Space — Model Genome Korea