Intern-S2-Mobius — สถาปัตยกรรมที่แยก "ความรู้" ออกจาก "การให้เหตุผล" น้ำหนัก 35B ใบอนุญาต Apache-2.0 และเร็วขึ้นเกือบ 4 เท่า

ท่ามกลางเดือนที่โมเดลเปิดออกกันแทบทุกวัน — Qwen3.8 สองรุ่น, GLM-5.3, Muse Glimmer, Nemotron 3.5 Lightning — เกือบทั้งหมดเป็น “โมเดลเดิมแต่ดีขึ้น” คือ Transformer แบบ MoE ที่ปรับสูตรฝึกและข้อมูล งานที่ทีม InternLM (Shanghai AI Laboratory) เผยแพร่บน arXiv เมื่อ 14 ส.ค. 2026 จึงสะดุดตา เพราะมันแตะสิ่งที่แทบไม่มีใครแตะ: โครงสร้างพื้นฐานของตัวบล็อก Transformer เอง

เปเปอร์ชื่อ Intern-S2-Mobius: Foundation Model with Decoupled Knowledge and Reasoning เสนอสถาปัตยกรรมชื่อ Mobius-v0 และปล่อยโมเดลจริงขนาด 35B พารามิเตอร์ ออกมาให้ทดสอบบน Hugging Face ภายใต้ใบอนุญาต Apache-2.0 — เมื่อวานนี้เปเปอร์ขึ้นอันดับต้น ๆ ของ Daily Papers บน Hugging Face

แนวคิด: เอาความรู้ออกจากเลเยอร์ ไปไว้ที่ส่วนกลาง

ใน Transformer มาตรฐาน ความรู้ของโมเดลถูกกระจายเก็บอยู่ใน FFN ของแต่ละเลเยอร์ — เลเยอร์ที่ 12 มีคลังความรู้ของตัวเอง เลเยอร์ที่ 40 ก็มีของตัวเอง ผลคือความรู้เดียวกันถูกเก็บซ้ำหลายที่ และการจะดึงความรู้มาใช้ต้องเดินผ่านชั้นตามลำดับเท่านั้น

Mobius-v0 พลิกโครงนี้ ตามบทคัดย่อของเปเปอร์:

“เราเสนอ Mobius-v0 สถาปัตยกรรมที่ประกอบด้วย Memory ก้อนเดียวที่ใช้ร่วมกันทั้งโมเดล (FFN) ซึ่งเก็บเวกเตอร์ความรู้ และ Reasoner หลายตัว (Self-Attention) ที่ทำการให้เหตุผลเชิงประกอบซ้ำ ๆ โดยใช้ hidden state เป็นทั้งแคชและตัวนำพา reasoner จะสืบค้น memory เพื่อขอเวกเตอร์ความรู้ที่ต้องการซ้ำ ๆ แล้วความรู้นั้นจะถูกส่งกลับไปยังตัวดำเนินการให้เหตุผล”

พูดแบบบ้าน ๆ คือแยกบทบาทกันชัด ๆ: Memory = คลังความรู้ส่วนกลางที่ทุกชั้นเข้าถึงได้ และ Reasoner = ตัวคิด ที่วนถามคลังซ้ำ ๆ จนได้คำตอบ สิ่งที่ตามมาคือความสามารถสองอย่างที่ Transformer ปกติทำไม่ได้: backward residual connection (ข้อมูลไหลย้อนกลับข้ามชั้นได้) และ dynamic latent reasoning (โมเดลวนคิดใน latent space โดยไม่ต้องพ่นโทเค็นออกมา)

ตัวเลขที่ทีมรายงาน

เปเปอร์รายงานผลสองชุด:

• โมเดล 7B ที่ฝึกจากศูนย์ ได้คะแนน downstream เทียบเท่าเบสไลน์โดยใช้ข้อมูลฝึกเพียง 62.6% ของเดิม — นั่นคือข้ออ้างเรื่องการบีบอัดความรู้ที่มีประสิทธิภาพกว่า
• Intern-S2-Mobius 35B ซึ่ง continual-pretrain ต่อยอดมาจาก Qwen3.5-35B แล้วผ่าน SFT และ RL ให้ผลลัพธ์ downstream ใกล้เคียงตัวตั้งต้น แต่ เร็วขึ้นเกือบ 4 เท่าแบบ end-to-end

จุดที่ต้องอ่านให้ละเอียดคือ ความเร็ว 4 เท่านั้นไม่ได้มาจากเคอร์เนลที่เร็วขึ้นอย่างเดียว แต่มาจากการที่โมเดล พ่น reasoning trace สั้นลงอย่างเห็นได้ชัด — model card ระบุว่าได้คะแนนเท่าเดิมหรือดีกว่าโดยใช้ trace ที่สั้นกว่าและ throughput สูงกว่า ซึ่งสมเหตุสมผลกับแนวคิด latent reasoning: ถ้าคิดในหัวได้ ก็ไม่ต้องคิดออกมาเป็นตัวอักษร

สเปกสำหรับคนจะลองรัน

• ขนาด: 35B, น้ำหนัก bfloat16
• โมดัลลิตี: image-text-to-text (รับภาพได้)
• Context: ถึง 128K โทเค็นบน benchmark ข้อความส่วนใหญ่ (64K บน MMLU Pro, SimpleQA, HLE)
• ใบอนุญาต: Apache-2.0
• การเสิร์ฟ: รองรับ LMDeploy (แนะนำ พร้อม MTP speculative decoding), vLLM (รองรับ MTP + tensor parallel), SGLang และ Transformers — รันบน GPU ตัวเดียวได้ หรือกระจาย TP=2
• ค่า sampling ที่แนะนำ: temperature 0.8, top_p 1, top_k 50, min_p 0.0

จุดแข็งที่ทีมชูเป็นพิเศษคือ งานวิทยาศาสตร์ — Biology-Instructions, Mol-Instructions, MolecularIQ ซึ่งสอดคล้องกับสายงานเดิมของ Intern-S ที่วางตัวเป็น scientific foundation model มาตั้งแต่ Intern-S1

ข้อควรรู้อย่างตรงไปตรงมา: ตัวเลข benchmark รายข้อในที่เก็บโค้ดอยู่ในรูปภาพกราฟ ไม่ใช่ตารางตัวเลข เราจึงยังไม่ยกคะแนนรายรายการมาอ้างที่นี่ และ ยังไม่มีการยืนยันอิสระจากบุคคลที่สาม (LMArena, Artificial Analysis) ณ เวลาที่เขียน ทุกตัวเลขข้างต้นคือตัวเลขที่ผู้พัฒนารายงานเอง

มุมมอง AI Curator

สิ่งที่ทำให้งานนี้น่าสนใจไม่ใช่คะแนน แต่คือ ทิศทางของการแข่งขัน ปีนี้แทบทุกแล็บไล่กันด้วยข้อมูลและ post-training — GLM-5.3 เป็นตัวอย่างชัดที่สุด คือเบสเดิมล้วน ๆ แต่ดันคะแนนขึ้นด้วย post-training อย่างเดียว การกลับไปแตะสถาปัตยกรรมจึงเป็นเดิมพันที่ต่างออกไป: ผลตอบแทนช้ากว่า เสี่ยงกว่า แต่ถ้าได้ผลมันคือของที่ลอกตามยาก และ “เร็วขึ้น 4 เท่าที่คุณภาพเท่าเดิม” เป็นตัวเลขที่มีความหมายทางเศรษฐศาสตร์มากกว่าคะแนน benchmark ขึ้นสองจุด

ที่ควรระวังคือความแตกต่างระหว่าง สถาปัตยกรรมที่ดีบนกระดาษ กับ สถาปัตยกรรมที่ระบบนิเวศรองรับ ประวัติศาสตร์สองปีที่ผ่านมามีโมเดลสถาปัตยกรรมแปลกใหม่ที่ตายเพราะ llama.cpp ไม่รองรับ, quantization ทำไม่ได้ดี, หรือ LoRA fine-tune แล้วพัง — Mobius มี backward residual และ shared memory ซึ่งไม่ใช่ท่าที่รันไทม์ทั่วไปคาดไว้ ข่าวดีคือทีมส่ง recipe ของ vLLM/SGLang/LMDeploy มาพร้อมตั้งแต่วันแรก ข่าวที่ยังไม่รู้คือมันจะลง llama.cpp และ Ollama เมื่อไหร่ ซึ่งเป็นตัวชี้ขาดว่าคนทั่วไปจะได้ลองหรือไม่

สำหรับทีมไทย มีสามเหตุผลที่ควรจับตาโมเดลนี้มากกว่าโมเดลเปิดทั่ว ๆ ไปในเดือนนี้ หนึ่ง — Apache-2.0 แท้ ใช้เชิงพาณิชย์ได้โดยไม่ต้องอ่านเงื่อนไขซ้ำสามรอบ ต่างจากใบอนุญาตแบบ community license ที่ผูกเพดานรายได้ สอง — ขนาด 35B บน bf16 ยังใหญ่ไปสำหรับ GPU ตัวเดียวราคาถูก แต่ถ้ามี quantization ตามมา มันจะอยู่ในย่านเดียวกับ Qwen3.8-27B ที่เราเพิ่งรายงานว่าลง GPU ตัวเดียวได้ที่ 17 GB สาม และสำคัญที่สุด — ถ้าข้ออ้างเรื่อง reasoning trace สั้นลงเป็นจริง มันแปลตรง ๆ เป็นค่าไฟและค่าเช่า GPU ที่ลดลง ซึ่งเป็นข้อจำกัดจริงของทีมในภูมิภาคนี้มากกว่าคะแนน benchmark

คำแนะนำเชิงปฏิบัติ: ยังไม่ต้องรีบย้าย production แต่ถ้าทีมคุณมีงาน reasoning ที่จ่ายค่าโทเค็น output หนัก ๆ อยู่ นี่คือโมเดลที่ควรเอาไปวัดกับ workload จริงของตัวเอง โดยวัด ต้นทุนต่องานสำเร็จ ไม่ใช่คะแนนดิบ เพราะนั่นคือแกนที่ Mobius อ้างว่าชนะ

แหล่งข่าว

• Intern-S2-Mobius: Foundation Model with Decoupled Knowledge and Reasoning — arXiv 2608.14290
• น้ำหนักโมเดลบน Hugging Face — internlm/Intern-S2-Mobius
• ที่เก็บโค้ดและ recipe การเสิร์ฟบน GitHub
• Daily Papers ประจำวันที่ 17 ส.ค. 2026 — Hugging Face