Prime Intellect ปล่อยโมเดล 18 ตัวแข่งกันหาทางเทรน GPT ให้เร็วขึ้น 153 รอบ — Fable 5 ปิดช่องว่างกับสถิติมนุษย์ได้ 81.7% แต่ไม่มีรอบไหนคิดวิธีใหม่ได้เลย

คำถามว่า “โมเดลทำวิจัยเองได้แค่ไหน” มักจบลงที่การเถียงกันด้วยความรู้สึก Prime Intellect เลือกตอบด้วยการตั้งสนามวัด: เอาโจทย์ nanoGPT speedrun — ลดจำนวนสเต็ปที่ต้องใช้เทรนโมเดล GPT ขนาด 124M ให้ validation loss ลงต่ำกว่า 3.28 — แล้วปล่อยโมเดลแนวหน้า 18 ตัว เข้าไปวิ่งเอง รวม 153 รอบ แต่ละรอบได้ 8×H200 และเวลานานถึง 8 วัน โดยไม่ให้ต่ออินเทอร์เน็ต

หน้า NanoGPT Speedrun Frontier ที่เปิดให้ดูสด ๆ ขึ้นหน้าแรก Hacker News เมื่อ 22 ส.ค. 2026 (รายงานวิธีทดลองฉบับเต็มเผยแพร่ก่อนหน้านั้นเมื่อ 14 ส.ค.) และตอนนี้อันดับหนึ่งคือ Fable 5 บน harness claude-code ที่ทำได้ 2,726 สเต็ป เทียบกับเบสไลน์ตั้งต้น 3,290 และสถิติที่มนุษย์ทำไว้ 2,600 — คิดเป็นการปิดช่องว่าง 81.7%

ตัวเลขนี้ฟังดูน่าตื่นเต้น แต่ประโยคที่ผู้เขียนเขียนไว้เองน่าสนใจกว่า: “ไม่มีรอบไหนที่ผลิตวิธีการใหม่โดยพื้นฐานได้เลย ส่วนผสมที่ชนะล้วนคล้ายกับสิ่งที่มีอยู่แล้วในงานวิจัย”

กระดานอันดับ: ช่องว่างไม่ได้อยู่ที่โมเดลอย่างเดียว แต่อยู่ที่ harness ด้วย

ห้าอันดับแรกของกระดาน (ตัวเลขคือจำนวนสเต็ป — ยิ่งน้อยยิ่งดี):

อันดับ	โมเดล	harness	สถิติ	ปิดช่องว่าง
1	Fable 5	claude-code · high	2,726	81.7%
2	Opus 5	claude-code · max	2,920	53.6%
3	Kimi K3	prime-agent · max	2,930	52.2%
4	Kimi K3	kimi-code · max	2,974	45.8%
5	Opus 4.8	claude-code · max	3,018	39.4%

ถัดลงไปคือ GPT-5.6 Sol (3,042 / 35.9%), GPT-5.6 Sol Pro, Sonnet 5, GPT-5.6 Luna, Grok 4.5, Qwen3.8 Max, GLM 5.2, DeepSeek V4 Pro ไล่ลงไปจนถึง Kimi K2.7 ที่ 3,240 / 7.2% ส่วน GLM 5.3 ยังขึ้นสถานะ running และยังไม่มีสถิติ

จุดที่ผมคิดว่าคนอ่านผ่านมักพลาดคือ คอลัมน์ harness Kimi K3 ปรากฏสองครั้งด้วยโมเดลเดียวกันแต่คนละ harness แล้วได้ผลต่างกัน 44 สเต็ป (prime-agent ทำได้ 2,930 ส่วน kimi-code ได้ 2,974) — นี่คือหลักฐานตรง ๆ ว่าสิ่งที่กระดานนี้วัด ไม่ใช่ “ความฉลาดของโมเดล” เพียว ๆ แต่คือ โมเดล + สคาฟโฟลด์ + ระดับ effort รวมกันเป็นก้อนเดียว ซึ่งเป็นข้อสังเกตเดียวกับที่เราเขียนถึงกรณี AVO ของ NVIDIA เมื่อวานนี้ — โมเดลตัวเดิม เปลี่ยน harness แล้วคะแนนกระโดด

อีกคอลัมน์ที่เล่าเรื่องได้ดีคือ ปริมาณโทเคนและจำนวนการทดลอง Fable 5 ใช้โทเคนรวม 800M, output 1.1M, ทำการทดลอง 811 ครั้ง, เรียกทูล 3 พันครั้ง ตลอด 8.7 วัน ขณะที่ GPT-5.6 Sol ใช้โทเคนรวม 2.9 พันล้าน และเรียกทูล 28,000 ครั้ง แต่จบที่อันดับ 6 — ใช้ทรัพยากรมากกว่าเกือบสี่เท่าเพื่อผลที่แย่กว่า

Prime Intellect รู้ตัวว่าเรื่องนี้ทำให้เทียบกันตรง ๆ ไม่ได้ จึงใส่โหมด equal-budget comparison ให้ผู้อ่านกดเลือกงบเป็น agent-hours, จำนวนการทดลอง หรือโทเคน output เอง เมื่อตัดที่ 24 ชั่วโมงเท่ากันทุกตัว อันดับเปลี่ยนไปพอสมควร — Fable 5 เหลือ 3,010 และ Opus 5 อยู่ที่ 3,045 ระยะห่างจึงแคบกว่ากระดานหลักมาก

สิ่งที่แยกโมเดลเก่งออกจากโมเดลอ่อน คือวินัยการทดลอง ไม่ใช่ไอเดีย

ข้อสรุปเชิงคุณภาพของรายงานคือประโยคที่ผมคิดว่าควรอ่านช้า ๆ: “ช่องว่างระหว่างโมเดลปรากฏในทุกขั้นตอน — เลือกทดลองอะไร ทำการทดลองนั้นอย่างรอบคอบแค่ไหน และตีความผลที่มีสัญญาณรบกวนอย่างไร”

พฤติกรรมที่โมเดลอันดับต้น ๆ ทำแล้วโมเดลอ่อนไม่ทำ ได้แก่ ทดสอบผลก้ำกึ่งซ้ำหลาย seed ก่อนจะเชื่อ, กลับไปรันการทดลองเก่าซ้ำเมื่อเงื่อนไขเปลี่ยน และ เก็บสัญญาณอ่อน ๆ ไว้นานกว่าก่อนจะทิ้ง — ทั้งสามข้อไม่ใช่ความฉลาดเชิงไอเดีย แต่คือ วินัยเชิงระเบียบวิธี ซึ่งเป็นสิ่งที่แยกนักวิจัยที่ดีออกจากนักวิจัยที่เก่งแต่รีบ

ผู้เขียนยังลิสต์ข้อจำกัดไว้ตรงไปตรงมาผิดคาด: benchmark นี้ เสียงดังมาก ทั้งจากความแปรปรวนภายในของ nanoGPT speedrun เองและจากความสุ่มของโมเดล, พวกเขา ไม่มีงบทำ replicate หลายรอบ จึงเลือก seed ที่ดูดีที่สุดหลัง 24 ชั่วโมงแล้ววิ่งต่อ, โมเดลแต่ละตัวมี knowledge cutoff ต่างกัน จึงเข้าถึงเปเปอร์ใหม่ไม่เท่ากัน (ซึ่งเป็นตัวแปรกวนที่ใหญ่มากในโจทย์ที่คำตอบมีอยู่ในวรรณกรรมแล้ว) และพวกเขา ปรับ logic ของตัว launcher ระหว่างทาง และมี 41 trajectory เปิดให้อ่านย้อนหลังทั้ง tool call, sub-agent และ scratchpad

มุมมอง AI Curator

ผมคิดว่าคุณค่าที่แท้จริงของงานชิ้นนี้อยู่ที่สิ่งที่มัน ไม่ พิสูจน์ ตลาดกำลังเต็มไปด้วยคำโฆษณาว่าเอเจนต์ “ทำวิจัย AI ได้เอง” และกระดานนี้ให้ตัวเลขที่จับต้องได้กับข้ออ้างนั้นเป็นครั้งแรก: ปิดช่องว่างได้ 81.7% ในโจทย์ที่ มีคำตอบอยู่ในวรรณกรรมอยู่แล้ว และยัง ไม่เคยผลิตวิธีใหม่แม้แต่รอบเดียว จาก 153 รอบ นั่นคือคำจำกัดความของ “การค้นหาที่เก่งมาก” ไม่ใช่ “การค้นพบ”

ที่ตลกร้ายคือรายละเอียดที่ว่าโมเดลไม่ได้ต่ออินเทอร์เน็ต — ทั้งที่คำตอบส่วนใหญ่มีในเปเปอร์ที่หาได้ทั่วไป การทดลองนี้จึงวัด “จำอะไรได้บ้างจากตอนเทรน แล้วเอามาลองได้ดีแค่ไหน” มากกว่าจะวัดความสามารถในการคิดของใหม่ และเมื่อ knowledge cutoff ของแต่ละโมเดลไม่เท่ากันด้วย ตัวเลขบนกระดานจึงปนกันอยู่ระหว่างสามอย่าง: ความจำ, วินัยการทดลอง และคุณภาพของ harness — ซึ่งผู้เขียนก็ยอมรับเองในหัวข้อ caveat

สำหรับทีมไทยที่กำลังตัดสินใจว่าจะลงทุนกับ “agent ทำ ML engineering” หรือยัง ผมคิดว่ามีบทเรียนที่ใช้ได้ทันทีสองข้อ

ข้อแรก — สิ่งที่คุณควรลอกไม่ใช่โมเดล แต่คือพฤติกรรม สามอย่างที่แยกอันดับต้นออกจากอันดับท้าย (ทดสอบซ้ำหลาย seed, รันของเก่าซ้ำเมื่อเงื่อนไขเปลี่ยน, ไม่รีบทิ้งสัญญาณอ่อน) เขียนลงใน AGENTS.md หรือ skill ของทีมได้เลยวันนี้ โดยไม่ต้องเปลี่ยนโมเดลที่ใช้อยู่ นี่คือของฟรีที่ได้ผลมากกว่าการอัปเกรดรุ่นหนึ่งขั้น

ข้อสอง — ระวังการอ่านกระดานแบบเลือกตัวเลขที่ชอบ ระยะห่างระหว่างอันดับ 1 กับอันดับ 2 หดลงอย่างมีนัยเมื่อกดโหมด equal-budget ที่ 24 ชั่วโมง (2,726 กลายเป็น 3,010) ถ้าคุณกำลังใช้ตัวเลขนี้ไปเถียงในที่ประชุมว่าควรย้ายไปโมเดลไหน อย่างน้อยต้องบอกด้วยว่าอ่านที่งบเท่าไหร่ — และในบริบทของทีมไทยที่งบโทเคนมักเป็นข้อจำกัดจริง คอลัมน์ “โทเคนที่ใช้” อาจสำคัญกับคุณมากกว่าคอลัมน์ “สถิติ” เสียอีก

สิ่งที่ผมอยากเห็น Prime Intellect ทำต่อคือ โจทย์ที่คำตอบยังไม่มีใครรู้ ตราบใดที่สนามวัดยังเป็นโจทย์ที่มนุษย์แก้ไปแล้วและวิธีแก้อยู่ใน arXiv เราจะยังแยกไม่ออกระหว่าง “เอเจนต์ค้นพบ” กับ “เอเจนต์นึกออก” — และนั่นคือเส้นที่ทั้งวงการยังข้ามไม่ได้จริง ๆ ไม่ว่ากระดานจะสวยแค่ไหน

แหล่งข่าว

• NanoGPT Speedrun Frontier — Prime Intellect, กระดานอันดับสดพร้อม 41 trajectory เปิดอ่าน
• Measuring Autonomous AI Research — รายงานวิธีทดลองฉบับเต็ม, 14 ส.ค. 2026
• Prime Intellect ปล่อย Prime Agent — บริบทของ harness ชื่อ prime-agent ที่ปรากฏบนกระดาน