Apodex 1.1 mini ขึ้น Hugging Face เช้านี้ — MoE 36B ที่แอ็กทีฟแค่ 3B ต่อโทเคน คอนเท็กซ์ 262K ใบอนุญาต Apache-2.0 พร้อม harness แบบ Agent Team เปิดซอร์สมาให้ทั้งชุด

Apodex AI เผยแพร่บล็อกเทคนิคของ Apodex 1.1 เมื่อวันที่ 24 ส.ค. 2026 เวลา 18:34 UTC พร้อมเปเปอร์บน arXiv (2608.23283) และในเช้าวันที่ 25 ส.ค. เวลา 02:47 UTC น้ำหนักของรุ่นเล็ก Apodex-1.1-mini ก็ขึ้น Hugging Face จริง ใบอนุญาต Apache-2.0 — พร้อมกับเช็กพอยต์ที่ควอนไทซ์ไว้ให้แล้วสามแบบ (FP8, NVFP4, GPTQ-Int4) ที่อัปโหลดในนาทีเดียวกัน เปเปอร์ขึ้นอันดับหนึ่ง Hugging Face Daily Papers ของวันนี้ด้วยคะแนนโหวต 219

ประเด็นสำคัญสำหรับนักพัฒนาไม่ใช่ตัวเลขเบนช์มาร์กของรุ่นเรือธง (ซึ่งเป็นบริการปิด เรียกผ่านเว็บเวิร์กเบนช์และ API เท่านั้น) แต่คือรุ่น mini — เพราะมันเปิดน้ำหนักจริงในใบอนุญาตที่ใช้เชิงพาณิชย์ได้ และ Apodex ปล่อย FrontierAgent ซึ่งเป็น harness ที่ใช้รันโหมด Agent Team ออกมาเป็นโอเพนซอร์ส Apache-2.0 ด้วย นั่นแปลว่าสิ่งที่ดาวน์โหลดได้ไม่ใช่แค่โมเดล แต่เป็นสถาปัตยกรรมการทำงานทั้งชุดที่ทีมเขาใช้วัดผลเอง

สเปกจริงจาก config: 36B รวม แต่แอ็กทีฟ 3B

ไฟล์ config.json ของ apodex/Apodex-1.1-mini บอกรายละเอียดที่บล็อกไม่ได้พูดถึง โมเดลเป็น qwen3_5_moe ต่อยอดจากฐาน Qwen/Qwen3.5-35B-A3B โดยมี:

• 256 expert ต่อชั้น เลือกใช้ 8 expert ต่อโทเคน บวก shared expert หนึ่งตัว — นี่คือที่มาของ “A3B” คือแอ็กทีฟราว 3B พารามิเตอร์
• 40 ชั้น, hidden size 2,048, attention head 16 ตัวแต่ KV head แค่ 2 (GQA อัตราส่วน 8:1 ซึ่งช่วยลดขนาด KV cache มากเวลารันคอนเท็กซ์ยาว)
• max_position_embeddings = 262,144 โทเคน
• มี vision_config แยกต่างหาก — โมเดลนี้รับภาพเป็นอินพุตได้ ไม่ใช่โมเดลข้อความล้วน สถาปัตยกรรมที่ประกาศคือ Qwen3_5MoeForConditionalGeneration

น้ำหนัก BF16 รวมทั้งรีโพราว 71.9 GB ซึ่งหมายความว่าถ้าจะรันเต็มความละเอียดต้องมี VRAM ระดับหลายการ์ด แต่จุดที่น่าสนใจคือรีโพ FP8 และ NVFP4 ที่ปล่อยพร้อมกัน — สำหรับงาน agent ที่ต้องรันยาวหลายชั่วโมง การมีเช็กพอยต์ FP8 อย่างเป็นทางการตั้งแต่วันแรกช่วยประหยัดขั้นตอนควอนไทซ์เองไปได้มาก และเพราะแอ็กทีฟแค่ 3B ต่อโทเคน ความเร็ว decode จึงสูงกว่าที่ขนาดรวม 36B ทำให้คาดไว้

คำสั่งเสิร์ฟที่ทีมแนะนำเป็นแบบมาตรฐาน OpenAI-compatible:

# SGLang
python3 -m sglang.launch_server --model-path apodex/Apodex-1.1-mini \
  --tp 8 --context-length 262144 \
  --tool-call-parser qwen3_coder --reasoning-parser qwen3

# vLLM
vllm serve apodex/Apodex-1.1-mini --tensor-parallel-size 8 \
  --max-model-len 262144 --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder --reasoning-parser qwen3

จุดที่โมเดลการ์ดย้ำเป็นพิเศษและมักเป็นสาเหตุที่คนรันแล้วไม่ได้ผล: Apodex ใช้ chat template ของ Qwen3.5 และถูกเทรนให้เรียกฟังก์ชันแบบเนทีฟ ดังนั้น ห้ามเขียนคำอธิบายเครื่องมือลงไปใน system prompt ต้องส่งผ่านพารามิเตอร์ tools= ของ chat-completions API เพื่อให้ template เรนเดอร์เป็นแท็ก <tool_call><function=...> แล้ว parser ฝั่งเซิร์ฟเวอร์จะแกะกลับมาเป็น tool_calls ให้ถูกต้อง ค่าที่แนะนำคือ temperature 1.0, top_p 0.95, repetition penalty 1.05

แนวคิดหลัก: Environment Scaling กับ Agentic Coordination Scaling

เปเปอร์เสนอกรอบสองแกนที่ทีมเรียกว่า working capability — นิยามว่า “ความคืบหน้าที่ต่อเนื่องและตรวจสอบย้อนได้ไปสู่เป้าหมายจริง” ซึ่งเป็นการตั้งโจทย์ที่ต่างจากการวัดว่าโมเดลตอบคำถามถูกไหม

Environment Scaling คือการขยายความหลากหลายและความ “ตรวจสอบได้” ของสภาพแวดล้อมที่โมเดลฝึก — ระบบไฟล์ การค้นหา และโค้ดที่รันได้จริง แทนที่จะฝึกบนบทสนทนาอย่างเดียว Agentic Coordination Scaling คือการฝึกให้ agent แตกงานยาวออกเป็นชิ้น มอบหมายงานคู่ขนาน รวมผลลัพธ์ที่กลับมาแบบอะซิงโครนัส และวางแผนใหม่เมื่อสถานการณ์เปลี่ยน โดยมีองค์ประกอบที่เรียกว่า AgentOS คอยรักษาสถานะงานและ provenance ข้ามเครื่องมือกับข้าม agent

องค์ประกอบที่สามคือ Statement Review — ก่อนส่งมอบผลงาน ระบบจะตรวจข้อความสำคัญย้อนกลับไปที่แหล่งอ้างอิง ข้อมูล และการคำนวณที่รองรับมันจริง ถ้าหลักฐานไม่พอ การอ้างอิงไม่ตรง หรือผลลัพธ์ขัดกับที่คาด ระบบจะทำเครื่องหมายไว้ แก้ข้อสรุปที่ได้รับผลกระทบ และเปิดให้ตรวจกระบวนการรีวิวได้ ถ้าใครติดตามข่าวเรื่อง agent สร้างการอ้างอิงลอย ๆ นี่คือความพยายามแก้ที่ระดับสถาปัตยกรรม ไม่ใช่ระดับ prompt

ตัวเลขเบนช์มาร์ก และข้อควรระวังในการอ่าน

รุ่นเรือธง Apodex-1.1 แบบ Agent Team ทำได้ 38.5 บน APEX-Agents, 78.8 บน GDPVal (win rate), 54.3 บน FrontierFinance, 63.3 บน FrontierScience-Research, 35.3 บน BioMysteryBench และ 56.1 บน Humanity’s Last Exam ทีมระบุว่าได้คะแนนสูงสุดในกลุ่มที่เทียบกันบน FrontierFinance และ FrontierScience-Research

ส่วน Apodex-1.1-mini ซึ่งเป็นตัวที่ดาวน์โหลดได้ ทำ 50.2 บน FrontierFinance (นำในกลุ่มที่เทียบ) และ 27.7 บน APEX-Agent ตัวเลขนี้ต่ำกว่ารุ่นเรือธงชัดเจน — 27.7 เทียบกับ 38.5 คือช่องว่างที่กว้างพอสมควร อย่าอ่านคำว่า “อยู่ในแถบเดียวกับโมเดล frontier” เป็นว่ามันเท่ากัน

สองข้อสังเกตที่ควรถือติดตัวไว้:

1. ทั้งรุ่นใหญ่และ mini ต่างระบุว่าโหมด Agent Team ทำคะแนนดีกว่า ReAct ทุกเบนช์มาร์ก นั่นแปลว่าคะแนนที่ประกาศเป็นคะแนนของ ระบบ ไม่ใช่ของโมเดลเปล่า ถ้าเอาน้ำหนักไปเสียบใน harness ของตัวเองแล้วได้ต่ำกว่านี้ ก็เป็นเรื่องปกติ — และนี่คือเหตุผลที่การเปิดซอร์ส FrontierAgent มีน้ำหนักพอ ๆ กับการเปิดน้ำหนักโมเดล
2. ทีมระบุว่าระหว่างการประเมินได้ บล็อกการเข้าถึงเว็บไซต์ที่โฮสต์เบนช์มาร์ก เพื่อกันโมเดลไปดึงเฉลยจากรีโพสาธารณะ ซึ่งเป็นรายละเอียดที่รายงานผล agent จำนวนมากไม่ยอมบอก และควรกลายเป็นมาตรฐานขั้นต่ำ

ฝั่ง FrontierAgent เองรองรับสองโหมดตามที่เปเปอร์อธิบาย — ReAct สำหรับงานเดี่ยวที่โฟกัส และ Agent Team ที่มี coordinator คุม subagent คู่ขนานพร้อม task board และการสังเคราะห์รายงาน มีเครื่องมือ web/shell/file/sandbox ให้ และแยกเส้นทางทำงานเป็นสามส่วนคือ /inputs อ่านอย่างเดียว, /workspace อ่านเขียนได้ และ /outputs สำหรับผลงานส่งมอบ ติดตั้งด้วย uv sync ต้องการ Python 3.12 กับ endpoint แบบ OpenAI-compatible

มุมมอง AI Curator

สิ่งที่ทำให้ปล่อยรอบนี้น่าสนใจกว่าการปล่อยโมเดลเปิดทั่วไป ไม่ใช่คะแนน แต่คือ สิ่งที่ถูกปล่อยพร้อมกัน ตลอดปีนี้เราเห็นแพตเทิร์นซ้ำ ๆ ว่าห้องแล็บประกาศคะแนน agent สวยหรู แล้วปล่อยเฉพาะน้ำหนักโมเดลออกมา ทิ้งให้ชุมชนไปเดาเองว่า scaffold ที่ใช้วัดหน้าตาเป็นอย่างไร ผลคือไม่มีใครทำซ้ำได้ และตัวเลขก็กลายเป็นแค่วัสดุการตลาด การที่ Apodex ปล่อย harness ที่ใช้วัดจริงออกมาในใบอนุญาตเดียวกับโมเดล คือการปิดช่องว่างนั้น — และควรถูกใช้เป็นบรรทัดฐานที่เราเรียกร้องจากรายอื่นต่อไป

อีกด้านที่ควรพูดตรง ๆ คือรุ่นที่เปิดคือรุ่นเล็ก และเป็นการ fine-tune บน Qwen3.5-35B-A3B ที่คนอื่นเป็นคนเทรนฐานมา นี่ไม่ใช่ข้อตำหนิ — มันคือรูปแบบที่กำลังกลายเป็นเรื่องปกติของอุตสาหกรรม คือทีมขนาดกลางเอาฐานเปิดคุณภาพสูงมาเทรนต่อเฉพาะทางด้าน agent แล้วได้ผลที่ใช้งานได้จริง แต่มันก็แปลว่ามูลค่าที่แท้จริงอยู่ที่ ข้อมูล trajectory และ recipe การเทรนเรื่องการประสานงาน มากกว่าตัวสถาปัตยกรรม และส่วนนั้นยังไม่ได้เปิด

สำหรับทีมในไทยและ SEA จุดที่ควรจับมีสองข้อ ข้อแรก งานประเภทที่ Apodex ตั้งเป้า — วิเคราะห์งบการเงิน อ่านเปเปอร์แล้วทำวิเคราะห์ต่อ ทำงานกับสเปรดชีตและไฟล์จริงจนได้ผลลัพธ์ส่งมอบ — คือประเภทงานที่องค์กรในภูมิภาคมักส่งออกไปให้ API ต่างประเทศ ทั้งที่เป็นงานที่ข้อมูลอ่อนไหวที่สุด การมีโมเดลระดับนี้ที่รันในองค์กรได้ภายใต้ Apache-2.0 เปลี่ยนสมการนั้นจริง ข้อสอง แม้ 36B จะฟังดูใหญ่ แต่การแอ็กทีฟแค่ 3B ต่อโทเคนทำให้ต้นทุนต่อโทเคนถูกกว่าที่ขนาดรวมชวนให้คิดมาก — โจทย์จริงจึงเป็นเรื่อง VRAM ที่ต้องเก็บ expert ทั้งหมด ไม่ใช่เรื่อง throughput และนั่นคือโจทย์ที่เช็กพอยต์ FP8/NVFP4 กับเทคนิค offload expert แบบที่เราเขียนถึงไปเมื่อไม่กี่วันก่อนกำลังไล่แก้อยู่พอดี

ข้อควรระวังสุดท้าย: อย่าเพิ่งเชื่อคะแนนจนกว่าจะมีคนนอกทำซ้ำ FrontierFinance, FrontierScience-Research และ APEX-Agents ไม่ใช่เบนช์มาร์กที่ชุมชนคุ้นเคยและตรวจสอบกันมานานเท่า SWE-bench หรือ LMArena คะแนนนำในเบนช์มาร์กที่ผู้ประกาศเลือกเองย่อมต้องรอการยืนยันอิสระเสมอ ข่าวดีคือรอบนี้เขาให้ทั้งน้ำหนักและ harness มาแล้ว การทำซ้ำจึงเป็นเรื่องของเวลา ไม่ใช่เรื่องของการเดา

แหล่งข่าว

• Apodex 1.1: Scaling Agentic Intelligence for Complex Work — Apodex AI Tech Blog
• apodex/Apodex-1.1-mini — Hugging Face
• Apodex 1.1: Scaling Agentic Intelligence for Complex Work — arXiv:2608.23283
• ApodexAI/FrontierAgent — GitHub