Qwen3.8-Flash-Next เปิดน้ำหนัก — 125B ที่กระตุ้นแค่ 6B บวก "พจนานุกรมวลี" 51B ที่ย้ายไปนั่งบน RAM ได้ เทรนถูกกว่ารุ่นพี่ 9 เท่า และเป็นตัวอย่างสถาปัตยกรรมของ Qwen4

วันเดียวกับที่ Z.ai ปล่อย GLM-5.3-Flash ทีม Qwen ของ Alibaba ก็ปล่อย Qwen3.8-Flash-Next พร้อมน้ำหนักบน Hugging Face (26 สิงหาคม 2026) — และรุ่นนี้น่าสนใจด้วยเหตุผลที่ต่างออกไปโดยสิ้นเชิง Qwen ไม่ได้ขายว่ามันเก่งที่สุด แต่ขายว่ามัน ถูกที่สุดเมื่อเทียบกับสิ่งที่ได้ และบอกตรง ๆ ใน model card ว่านี่คือ “experimental preview ของสถาปัตยกรรมที่จะรองรับ Qwen4”

ตัวเลขที่เป็นหัวใจ: 125 พันล้านพารามิเตอร์ กระตุ้นจริงแค่ 6 พันล้านต่อโทเคน บวกอีก 51 พันล้านที่เป็น n-gram embedding และ 4 พันล้านสำหรับ MTP — รวมเป็น 180B ที่ Hugging Face แสดงบนหน้ารีโป และ Qwen เคลมใน README บน GitHub ว่าเทียบกับ Qwen3.7-Plus แล้ว “การเทรนใช้เพียงราว 1/9” แต่ทำงาน coding และงานออฟฟิศได้ดีกว่า

สี่ของใหม่ในสถาปัตยกรรม — และอันที่แปลกที่สุดคือ n-gram embedding

Qwen ระบุของใหม่ไว้สี่ชิ้น:

1. Hybrid Attention พร้อม QSA — คู่ Gated DeltaNet + Gated Attention ของรุ่นก่อนถูกเปลี่ยนเป็น Gated DeltaNet + Qwen Sparse Attention (QSA) จุดต่างสำคัญคือ QSA ไม่เลือกทีละโทเคน แต่เลือกเป็น micro-block ซึ่ง Qwen บอกว่าตัด latency ของบริบทยาวลงอย่างมีนัยสำคัญ — และให้เหตุผลตรง ๆ ว่าเพราะ “งาน agentic กำลังกลายเป็นภาระหลักของการใช้งานจริง” เลย์เอาต์ของโมเดลคือ 12 × (Gated DeltaNet → MoE สามรอบ แล้ว QSA → MoE หนึ่งรอบ) รวม 48 เลเยอร์ โดย QSA มีงบเลือกที่ 512 block หรือ 2048 โทเคน

2. Gated Residual — เพิ่ม read gate ที่ขึ้นกับข้อมูลแบบ element-wise และ write gate แบบ scalar ต่อ branch (4 branch, bottleneck rank 320) เพื่อเพิ่มความละเอียดของการไหลข้อมูลข้ามเลเยอร์โดยไม่ทำให้การเทรนไม่เสถียร

3. N-gram Embedding — อันนี้คือของแปลก และเป็นไอเดียที่ควรจับตาที่สุด Qwen ใส่ตาราง embedding ขนาด 20 ล้านรายการ ที่ index ด้วย bigram/trigram ไว้ที่เลเยอร์ที่ 2 คิดเป็นพารามิเตอร์ 51B เหตุผลคือ embedding เป็นแกนการ scale ที่ ใช้การคำนวณน้อยกว่า MoE และย้ายออกจาก GPU ได้ง่ายกว่ามาก — README บน GitHub เขียนชัดว่า “ตาราง embedding สามารถ offload ไปไว้บน host memory และซ้อนทับกับการคำนวณของโมเดลผ่าน asynchronous prefetching”

พูดเป็นภาษาคนคือ Qwen แยกความรู้ของโมเดลออกเป็นสองกอง: กองที่ต้องคิด (6B active บน GPU) กับกอง “พจนานุกรมวลี” ที่แค่ต้องเปิดดู (51B บน RAM ธรรมดา) แล้ว prefetch มาให้ทันก่อนใช้ นี่คือการเพิ่มความจุโมเดลโดยไม่ต้องซื้อ VRAM เพิ่ม ซึ่งเป็นคนละแกนกับที่ทุกคนกำลังแข่งกันอยู่

4. สูตรการเทรนที่ปรับเฉพาะจุด — ใช้ Muon และ AdamW กับกลุ่มน้ำหนักต่างกัน และ ตัด batch-size warmup ทิ้ง เริ่มที่ batch size เป้าหมายเลยตั้งแต่ต้น โดยอาศัย scaling law ที่ refit ใหม่ ซึ่ง Qwen บอกว่าลดจำนวน optimizer step ลงมากและรองรับ learning rate สูงกว่าเดิมได้อย่างปลอดภัย

ส่วน MoE ใช้ 512 experts เลือก 10 routed + 1 shared expert intermediate dim แค่ 640 (fine-grained มาก) hidden dim 2560 และบริบท 262,144 โทเคนโดยกำเนิด ขยายได้ถึง 1 ล้านด้วย YaRN

ตัวเลข — ชนะรุ่นที่ใหญ่กว่าตัวเองสามเท่า

ตารางใน model card เทียบกับ Qwen3.8-27B, Qwen3.7-Plus (397B/17B active), DeepSeek-V4-Flash-0731 (284B/13B active) และ Claude Opus 4.6 (Max) — ตัวเลขต่อไปนี้อ่านจาก model card โดยตรง:

งาน	Qwen3.8-Flash-Next	Qwen3.8-27B	Qwen3.7-Plus	DeepSeek-V4-Flash	Claude Opus 4.6
DeepSWE 1.1	58.7	42.2	16.5	54.4	—
SWE-bench Pro	62.5	61.7	55.8	56.0	53.4
SWE-bench Multilingual	81.0	73.8	75.8	—	77.5
NL2Repo-Bench	48.1	42.3	41.1	54.2	47.6
CoWorkBench	73.9	70.7	65.1	45.1	68.2
JobBench	55.7	33.4	27.6	41.3	36.6
Toolathlon Verified	73.5	67.1	50.6	70.3	—
GPQA Diamond	91.7	89.2	90.3	90.8	91.3
HLE	35.9	30.8	34.7	33.8	40.0
LiveCodeBench v6	91.9	90.3	89.6	90.6	88.8

จุดที่โดดจริงคือ JobBench 55.7 เทียบกับ Qwen3.7-Plus ที่ 27.6 — เกินเท่าตัว ทั้งที่ Qwen3.7-Plus มีพารามิเตอร์รวม 397B และ active 17B (มากกว่าเกือบสามเท่า) และ CoWorkBench 73.9 เทียบ DeepSeek-V4-Flash ที่ 45.1 ส่วนที่ยังตามคือ HLE (35.9 vs Claude Opus 4.6 ที่ 40.0) และ NL2Repo-Bench ที่ DeepSeek นำอยู่

ฝั่งภาพ โมเดลมี vision encoder ในตัว (pipeline tag เป็น image-text-to-text) และตัวเลขที่น่าสนใจคือ AndroidWorld 84.5 เทียบ Claude Opus 4.6 ที่ 62.0, ERQA 72.3 เทียบ 40.8 และ RealWorldQA 88.5 เทียบ 73.9 ส่วน OSWorld 2.0 ยังต่ำทั้งกระดาน (binary 19.4) ซึ่งสะท้อนว่างาน computer use เต็มรูปแบบยังเป็นโจทย์ที่ไม่มีใครแก้ได้

ใบอนุญาต — ตรงนี้ต้องอ่านเอง อย่าเชื่อพาดหัว

มีสำนักข่าวรายงานว่ารุ่นนี้ปล่อยใต้ Apache 2.0 — ไม่ใช่ ผมโหลดไฟล์ LICENSE จากรีโปมาอ่านเอง มันคือ Qwen Community License 1.0 ซึ่งเนื้อหาส่วนใหญ่ถอดแบบ MIT (ใช้ แก้ ขาย ฟายน์จูน เสิร์ฟ ได้หมด) แต่มี เงื่อนไขเพิ่มสองข้อ:

1. ถ้าเอาไปใช้ในผลิตภัณฑ์เชิงพาณิชย์ที่มี MAU เกิน 100 ล้าน หรือรายได้เกิน 20 ล้านดอลลาร์ต่อเดือน ต้องแสดงชื่อโมเดลเด่นชัดบน UI
2. ถ้าคุณทำธุรกิจ Model-as-a-Service หรือ “AI Work Assistant” (นิยามว่าผลิตภัณฑ์ AI ที่ออกแบบมาเพื่อช่วยเขียนโค้ดหรืองานออฟฟิศเป็นหลัก) ต้องขอใบอนุญาตแยกจาก Qwen ก่อน — ยกเว้นการใช้ภายในองค์กรที่ไม่เปิดให้บุคคลที่สามเข้าถึง

ข้อ 2 คือข้อที่กระทบจริง: ถ้าคุณกำลังจะสร้าง coding assistant หรือ AI ผู้ช่วยงานออฟฟิศขาย คุณต้องคุยกับ Qwen ก่อน ส่วนถ้าเป็นเครื่องมือเฉพาะทาง (เช่น เครื่องมือแปลภาษา) หรือ AI ในโดเมนอื่น ใบอนุญาตระบุชัดว่าไม่เข้าข่าย

เทียบกันตรง ๆ ในวันเดียวกัน: GLM-5.3-Flash = MIT ล้วน ไม่มีเงื่อนไข / Qwen3.8-Flash-Next = MIT บวกสองข้อยกเว้น

รันเองได้ไหม

รีโปมี 132 shard รวมราว 360 GB (BF16) — ก้อนใหญ่กว่า GLM-5.3-Flash แบบ FP8 ด้วยซ้ำ มีรีโป Qwen3.8-Flash-Next-FP8 แยกให้ และ Qwen ระบุเฟรมเวิร์กที่รองรับ: SGLang, vLLM และ TokenSpeed พร้อมคุกบุ๊ก/สูตรของแต่ละตัว

แต่ประเด็นสำคัญคือ 51B จาก 180B นั้นเป็น n-gram embedding ที่ย้ายไป RAM ได้ ในทางทฤษฎีแปลว่าความต้องการ VRAM จริงต่ำกว่าตัวเลข 360 GB มาก — จะต่ำแค่ไหนขึ้นอยู่กับว่าเฟรมเวิร์กแต่ละตัวรองรับ offload + async prefetch นี้ดีเพียงใด ซึ่งเป็นเรื่องที่ต้องรอผลจริงจากชุมชนในสัปดาห์นี้ ตอนนี้รีโปมี 3.6k likes และดาวน์โหลดไปแล้วราว 2.5k ครั้งภายในวันเดียว

โมเดลตั้งค่า thinking mode เป็นค่าเริ่มต้น (พ่น <think>...</think> ก่อนตอบ) ปิดได้ผ่าน enable_thinking และปรับระดับได้ด้วย reasoning_effort — โดย Qwen เตือนไว้เองอย่างน่าสนใจว่าในงาน agentic หลายเทิร์น การลด reasoning effort ไม่ได้ทำให้งานเสร็จเร็วขึ้นเสมอไป เพราะวิเคราะห์ไม่พอ → พลาด → ลองใหม่ → รวมแล้วช้าลงและกินโทเคนมากกว่าเดิม

มุมมอง AI Curator

สองโมเดลที่ออกวันเดียวกัน สองปรัชญาที่ต่างกันชัดเจน และมันบอกอะไรบางอย่างเกี่ยวกับทิศทางปี 2027

GLM-5.3-Flash แก้ปัญหาต้นทุนด้วยการ ทำ attention ให้ถูกลง (linear สามในสี่เลเยอร์) ส่วน Qwen3.8-Flash-Next แก้ด้วยการ ย้ายความจุออกจาก GPU ไปนั่งบน RAM ทั้งคู่ยอมรับข้อเท็จจริงเดียวกัน: VRAM คือคอขวดที่แพงที่สุดในสมการ และวิธีชนะไม่ใช่การซื้อเพิ่ม แต่คือการออกแบบให้ต้องใช้น้อยลง

ในสามอันนั้น n-gram embedding คือของที่ผมคิดว่าจะถูกลอกเร็วที่สุด เพราะมันแยกได้สะอาดมากตามธรรมชาติของงาน — การจำว่า “วลีนี้มักตามด้วยอะไร” ไม่ต้องใช้การคำนวณ ต้องใช้แค่การเปิดตาราง ซึ่งเป็นสิ่งที่ RAM ราคาถูกทำได้ดีพอ ๆ กับ HBM ราคาแพง ถ้ามันเวิร์กจริงในระดับ production มันเปิดทางให้ โมเดลที่ “ใหญ่” ขึ้นได้โดยไม่ต้องซื้อการ์ดเพิ่ม ซึ่งเป็นข่าวดีสำหรับทุกคนที่ไม่ใช่ NVIDIA

สำหรับทีมไทย มีสองเรื่องที่ควรทำการบ้านก่อนตื่นเต้น หนึ่ง — SWE-bench Multilingual 81.0 ไม่ได้แปลว่าภาษาไทยดี เพราะเบนช์นั้นวัดภาษาโปรแกรม ไม่ใช่ภาษามนุษย์ และเช่นเดียวกับ GLM วันนี้ Qwen ก็ไม่มีตัวเลขไทยเผยแพร่ อย่างไรก็ตาม Qwen เป็นตระกูลที่ชุมชนไทยมีประสบการณ์มากที่สุด (Typhoon หลายรุ่นก็ต่อยอดจาก Qwen) เพราะฉะนั้นความรู้เดิมเรื่องการฟายน์จูนน่าจะโอนมาได้พอสมควร

สอง — ข้อ 2 ในใบอนุญาตนั้นสำคัญกว่าที่คนไทยส่วนใหญ่จะทันสังเกต ถ้าคุณกำลังทำ SaaS ผู้ช่วยเขียนโค้ดหรือผู้ช่วยงานเอกสารสำหรับลูกค้าองค์กรไทย โมเดลนี้ต้องเจรจาใบอนุญาตก่อน ส่วน GLM-5.3-Flash ที่ออกวันเดียวกันไม่ต้อง — และนี่คือเหตุผลที่ผมยืนยันเสมอว่า ต้องเปิดไฟล์ LICENSE อ่านเอง ไม่ใช่เชื่อคำว่า “open source” ในพาดหัว วันนี้มีสำนักข่าวใหญ่รายงานผิดเป็น Apache 2.0 ไปแล้วหนึ่งราย

---

แหล่งข่าว

• Qwen/Qwen3.8-Flash-Next — Hugging Face model card
• ไฟล์ LICENSE (Qwen Community License 1.0)
• QwenLM/Qwen3.8-Flash-Next — GitHub
• Alibaba releases Qwen3.8-Flash-Next, targeting “ultimate cost efficiency” — The Decoder