ทดลองเสียบความคิดของโมเดลหนึ่งเข้าไปในอีกโมเดล: Qwen3.8 ขยับเข้าหา GPT-5.5 Pro 18 จุด ขณะที่ตอนใช้ Opus เป็นครูแทบไม่ขยับ

ระหว่างวันที่ 9-10 กันยายน 2026 นักพัฒนาที่ใช้ชื่อ wsxiaoys เผยแพร่ gist ชื่อ “Reasoning prefills on a few open models, v1.1” ซึ่งขึ้นหน้าแรก Hacker News ด้วยคะแนน 196 คะแนน เป็นการทดลองรอบสองที่ต่อยอดจากรอบแรกเมื่อ 16 ส.ค. และจากงานชื่อ Stolen Thoughts

คำถามที่ทดลองนี้ตั้งฟังดูง่ายแต่แหลมมาก: ถ้าเราเอา “ความคิด” ของโมเดลปิดตัวหนึ่งไปเสียบเป็นจุดเริ่มต้นให้โมเดลเปิดอีกตัวคิดต่อ โมเดลเปิดตัวไหนจะรับมันไปใช้ได้ราบรื่นที่สุด ถ้ามีตัวไหนรับได้ราบรื่นผิดปกติ นั่นอาจเป็นร่องรอยว่ามันเคยเรียนจากโมเดลนั้นมาก่อน

ผลรอบนี้คือ Qwen3.8 A95B ขยับเข้าหา GPT-5.5 Pro 18.18 จุด ซึ่งมากกว่าโมเดลอื่นหลายเท่า และผู้ทดลองสรุปไว้อย่างระมัดระวังว่า “ข้อมูลชี้ว่า Qwen อาจเคยเรียนจาก GPT-5.5 Pro หรือโมเดลตระกูล GPT ที่ใกล้เคียงกัน มากกว่าจะเรียนจาก Opus”

ข่าวนี้ควรอ่านพร้อมกับความเข้าใจว่ามันวัดอะไร เพราะมันไม่ใช่หลักฐานการกลั่นโมเดล และผู้เขียนเองก็ไม่ได้อ้างแบบนั้น

วิธีวัด: เสียบความคิด 1% แล้วนับคำที่ตรงกัน

ขั้นตอนต่อโจทย์หนึ่งข้อคือสร้างคำตอบจากโมเดลเป้าหมายสองครั้ง ครั้งแรกปกติ ครั้งที่สองบังคับให้ช่องความคิดของโมเดลเริ่มต้นด้วย 1% แรกของสายความคิดของ GPT-5.5 Pro แล้วปล่อยให้คิดต่อเอง โดยคำตอบที่มองเห็นยังถูกสร้างอย่างอิสระ

จากนั้นวัดว่าคำตอบที่มองเห็นของครูปรากฏใน 100 โทเคนแรกของคำตอบนักเรียนมากแค่ไหน คะแนนแต่ละช่องคือค่าเฉลี่ยของ source recall ระดับ unigram, bigram และ trigram ส่วน delta คือส่วนต่างเป็นจุดเปอร์เซ็นต์ ชุดโจทย์รอบนี้มี 45 ข้อ แบ่งเป็น STEM 15 ข้อ non-STEM 15 ข้อ และปริศนาสังเคราะห์ 15 ข้อ

ผลรวมทั้ง 45 ข้อ:

โมเดล	ไม่เสียบ	เสียบความคิด GPT-5.5 Pro	ส่วนต่าง
DeepSeek V4 Flash	27.30%	26.13%	−1.17
Inkling	19.99%	20.45%	+0.46
Kimi K3	31.11%	35.65%	+4.54
Qwen3.8 A95B	16.79%	34.97%	+18.18

แยกตามหมวดของ Qwen: STEM ขยับ +26.99 จุด (19.26% เป็น 46.24%) non-STEM +12.80 จุด และปริศนา +14.75 จุด

จุดที่ทำให้ผลนี้มีน้ำหนักคือชุดปริศนา

ถ้าดูแค่ตารางเดียวจะพลาดสิ่งที่ทำให้การทดลองนี้ออกแบบมาดี — ชุดปริศนาสังเคราะห์

รอบแรกอธิบายไว้ว่าชุดนี้เป็นโจทย์แบบเดารูปแบบการสลับตัวอักษร เช่น ให้ f('sambas') = 'asmbsa', f('kameda') = 'akmead' แล้วถามย้อนกลับ และผู้เขียนระบุว่า “ไม่ได้เผยแพร่หรือมีอยู่ที่ไหนบนอินเทอร์เน็ตสาธารณะ” ความสำคัญของมันคือมันตัดคำอธิบายที่ง่ายที่สุดออกไป — ถ้าโมเดลสองตัวตอบเหมือนกันบนโจทย์ที่หาในเน็ตได้ อาจเป็นเพราะทั้งคู่เคยเห็นเฉลยเดียวกันตอนเทรน แต่ถ้าเหมือนกันบนโจทย์ที่ไม่เคยมีใครเห็น คำอธิบายนั้นใช้ไม่ได้

และตรงนี้เองที่การเทียบสองรอบให้ภาพที่คมที่สุด รอบแรกที่ใช้ Opus 4.8 เป็นครู Qwen ทำคะแนนบนชุดปริศนา “ลดลง” 5.95 จุด (28.63% เหลือ 22.68%) คือการเสียบความคิดของ Opus ทำให้มันแย่ลง ส่วนรอบนี้ที่ใช้ GPT-5.5 Pro เป็นครู Qwen ขึ้น 14.75 จุด บนชุดเดียวกัน การกลับทิศแบบนี้บนชุดโจทย์ที่ไม่มีในเน็ตคือสิ่งที่ทำให้ข้อสังเกตของผู้เขียนไม่ใช่แค่เสียงรบกวน

Kimi K3 เป็นอีกกรณีที่น่าสนใจในทางกลับกัน มันมีคะแนนทับซ้อนกับ GPT-5.5 Pro สูงที่สุดทั้งตอนไม่เสียบและตอนเสียบ (31.11% และ 35.65%) แต่การเสียบเพิ่มให้แค่ 4.54 จุด รอบแรกก็เป็นแบบเดียวกันคือ Kimi ขึ้น 8.98 จุดบน HLE แต่ขึ้นแค่ 0.47 จุดบนชุดปริศนา ซึ่งผู้เขียนเองตั้งข้อสังเกตว่า “ถ้า prefill ถ่ายทอดสไตล์การให้เหตุผลแบบทั่วไปจริง ผมคาดว่าน่าจะเห็นผลชัดกว่านี้บนงานสังเคราะห์ใหม่ ๆ ด้วย”

รอบแรกยังทำสิ่งที่งานประเภทนี้มักไม่ทำ คือทำซ้ำผลของงานต้นทาง ผู้เขียนระบุว่าตัวเลข Kimi K3 ของตัวเองสอดคล้องกับ Appendix B.2 ของ Stolen Thoughts ที่รายงานการเพิ่มขึ้น 15 จุดบน STEM และ 8.6 จุดบน non-STEM ขณะที่การรัน HLE 30 ข้อของตัวเองได้ 8.98 จุดรวม — ตรงทิศทางและใกล้เคียงขนาด พร้อมหมายเหตุตามตรงว่า “ชุดย่อย HLE ที่งานต้นทางใช้ไม่ได้เปิดเผย”

สิ่งที่ตัวเลขนี้บอกไม่ได้

ต้องพูดให้ชัดสี่ข้อ เพราะเรื่องแบบนี้ถูกเอาไปพาดหัวผิดง่ายมาก

หนึ่ง — นี่ไม่ใช่การพิสูจน์ว่ามีการกลั่นโมเดล สิ่งที่วัดคือ n-gram overlap ของ 100 โทเคนแรก ซึ่งเป็นตัวแทนความคล้ายของ ถ้อยคำ ไม่ใช่หลักฐานของ เส้นทางข้อมูลเทรน โมเดลสองตัวอาจเขียนคล้ายกันเพราะเรียนจากข้อความอินเทอร์เน็ตชุดใกล้เคียงกัน เพราะใช้เทมเพลตโพสต์เทรนที่คล้ายกัน หรือเพราะข้อมูลสังเคราะห์ที่ทั้งคู่ซื้อมาจากผู้ขายเดียวกัน ผู้เขียนใช้คำว่า “may have learned” ซึ่งเป็นคำที่ถูกต้อง

สอง — n = 45 และแยกเป็นหมวดละ 15 ข้อ ตัวเลข +26.99 จุดบน STEM มาจากโจทย์ 15 ข้อ ช่วงความเชื่อมั่นของอะไรก็ตามที่คำนวณจากฐานนี้กว้างมาก ตารางไม่มีค่าเบี่ยงเบนหรือช่วงความเชื่อมั่นให้เลย

สาม — สองรอบเทียบกันตรง ๆ ไม่ได้ รอบแรกใช้ HLE 30 ข้อบวกปริศนา 15 ข้อ รอบนี้ใช้ STEM/non-STEM/ปริศนา อย่างละ 15 ข้อ ดังนั้นคะแนน “ไม่เสียบ” ของ Qwen ที่ 29.25% ในรอบแรกกับ 16.79% ในรอบนี้ ไม่ใช่ตัวเลขเดียวกันที่เปลี่ยนไป แต่เป็นคนละชุดโจทย์และคนละครู เปรียบเทียบได้เฉพาะทิศทางของ delta ภายในหมวดที่ตรงกัน ซึ่งก็คือชุดปริศนาที่กล่าวไปแล้ว

สี่ — นี่คือ gist ของบุคคลคนเดียว ไม่ผ่าน peer review ไม่มีโค้ดหรือชุดข้อมูลแนบให้รันซ้ำ (ชุดปริศนาไม่เปิดโดยเจตนา ซึ่งจำเป็นต่อวิธีวัดแต่ก็แปลว่าคนนอกทำซ้ำไม่ได้) และไม่มีคำชี้แจงจากฝั่ง Alibaba ผู้เขียนคือผู้ก่อตั้ง TabbyML ซึ่งเป็นคนในวงการที่มีชื่อ แต่ก็ไม่ใช่สถาบันตรวจสอบอิสระ

มุมมอง AI Curator

สิ่งที่ควรเก็บจากงานนี้ไม่ใช่ข้อสรุปเรื่อง Qwen แต่คือการมีอยู่ของวิธีวัดประเภทนี้ และสิ่งที่มันกำลังจะกลายเป็น

จนถึงตอนนี้ การถามว่าโมเดลเปิดตัวหนึ่งเรียนมาจากไหนเป็นคำถามที่ตอบไม่ได้ในทางปฏิบัติ หลักฐานที่คนใช้กันคือประเภท “โมเดลนี้บอกว่าตัวเองชื่อ ChatGPT” ซึ่งพิสูจน์ได้แค่ว่ามีข้อความจาก ChatGPT ปนอยู่ในคลังข้อมูลที่ไหนสักแห่ง ไม่ได้บอกอะไรเกี่ยวกับกระบวนการเทรนเลย งานตระกูล reasoning prefill นี้เป็นความพยายามแรก ๆ ที่จะทำให้คำถามนี้มีตัวเลขที่มีระเบียบวิธี ต่อให้ตัวเลขยังอ่อนแรงด้วยขนาดตัวอย่าง การออกแบบด้วยชุดโจทย์ที่ไม่มีในเน็ตคือความคิดที่ถูกทาง

และมันกำลังจะสำคัญขึ้นด้วยเหตุผลเชิงกฎหมาย ไม่ใช่เชิงวิชาการ สัญญาการใช้งานของแล็บปิดแทบทุกรายมีข้อห้ามเอาเอาต์พุตไปเทรนโมเดลที่แข่งกัน — บล็อกนี้เพิ่งเขียนถึงกรณี Desert Ant Labs ที่เขียนข้อห้ามนี้ไว้ในไลเซนส์ของตัวเองเมื่อวานนี้เอง ข้อห้ามพวกนั้นบังคับใช้ไม่ได้เลยถ้าไม่มีใครพิสูจน์การละเมิดได้ ถ้าวิธีวัดแบบนี้ถูกพัฒนาจนน่าเชื่อถือพอ มันจะเปลี่ยนข้อสัญญาที่เป็นแค่ตัวอักษรให้กลายเป็นข้อสัญญาที่มีฟัน และผลกระทบจะไม่ได้ตกที่แล็บใดแล็บหนึ่ง แต่ตกที่ทุกคนที่ปล่อยน้ำหนักโมเดลออกมาให้ตรวจได้ — ซึ่งก็คือฝั่งโอเพนซอร์สนั่นเอง

ตรงนี้คือความย้อนแย้งที่ทีมไทยควรคิดต่อ โมเดลที่เปิดน้ำหนักคือโมเดลที่ถูกตรวจแบบนี้ได้ ส่วนโมเดลปิดตรวจไม่ได้ ถ้าเครื่องมือวัดร่องรอยการกลั่นพัฒนาไปโดยที่ไม่มีใครวัดฝั่งปิดได้เลย เราจะได้โลกที่แล็บเปิดถูกจับผิดตลอดเวลาส่วนแล็บปิดปลอดภัยเพราะไม่มีใครเข้าถึงน้ำหนักไปทดสอบ นั่นเป็นแรงจูงใจที่ผิดทิศสำหรับระบบนิเวศที่ประเทศอย่างไทยพึ่งพาโมเดลเปิดเป็นหลัก

ในทางปฏิบัติวันนี้ คำแนะนำคือ อย่าเปลี่ยนการตัดสินใจเรื่องโมเดลเพราะ gist นี้ ถ้าคุณใช้ Qwen3.8 อยู่และมันทำงานได้ ผลนี้ไม่ได้เปลี่ยนคุณภาพของมันแม้แต่นิดเดียว และไม่มีข้อกฎหมายใดที่กระทบผู้ใช้ปลายทาง สิ่งที่ควรทำแทนคือจับตาดูว่ามีใครทำซ้ำผลนี้ด้วยชุดโจทย์ของตัวเองได้ไหม — เพราะข้อจำกัดที่ใหญ่ที่สุดของงานนี้คือมันทำซ้ำไม่ได้โดยการออกแบบ และวิธีเดียวที่จะแก้คือให้คนอื่นสร้างชุดปริศนาลับของตัวเองขึ้นมาแล้ววัดใหม่ ซึ่งเป็นงานที่ทีมวิจัยไทยที่มีโจทย์ภาษาไทยของตัวเองอยู่แล้วทำได้ไม่ยาก และจะเป็นการมีส่วนร่วมที่มีค่ากว่าการถกกันบน X ว่าใครลอกใคร

แหล่งข่าว

• Reasoning prefills on a few open models, v1.1 — wsxiaoys (9-10 ก.ย. 2026)
• Reasoning prefills on a few open models (รอบแรก, 16 ส.ค. 2026)
• Stolen Thoughts — งานต้นทางของวิธีวัด
• เธรดอภิปรายบน Hacker News