Laya: โมเดลตัดสินใจ System 1 ขนาด 421M ใต้ Apache-2.0 — และตัวเลขภาษาไทยคือแถวที่กระโดดแรงที่สุดในตาราง 0.080 → 0.480

18 ก.ย. 2026 บัญชี Convai Innovations อัปโหลดโมเดลชื่อ Laya ขึ้น Hugging Face ใต้สัญญาอนุญาต Apache-2.0 — ภายในวันเดียวมันได้ไป 250 ไลก์ทั้งที่ยอดดาวน์โหลดยังเป็นศูนย์ ซึ่งเป็นรูปแบบที่บอกว่าคนกด “ดูไว้ก่อน” มากกว่าคนโหลดไปใช้ และ repo บน GitHub (NandhaKishorM/laya) ที่สร้างเมื่อ 18 ก.ย. เวลา 04:46 UTC ก็ขึ้นไป 503 ดาว ภายในวันกว่า ๆ

Laya อยู่ในคลาสเดียวกับ Jev ของ TypeSafe ที่เราเขียนถึงไปเมื่อ 16 ก.ย. และ 17 ก.ย. — โมเดลที่ไม่เขียนข้อความออกมาเลย แต่รับ “สถานะ” กับ “คำถามที่มีชนิด” แล้วคืนคำตอบพร้อมความน่าจะเป็นใน forward pass เดียว สิ่งที่ทำให้ Laya น่าสนใจกว่ารายอื่นในสัปดาห์นี้สำหรับผู้อ่านคนไทยโดยเฉพาะ อยู่ในตารางท้าย ๆ ของ BENCHMARKS.md: จาก 51 ภาษาบนชุด MASSIVE ภาษาไทยคือแถวที่ได้ประโยชน์จากการสลับเช็กพอยต์มากที่สุดในทั้งตาราง — ความแม่นยำขยับจาก 0.080 เป็น 0.480 (+0.400) และ ECE ลดจาก 0.881 เหลือ 0.336

สามเช็กพอยต์ เล็กกว่าที่คุณคิด และไม่ใช่ LLM

Laya ไม่ได้สร้างบน decoder ขนาดหลายพันล้านพารามิเตอร์ แต่สร้างบน encoder แบบ bidirectional ซึ่งเป็นการเลือกที่ต่างจาก Jevlike (Qwen) และ Bespoke Nimble (Qwen3.5-9B) อย่างชัดเจน:

เช็กพอยต์	encoder	พารามิเตอร์	context	ใช้กับ
convaiinnovations/laya	ModernBERT-large	421M	512	อังกฤษ
convaiinnovations/laya-multilingual	mmBERT-base	322M	1024	100+ ภาษา, เร็วขึ้น ~2 เท่า
convaiinnovations/laya-typed-decisions	ModernBERT-large	421M	1024	เวิร์กโฟลว์ตัดสินใจแบบมีชนิด

ไฟล์น้ำหนักจริงบน Hugging Face คือ 842 MB (model.safetensors) และ 644 MB สำหรับตัว multilingual — เล็กพอที่จะรันบน CPU ของเครื่องโน้ตบุ๊กได้ ไม่ต้องมี GPU

สถาปัตยกรรมตามที่ model card ระบุ: backbone ModernBERT-large (395M) fine-tune ทั้งตัว บวกหัวตัดสินใจที่เทรนจากศูนย์ — transformer 2 ชั้น + option-marker scorer + หัว act/escalate รวมเป็น 421M ทุกตัวเลือกถูกให้คะแนนที่โทเคน [MASK] ของตัวเอง แล้ว softmax ข้ามตัวเลือกของคำถามนั้น ๆ ซึ่งหมายความว่าพื้นที่คำตอบถูกนิยามตอนส่งคำขอ ไม่ต้องเทรนใหม่เมื่อ schema เปลี่ยน คำถามทุกข้อในหนึ่งคำขอถูกตอบใน forward pass เดียว

คำถามมีสามชนิด: choice (เลือกจากรายการ คืนความน่าจะเป็นต่อทุกตัวเลือก), score (ระดับตาม rubric แบบมีลำดับ คืนค่าคาดหวัง) และ noul (คืน P(true) แบบ calibrate แล้ว)

RLCD: เทรนด้วยกติกาที่การโกหกความมั่นใจไม่คุ้ม

จุดที่ทีมเรียกว่าเป็นวิธีของตัวเองคือ RLCD — Reinforcement Learning for Calibrated Decisions นโยบายรายงานการแจกแจงออกมา การสำรวจทำโดยเติม Gaussian noise ที่มีค่าเฉลี่ยศูนย์เข้าไปใน logits และ reward คือ strictly proper scoring rule (log + spherical บวก ranked probability score สำหรับคำถามแบบมีลำดับ)

ประเด็นของ strictly proper scoring rule คือ reward คาดหวังจะสูงสุดได้ทางเดียวเท่านั้น — คือรายงานความน่าจะเป็นตามที่เชื่อจริง ๆ โมเดลที่พูดว่า “มั่นใจ 0.99” ทั้งที่ควรเป็น 0.7 จะโดนหักคะแนนในระยะยาว การอัปเดตใช้ REINFORCE กับ baseline แบบ group-mean (สไตล์ GRPO) บทสนทนาหลายเทิร์นใช้ TD(λ=1.0) บน prefix slice

ต้นทุนทั้งหมด: 7,313 อัปเดต, 1 epoch, ราว 1.96 ชั่วโมง — นี่คือตัวเลขที่ควรอ่านซ้ำ เพราะมันแปลว่าคลาสโมเดลนี้อยู่ในงบที่ทีมเล็กหรือแล็บมหาวิทยาลัยทำเองได้

ความเร็วจริง และตัวเลขเทียบ Jev ที่ต้องอ่านเงื่อนไข

วัดบน Tesla T4 (ไม่ใช่ H100):

คำถามต่อการเรียก	laya	laya-multilingual
1	39.5 ms	32.8 ms
10	158.6 ms (15.9 ms/ข้อ)	72.3 ms (7.2 ms/ข้อ)
50	771 ms	337 ms (6.8 ms/ข้อ)

ทีมอ้างอิง Jev ที่ถูกวัดโดยบุคคลที่สาม (AbdelStark, nibzard) ไว้ที่ 236–276 ms p50 ทำให้ Laya เร็วกว่าราว 6–8 เท่าต่อคำถามเดี่ยว

ส่วนตารางเทียบคุณภาพกับ Jev นั้น model card ระบุเงื่อนไขไว้เองอย่างตรงไปตรงมา ว่าตัวเลข Jev ทั้งหมดเป็นค่าที่ผู้อื่นเผยแพร่ ไม่ได้วัดเอง (ทีมไม่มีสิทธิ์เข้าถึง API ของ TypeSafe) และ sample size กับ prompt ต่างกัน — นั่นคือข้อจำกัดที่ต้องพกติดไปด้วยทุกครั้งที่อ้างตารางนี้:

	Jev 1.13.0 (เผยแพร่)	Laya (routed)
typed-decisions, 2,000 การตัดสิน	0.727	0.766
AG News (4 ป้าย)	0.910	0.950
DAIR Emotion (6 ป้าย)	0.480	0.595
ECE (ต่ำกว่าดีกว่า)	0.246	0.081
p50 latency 1 คำถาม	236–276 ms	32.8 ms
น้ำหนัก	API ปิด	Apache-2.0

ข้อสังเกตจาก card: บน DAIR Emotion นั้น Jev ให้ความน่าจะเป็นเป็นศูนย์กับป้ายที่ถูกต้องใน 16% ของตัวอย่าง

ภาษาไทยในตาราง 51 ภาษา — และกับดักที่ต้องอ่านให้จบ

นี่คือส่วนที่เกี่ยวกับผู้อ่านไทยโดยตรง บนงาน MASSIVE intent ที่มี 20 ตัวเลือก (สุ่ม = 0.050):

	laya (อังกฤษ)	laya-multilingual
macro accuracy ทั้ง 51 ภาษา	0.2269	0.3661
macro ECE	0.7331	0.3869
ภาษาที่ทำได้เกิน 3 เท่าของการสุ่ม	23 / 51	45 / 51

และแถวบนสุดของตารางรายภาษา (เรียงตามส่วนต่างที่ได้จากการ route) คือ:

ภาษา	laya	laya-multilingual	Δ	ECE (อังกฤษ)	ECE (multilingual)
th ไทย	0.080	0.480	+0.400	0.881	0.336
ko เกาหลี	0.110	0.450	+0.340	0.850	0.329
hi ฮินดี	0.100	0.430	+0.330	0.850	0.321
vi เวียดนาม	0.060	0.260	+0.200	0.891	0.521
km เขมร	0.000	0.180	+0.180	0.952	0.412

อ่านตารางนี้ให้ครบมีสามชั้น

ชั้นแรก — ถ้าใช้เช็กพอยต์ผิด ภาษาไทยพังสนิท 0.080 บนงาน 20 ตัวเลือกคือแค่ 1.6 เท่าของการเดาสุ่ม ใช้งานจริงไม่ได้

ชั้นที่สอง — และมันพังแบบมั่นใจ ECE 0.881 ของ laya บนภาษาไทยแปลว่าโมเดลตอบผิดโดยยังบอกว่ามั่นใจสูง BENCHMARKS.md เขียนไว้ตรง ๆ ว่าเช็กพอยต์อังกฤษ “ไม่ได้เสื่อมอย่างนุ่มนวลนอกภาษาอังกฤษ — มันพังทลาย และยังมั่นใจขณะพัง” ตัวอย่างที่ยกคือภาษาเขมร: ความแม่นยำ 0.000 ที่ความมั่นใจ 0.952 และความมั่นใจเฉลี่ยของมันไม่เคยลดต่ำกว่า 0.885 ที่ระดับความแม่นยำใด ๆ เลย แปลว่า การกรองด้วย confidence threshold จับไม่ได้ ซึ่งเป็นเหตุผลที่ทีมทำ routing ก่อน forward pass แทนที่จะทำหลัง

สำหรับทีมไทยและ SEA นี่คือบทเรียนที่ใหญ่กว่าตัวโมเดล: encoder ที่เทรนบนภาษาอังกฤษไม่ได้ “อ่อนลง” กับภาษาไทย มันตอบมั่วด้วยความมั่นใจเท่าเดิม ถ้า pipeline ของคุณใช้ค่าความมั่นใจเป็นเกตกัน fallback อยู่ เกตนั้นจะไม่ทำงาน

ชั้นที่สาม — 0.480 ก็ยังไม่ใช่ production ต่อให้ route ถูกแล้ว 0.480 บน intent 20 ทาง แปลว่าผิดเกินครึ่ง มันดีพอสำหรับชั้นคัดกรองหยาบ ๆ ที่มีมนุษย์หรือโมเดลใหญ่รออยู่ข้างหลัง แต่ไม่ใช่ตัวตัดสินสุดท้าย และคำว่า “45 จาก 51 ภาษาใช้ได้” ในตารางหัวเรื่องนั้น นิยามของ “ใช้ได้” คือ เกิน 3 เท่าของการสุ่ม เท่านั้น — ไม่ใช่เกณฑ์ production

ทีมบอกเองว่าตรงไหนพัง

สิ่งที่ทำให้ repo นี้น่าเชื่อกว่าค่าเฉลี่ยคือส่วน “where it is weak” ที่เขียนเองใน BENCHMARKS.md:

• Moderation (toxic-chat, held out): 0.530 macro-F1 0.400 — “แทบไม่ต่างจากการเดาบน split ที่สมดุล” และเขียนต่อว่า Space เดโมมีแท็บ Moderation ที่ “ตัวอย่างที่เลือกมาเองใช้ได้ แต่ทราฟฟิกจริงไม่ได้”
• Guardrails / jailbreak detection: 0.708–0.762 — เรียกว่า “ตัวเลขที่ซื่อสัตย์” สอดคล้องกันบนสองชุดข้อมูลที่ไม่เกี่ยวกัน
• banking77 แพ้ชัด ที่ 0.425 เท่ากันทั้งสองเช็กพอยต์ ซึ่งทีมวินิจฉัยว่าเป็นเพดานเชิงสถาปัตยกรรม ไม่ใช่ความสามารถ: ตัวเลือกใน choice แชร์งบ head_max_len ร่วมกัน พอมี 77 ป้าย แต่ละป้ายเหลือราว 4 โทเคนจนแยกกันไม่ออก คำแนะนำคือให้คำถามแบบ choice มีตัวเลือกไม่เกินราว 20 ตัว
• เช็กพอยต์พื้นฐานทั้งสองตัวส่งมาแบบ over-confident และ laya-multilingual ส่งมาโดยไม่มี fitted temperature เลย ทีมบอกเองว่าการ refit temperature หนึ่งค่าต่อ (ชนิดคำถาม, จำนวนตัวเลือก) บนข้อมูลของคุณเองคือการแก้ที่คุ้มที่สุด
• บนเบนช์มาร์ก typed-decisions เช็กพอยต์พื้นฐานสองตัวอยู่ ต่ำกว่า majority-class baseline (0.461) — ที่ 0.362 และ 0.342 ความสามารถบนงานนี้มาจากการ fine-tune (laya-typed-decisions ที่ 0.766) ไม่ใช่จากตัว base

มุมมอง AI Curator

สัปดาห์นี้มีของเลียนแบบ Jev ออกมาอย่างน้อยสี่ตัว Laya เป็นตัวที่เราคิดว่าน่าใช้เวลากับมันที่สุด ไม่ใช่เพราะตัวเลขสวยที่สุด แต่เพราะมันเลือกเส้นทางสถาปัตยกรรมที่ต่างจากคนอื่นแล้วยอมโชว์ว่าเส้นทางนั้นแพ้ตรงไหน

ทุกคนอื่นที่ไล่ตาม Jev หยิบ decoder LLM มา แล้วบังคับให้มันไม่ decode — Jevlike ใช้ Qwen, Bespoke Nimble LoRA บน Qwen3.5-9B, SemIf รัน MiniCPM5 2B ในเบราว์เซอร์ Laya เดินกลับไปหยิบ encoder ซึ่งเป็นของที่วงการ NLP ทิ้งไว้ข้างทางตั้งแต่ยุค generative มาถึง แล้วถามคำถามที่ควรจะถามตั้งแต่แรกว่า: ถ้างานคือ “เลือกหนึ่งจากรายการที่ให้มา” เราต้องการโมเดลที่เขียนภาษาได้จริงหรือ คำตอบที่ตัวเลขบอกคือ 421M กับ encoder แบบสองทิศทาง ชนะ 9B ที่ถูกบังคับให้เงียบ ในเรื่องความเร็วอย่างไม่ต้องเถียง — 32.8 ms บน T4 กับ 100 ms บน H100 ไม่ใช่การแข่งขันที่สูสี

แต่เหตุผลที่เราให้พื้นที่โพสต์นี้เยอะกว่าปกติอยู่ที่ตารางภาษา และเราอยากให้ผู้อ่านไทยจำตัวเลขคู่นี้ไว้: 0.000 ความแม่นยำ ที่ 0.952 ความมั่นใจ — นั่นคือภาษาเขมรบนเช็กพอยต์อังกฤษ ภาษาไทยไม่ได้แย่ขนาดนั้น (0.080 ที่ ECE 0.881) แต่อยู่ในโหมดความล้มเหลวเดียวกันทุกประการ นี่ไม่ใช่ปัญหาเฉพาะของ Laya มันคือพฤติกรรมของโมเดลอังกฤษแทบทุกตัวที่ทีมไทยเอาไปวางในไปป์ไลน์ แล้วเขียนเงื่อนไข if confidence > 0.8 ครอบไว้เพราะคิดว่าปลอดภัย เกตนั้นจะไม่เคยทำงาน เพราะโมเดลไม่เคยไม่มั่นใจ

บทเรียนเชิงปฏิบัติคือ ให้เราเตอร์ตัดสินก่อนโมเดลตัดสิน — ตรวจภาษาของอินพุตก่อน แล้วค่อยเลือกเช็กพอยต์ ไม่ใช่ปล่อยให้โมเดลเดาแล้วหวังว่ามันจะบอกเองว่าไม่รู้ และถ้าทีมไหนในไทยจะลงแรงกับคลาสโมเดลนี้ ช่องที่เปิดอยู่ชัดมาก: 0.480 บน MASSIVE ภาษาไทยคือเพดานที่ต่ำพอจะทุบได้ ด้วย RLCD ที่ใช้งบ 7,313 อัปเดตกับเวลาไม่ถึงสองชั่วโมง บวกข้อมูลตัดสินใจภาษาไทยจริงสักสองสามพันแถว ตัวเลขนี้ควรขยับได้อีกมาก และเมื่อโค้ดกับน้ำหนักเป็น Apache-2.0 ทั้งก้อน ไม่มีอะไรขวางนอกจากคนลงมือ

สิ่งที่เรายังไม่เชื่อคือตารางเทียบ Jev — เพราะ card เองยอมรับว่าไม่ได้วัด Jev ด้วยมือตัวเอง ใช้ตัวเลขที่คนอื่นเผยแพร่ บน sample size และ prompt คนละชุด การเทียบแบบนั้นบอกได้แค่ว่า “อยู่ในย่านเดียวกัน” ไม่ได้บอกว่าใครชนะ ถ้ามีใครมี API key ของ TypeSafe แล้วรันทั้งสองตัวบนชุดเดียวกันจริง ๆ นั่นคือตัวเลขที่เราจะกลับมาเขียนถึง

แหล่งข่าว

• convaiinnovations/laya — Hugging Face model card
• NandhaKishorM/laya — GitHub (Apache-2.0)
• BENCHMARKS.md — ผลทุกภาษาและทุกเวิร์กโฟลว์
• convaiinnovations/laya-multilingual — เช็กพอยต์ 100+ ภาษา