Atria Dawn Preview: โมเดล agentic 744B จาก Shanghai AI Lab ที่วางน้ำหนัก 1.51 TB ไว้บน Hugging Face — ติดป้าย MIT แต่ในรีโปไม่มีไฟล์ LICENSE

ตามเก็บย้อนหลัง — เปเปอร์ Atria Dawn ขึ้น arXiv วันที่ 14 ก.ย. 2026 (แก้เป็น v2 วันที่ 17) และการ์ดโมเดลบน Hugging Face แก้ครั้งสุดท้าย 16 ก.ย. เราพลาดไปหนึ่งรอบ แต่มันใหญ่พอที่จะไม่ปล่อยผ่าน: Shanghai Artificial Intelligence Laboratory วางน้ำหนักเต็มของโมเดล agentic ขนาด 744B พารามิเตอร์ ไว้บน Hugging Face ในชื่อ internlm/Atria-Dawn-Preview — safetensors 353 ชิ้น รวม 1.51 TB แบบ bfloat16 พร้อมรุ่น FP8 แยกอีกตัว

ที่น่าสนใจกว่าขนาดคือ ที่มา: การ์ดโมเดลบอกตรง ๆ ว่ามันถูกสร้างบน “744B-parameter MoE GLM-5.2 foundation model” — นั่นคือโมเดลฐานเปิดของ Z.ai ซึ่งอยู่ใต้ MIT เช่นกัน พูดอีกอย่าง นี่คือกรณีตัวอย่างที่ชัดเจนที่สุดของสิ่งที่ระบบนิเวศโมเดลเปิดควรจะทำได้ — แล็บหนึ่งปล่อยฐาน อีกแล็บหนึ่งเอาไปเทรนต่อเป็น agent แล้วปล่อยกลับออกมาเปิดเหมือนกัน

สเปกที่อ่านจาก config.json ไม่ใช่จากบล็อกประกาศ

ตัวเลขข้างล่างนี้อ่านจาก config.json ในรีโปโดยตรง ไม่ใช่จากคำโฆษณา:

• สถาปัตยกรรม GlmMoeDsaForCausalLM — MoE ตระกูล GLM ที่ใส่ sparse attention แบบมี indexer (DSA)
• 78 เลเยอร์, hidden size 6144, attention heads 64, vocab 154,880
• routed experts 256 ตัว + shared expert 1 ตัว, เปิดใช้ 8 ตัวต่อโทเคน และสามเลเยอร์แรกเป็น dense ก่อนจะเริ่ม sparse
• num_nextn_predict_layers: 1 — มีหัว MTP สำหรับ speculative decoding มาให้ในตัว
• max_position_embeddings: 1048576 ในไฟล์ config แต่ ตารางดาวน์โหลดในการ์ดระบุคอนเท็กซ์ที่ 256K และ catalog ตัวอย่างสำหรับ Codex ก็ตั้ง context_window: 256000 — ตัวเลขที่ควรยึดสำหรับการใช้งานจริงคือ 256K
• attention budget: indexer ให้คะแนนคอนเท็กซ์ทีละบล็อก 4 โทเคน แล้วเข้า attend เฉพาะบล็อกอันดับต้น (index_topk: 2048)

รันเองได้ผ่าน SGLang v0.5.13.post1+ หรือ vLLM v0.23.0+ โดยการ์ดชี้ไปที่ cookbook/recipe ของ GLM-5.2 ตรง ๆ — ซึ่งเป็นการยืนยันสายเลือดอีกชั้นหนึ่ง

เบนช์มาร์ก: ชนะ 5 จาก 16 แต่แพ้ Opus 5 ในงานเขียนโค้ด

ตารางในการ์ดเทียบกับ DeepSeek V4 Pro, Kimi K3, Qwen3.8 Max, GLM 5.3, GPT 5.6 และ Claude Opus 5 ทั้งหมดเป็นตัวเลขที่ผู้ปล่อยโมเดลรายงานเอง ยังไม่มีการวัดอิสระ ดังนั้นอ่านแบบระวัง ที่ Atria ขึ้นเป็นที่หนึ่งคือ:

เบนช์มาร์ก	Atria Dawn	ที่สองในตาราง
DeepSearchQA	96.0	Kimi K3 95.9
BrowseComp	92.5	GPT 5.6 92.2
BFCL v4 (tool use)	77.0	GLM 5.3 74.1
AutomationBench	53.8	Qwen3.8 Max 49.7
CyberGym	86.5	GLM 5.3 84.5

แต่ภาพจะกลับด้านทันทีเมื่อไปดูงาน “เขียนโค้ดจริง”: SWE-bench Pro อยู่ที่ 59.6 ขณะที่ Claude Opus 5 ทำ 74.7 และ Terminal-Bench 2.1 ได้ 78.3 เทียบกับ Opus 5 ที่ 90.2 ส่วน JobBench 50.3 เทียบกับ 68.0 — ช่องว่างระดับ 12–15 จุดนี้ไม่ใช่ noise

อ่านรวม ๆ แล้ว Atria เก่งด้าน ค้นหา–รวบรวมหลักฐาน–เรียกเครื่องมือ–ตรวจช่องโหว่ มากกว่าด้าน ลงมือแก้โค้ดใน repo จริง ซึ่งตรงกับที่ทีมประกาศว่าโฟกัสสี่มิติ: Discovery, Creation, Delivery, Cybersecurity

ใบอนุญาต: ป้ายบอก MIT แต่ไฟล์หายไป

ตรงนี้ควรพูดให้ชัด เพราะเป็นจุดที่คนหยิบไปใช้ต้องตัดสินใจเอง:

• metadata ของการ์ดโมเดลระบุ license: mit และแบดจ์บน README ก็เขียนว่า MIT
• แต่แบดจ์นั้นลิงก์ไปที่ LICENSE ในรีโป ซึ่งดึงแล้วได้ Entry not found — ไฟล์รายการใน HF API ก็ไม่มี LICENSE อยู่จริง มีแค่ README, config, tokenizer และ safetensors
• โมเดลฐาน zai-org/GLM-5.2 ประกาศ MIT และมีไฟล์ LICENSE อยู่ในรีโปจริง ดังนั้นสายทอดต้นทางไม่ได้ขัดกัน

สรุปคือ เจตนาชัดว่าเป็น MIT แต่เอกสารสิทธิ์ที่จะยื่นให้ฝ่ายกฎหมายตอนนี้ยังไม่มีในรีโป ถ้าคุณจะเอาไปใช้เชิงพาณิชย์ นี่คือช่องที่ควรขอให้ปิดก่อน — และเป็นบทเรียนเดิมที่เราเจอซ้ำ ๆ: อย่าอ่านใบอนุญาตจากแบดจ์ ให้ไปเปิดไฟล์

เปเปอร์พูดถึงคนมากกว่าพูดถึงโมเดล

ส่วนที่แปลกและน่าอ่านที่สุดของ arXiv:2609.15818 ไม่ใช่ตารางเบนช์มาร์ก แต่เป็นบทที่ทีมเอา กระบวนการสร้างโมเดลตัวเองมาเป็น case study พวกเขาวิเคราะห์ บันทึกงาน 769 รายการจากผู้เข้าร่วม 56 คน พร้อม log ของเอเจนต์ แล้วรายงานว่า

“participants rated about one-third of completed AI-assisted tasks as infeasible without AI”

และข้อสังเกตที่คมกว่านั้น: เอเจนต์มักเป็นฝ่าย เสนอวิธีและลงมือแก้ ขณะที่มนุษย์ยัง ถือการตัดสินใจขั้นสุดท้ายและกำหนดทิศทางการสำรวจ ทีมเรียกสิ่งนี้ว่าการขยับจาก “task-level execution” ไปเป็น “project-level partnership”

มุมมอง AI Curator

เรื่องที่ควรจำจากการปล่อยครั้งนี้ ไม่ใช่ว่า 744B ใหญ่แค่ไหน แต่คือ โครงสร้างของระบบนิเวศโมเดลเปิดจีนกำลังกลายเป็นชั้น ๆ แบบที่ฝั่งตะวันตกยังไม่มี — Z.ai ปล่อย GLM-5.2 ใต้ MIT, Shanghai AI Lab เอาไปเทรนต่อเป็น agent แล้วปล่อยกลับออกมาเปิด, แล้ว SGLang/vLLM รองรับได้ทันทีเพราะเป็นสถาปัตยกรรมเดียวกัน นี่คือการแบ่งงานกันแบบที่ต้นทุนการเข้ามาร่วมต่ำลงเรื่อย ๆ ในทางตรงข้าม ฝั่งที่มีโมเดลเก่งที่สุด (Opus 5 ซึ่งชนะ Atria ขาดลอยใน SWE-bench Pro และ Terminal-Bench) ยังเป็นน้ำหนักปิดทั้งหมด

สำหรับนักพัฒนาไทยและ SEA ความหมายในทางปฏิบัติคืออะไร? ตรง ๆ คือ ยังไม่ใช่โมเดลที่คุณจะรันเองได้ — 1.51 TB แบบ bf16 ต้องใช้คลัสเตอร์ ไม่ใช่เวิร์กสเตชัน ถึงจะมี FP8 ให้ก็ยังอยู่ระดับหลายร้อย GB สิ่งที่ใช้ได้จริงวันนี้คือ API (มี endpoint แยกสำหรับต่างประเทศกับจีน) หรือรอ community ทำ quantization ลงมา แต่สิ่งที่มีค่ากว่าในระยะยาวคือ น้ำหนักมันอยู่ที่นั่นจริง — แปลว่าใครก็ได้ที่มีงบ สามารถเอาไป fine-tune ต่อบนข้อมูลภาษาไทยหรืองานเฉพาะทางได้ โดยไม่ต้องขออนุญาตใคร ซึ่งเป็นสิ่งที่ทำกับ Opus 5 หรือ GPT 5.6 ไม่ได้เลย

และข้อสังเกตสุดท้ายที่อยากฝากไว้: การที่ Atria ทำ CyberGym 86.5 สูงสุดในตาราง ในขณะที่สัปดาห์เดียวกันนี้มีเปเปอร์จาก Harvard ออกมาแสดงว่าโมเดลสามารถ fingerprint แล้วเจาะ inference engine ที่รันตัวเองได้ — สองเรื่องนี้กำลังเดินเข้าหากัน โมเดลที่เก่งเรื่อง “หาและยืนยันช่องโหว่” และโมเดลที่ “หาช่องโหว่ในกรงของตัวเอง” คือความสามารถเดียวกัน ต่างกันแค่ว่าใครเป็นคนชี้เป้า

แหล่งข่าว

• Atria Dawn Preview — การ์ดโมเดลบน Hugging Face (internlm/Atria-Dawn-Preview)
• Atria Dawn: The Dawn of Agentic Superintelligence — arXiv:2609.15818 (14 ก.ย. 2026, v2 17 ก.ย.)
• zai-org/GLM-5.2 — โมเดลฐานใต้ MIT พร้อมไฟล์ LICENSE
• Atria API Console — เอกสารสำหรับเรียกใช้แบบ hosted