InternLM ปล่อย Intern-Decision — โมเดลตัดสินใจแบบเปิดตัวแรกที่ค่าเฉลี่ยแซง Jev (90.02 ต่อ 88.74) ขนาด 4B รับภาพได้ Apache-2.0 แต่ยังแพ้ Jev ชัดเรื่องกันเจลเบรก

กระแส “โมเดลตัดสินใจ” ที่เริ่มจาก Jev ของ TypeSafe มีผู้เล่นเพิ่มอีกราย และครั้งนี้เป็นแล็บใหญ่ InternLM ของ Shanghai AI Lab อัปโหลด Intern-Decision-0.8B, 2B และ 4B ขึ้น Hugging Face เมื่อ 26 ก.ย. 2026 พร้อมรีโป GitHub ที่มีโค้ดเทรน, backend สำหรับ inference สองแบบ, ตัวให้คะแนนเบนช์มาร์ก และเดโมบนเบราว์เซอร์ น้ำหนักทั้งสามขนาดใช้ Apache-2.0 (มีไฟล์ LICENSE จริงในรีโป HF พร้อม LICENSE-QWEN ของโมเดลฐาน)

ตัวเลขที่ทำให้น่าสนใจคือ Intern-Decision-4B ได้ค่าเฉลี่ย 90.02% บนชุดทดสอบ 7 ชุด เทียบกับ 88.74% ของ Jev เท่าที่เราติดตามมา นี่เป็นโมเดลตัดสินใจแบบเปิดตัวแรกที่รายงานค่าเฉลี่ยแซง Jev ได้ ส่วน Kev, GLiNER2.5-Decide กับ Julia 1 ยังตามอยู่ทั้งหมด แต่เมื่อดูรายชุดแล้ว ภาพไม่ได้ขาวดำขนาดนั้น

ทำงานอย่างไร

Intern-Decision fine-tune เฉพาะส่วนภาษาของ Qwen3.5 และแช่แข็ง vision tower กับ projector ไว้ จึง รับภาพเป็นอินพุตได้ รูปแบบคำขอเหมือนตระกูล Jev คือส่ง state กับชุดคำถามแบบ typed ได้สามแบบ ได้แก่ choice, score และ noul (ใช่/ไม่ใช่)

เทคนิคคือเรนเดอร์ JSON โครงคำตอบที่มี placeholder <decision> หนึ่งตัวต่อหนึ่งฟิลด์ แล้วอ่าน logit ที่ตำแหน่ง ก่อนหน้า placeholder แต่ละตัว จำกัดเฉพาะสัญลักษณ์ตัวเลือกที่อนุญาต (A–Z, a–z, 0–9) แล้วทำ softmax ทุกฟิลด์จึงได้คำตอบใน forward pass เดียว โดยไม่เรียก generate() เลย จากนั้นปรับความน่าจะเป็นด้วย temperature ที่ fit แยกให้แต่ละ checkpoint (ของรุ่น 4B คือ T≈1.99)

ตัวเลข: ชนะที่ไหน แพ้ที่ไหน

ชุดทดสอบ (จำนวนแถว)	Jev	Intern-Decision-4B
Jevbench-Easy (48)	100.00	100.00
Jevbench-Original (72)	98.61	98.61
Jevbench-Hard (111)	72.07	73.87
Typed Decision (400 แถว / 2,000 การตัดสินใจ)	73.35	80.55
ToolACE (310)	91.29	96.45
AG News (7,600)	89.57	90.82
WildJailBreak (2,210)	96.29	89.86
ค่าเฉลี่ย	88.74	90.02

• ช่องว่างส่วนใหญ่มาจาก Typed Decision (+7.2) และ ToolACE (+5.2) ขณะที่ WildJailBreak แพ้ 6.4 จุด ถ้าจะใช้เป็นตัวกรอง prompt อันตราย Jev ยังดีกว่าชัดเจน
• ค่าเฉลี่ยเป็น ค่าเฉลี่ยแบบไม่ถ่วงน้ำหนัก Jevbench-Easy ที่มี 48 แถวจึงมีน้ำหนักเท่ากับ AG News ที่มี 7,600 แถว
• latency บน RTX 4090: รุ่น 4B เฉลี่ย 44.16 ms (P95 44.60 ms) ส่วนรุ่น 0.8B และ 2B อยู่ราว 33–34 ms เทียบกับ Jev 109.70 ms แต่ Jev เป็นบริการ API ที่ไม่มีน้ำหนักให้รันเอง ตัวเลขของ Jev จึงน่าจะรวมเวลาเครือข่ายด้วย การเทียบนี้จึงไม่ใช่การเทียบแบบเดียวกัน
• calibration: บนชุดทดสอบ 96 เคสที่รู้ distribution จริง รุ่น 4B หลังปรับ temperature ได้ Brier/ECE 0.550 / 0.089 เทียบกับ Jev 0.595 / 0.130

ข้อจำกัดที่ทีมเขียนไว้เอง

เอกสารประเมินผลของรีโปเขียนไว้ตรง ๆ ว่า Jevbench สาธารณะเป็นแค่ “development diagnostic” ไม่ใช่หลักฐานแบบ held-out ที่เป็นอิสระ รีโปไม่มีข้อมูลเทรนและไม่มีสคริปต์รัน baseline ภายนอก จึงรันซ้ำได้เฉพาะแถวของ Intern-Decision เอง ไม่สามารถสร้างตารางเทียบทั้งหมดขึ้นใหม่ได้ ข้อมูลที่ใช้เลือก temperature ก็ไม่ได้เผยแพร่ ส่วนชุดทดสอบ 96 เคสเป็นแค่งานนำร่องขนาดเล็กที่ตัวเลือกจับคู่กัน ไม่ใช่ 96 การทดลองอิสระ ทีมยังเตือนด้วยว่า backend แบบ HF และแบบ XTuner ต้องแยก virtualenv เพราะใช้ Transformers คนละเวอร์ชัน

มุมมอง AI Curator

ข่าวนี้มีความหมายเพราะ ปิดช่องว่างระหว่าง API ปิดกับโมเดลเปิดได้ภายในสองสัปดาห์ Jev เปิดตัว 16 ก.ย. และภายใน 10 วันก็มีโมเดล Apache-2.0 ขนาด 4B ที่รันบนการ์ดจอเกมมิ่งได้และรายงานว่าเท่าหรือดีกว่าบนชุดทดสอบเดียวกัน อีกข้อที่เป็นข้อได้เปรียบจริงคือ รับภาพได้ งานอย่างตรวจภาพสลิปโอนเงิน, คัดแยกเอกสารสแกน หรือให้เอเจนต์ดูภาพหน้าจอแล้วตัดสินใจ (ซึ่งเดโมของทีมทำกับ Doom, Mario และ browser use) ทำได้ใน forward pass เดียวบนเครื่องของตัวเอง ข้อมูลไม่ต้องออกนอกองค์กร ซึ่งสำคัญกับบริษัทไทยที่ต้องทำตาม PDPA

แต่อย่าเพิ่งอ่านว่า “แซง Jev แล้ว” แบบตรงตัว ช่องว่าง 1.3 จุดมาจากสองชุดทดสอบที่ไม่รู้ว่าใกล้กับข้อมูลเทรนแค่ไหน เพราะข้อมูลเทรนไม่ได้เปิด ส่วนชุดที่วัดความทนทานต่อ jailbreak กลับแพ้ชัด วิธีที่ถูกคือเอาชุดข้อมูลจริงของคุณมาสักสองสามร้อยแถว แล้วรันเทียบ Intern-Decision, Jev และ เทคนิคโทเคนเดียวบน GLM-5.3-Flash ด้วยตัวเอง และที่ยังไม่มีใครตอบเลยคือ ภาษาไทย Qwen3.5 รู้ภาษาไทยพอใช้ แต่ชุดทดสอบทั้ง 7 ชุดเป็นภาษาอังกฤษทั้งหมด ใครจะใช้กับ ticket หรือแชตลูกค้าภาษาไทยต้องวัดเอง

แหล่งข่าว

• internlm/Intern-Decision — GitHub (โค้ดเทรน, inference, เบนช์มาร์ก)
• internlm/Intern-Decision-4B — Hugging Face (26 ก.ย. 2026, Apache-2.0)
• EVALUATION.md — ขนาดชุดทดสอบและข้อจำกัดของการเทียบ