Bilibili เปิด Index-Translate โมเดลแปลภาษาแบบเปิด (Apache-2.0) รองรับ 150 ภาษา ภาษาไทยเป็นหนึ่งใน 22 ภาษาหลัก — รุ่น 35B-A3B ได้ FLORES สูงสุดในรายงาน และวันนี้มี GGUF ให้รันในเครื่องแล้ว
ทีม Index ของ Bilibili เปิดตัว Index-Translate ตระกูลโมเดลแปลภาษาแบบ open-weight ไลเซนส์ Apache-2.0 ที่ต่อยอดจาก Qwen3.5 โดยรายงานทางเทคนิคขึ้น arXiv เมื่อ 30 ก.ย. 2026 พร้อมน้ำหนักรุ่น 2B และ 9B (repo บน Hugging Face สร้างตั้งแต่ 28 ก.ย.) ส่วนรุ่นใหญ่ Index-Translate-35B-A3B-preview ปรากฏบน Hugging Face วันที่ 2 ต.ค. และวันนี้ 3 ต.ค. ทีมปล่อยไฟล์ GGUF สำหรับ llama.cpp และ FP8 สำหรับ vLLM ครบทุกขนาด
นี่ไม่ใช่โมเดลแชตที่แปลได้เป็นของแถม แต่เป็นโมเดลที่ฝึกมาเพื่องานแปลโดยเฉพาะ รองรับ 150 ภาษา และทำตาม “ข้อกำหนด” ของงานแปลได้ เช่น บังคับใช้ศัพท์ตาม glossary คงโครงสร้าง JSON/CSV/markdown ไม่แตะโค้ดและ placeholder อย่าง {variable} ปรับน้ำเสียงทางการหรือภาษาโซเชียล และเข้าใจมีมหรือคำแสลง เรื่องที่คนไทยควรสนใจคือ ในภาคผนวกของรายงาน ภาษาไทยอยู่ในกลุ่ม 22 ภาษาหลัก (core) ร่วมกับเวียดนาม มาเลย์ อินโดนีเซีย และฟิลิปปินส์ ไม่ได้อยู่ในกลุ่มภาษาเสริมอีก 128 ภาษา
สามขนาด และรุ่นไหนรันบนเครื่องอะไรได้
ตาม config.json รุ่น 35B-A3B ใช้สถาปัตยกรรม qwen3_5_moe มี 40 ชั้น ใช้ linear attention 3 ชั้นสลับกับ full attention 1 ชั้น มี expert 256 ตัว เลือกใช้ 8 ตัวต่อโทเคน (active ราว 3B) และรองรับ context ได้ถึง 262,144 โทเคน ขนาดไฟล์ GGUF ที่ทีมทำออกมาเองมีดังนี้
| รุ่น | ไฟล์ Q4_K_M | Q8_0 | หมายเหตุ |
|---|---|---|---|
| Index-Translate-35B-A3B-preview | 21.7 GB | 37.8 GB | IQ4_XS 19.4 GB, Q2_K 13.3 GB |
| Index-Translate-9B | 5.8 GB | 9.8 GB | dense |
| Index-Translate-2B | — | — | มี GGUF และ FP8 เช่นกัน |
แปลว่ารุ่น 9B แบบ Q4 รันบนการ์ดจอ 8 GB ได้สบาย ส่วนรุ่น 35B-A3B แบบ Q4 ต้องใช้ VRAM ราว 24 GB หรือ Mac ที่มี unified memory 32 GB ขึ้นไป แต่เพราะ active แค่ 3B จึงยังถอดรหัสได้เร็ว ไฟล์ GGUF ทุกตัวแถม mmproj สำหรับ vision มาด้วยเพราะสืบทอดมาจาก Qwen3.5 ตัว client translate.py ในรีโปคุยกับเซิร์ฟเวอร์แบบ OpenAI-compatible ที่ http://127.0.0.1:8000/v1 ปิด thinking และใช้ greedy decoding เป็นค่าเริ่มต้น
ตัวเลขจากรายงาน และสิ่งที่ต้องอ่านให้ละเอียด
ตารางหลักใน model card (ยิ่งสูงยิ่งดี) เลือกมาบางคอลัมน์
| โมเดล | FLORES COMET-22 | WMT26 Judge (0–100) | instTrans IFscore | low-resource off-target ↓ |
|---|---|---|---|---|
| Index-Translate-35B-A3B (preview) | 0.8794 | 76.76 | 0.8336 | 2.4% |
| Index-Translate-9B | 0.8789 | 75.35 | 0.8209 | 4.0% |
| Hy-MT2-30B-A3B | 0.8787 | 66.81 | 0.6415 | 14.5% |
| TranslateGemma-12B | 0.8732 | 71.19 | 0.3068 | 1.7% |
| DeepSeek-V4.1-Flash | 0.8762 | 83.55 | 0.6374 | 1.3% |
| GPT-5.6-Sol | 0.8650 | 89.10 | 0.7624 | 10.4% |
มีสามเรื่องที่ควรรู้ก่อนเชื่อตัวเลข เรื่องแรก WMT26 Judge และ instTrans ใช้ GPT-5.6-Sol เป็นผู้ให้คะแนน และ GPT-5.6-Sol เองก็ได้คะแนน WMT26 Judge สูงสุดในตาราง (89.10) ส่วน Index-Translate ได้ 76.76 เท่านั้น ในตัวชี้วัดที่ใช้ reference อย่าง COMET ช่องว่างแทบไม่มี แต่ในตัวชี้วัดที่ให้ LLM ตัดสิน Index-Translate ยังตามโมเดลปิดอยู่ไกล เรื่องที่สอง รุ่น 9B ได้คะแนนแทบเท่ารุ่น 35B และชนะในบางคอลัมน์ (WMT24++ 0.8601 ต่อ 0.8586) ถ้าเน้นแปลทั่วไปและฮาร์ดแวร์จำกัด รุ่น 9B คุ้มกว่า รุ่น 35B ชนะชัดเจนจริงเฉพาะงานภาษาที่มีข้อมูลน้อย (off-target 2.4% เทียบกับ 4.0%) เรื่องที่สาม รายงานไม่มี คะแนนแยกรายภาษา ของงานแปลข้อความ เราจึงยังไม่รู้ว่าคู่ภาษาไทย–อังกฤษหรือไทย–จีนทำได้ดีแค่ไหน แม้ภาษาไทยจะอยู่ในกลุ่มภาษาหลักที่ใช้ในข้อมูล pivot ช่วง mid-training (ทั้งหมด 167.77B โทเคน) ก็ตาม
นอกจากนี้ prompt ที่ client ใช้เป็น ภาษาจีน (请将以下…翻译为…) และงานวัด instTrans ทั้งหมดแปลจากจีนไปยังภาษาอื่น ถ้าจะใช้แปลจากไทยหรืออังกฤษ ควรลองเองก่อนจะนำไปใช้จริง
ตระกูลนี้มีมากกว่าแปลข้อความ
ในรีโป bilibili/Index-Translate ยังมี Index-Homura (แปลซับไตเติลโดยคุมจำนวนพยางค์ให้พากย์ทัน) Index-NativeLong (แปลเอกสารยาวทั้งไฟล์) และ Index-Echo (แปลเสียงพูดเป็นข้อความหรือเป็นเสียง) ทั้งหมดได้ GGUF/FP8 ในรอบเดียวกันวันนี้ ซึ่งสะท้อนว่าต้นทางคือแพลตฟอร์มวิดีโอที่ต้องแปลซับและพากย์จำนวนมาก TODO ของรีโปยังเขียนว่าจะเพิ่มภาษาให้ Index-Echo อีก
มุมมอง AI Curator
ข่าวนี้สำคัญกับนักพัฒนาไทยมากกว่าที่พาดหัวบอก เพราะงานแปลที่ทีมไทยต้องทำจริงส่วนใหญ่ไม่ใช่การแปลประโยคทั่วไป แต่เป็นการแปลไฟล์ i18n ที่มี placeholder แปลเอกสารสินค้าที่ต้องใช้ศัพท์ตามแบรนด์ หรือแปล JSON โดยที่ key ต้องไม่ถูกแปลไปด้วย ซึ่งเป็นงานที่โมเดลแชตทั่วไปมักทำพัง คะแนน IFscore 0.83 เทียบกับ 0.31 ของ TranslateGemma บอกว่า Index-Translate ถูกฝึกมาเพื่องานลักษณะนี้โดยตรง และเพราะไลเซนส์เป็น Apache-2.0 จึงรันในเครื่องได้โดยไม่ต้องส่งเอกสารลูกค้าออกนอกองค์กร ซึ่งช่วยเรื่อง PDPA ได้มาก
แต่ผมยังไม่แนะนำให้ใช้แทนบริการแปลเชิงพาณิชย์ทันที ตัวเลขที่ดูดีที่สุดเป็นค่าเฉลี่ยรวมหลายภาษา และจุดอ่อนที่ชัดคือคะแนนที่ GPT-5.6-Sol ตัดสินยังห่างกันถึง 12 คะแนน วิธีที่ถูกคือเอาประโยคจริงจากงานของตัวเอง 100–200 ประโยค (ไทย→อังกฤษ และอังกฤษ→ไทย) มาเทียบรุ่น 9B Q4 กับบริการที่ใช้อยู่ ใช้เวลาไม่ถึงชั่วโมงแต่จะได้คำตอบที่ตารางในรายงานให้ไม่ได้
ภาพใหญ่คือโมเดลแปลภาษาแบบเปิดเริ่มแยกออกมาเป็นหมวดของตัวเองแล้ว ไม่ได้เป็นแค่ความสามารถเสริมของ LLM ทั่วไป ถ้าทีมไทยอย่าง SCB10X หรือ VISTEC นำโมเดลฐาน Apache-2.0 แบบนี้ไป fine-tune ต่อด้วยข้อมูลคู่ภาษาไทยคุณภาพสูง (ซึ่งเป็นสิ่งที่เรามีได้และคนอื่นไม่มี) ก็น่าจะได้โมเดลแปลไทยที่ดีกว่าโมเดลระดับโลกในภาษาของเราเอง โดยไม่ต้องเริ่มฝึกจากศูนย์
แหล่งข่าว
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service