Ollama 0.40 ออกตัวจริงแล้ว: บน Mac ชิป Apple Silicon โมเดลที่รองรับจะรันบน MLX เป็นค่าเริ่มต้น (Qwen3.8, Gemma 4, decision models) พร้อม embedding หลายโหมดตัวแรกอย่าง EmbeddingGemma 2

Ollama ออก v0.40.0 ฉบับเสถียร แล้ว หลังลากยาวในสถานะ release candidate มาตั้งแต่ 25 ก.ย. (rc0 ถึง rc3) แท็ก v0.40.0 ชี้ไปที่ commit วันที่ 6 ต.ค. 2026 เวลา 17:46 UTC (หน้า GitHub โชว์วันที่ 25 ก.ย. เพราะร่างรีลีสถูกสร้างไว้ตั้งแต่ rc0) เรื่องหลักของรุ่นนี้มีข้อเดียวแต่กระทบคนใช้ Mac ทุกคน: บน Apple Silicon โมเดลที่ MLX runtime รองรับจะรันบน MLX โดยอัตโนมัติ ไม่ต้องตั้งค่าอะไรเพิ่ม

ก่อนหน้านี้ Ollama บน Mac รันผ่าน backend ตระกูล llama.cpp/GGML บน Metal เป็นหลัก การสลับไปใช้ MLX ซึ่งเป็นเฟรมเวิร์กของ Apple เองทำให้ได้ประโยชน์จาก unified memory และ kernel ที่ Apple ปรับมาสำหรับชิป M-series โดยตรง

รุ่นที่รันบน MLX แล้ว

ตามบันทึกรีลีส:

• โมเดลภาษา: qwen3.8, gemma4, qwen3.6 และ qwen3.5 ดึงใช้ตามปกติด้วย ollama pull qwen3.8 แล้ว ollama run qwen3.8
• Decision models: Nimble, Tev1, Clef และ Clef-Flash รันบน MLX ได้แล้วเช่นกัน ต่อยอดจากการรองรับ decision models ใน v0.35
• Embedding: EmbeddingGemma 2 เป็นโมเดล embedding ตัวแรกบน MLX และรับได้มากกว่าข้อความ PR #18820 ใช้สถาปัตยกรรมนี้บน MLX ให้ /api/embed รับสื่อแยกต่อรายการผ่าน input แบบ dict ใน library มีแท็กแยกตามโหมด ตั้งแต่ 270m (ข้อความอย่างเดียว 378MB) ถึง 740m (ครบทุกโหมด 1.3GB) — ดูรายละเอียดโมเดลในโพสต์ EmbeddingGemma 2

Ollama บอกว่าจะ “ทดสอบและเปิดโมเดลเพิ่มต่อไป” โมเดลที่ยังไม่อยู่ในรายการก็ยังรันผ่าน backend เดิม

การแก้อื่น ๆ ที่น่ารู้

จาก 26 commit ระหว่าง v0.35.1 กับ v0.40.0:

• OpenAI-compatible API: ผลลัพธ์ของ tool ที่มีภาพจะถูกแยกเป็นส่วนของมันเองแทนการแทนด้วยตัวอักษร [img], รักษาตำแหน่งภาพไว้เมื่อรวมผลของ tool, เก็บ content ของ tool message ไว้ในข้อความเดียว และไม่ทิ้ง tool result ที่ว่าง ข้อนี้สำคัญกับคนที่ต่อ Ollama เข้ากับ coding agent ที่พูด OpenAI API
• MLX: ลดความหน่วงที่สูงผิดปกติหลัง GPU ว่างไปพักหนึ่ง, ลด overhead ของการค้นหาโมเดลและคำขอ decision และปรับ tokenizer ให้ตรงกับของผู้เผยแพร่โมเดล
• /api/embed คืนรหัส 413 ถูกต้องเมื่อ input ใหญ่เกิน (แทน 400)

มุมมอง AI Curator

ข้อสังเกตแรกคือไม่มีตัวเลขความเร็วเลย ทั้งในบันทึกรีลีสและใน RC ทั้งสี่รอบ ทั้งที่การเปลี่ยน backend เป็นค่าเริ่มต้นคือการตัดสินใจที่ควรมีข้อมูลรองรับ เราจึงแนะนำให้คนที่ใช้ Ollama บน Mac ทำงานจริงวัดเองก่อนกับหลังอัปเดต ใช้ ollama run <model> --verbose เพื่อดู tokens/s ของ prompt eval และ generation กับ prompt ชุดเดียวกัน บันทึกรีลีสไม่ได้บอกวิธีปิด MLX ไว้ ถ้าช้าลงหรือผลลัพธ์เพี้ยน การ pin เวอร์ชันเดิมไว้ก่อนเป็นทางที่ปลอดภัยที่สุด

ในภาพใหญ่ รีลีสนี้ยืนยันว่า Mac กลายเป็นแพลตฟอร์มหลักของ local AI ไปแล้ว ไม่ใช่แค่ทางเลือกสำรอง ทั้ง llama.cpp 0.6.0 ที่เพิ่งเพิ่ม MTP บน Metal และ Ollama ที่ย้ายไป MLX ในสัปดาห์เดียวกัน สำหรับนักพัฒนาไทยที่ทำงานบน MacBook ซึ่งเป็นเครื่องหลักของสายเว็บและโมบายล์ในบ้านเรา การรัน Qwen3.8 ขนาดเล็กหรือ EmbeddingGemma 2 บนเครื่องเพื่อทำ RAG ต้นแบบแบบไม่ส่งข้อมูลออกไปไหน ทำได้ง่ายลงอีกขั้น

---

แหล่งข่าว

• GitHub — ollama/ollama v0.40.0 release notes
• GitHub — ollama/ollama PR #18820: model: add multimodal embeddings
• Ollama Library — embeddinggemma-2