Decision model ลงมาถึง edge — Liquid AI ปล่อย d1-3B รับภาพได้ ตอบใน 16 ms บน Jetson Thor ส่วน AWS ปล่อย Strands Decider 2B แบบ Apache-2.0 พร้อมข้อมูลและสคริปต์ฝึกครบ

ตลาด decision model ซึ่งเป็นโมเดลที่ตัด LM head ทิ้งแล้วตอบด้วย forward pass รอบเดียวเป็น ใช่/ไม่ใช่, เลือกตัวเลือก หรือให้คะแนน กำลังขยับจากโมเดลขนาด 27B บนเซิร์ฟเวอร์ลงมาที่อุปกรณ์ edge เมื่อวานนี้ (7 ต.ค. 2026) Liquid AI ปล่อยโมเดลตระกูล d1 แบบเปิดน้ำหนักสองตัว คือ d1-3B ที่รับข้อความและภาพ และ d1-omni-600M (ยังเป็นรุ่นทดลอง) ที่รับข้อความคู่กับภาพหรือเสียง จุดขายหลักคือความเร็ว d1-3B ตอบคำถามหนึ่งข้อได้ใน 16 ms บน NVIDIA Jetson AGX Thor และ 50 ms บน Jetson Orin Nano ซึ่งเป็นบอร์ดราคาไม่แพง

ก่อนหน้านั้นหนึ่งสัปดาห์ (1 ต.ค.) ทีม Strands Agents ของ AWS ปล่อย Strands Decider 2B ออกมาแล้ว แต่เราไม่ได้เขียนถึงในตอนนั้น โพสต์นี้จึงรวมเป็นการตามข่าวย้อนหลังด้วย เพราะเมื่อวานมันเพิ่งขึ้นหน้าแรกของ Hacker News และเมื่อดูเทียบกันจะเห็นว่าสองโมเดลนี้ต่างกันในจุดที่นักพัฒนาต้องใช้ตัดสินใจ คือเรื่องไลเซนส์และความเปิด

Liquid d1: เร็ว รับภาพได้ แต่ไลเซนส์มีเงื่อนไข

• d1-3B ฝึกต่อจาก LFM2.5-VL-3B ซึ่งเป็น VLM แบบ decoder-only ส่วน d1-omni-600M ฝึกจาก LFM2.5-Encoder-350M ซึ่งเป็น encoder แบบสองทิศทาง แล้วเพิ่ม vision encoder และ audio encoder เข้าไป
• Liquid อ้างว่า d1-3B ได้ 48.57 บน Decision Index 0.2.1 สูงกว่าโมเดลขนาด 4B และ 9B ทุกตัว และสูงกว่า Decider 35B-A3B (47.11) ด้วย ทั้งนี้ “Decider 2B/4B/35B-A3B” ในตารางของ Liquid เป็นโมเดลชุมชนของบัญชี Mapika บน Hugging Face คนละตัวกับ Strands Decider 2B
• ค่าเฉลี่ยจากชุดทดสอบสาธารณะ 7 ชุด (SQuAD 2.0, Civil Comments, MASSIVE, PubMedQA, BoolQ, XNLI, PAWS-X): d1-3B ได้ 82.9 และ d1-omni-600M ได้ 78.4 ซึ่งสูงกว่า Decider 2B (77.1) แม้จะมีพารามิเตอร์ราวหนึ่งในสี่ แต่ถ้าดูแยกชุดจะเห็นว่า d1-3B แพ้ Decider 4B ใน BoolQ (86.3 เทียบ 89.0), XNLI และ MASSIVE intent
• ด้านความเร็ว (วัดร่วมกับ NVIDIA): ถามคำถามสามข้อพร้อมกันใช้เวลาแค่ราว 1.3 เท่าของคำถามข้อเดียว (บน Thor จาก 16 เป็น 20 ms) ภาพขนาด 384px ใช้เวลา 35 ms บน Thor และ 62 ms บน Apple M5 Pro บน RTX 4090 ตอบได้ภายใน 8 ms แต่ถ้า state ยาว 3.4K โทเคน Orin Nano จะใช้ถึง 1.64 วินาที ดังนั้นตัวเลข 16 ms ใช้ได้เฉพาะกับ input สั้นเท่านั้น
• ไม่มีผล benchmark ด้านภาพหรือเสียงให้ดู Liquid บอกว่า Decision Index v0.3 มีชุดภาพแบบ private เท่านั้น และยังไม่มี benchmark มาตรฐานสำหรับการตัดสินใจจากเสียง

เรื่องไลเซนส์ต้องอ่านให้ละเอียด ไฟล์ LICENSE ของ d1-3B คือ LFM Open License v1.0 ซึ่งกำหนดว่าสิทธิ์ใช้งานเชิงพาณิชย์จะได้ก็ต่อเมื่อนิติบุคคลของผู้ใช้มี รายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์ สตาร์ตอัปใช้ได้ แต่ธนาคารหรือองค์กรขนาดใหญ่ในไทยจะเข้าเงื่อนไขทันที

วิธีใช้งานคือโหลดผ่าน transformers>=5.14 โดยต้องตั้ง trust_remote_code=True แล้วเรียก model.system_one(state, questions) ด้วย schema แบบ noul/choice/score ซึ่งเป็น schema เดียวกับที่ใช้กันทั้งหมวดนี้

Strands Decider 2B: เล็กกว่า ช้ากว่า แต่เปิดทุกอย่าง

• โครงสร้างคือใช้ Qwen3.5-2B เป็นลำตัว ตัด LM head ออก แล้วใส่ pointer head ขนาดราว 1 ล้านพารามิเตอร์ที่ให้คะแนนแต่ละตัวเลือกโดยเทียบ hidden state ที่ตำแหน่งตัวเลือกกับที่ตำแหน่ง <answer> ตัวลำตัวฝึกด้วย LoRA rank 16
• ไลเซนส์ Apache-2.0 ทั้งน้ำหนักบน Hugging Face และ repo strands-labs/strands-decider ที่รวม ข้อมูลฝึกและสคริปต์ทั้งหมด รวมถึงบันทึกว่าแต่ละเวอร์ชันเปลี่ยนอะไร (รุ่นที่ปล่อยในบล็อกคือ v19 ตอนนี้บน HF มี v21 ขึ้นมาแล้วตั้งแต่ 5 ต.ค.)
• ทีมรายงานว่าได้ อันดับ 3 จาก 33 โมเดลในคลาส 2B บน JevBench public เมื่อวัดทั้งความแม่นยำและ calibration (Brier score) และได้อันดับ 1 จาก 30 ถ้าไม่นับโมเดลที่ใหญ่กว่า 2B เล็กน้อย
• latency มัธยฐานราว 115 ms บน RTX 3090 และ 153 ms บน MacBook M3 ซึ่งช้ากว่าตัวเลขของ Liquid อยู่หลายเท่า แต่ก็ยังเร็วพอสำหรับงานคั่นกลางใน agent loop
• เริ่มใช้ได้ด้วย pip install strands-decider แล้วสั่ง strands-decider ask StrandsAgents/strands-decider-2B-hobson-v19 --state "..." --choice "Which team?=billing,sales,retail" ใน repo มีตัวอย่างที่น่าสนใจคือใช้ decider เป็น intervention ก่อนเรียก tool โดยถามสองข้อว่า “อาร์กิวเมนต์ของ tool มาจากสิ่งที่ผู้ใช้พูดจริงหรือเดาเอง” และ “เรียกตอนนี้เร็วไปไหม” ถ้าคำตอบบอกว่าเดาเอง agent จะถามผู้ใช้กลับแทนที่จะเรียก tool ไปเลย

เลือกตัวไหน

	Liquid d1-3B	Liquid d1-omni-600M	Strands Decider 2B
อินพุต	ข้อความ + ภาพ	ข้อความ + ภาพ/เสียง	ข้อความ
latency ที่ผู้ผลิตรายงาน	8 ms (RTX 4090), 16 ms (Thor)	ยังไม่รายงาน	~115 ms (RTX 3090)
ไลเซนส์	LFM1.0 (รายได้ < $10M)	LFM1.0 (รายได้ < $10M)	Apache-2.0
ข้อมูลฝึก/สคริปต์	ไม่เปิด	ไม่เปิด	เปิดครบ

ตัวเลขทั้งหมดในตารางเป็นตัวเลขที่ผู้ผลิตรายงานเอง และวัดบนชุดทดสอบที่ต่างกัน (Decision Index กับ JevBench) จึงยังเอามาเทียบกันตรงๆ ไม่ได้

มุมมอง AI Curator

ในสัปดาห์เดียว decision model ขยายจาก “API ราคาถูกบนคลาวด์” (OpenAI, Perplexity, Cloudflare) ลงมาเป็น “ชิ้นส่วนที่ฝังในอุปกรณ์” แล้ว และนี่คือจุดที่หมวดนี้เริ่มมีประโยชน์จริง เพราะงานที่ decision model ทำได้ดี เช่น routing, guardrail หรือการเช็กว่า tool call มีหลักฐานรองรับหรือไม่ ล้วนเป็นงานที่ถูกเรียก หลายครั้งต่อหนึ่งรอบของ agent ต่างจาก LLM หลักที่เรียกไม่กี่ครั้ง ถ้าแต่ละครั้งต้องวิ่งไปคลาวด์ latency จะสะสมเร็วมาก การได้คำตอบใน 16–115 ms บนเครื่องเดียวกันจึงทำให้ “agent แบบผสม” ที่ใช้ LLM ตัดสินใจเรื่องยาก และใช้ decider ตัดสินใจเรื่องง่ายซ้ำๆ เป็นไปได้ในทางปฏิบัติ

สองค่ายนี้เลือกทางต่างกันชัดเจน Liquid ชนะเรื่องความเร็วและการรับภาพ ซึ่งเหมาะกับหุ่นยนต์ กล้องในโรงงาน หรือตู้ kiosk ที่ต้องตัดสินใจจากภาพโดยไม่ส่งข้อมูลออกนอกเครื่อง แต่เงื่อนไขรายได้ 10 ล้านดอลลาร์ทำให้องค์กรใหญ่ต้องคุยเรื่องไลเซนส์ก่อนใช้งาน ส่วน Strands เลือกเปิดทุกอย่างภายใต้ Apache-2.0 พร้อมข้อมูลฝึก ซึ่งมีค่ามากสำหรับทีมไทย เพราะแม้การ์ดของ d1-3B จะใส่ภาษาไทย (th) ไว้ในรายการภาษา แต่ทั้งสองค่ายไม่มีตัวเลขวัดผลภาษาไทยให้ดูเลย (ชุดหลายภาษาที่ Liquid ใช้คือ XNLI กับ PAWS-X ซึ่ง PAWS-X ไม่มีภาษาไทย) ถ้าจะทำ decider ภาษาไทยที่วัดผลได้ ทางหนึ่งที่ทำได้จริงคือเอาสูตรของ Strands มาฝึกต่อด้วยข้อมูล ticket หรือ intent ภาษาไทยของตัวเองบน GPU ที่มีอยู่แล้ว ซึ่งขนาด 2B กับ LoRA rank 16 ทำให้เป็นงานที่ใช้การ์ดเกมใบเดียวก็พอ

ข้อควรระวังเหมือนทุกครั้งที่เขียนถึงหมวดนี้คือ ทุกค่าย “ชนะ” ในตารางที่ตัวเองเลือกมา Liquid ใช้ Decision Index ส่วน Strands ใช้ JevBench และยังไม่มีใครรันเทียบกันบนชุดเดียวกัน ก่อนเลือกใช้จึงควรเอางานจริงของตัวเองสักสองสามร้อยตัวอย่างมาวัดเองก่อน

แหล่งข่าว

• Multimodal open d1 decision models for the edge — Liquid AI บน Hugging Face Blog (7 ต.ค. 2026)
• LiquidAI/d1-3B — model card และ LICENSE (LFM1.0)
• Introducing Strands Decider 2B — Strands Agents Blog (1 ต.ค. 2026)
• strands-labs/strands-decider — GitHub (Apache-2.0)