แท็ก

#Apache 2.0

39 บทความ

Nanbeige4.3-33B โมเดล dense 33B ใต้ Apache-2.0 เคลมว่าทำงาน agent เก่งที่สุดในรุ่น ~30B — DeepSWE 65.5 ทิ้ง Qwen3.8-27B (42.5) แต่ยังแพ้ใน SWE-Bench Pro และ GDPval, ทุกตัวเลขมาจากผู้พัฒนาเอง และ KV cache กินถึง ~208KB ต่อโทเคน
โมเดลใหม่

Nanbeige4.3-33B โมเดล dense 33B ใต้ Apache-2.0 เคลมว่าทำงาน agent เก่งที่สุดในรุ่น ~30B — DeepSWE 65.5 ทิ้ง Qwen3.8-27B (42.5) แต่ยังแพ้ใน SWE-Bench Pro และ GDPval, ทุกตัวเลขมาจากผู้พัฒนาเอง และ KV cache กินถึง ~208KB ต่อโทเคน

ทีม Nanbeige (ในเครือ Kanzhun เจ้าของ BOSS Zhipin) อัปโหลด Nanbeige4.3-33B และรุ่น Base ขึ้น Hugging Face เมื่อ 24–25 ต.ค. 2026 เป็นโมเดล dense สถาปัตยกรรม Llama มาตรฐาน บริบท 512K ไลเซนส์ Apache-2.0 ตารางของผู้พัฒนาชนะ Qwen3.8-27B ใน 17 จาก 20 benchmark (ห่างมากใน DeepSWE และ Terminal-Bench 4.0) แต่แพ้ Qwen ใน SWE-Bench Pro และ GDPval และแพ้ Gemma4-31B ใน GPQA Diamond ยังไม่มีผลทดสอบอิสระหรือรายงานเทคนิค ไฟล์ GGUF Q4_K_M ขนาด 20.8GB ออกมาภายในวันเดียว

· อ่าน 5 นาที
KRAFTON ปล่อย Raon-1 mini preview โมเดล MoE 28.8B (active 4.3B) เทรนเองตั้งแต่ศูนย์ ใช้ Apache-2.0 มีภาษาไทยในชุดเทรน — KV cache แค่ 7 จาก 25 ชั้น รันบน RTX 5090 ตัวเดียวได้ แต่ vLLM/llama.cpp ยังต้องใช้ fork
โมเดลใหม่

KRAFTON ปล่อย Raon-1 mini preview โมเดล MoE 28.8B (active 4.3B) เทรนเองตั้งแต่ศูนย์ ใช้ Apache-2.0 มีภาษาไทยในชุดเทรน — KV cache แค่ 7 จาก 25 ชั้น รันบน RTX 5090 ตัวเดียวได้ แต่ vLLM/llama.cpp ยังต้องใช้ fork

KRAFTON AI (บริษัทแม่ของ PUBG) อัปโหลด Raon-1 mini preview ขึ้น Hugging Face เมื่อ 21 ต.ค. 2026 เป็น MoE 28.8B/active 4.3B ที่เทรนเองตั้งแต่ศูนย์ ใช้ linear attention แบบใหม่ 18 ชั้น + MLA 7 ชั้น บริบท 262K ภาษาไทยอยู่ในชุดเทรน ไลเซนส์ Apache-2.0 มี NVFP4 (~17.6GB) สำหรับ RTX 5090 ตัวเดียว คะแนนชนะ Qwen3.6-35B-A3B ด้าน instruction following และ SWE-bench Verified แต่แพ้ด้าน knowledge และ Terminal-Bench

· อ่าน 5 นาที
Hemmingway-1 โมเดล 27B สัญญา Apache 2.0 อ้างเขียนข้อความ "เหมือนคนเขียน" ชนะ GPT-6 Astra — แต่ 3 ใน 4 เบนช์มาร์กเป็นของทีมตัวเอง และการ์ดโมเดลก็บอกไว้ตรง ๆ
โมเดลใหม่

Hemmingway-1 โมเดล 27B สัญญา Apache 2.0 อ้างเขียนข้อความ "เหมือนคนเขียน" ชนะ GPT-6 Astra — แต่ 3 ใน 4 เบนช์มาร์กเป็นของทีมตัวเอง และการ์ดโมเดลก็บอกไว้ตรง ๆ

20 ก.ย. 2026 ทีมชื่อ Altworld ที่แทบไม่มีใครรู้จักปล่อย Hemmingway-1 โมเดล 27B สัญญา Apache 2.0 ที่ fine-tune จาก Qwen3.8-27B เน้นงานเขียนข้อความในชีวิตประจำวัน อ้างว่าชนะ GPT-6 Astra 50 คะแนนบน CommunicationBench แต่การ์ดโมเดลระบุเองว่า 3 ใน 4 เบนช์มาร์กที่ใช้เป็นของทีมเอง เหลือ EQ-Bench 4 ตัวเดียวที่เป็นของภายนอก ซึ่งได้อันดับ 3

· อ่าน 6 นาที
SPARSEUP: sparse retriever 149M พารามิเตอร์ Apache-2.0 จาก Linkup — BEIR-13 56.4 nDCG@10 นำ SPLADE-v3 ที่ 51.7 และค้นเร็วระดับ 380 ไมโครวินาทีต่อคำค้น
โมเดลใหม่

SPARSEUP: sparse retriever 149M พารามิเตอร์ Apache-2.0 จาก Linkup — BEIR-13 56.4 nDCG@10 นำ SPLADE-v3 ที่ 51.7 และค้นเร็วระดับ 380 ไมโครวินาทีต่อคำค้น

16–17 ก.ย. 2026 Linkup Research ปล่อย SPARSEUP — learned sparse retriever ขนาด 149M พารามิเตอร์บนฐาน ModernBERT ภายใต้ Apache-2.0 ทำ 56.4 nDCG@10 บน BEIR-13 (ไม่รวม MS MARCO) ซึ่งสูงสุดในกลุ่มโมเดล sparse ต่ำกว่า 150M และด้วย Seismic ทำ latency ราว 380 ไมโครวินาทีต่อคำค้นที่ recall เกิน 97%

· อ่าน 6 นาที
Needle 3: โมเดลเรียกเครื่องมือไฟล์เดียว 8–29 MB จาก Cactus — ตัวเต็ม 121M ทำ Mobile Actions 86.0 ไล่ DeepSeek V4 Flash ที่ 88.4 แต่แพ้ขาดบน BFCL
โมเดลใหม่

Needle 3: โมเดลเรียกเครื่องมือไฟล์เดียว 8–29 MB จาก Cactus — ตัวเต็ม 121M ทำ Mobile Actions 86.0 ไล่ DeepSeek V4 Flash ที่ 88.4 แต่แพ้ขาดบน BFCL

18 ก.ย. 2026 Cactus Compute ปล่อย Needle 3 ภายใต้ Apache-2.0 — โมเดลไฟล์เดียว 8–29 MB ที่บีบเป็น 2.125 บิตต่อน้ำหนัก และเทรนให้ทุกความลึกตั้งแต่ 2 ถึง 20 เลเยอร์ใช้งานได้จริง ตัวเต็ม 121M ทำ Mobile Actions 86.0 เทียบ DeepSeek V4 Flash 88.4 แต่บน BFCL v4 และงานสกัดข้อมูล มันยังตามหลัง LFM2.5 1.2B อย่างชัดเจน

· อ่าน 7 นาที
Bonsai 2 27B: อัด Qwen3.8-27B ลงเหลือ 5.9GB ที่ 1.72 บิตต่อน้ำหนัก — เก็บความฉลาดไว้ 98.2% และรันบนแล็ปท็อปได้จริง
โมเดลใหม่

Bonsai 2 27B: อัด Qwen3.8-27B ลงเหลือ 5.9GB ที่ 1.72 บิตต่อน้ำหนัก — เก็บความฉลาดไว้ 98.2% และรันบนแล็ปท็อปได้จริง

PrismML ปล่อย Ternary Bonsai 2 27B เมื่อ 17 ก.ย. 2026 — เอา Qwen3.8-27B มาบีบเป็น ternary ทั้งโมเดลที่ 1.72 บิตต่อน้ำหนัก เหลือไฟล์ 5.95GB (เล็กกว่า FP16 ราว 9 เท่า) แต่ยังทำคะแนนเฉลี่ย 84.78 จาก 14 เบนช์มาร์กโหมดคิด = 98.2% ของ FP16 แจก Apache 2.0 แต่มีเงื่อนไขสำคัญ: ต้องใช้ llama.cpp ฉบับ fork ของ PrismML เท่านั้น

· อ่าน 8 นาที
colibri v1.11 รัน DeepSeek-V4.1-Flash 552B บนเครื่อง CPU โดยสตรีม expert จาก SSD ได้ราว 1 โทเคน/วินาที — เอนจินภาษา C 30,000 ดาวที่ยอมช้า แต่ไม่ยอมแอบเปลี่ยนโมเดล
เครื่องมือนักพัฒนา

colibri v1.11 รัน DeepSeek-V4.1-Flash 552B บนเครื่อง CPU โดยสตรีม expert จาก SSD ได้ราว 1 โทเคน/วินาที — เอนจินภาษา C 30,000 ดาวที่ยอมช้า แต่ไม่ยอมแอบเปลี่ยนโมเดล

13 ก.ย. colibri เอนจินอินเฟอเรนซ์ภาษา C ใต้ Apache-2.0 ที่มีดาวบน GitHub กว่า 30,000 ดวง ออก v1.11.0 ที่เพิ่ม DeepSeek-V4.1-Flash 552B เป็นตระกูลที่เก้า อ่าน checkpoint 510 GB ตรง ๆ โดยไม่ต้องแปลง ตารางวัดแบบ cold ในเอกสารแสดงว่าเทิร์นหนึ่งเร็วขึ้นจาก 0.305 เป็น 0.957 tok/s และแชตห้าเทิร์นได้ 1.14–1.58 tok/s — ทีมยังเขียนบันทึกไว้ด้วยว่าไอเดียไหนวัดแล้วช้าลงจนต้องถอดออก และตัวเลขที่เคยวัดผิดมาจากอะไร

· อ่าน 6 นาที
Edge0 รันโมเดล MoE 35B บน Mac ด้วยหน่วยความจำ 2.9 GiB โดยสตรีม expert จาก SSD — แต่ runtime ตัดจำนวน expert ต่อโทเคนจาก 8 เหลือ 4 และผู้ใช้ M1 วัดได้ช้ากว่าตัวเลขที่ประกาศราว 30 เท่า
เครื่องมือนักพัฒนา

Edge0 รันโมเดล MoE 35B บน Mac ด้วยหน่วยความจำ 2.9 GiB โดยสตรีม expert จาก SSD — แต่ runtime ตัดจำนวน expert ต่อโทเคนจาก 8 เหลือ 4 และผู้ใช้ M1 วัดได้ช้ากว่าตัวเลขที่ประกาศราว 30 เท่า

edge0 เฟรมเวิร์ก Apache-2.0 ที่เปิดตัว 8 ก.ย. และยังติดเทรนด์อันดับ 3 บน Hugging Face รัน Qwen3.5-35B-A3B แบบ 4 บิตบน Mac mini M4 Pro ได้ 14.9–17.7 tok/s โดยใช้หน่วยความจำ 2.9 GiB ด้วยการสตรีม expert จาก SSD, prerouter ที่เดาเส้นทางล่วงหน้า และ LoRA กู้คุณภาพหลัง quantize — แต่ซอร์สโค้ดตั้ง top_k=4 ขณะที่ config ของโมเดลเป็น 8, คะแนนฐาน fp16 ที่รันเองต่ำกว่าตัวเลขทางการของ Qwen และ issue จากผู้ใช้ M1 8 GB วัดรุ่น 8B ได้แค่ 0.7–0.8 tok/s

· อ่าน 7 นาที
Agnes-3.0-Flash Preview จากสิงคโปร์เปิดน้ำหนัก 33B ใต้ Apache-2.0 — เทียบน้ำหนักทีละเลเยอร์แล้วคือ Qwen3.5-27B ที่แทรกเพิ่ม 8 ชั้น การ์ดไม่เอ่ยชื่อ Qwen และตารางของตัวเองก็แพ้ต้นทาง 4 จาก 5
โมเดลใหม่

Agnes-3.0-Flash Preview จากสิงคโปร์เปิดน้ำหนัก 33B ใต้ Apache-2.0 — เทียบน้ำหนักทีละเลเยอร์แล้วคือ Qwen3.5-27B ที่แทรกเพิ่ม 8 ชั้น การ์ดไม่เอ่ยชื่อ Qwen และตารางของตัวเองก็แพ้ต้นทาง 4 จาก 5

11 ก.ย. Agnes AI (แบรนด์ของ Sapiens AI สิงคโปร์) ปล่อย Agnes-3.0-Flash Preview ขนาด 33B มัลติโมดัล คอนเท็กซ์ 262K ใต้ Apache-2.0 — config ตรงกับ Qwen3.5-27B ทุกมิติยกเว้นจำนวนเลเยอร์ และเมื่อเทียบน้ำหนักจริง 20+24+20 ชั้นแมปกลับไปหา Qwen3.5-27B ได้ที่ r≈0.99 โดยมีสองบล็อก 4 ชั้นแทรกเข้ามา การ์ดไม่เอ่ยชื่อฐาน ตารางคะแนนของตัวเองต่ำกว่า Qwen3.5-27B ใน 4 จาก 5 รายการ และค่า reasoning_effort ที่การ์ดบอกเป็นค่าเริ่มต้นใช้ไม่ได้จริง

· อ่าน 6 นาที
Intern-S2-397B ตัวเต็มเปิดน้ำหนัก Apache-2.0 — config เหมือน Qwen3.5-397B-A17B ทุกค่ายกเว้น vocab น้ำหนักจับคู่ได้ที่ r≈0.998 แต่การ์ดไม่เอ่ยชื่อ Qwen และแถว SWE-Bench-Pro ของคู่แข่งเปลี่ยนไปจากตารางฉบับ Preview
โมเดลใหม่

Intern-S2-397B ตัวเต็มเปิดน้ำหนัก Apache-2.0 — config เหมือน Qwen3.5-397B-A17B ทุกค่ายกเว้น vocab น้ำหนักจับคู่ได้ที่ r≈0.998 แต่การ์ดไม่เอ่ยชื่อ Qwen และแถว SWE-Bench-Pro ของคู่แข่งเปลี่ยนไปจากตารางฉบับ Preview

13 ก.ย. Shanghai AI Lab อัปโหลด Intern-S2-397B โมเดลมัลติโมดัลสายวิทยาศาสตร์ขนาด 403B (BF16 807 GB, FP8 406 GB) ใต้ Apache-2.0 — config ตรงกับ Qwen3.5-397B-A17B ทุกค่ายกเว้น vocab ที่เพิ่ม 3,072 โทเคน และ layernorm ห้าชั้นที่สุ่มตรวจจับคู่กับ Qwen ได้ที่ r 0.997–0.999 แต่การ์ดไม่เอ่ยชื่อฐาน ตารางรายงาน SWE-Bench-Pro 68.54 ขณะที่คะแนนของ Claude Opus 4.8 และ GLM-5.2 ในแถวเดียวกันเปลี่ยนไปจากตารางฉบับ Preview เดือน ก.ค. โดยไม่มีคำอธิบาย

· อ่าน 6 นาที
Nex-N2.5-Pro ปล่อยน้ำหนักแล้ว 407 GB แบบ FP8 — config ตรงกับ Qwen3.5-397B-A17B ทุกค่าสถาปัตยกรรม แต่ไม่มีเลเยอร์ MTP ที่ config ยังประกาศไว้
โมเดลใหม่

Nex-N2.5-Pro ปล่อยน้ำหนักแล้ว 407 GB แบบ FP8 — config ตรงกับ Qwen3.5-397B-A17B ทุกค่าสถาปัตยกรรม แต่ไม่มีเลเยอร์ MTP ที่ config ยังประกาศไว้

น้ำหนัก Nex-N2.5-Pro ขึ้น Hugging Face ครบ 122 shard เมื่อ 10 ก.ย. เวลา 19:01 UTC และกล่อง coming soon ถูกถอดออกเช้า 11 ก.ย. — เป็น FP8 ล้วน 407.1 GB ใต้ Apache-2.0 เว็บ Nex-AGI ระบุฐานเป็น Qwen3.5-397B-A17B ซึ่ง config ยืนยันทุกค่า แต่ไฟล์ไม่มีเทนเซอร์ MTP เลยสักตัว ทั้งที่ config ยังตั้ง mtp_num_hidden_layers เป็น 1

· อ่าน 5 นาที
ADK for Kotlin 1.0 ขึ้น GA — เอเจนต์ที่คอมไพล์สคีมาตอนบิลด์ ไม่ใช้ reflection ตอนรัน และรันโมเดลบนเครื่องผู้ใช้ผ่าน Gemini Nano กับ LiteRT-LM
เครื่องมือนักพัฒนา

ADK for Kotlin 1.0 ขึ้น GA — เอเจนต์ที่คอมไพล์สคีมาตอนบิลด์ ไม่ใช้ reflection ตอนรัน และรันโมเดลบนเครื่องผู้ใช้ผ่าน Gemini Nano กับ LiteRT-LM

9 ก.ย. Google ประกาศ ADK for Kotlin 1.0 บนบล็อกนักพัฒนา หลังแท็ก v1.0.0 ขึ้น GitHub ไปแล้วเมื่อ 7 ก.ย. — จุดที่ต่างจาก ADK ภาษาอื่นคือใช้ KSP สร้างสคีมาของทูลตอนคอมไพล์จึงไม่มี reflection ตอนรัน และมีส่วนขยายฝั่ง Android ที่ให้เอเจนต์ทั้งตัวรันบนเครื่องผู้ใช้ผ่าน Gemini Nano หรือ LiteRT-LM

· อ่าน 6 นาที
IBM ปล่อย Granite PatchTST-FM-r2 โมเดลพยากรณ์อนุกรมเวลา 385M แบบ zero-shot ใต้ Apache-2.0 — แต่คำว่า SOTA ในพาดหัวมีเงื่อนไขซ้อนสามชั้น
โมเดลใหม่

IBM ปล่อย Granite PatchTST-FM-r2 โมเดลพยากรณ์อนุกรมเวลา 385M แบบ zero-shot ใต้ Apache-2.0 — แต่คำว่า SOTA ในพาดหัวมีเงื่อนไขซ้อนสามชั้น

9 ก.ย. IBM Research ประกาศ Granite-TimeSeries-PatchTST-FM-r2 โมเดลพื้นฐานพยากรณ์อนุกรมเวลาราว 385M พารามิเตอร์ คอนเท็กซ์ 8,192 สเต็ป ปล่อยใต้ไลเซนส์คู่ Apache-2.0 และ OpenMDW-1.0 — แต่การ์ดโมเดลระบุเองว่าอันดับจริงบน GIFT-Eval คือที่สองในกลุ่ม zero-shot ที่ทำซ้ำได้ และผลยังอยู่ใน PR ที่รอ merge

· อ่าน 6 นาที
Nex-N2.5 เปิดน้ำหนัก Apache-2.0 สามขนาด แต่มีจริงแค่สอง — และตัว 1.6 ล้านล้านพารามิเตอร์คือ DeepSeek-V4-Pro-Base ที่เอามาโพสต์เทรน
โมเดลใหม่

Nex-N2.5 เปิดน้ำหนัก Apache-2.0 สามขนาด แต่มีจริงแค่สอง — และตัว 1.6 ล้านล้านพารามิเตอร์คือ DeepSeek-V4-Pro-Base ที่เอามาโพสต์เทรน

8 ก.ย. Nex-AGI ปล่อยตระกูลเอเจนต์ Nex-N2.5 สามขนาดใต้ Apache-2.0 — mini 35.1B มัลติโมดัลมีน้ำหนักจริง 70.24 GB, Max 1.6T ขึ้นเป็น FP8 รวม 1.655 TB แต่ Pro ยังมีแค่การ์ดกับคำว่า coming soon; และเว็บบริษัทระบุเองว่า Max สร้างบน DeepSeek-V4-Pro-Base ซึ่งการ์ดบน Hugging Face ไม่ได้เอ่ยชื่อไว้

· อ่าน 7 นาที
MiniCPM5-2B: โมเดล 2.5B ที่ได้ SWE-bench Verified 46.4 และ AIME 2026 86.5 — Apache 2.0 ครบทั้งเช็กพอยต์ ข้อมูลเทรน และ Agent Skill 17 ตัวสำหรับกาง
โมเดลใหม่

MiniCPM5-2B: โมเดล 2.5B ที่ได้ SWE-bench Verified 46.4 และ AIME 2026 86.5 — Apache 2.0 ครบทั้งเช็กพอยต์ ข้อมูลเทรน และ Agent Skill 17 ตัวสำหรับกาง

OpenBMB ปล่อย MiniCPM5-2B โมเดลหนาแน่น 2.52B ใต้ Apache 2.0 พร้อม GGUF ที่ Q4_K_M เหลือ 1.56 GB — ค่าเฉลี่ย 34 เบนช์มาร์กอยู่ที่ 53.9 สูงกว่าทุกตัวในกลุ่ม 2B และสูงกว่าทุกตัวในกลุ่ม 4B ที่ยกมาเทียบ แต่ตารางเดียวกันก็บอกว่ามันแพ้ Qwen3.5-4B บน Terminal-Bench และ SWE-bench Pro แบบขาดลอย

· อ่าน 8 นาที
NeoMME: เอ็นโค้ดเดอร์มัลติโมดัล 260M/800M ที่โยน vision tower กับ causal decoder ทิ้ง — Apache 2.0 ชนะทุกตัวที่ต่ำกว่า 800M บน ViDoRe v3 และบีบดัชนีจาก 1.5 MB เหลือ 6 kB ต่อหน้า
โมเดลใหม่

NeoMME: เอ็นโค้ดเดอร์มัลติโมดัล 260M/800M ที่โยน vision tower กับ causal decoder ทิ้ง — Apache 2.0 ชนะทุกตัวที่ต่ำกว่า 800M บน ViDoRe v3 และบีบดัชนีจาก 1.5 MB เหลือ 6 kB ต่อหน้า

H Company ปล่อย NeoMME เอ็นโค้ดเดอร์มัลติโมดัล 260M และ 800M ใต้ Apache 2.0 ที่เทรนจากศูนย์ด้วย masked discrete diffusion โดยไม่ใช้ vision tower หรือ decoder แยก — รุ่น 260M ได้ nDCG@10 0.523 บน ViDoRe v3 สูงสุดในกลุ่มต่ำกว่า 800M ห่างจาก ColQwen2.5 ขนาด 3.75B แค่ 0.002 และอินเด็กซ์ 51 หน้าต่อวินาทีบน L40S ใบเดียว

· อ่าน 7 นาที
Google เปิด HEIR — คอมไพเลอร์โอเพนซอร์สที่แปลงโมเดลให้อินเฟอเรนซ์บนข้อมูลที่ยังเข้ารหัสอยู่ ไม่ต้องถอดรหัสเลยสักครั้ง
เครื่องมือนักพัฒนา

Google เปิด HEIR — คอมไพเลอร์โอเพนซอร์สที่แปลงโมเดลให้อินเฟอเรนซ์บนข้อมูลที่ยังเข้ารหัสอยู่ ไม่ต้องถอดรหัสเลยสักครั้ง

Google ประกาศเมื่อ 14 ส.ค. 2026 ผลักดัน HEIR คอมไพเลอร์โอเพนซอร์สบน MLIR ที่แปลงโมเดลที่ฝึกแล้วให้รันบนข้อมูลซึ่งยังเข้ารหัสอยู่ พร้อมโชว์แอปตัวอย่างสี่ตัวและตัวเลข latency บน CPU เธรดเดียว เป้าหมายคือทำให้ encrypted inference เป็นเรื่องกดปุ่มเดียว

· อ่าน 5 นาที
Intern-S2-Mobius — สถาปัตยกรรมที่แยก "ความรู้" ออกจาก "การให้เหตุผล" น้ำหนัก 35B ใบอนุญาต Apache-2.0 และเร็วขึ้นเกือบ 4 เท่า
โมเดลใหม่

Intern-S2-Mobius — สถาปัตยกรรมที่แยก "ความรู้" ออกจาก "การให้เหตุผล" น้ำหนัก 35B ใบอนุญาต Apache-2.0 และเร็วขึ้นเกือบ 4 เท่า

ทีม InternLM เผยแพร่เปเปอร์ Mobius-v0 เมื่อ 14 ส.ค. 2026 — สถาปัตยกรรมที่ย้ายความรู้ออกจาก FFN ประจำเลเยอร์ไปไว้ใน Memory ก้อนกลางที่ทุกชั้นใช้ร่วมกัน โมเดล 35B ที่ต่อยอดจาก Qwen3.5 ทำคะแนนใกล้เคียงเดิมแต่เร็วขึ้นเกือบ 4 เท่า และน้ำหนักอยู่บน Hugging Face แล้วภายใต้ Apache-2.0

· อ่าน 6 นาที
รายงาน State of Open Models ของ Hugging Face — จีนผูกขาดโมเดลใหญ่ 59% เป็น Apache-2.0, Qwen มี derivative 151,448 repo, Claude Code กิน 44% ทราฟฟิกเอเจนต์
งานวิจัย

รายงาน State of Open Models ของ Hugging Face — จีนผูกขาดโมเดลใหญ่ 59% เป็น Apache-2.0, Qwen มี derivative 151,448 repo, Claude Code กิน 44% ทราฟฟิกเอเจนต์

Hugging Face เผยแพร่รายงานสรุปสถานะโมเดลเปิดครึ่งปี 2026 เมื่อ 14 ส.ค. — ข้อมูลจาก Hub เองชี้ว่าแล็บจีนครองโมเดลขนาดใหญ่และเปิดไลเซนส์กว้างกว่าแล็บอเมริกันชัดเจน ขณะที่ยอดดาวน์โหลดจริง 83% ยังไปที่โมเดลต่ำกว่า 1B

· อ่าน 7 นาที
Qwen3.8-27B ขึ้นจริงแล้ว — vision ครบ, Apache-2.0 แท้, Q4 แค่ 17 GB ลง GPU ตัวเดียวได้
โมเดลใหม่

Qwen3.8-27B ขึ้นจริงแล้ว — vision ครบ, Apache-2.0 แท้, Q4 แค่ 17 GB ลง GPU ตัวเดียวได้

Alibaba ปล่อยน้ำหนัก Qwen3.8-27B คืนวันที่ 14 ส.ค. 2026 — ต่างจากรุ่น 2.4T ที่เปิดแบบตัดฟีเจอร์ รุ่นนี้ได้ vision เต็ม คอนเท็กซ์ 262K ไลเซนส์ Apache-2.0 มาตรฐาน และ GGUF 4-bit ขนาด 17.1 GB ที่ลง GPU คอนซูเมอร์ตัวเดียวได้จริง

· อ่าน 5 นาที
Google เปิดซอร์ส Credentio — ไลบรารี C++ ตรวจ C2PA Content Credentials แบบทำงานในเครื่อง ใช้ Apache 2.0
เครื่องมือนักพัฒนา

Google เปิดซอร์ส Credentio — ไลบรารี C++ ตรวจ C2PA Content Credentials แบบทำงานในเครื่อง ใช้ Apache 2.0

Google เปิดซอร์ส Credentio เมื่อ 13 ส.ค. 2026 — ไลบรารี C++ ภายใต้ Apache 2.0 ที่ตรวจสอบ C2PA Content Credentials ได้ในเครื่องโดยไม่ต้องส่งไฟล์ขึ้นคลาวด์ เป็นโค้ดชุดเดียวกับที่ขับเคลื่อนผลิตภัณฑ์ Google เกือบ 40 ตัว

· อ่าน 5 นาที
Meta กลับสู่ open weights — Muse Glimmer 30B ใบอนุญาต Apache 2.0 quantize เหลือ ~20GB รันบนการ์ดจอตัวเดียวได้
โมเดลใหม่

Meta กลับสู่ open weights — Muse Glimmer 30B ใบอนุญาต Apache 2.0 quantize เหลือ ~20GB รันบนการ์ดจอตัวเดียวได้

10 ส.ค. 2026 Meta ปล่อย Muse Glimmer โมเดล agentic 30B พร้อม weights ภายใต้ Apache 2.0 — quantize 4-bit เหลือไม่ถึง 20GB ลงการ์ดจอ 24–32GB ได้ พร้อมเรียงความ 6,500 คำของ Zuckerberg ที่ประกาศกลับมาสายเปิด และบอกว่ารุ่นใหญ่กว่านี้กำลังตามมา

· อ่าน 7 นาที
Mistral ปล่อย Shieldstral โมเดล 3B เปิดน้ำหนัก Apache 2.0 สำหรับกรองเนื้อหา — จุดขายไม่ใช่ขนาด แต่คือ 'เขียนนโยบายเองตอน inference' ไม่ต้องเทรนใหม่
โมเดลใหม่

Mistral ปล่อย Shieldstral โมเดล 3B เปิดน้ำหนัก Apache 2.0 สำหรับกรองเนื้อหา — จุดขายไม่ใช่ขนาด แต่คือ 'เขียนนโยบายเองตอน inference' ไม่ต้องเทรนใหม่

Mistral เปิดตัว Shieldstral 1.0 (4 ส.ค.) โมเดลจัดประเภทความปลอดภัย 3B แบบ multimodal ใบอนุญาต Apache 2.0 รันได้บน GPU 16GB ใบเดียว — เปลี่ยนงาน moderation เป็นคำถาม yes/no ข้อเดียว ทำให้ผู้ใช้เขียนนโยบายเป็นภาษาคนส่งเข้าไปตอนเรียกใช้ได้เลย และยังชนะโมเดล guardrail ที่ใหญ่กว่าเกือบ 7 เท่า

· อ่าน 7 นาที
Swiftlet รัน Qwen 80B บน Mac ด้วย RAM 4.3GB และ 35B บน iPhone — เคล็ดลับคือไม่โหลด expert เข้า RAM เลย แต่ pread จาก SSD ทีละตัว
เครื่องมือนักพัฒนา

Swiftlet รัน Qwen 80B บน Mac ด้วย RAM 4.3GB และ 35B บน iPhone — เคล็ดลับคือไม่โหลด expert เข้า RAM เลย แต่ pread จาก SSD ทีละตัว

Swiftlet (repo สร้าง 3 ส.ค., Apache 2.0, 336 ดาว) เป็น runtime Swift + Metal ที่รัน Qwen3-Next-80B-A3B บน Mac ด้วย peak RAM แค่ 4.3GB และ Qwen3.6-35B บน iPhone ด้วย ~2.5GB — โดยเก็บเฉพาะแกน dense ไว้ใน RAM แล้ว stream น้ำหนัก MoE จาก SSD ตามที่ router เรียก

· อ่าน 7 นาที
JetBrains เปิดซอร์ส KotlinLLM — กลับด้านแนวคิด LLM ในโปรดักชัน ให้โมเดลเขียนโค้ด Kotlin ตอนรัน แล้ว hot-reload เข้า JVM ผ่าน JDI
เครื่องมือนักพัฒนา

JetBrains เปิดซอร์ส KotlinLLM — กลับด้านแนวคิด LLM ในโปรดักชัน ให้โมเดลเขียนโค้ด Kotlin ตอนรัน แล้ว hot-reload เข้า JVM ผ่าน JDI

JetBrains Research เปิดซอร์สปลั๊กอิน KotlinLLM ภายใต้ Apache 2.0 — แนวคิด Smart macro ที่ไม่ได้เรียก LLM ทุกครั้งที่รัน แต่ให้ LLM สังเคราะห์โค้ด Kotlin เก็บเป็นซอร์สจริง คอมไพล์แล้ว hot-reload คลาสเข้า JVM ที่กำลังทำงานผ่าน JDI เรียกโมเดลเฉพาะตอนเจอเคสที่โค้ดเดิมรับไม่ไหว

· อ่าน 6 นาที
Thinking Machines ปล่อย Inkling-Small น้ำหนักเปิด 276B/12B ที่เอาชนะรุ่นพี่ 975B ได้ในหลายเบนช์มาร์ก
โมเดลใหม่

Thinking Machines ปล่อย Inkling-Small น้ำหนักเปิด 276B/12B ที่เอาชนะรุ่นพี่ 975B ได้ในหลายเบนช์มาร์ก

Thinking Machines Lab เปิดน้ำหนัก Inkling-Small โมเดล MoE ขนาด 276B total / 12B active ที่ทำคะแนน SWEBench Verified 80.2% และ GPQA Diamond 89.5% แซงรุ่นพี่ Inkling ขนาด 975B ที่ปล่อยไปเมื่อสองสัปดาห์ก่อน พร้อม context 1M โทเคนและ license tag apache-2.0

· อ่าน 5 นาที
LG ปล่อย K-EXAONE 2.0 น้ำหนักเปิด 750B/37B ใต้ Apache 2.0 — โมเดลใหญ่ที่สุดของเกาหลี ที่ตารางเบนช์มาร์กของตัวเองยอมรับว่ายังตามจีน
โมเดลใหม่

LG ปล่อย K-EXAONE 2.0 น้ำหนักเปิด 750B/37B ใต้ Apache 2.0 — โมเดลใหญ่ที่สุดของเกาหลี ที่ตารางเบนช์มาร์กของตัวเองยอมรับว่ายังตามจีน

LG AI Research เปิดน้ำหนัก K-EXAONE 2.0 โมเดล MoE 750B total / 37B active ใต้ Apache 2.0 ในฐานะเฟสสองของโครงการ Sovereign AI ของกระทรวงวิทย์ฯ เกาหลี — ชนะทุกตัวในตารางเรื่อง long-context retrieval (OpenAI-MRCR 94.4) และ safety แต่ตามหลัง Qwen3.5 กับ GLM-5.1 ในเกือบทุกหมวดที่เหลือ

· อ่าน 6 นาที
WASTE: รัน Kimi K3 ตัวเต็ม 2.78 ล้านล้านพารามิเตอร์บนโน้ตบุ๊ก 64GB ด้วยการสตรีม expert จาก NVMe
เครื่องมือนักพัฒนา

WASTE: รัน Kimi K3 ตัวเต็ม 2.78 ล้านล้านพารามิเตอร์บนโน้ตบุ๊ก 64GB ด้วยการสตรีม expert จาก NVMe

เอนจิน inference ภาษา C ที่ไม่มี dependency ใด ๆ รัน Kimi K3 ตัวเต็ม 2.78T พารามิเตอร์บน MacBook Pro 64GB ได้ที่ 0.49–0.54 tok/s โดยเก็บ trunk 27.28GB ไว้ใน RAM แล้วสตรีม expert ที่เหลือจาก NVMe — ช้ามาก แต่พิสูจน์ว่าโมเดลระดับ frontier ไม่จำเป็นต้องอยู่บนเซิร์ฟเวอร์อีกต่อไป

· อ่าน 7 นาที
Cisco ปล่อย Antares โมเดลเปิด 350M/1B ล่าช่องโหว่ในโค้ดจริง — ตัว 1B ทำคะแนนชนะ GLM-5.2 ที่ใหญ่กว่า 753 เท่า
โมเดลใหม่

Cisco ปล่อย Antares โมเดลเปิด 350M/1B ล่าช่องโหว่ในโค้ดจริง — ตัว 1B ทำคะแนนชนะ GLM-5.2 ที่ใหญ่กว่า 753 เท่า

Cisco Foundation AI ปล่อยโมเดลเปิด Antares-350M และ Antares-1B ภายใต้ Apache 2.0 ที่ทำงานเป็น terminal agent ไล่หาไฟล์ที่มีช่องโหว่ใน repo จริง โดยตัว 1B ทำ File F1 ได้ 0.209 สูงกว่า GLM-5.2 (753B) ที่ได้ 0.186 และมีค่ารันทั้งเบนช์มาร์กเพียง $0.71 เทียบกับ $141 ของ GPT-5.5

· อ่าน 7 นาที
Nanbeige4.2-3B: โมเดล agent 3B ที่ชนะ Qwen3.5-9B และ Gemma4-12B — SWE-bench Verified 63.6 บนพารามิเตอร์แค่เศษเสี้ยว
โมเดลใหม่

Nanbeige4.2-3B: โมเดล agent 3B ที่ชนะ Qwen3.5-9B และ Gemma4-12B — SWE-bench Verified 63.6 บนพารามิเตอร์แค่เศษเสี้ยว

Nanbeige LLM Lab ปล่อย Nanbeige4.2-3B ภายใต้ Apache-2.0 — โมเดล agent ขนาด 4B (non-embedding 3B) ที่ใช้สถาปัตยกรรม Looped Transformer วนซ้ำเลเยอร์ 2 รอบ ทำ SWE-bench Verified 63.6, GPQA-Diamond 87.4 และ MCP-Atlas 57.8 แซง Qwen3.5-9B กับ Gemma4-12B ที่ใหญ่กว่า 3–4 เท่า พร้อมคอนเท็กซ์ 256K และคู่มือรันบน Ollama/MLX ในตัว

· อ่าน 6 นาที
MiniCPM-Robot: โมเดลหุ่นยนต์ open-weight ตัวแรกของ OpenBMB — VLA ขนาด 1.5B ที่ชนะรุ่น 3B–5B บน RoboTwin2 และตัวติดตามเป้าหมาย 0.9B ที่รันบนหลังหุ่นสี่ขาได้จริง
โมเดลใหม่

MiniCPM-Robot: โมเดลหุ่นยนต์ open-weight ตัวแรกของ OpenBMB — VLA ขนาด 1.5B ที่ชนะรุ่น 3B–5B บน RoboTwin2 และตัวติดตามเป้าหมาย 0.9B ที่รันบนหลังหุ่นสี่ขาได้จริง

OpenBMB เปิดตัว MiniCPM-Robot (19 ก.ค. 2026) โมเดลตระกูล embodied AI ตัวแรกของทีม MiniCPM — RobotManip ขนาด 1.5B เป็น generalist VLA ที่ทำคะแนน RoboTwin2 hard ได้ 91.6 เท่ากับ LingBot-VA ที่ใหญ่กว่าสามเท่า และ RobotTrack ขนาด 0.9B ที่รันบน Unitree Go2 EDU ได้ 5+ FPS แบบ local ล้วน ทั้งคู่ปล่อยใต้ Apache 2.0

· อ่าน 6 นาที
Thinking Machines เปิดตัว Inkling โมเดลเปิดตัวแรก — MoE 975B มัลติโมดัล เทรนให้ "กว้าง" ไม่ใช่เก่งด้านเดียว ปล่อยน้ำหนักฟรีใต้ Apache 2.0
โมเดลใหม่

Thinking Machines เปิดตัว Inkling โมเดลเปิดตัวแรก — MoE 975B มัลติโมดัล เทรนให้ "กว้าง" ไม่ใช่เก่งด้านเดียว ปล่อยน้ำหนักฟรีใต้ Apache 2.0

Thinking Machines Lab ของ Mira Murati ปล่อยโมเดลแรก Inkling — MoE 975B พารามิเตอร์ (active 41B) มัลติโมดัลข้อความ/ภาพ/เสียง/วิดีโอ คอนเท็กซ์ 1M โทเคน ปรับ "ความคิดหนัก-เบา" ได้ และเปิดน้ำหนักเต็มใต้ Apache 2.0

· อ่าน 7 นาที
xAI เปิดซอร์ส Grok Build ทั้งตัวใต้ Apache 2.0 — Rust 844,530 บรรทัด หลังโดนจับได้ว่าอัปโหลดทั้ง repo ขึ้นคลาวด์
เครื่องมือนักพัฒนา

xAI เปิดซอร์ส Grok Build ทั้งตัวใต้ Apache 2.0 — Rust 844,530 บรรทัด หลังโดนจับได้ว่าอัปโหลดทั้ง repo ขึ้นคลาวด์

xAI ปล่อยซอร์สโค้ด Grok Build ทั้งหมดบน GitHub ใต้ Apache 2.0 — agent harness, TUI, tool layer และ subagent system เขียนด้วย Rust — หลังนักวิจัยจับได้ว่า CLI ตัวนี้อัปโหลดทั้ง repo พร้อม git history ขึ้น Google Cloud โดยผู้ใช้ไม่รู้ตัว

· อ่าน 6 นาที
Qwen-AgentWorld: โมเดลโอเพนเวตที่ "จำลองโลกของเอเจนต์" — ทำนายว่า terminal/เบราว์เซอร์/มือถือจะตอบอะไรกลับ แทนที่จะลงมือทำจริง
โมเดลใหม่

Qwen-AgentWorld: โมเดลโอเพนเวตที่ "จำลองโลกของเอเจนต์" — ทำนายว่า terminal/เบราว์เซอร์/มือถือจะตอบอะไรกลับ แทนที่จะลงมือทำจริง

ทีม Qwen ของ Alibaba ปล่อย Qwen-AgentWorld — โมเดลภาษาที่ทำหน้าที่เป็น "world model" ของเอเจนต์ คือทำนายว่าสภาพแวดล้อม (terminal, เบราว์เซอร์, Android, OS) จะตอบอะไรกลับเมื่อเอเจนต์ลงมือ แทนที่จะเป็นตัวเอเจนต์เอง เปิดเวต Apache 2.0 ขนาด 35B-A3B รันบนเครื่องตัวเองได้ พร้อมเบนช์มาร์ก AgentWorldBench

· อ่าน 6 นาที
DiffusionGemma: Google เปิดโมเดลภาษาแบบ "diffusion" โอเพนเวตตัวแรก — สร้างข้อความทีละบล็อก เร็วกว่าเดิม 4 เท่า รันบน RTX 4090 ได้
โมเดลใหม่

DiffusionGemma: Google เปิดโมเดลภาษาแบบ "diffusion" โอเพนเวตตัวแรก — สร้างข้อความทีละบล็อก เร็วกว่าเดิม 4 เท่า รันบน RTX 4090 ได้

Google DeepMind ปล่อย DiffusionGemma โมเดลภาษาแบบ text-diffusion โอเพนเวตตัวแรกที่ขึ้น mainstream — MoE 26B (active 3.8B) สร้างข้อความทีละบล็อก 256 โทเคนพร้อมกันแทนการไล่ทีละโทเคน เร็วกว่าโมเดล autoregressive ได้ถึง 4 เท่า ภายใต้ Apache 2.0 และรันบน RTX 4090/5090 24GB ได้เมื่อ quantize

· อ่าน 6 นาที
Cohere ปล่อย Command A+ โอเพนเวต Apache 2.0 ตัวแรก — 218B รันบน H100 สองใบด้วย quant 4-bit แทบไม่เสียคุณภาพ
โมเดลใหม่

Cohere ปล่อย Command A+ โอเพนเวต Apache 2.0 ตัวแรก — 218B รันบน H100 สองใบด้วย quant 4-bit แทบไม่เสียคุณภาพ

Cohere เปิดตัว Command A+ โมเดล MoE 218B (active 25B) ที่เป็นโมเดล Apache 2.0 ตัวแรกของบริษัท รองรับ 48 ภาษาและอินพุตภาพ จุดเด่นคือ quantization 4-bit (W4A4) ที่เคลมว่าคุณภาพแทบไม่ลด ทำให้รันบน H100 สองใบหรือ Blackwell ใบเดียวได้

· อ่าน 5 นาที
IBM ปล่อย Granite 4.1 ตระกูลโมเดลเล็ก Apache 2.0 — รุ่น 8B แซงรุ่น MoE 32B เดิม รันบน llama.cpp ได้
โมเดลใหม่

IBM ปล่อย Granite 4.1 ตระกูลโมเดลเล็ก Apache 2.0 — รุ่น 8B แซงรุ่น MoE 32B เดิม รันบน llama.cpp ได้

IBM ปล่อย Granite 4.1 ตระกูลโมเดล foundation ขนาด 3B/8B/30B ภายใต้ Apache 2.0 โดยรุ่น 8B instruct ทำคะแนนเทียบเท่าหรือแซงรุ่น MoE 32B ของ Granite 4.0 ด้วยสถาปัตยกรรมที่เรียบง่ายกว่า เน้นงานองค์กรและการรันโลคอลผ่าน llama.cpp/vLLM

· อ่าน 4 นาที
Qwen3.6-27B โมเดลโอเพนเวต dense ที่รันบน GPU ตัวเดียว — Alibaba เคลมแรงกว่ารุ่น MoE 397B บนงานโค้ดดิ้ง
โมเดลใหม่

Qwen3.6-27B โมเดลโอเพนเวต dense ที่รันบน GPU ตัวเดียว — Alibaba เคลมแรงกว่ารุ่น MoE 397B บนงานโค้ดดิ้ง

ทีม Qwen ของ Alibaba ปล่อย Qwen3.6 ภายใต้ Apache 2.0 โดยรุ่นเด่นคือ Qwen3.6-27B แบบ dense ที่รันบน GPU ผู้บริโภคตัวเดียวได้ แต่ผู้ผลิตรายงานว่าทำคะแนนงานโค้ดดิ้งแซงรุ่น MoE 397B ของตัวเอง พร้อม context 262K

· อ่าน 5 นาที
Mistral Small 4 รวมเหตุผล-วิชัน-โค้ดดิ้งไว้ในชุดน้ำหนักเดียว Apache 2.0 — active 6B พร้อมปุ่มปรับความคิด
โมเดลใหม่

Mistral Small 4 รวมเหตุผล-วิชัน-โค้ดดิ้งไว้ในชุดน้ำหนักเดียว Apache 2.0 — active 6B พร้อมปุ่มปรับความคิด

Mistral AI ปล่อย Mistral Small 4 โมเดล MoE 119B (active 6B) ภายใต้ Apache 2.0 ที่รวมความสามารถด้านเหตุผล (Magistral) วิชัน (Pixtral) และโค้ดดิ้ง (Devstral) ไว้ในชุดน้ำหนักเดียว พร้อมปุ่มปรับ reasoning effort และ context 256K

· อ่าน 5 นาที