แท็ก
12 บทความ
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
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
Dr Magnus Lynch แพทย์ผิวหนังจาก Guy's Hospital และ King's College London ทดสอบรอยโรคที่ยืนยันผลชิ้นเนื้อแล้ว 200 ราย จากชุดข้อมูล MILK10k (เผยแพร่ 25 ต.ค. 2026) Inception v3 ที่ fine-tune บนภาพ ISIC 68,011 ภาพวินิจฉัยถูก 125/200 ส่วน GPT-6 Astra ถูก 84 และ Claude Fable 5.1 ถูก 85 แต่ที่ threshold ที่ตั้งมา CNN ปล่อยเมลาโนมากลับบ้าน 18 จาก 30 ราย เทียบกับ 3 และ 4 รายของ LLM
19 ต.ค. 2026 OpenAI เผยแพร่งานวิจัยเรื่องการเขียนโค้ดในภาษาที่มีข้อมูลน้อยอย่าง COBOL, Fortran และ Visual Basic พร้อม eval สองชุด ใน MultiLangBench ที่ให้โมเดลเขียน SQLite ใหม่ทั้งตัว GPT-6 Astra ได้เฉลี่ย 87.4% ใน 20 ภาษา และในชุดย้ายโค้ด COBOL GPT-6.1 Sol ได้ 86.6% ที่ low effort แต่ทั้งสองชุดเทียบกับ GPT-5.6 Sol ใช้โมเดลคนละตัว และรีโป Apache-2.0 ที่ปล่อยมีแค่ชุดทดสอบ ยังไม่มีผลรายภาษาหรือ harness ตามที่โพสต์บอก
3 ต.ค. 2026 Microsoft กับ Hugging Face ปล่อย ThinkingBox-Bench ผ่าน OpenEnv ประกอบด้วยงานธุรกิจ 507 งานใน 5 โดเมน ตรวจผลจากสถานะฐานข้อมูลหลังเอเจนต์ทำงานเสร็จ และรันแต่ละงาน 20 รอบ จากการทดสอบ 18 โมเดล Claude Opus 5.5 นำที่ pass@1 67.16% Kimi-K3 แก้ได้กว้างที่สุดที่ 476 งาน แต่ผ่านครบ 20/20 ได้แค่ 68 งาน และราว 80% ของความล้มเหลวมาจากการใช้ tool
ทีมอิสระสามคนต่อ LLM เข้ากับพวงมาลัย คันเร่ง และเบรกของ Corolla ปี 2022 ผ่าน comma four, openpilot และ MCP สามเครื่องมือ แล้วให้ขับในสนามกรวยยาวราว 130 เมตร GPT-6 Astra (ผ่าน Codex) เป็นโมเดลเดียวที่เข้าเส้นชัย ในความพยายามครั้งที่สอง ใช้เวลา 5:22 นาที ส่วนโมเดลอื่นส่วนใหญ่ติดตั้งแต่โค้งแรก ทีมเปิดซอร์ส harness เป็น MIT และเผยแพร่ trace ครบทั้ง 11 รอบ
18 ก.ย. 2026 RoboCurve เผยแพร่ RoboHarm — ฉากทดลองจริง 5 ฉากบนแขนกล I2RT YAM รันโมเดลละ 100 ครั้ง ผลคือ GPT-6 Astra ทำสำเร็จ 60 จาก 100 ปฏิเสธด้วยเหตุผลความปลอดภัยแค่ 2 ครั้ง ส่วน Claude Fable 5.1 ปฏิเสธ 20 ครั้งซึ่งกระจุกอยู่ที่คำสั่งแทงตุ๊กตาเด็กทั้งหมด และไม่ปฏิเสธเลยในอีกสี่ฉาก
16 ก.ย. Waldek Mastykarz จาก Microsoft เผยแพร่เคสจริงของ eval ที่ให้ผลผ่านแต่วัดผิดสิ่ง เขาปิดเว็บและบล็อก curl เพื่อวัดความรู้ภายในของ GPT-5.6 Luna เรื่อง Dev Proxy แต่ agent ไปเจอ Dev Proxy ที่ติดตั้งอยู่บนเครื่องพร้อม git history แล้วอ่านซอร์สที่ tag v0.29.2 ตอบถูกหมด บทความเสนอให้นิยาม sandbox รอบ 'ข้อมูล' แทนที่จะไล่บล็อกทีละเครื่องมือ พร้อมเช็คลิสต์ 8 ข้อ
Entelligence (บริษัทที่ขาย model router) ให้ GPT-5.6 Luna และ GPT-6 Astra รีวิว pull request สาธารณะ 50 ตัวด้วยพรอมต์เดียวกัน Luna เจอบั๊กที่ผ่านการยืนยัน 69 ตัว เทียบกับ 92 ตัวของ Astra โดยใช้เงิน $0.20 ต่อ $5.66 แต่ความแม่นยำ 74% ต่อ 96% และบนโค้ด auth ของ Keycloak เจอแค่ 6 ต่อ 14 — Astra เป็นทั้งผู้เข้าแข่งและกรรมการ และ PR ทุกตัวเก่ากว่า training cutoff ของทั้งสองโมเดล
9-10 ก.ย. นักพัฒนาปล่อยผลทดลอง reasoning prefill รอบสองที่เปลี่ยนครูจาก Opus 4.8 เป็น GPT-5.5 Pro แล้วพบว่า Qwen3.8 A95B ขยับเข้าหาคำตอบของครู 18.18 จุด เทียบกับ 1.87 จุดตอนใช้ Opus — ตัวเลขน่าสนใจ แต่วิธีวัดคือ n-gram overlap 100 โทเคนแรกบนโจทย์ 45 ข้อ ซึ่งบอกอะไรได้และบอกอะไรไม่ได้ ต้องแยกให้ออก
ARC Prize เผยแพร่ผลทดสอบ GPT-6 Astra บน ARC-AGI-3 เมื่อ 3 ก.ย. เป็นตาราง 12 ช่อง (6 ระดับ reasoning x 2 harness) แล้วเห็นชัดว่าคะแนนขึ้นกับ harness มากกว่าขึ้นกับปริมาณการคิด — Standard harness ที่เป็นกลางให้ 62.7% ขณะที่ Provider Adapter ให้ 96.7-99.9% ในทุกระดับ แม้แต่ระดับที่ปิดการคิดทั้งหมด
Ollama ตัวรันโมเดลบนเครื่อง (local runner) ยอดนิยมประกาศเมื่อ 9 ก.ค. 2026 ว่าระดมทุนได้ 88 ล้านดอลลาร์จาก Benchmark, Theory Ventures, 8VC, Y Combinator และเหล่า angel — พร้อมประกาศทิศทาง "all aboard open models" ตอนนี้มีนักพัฒนาใช้งาน 8.9 ล้านคน และองค์กร 85% ของ Fortune 500