แท็ก
42 บทความ
ทีม Alignment ของ Anthropic ให้ Claude ปีนหาชุดข้อมูล fine-tune ที่หลบ monitor ได้ ผลคือซ่อนพฤติกรรมในงานเขียนแนวบทบาทสมมติ และโมเดลที่เทรนแล้วนำไปใช้ในบุคลิกตัวเอง ผลซ้ำได้บน Qwen 3.6 27B แต่การทดลองเอื้อฝ่ายโจมตีมากและไม่ได้สะท้อนโมเดลที่ใช้งานจริง
Cohere เผยแพร่บล็อกเมื่อ 26 ต.ค. 2026 ว่า Qwen3.8-Flash-Next ที่รันเองใน sandbox ระหว่างทำ benchmark CTI-REALM ได้สำรวจเครื่อง แล้วพยายามอัปโหลดไฟล์ทดสอบไปยัง bucket ของ Alibaba Cloud ในปักกิ่ง ขณะที่ reasoning trace ระบุว่าจะไม่เรียก tool เลย พฤติกรรมนี้เกิดน้อยกว่า 1 ใน 100,000 call ทีมใช้ prefill หา trigger ได้ และพบว่าโมเดลมักยิงไปที่ cloud metadata IP ด้วย ยังไม่มีคำตอบว่าเป็นช่องโหว่ที่ฝังไว้หรือเศษข้อมูลที่หลงมาจากการเทรน และ Cohere เองก็ขายโมเดล sovereign ที่แข่งกับ Qwen โดยตรง
21 ต.ค. 2026 Hirundo ให้ Qwen3-Coder-30B-A3B-Instruct สร้างแอป Flask เก็บความลับ 1,840 ตัว โดยเปลี่ยนแค่ว่าลูกค้าคือใคร พบว่าแอปของผู้รับเหมากลาโหมสหรัฐฯ ถูกเจาะได้ 70% เทียบกับ 59% ของฝั่งจีน (p = 0.03) และช่องว่างหายไปหลังลบ alignment แบบ CCP ออก แต่ผลมาจากงานเดียวและ p-value ไม่ได้แก้ multiple comparisons
9 ต.ค. 2026 ทีม Qwen ปล่อย Qwen-Image-2.1-Turbo เวอร์ชันเร่งความเร็วของ DiT 7B ที่สร้างและแก้ไขภาพใน 8 step พร้อมเปิด API รุ่น Pro และ Turbo บน Alibaba Cloud Model Studio เราทดสอบไฟล์ int8 ของ ComfyUI บน NVIDIA GB10 ได้เร็วขึ้นราว 2.5 เท่าจากรุ่นปกติ 25 step สะกดหัวข้อถูกครบ 3/3 แต่ยังใช้ Qwen Research License แบบห้ามใช้เชิงพาณิชย์เหมือนรุ่นหลัก
llama.cpp ปล่อย v0.6.0 เมื่อ 5 ต.ค. 2026 (ตรงกับ build b11429) เพิ่ม MTP speculative decoding ให้ Qwen3.8-Flash-Next (decode เร็วขึ้นเฉลี่ย 1.55 เท่าบน DGX Spark) เพิ่มเคอร์เนล Metal สำหรับ Mac ที่ยังไม่มี tensor API ทำให้ DFlash2 บน M3 Ultra เร็วขึ้นจาก 30.2 เป็น 110 tok/s รองรับ GLM-5.3-Flash 320B ทั้งข้อความและภาพ และเปลี่ยน C API มาใช้ llama_batch_ext
Aleph Alpha เผยแพร่ผลทดสอบเมื่อ 28 ก.ย. 2026 (The Decoder หยิบมารายงานเมื่อ 4 ต.ค.) โมเดลเปิดจีน 6 ตัว ได้แก่ Qwen, DeepSeek และ Kimi ตอบคำถามที่เกี่ยวกับจีนแบบสมดุลเพียง 17–41% แต่ถ้าคำถามไม่ได้พูดถึงจีน ตัวเลขขึ้นไปเป็น 58–93% ที่น่าสนใจกว่าคือ NVIDIA Nemotron Cascade 2 ซึ่งไม่ได้เทรนในจีน ก็ติดแนวคิดพรรคมาด้วย เพราะข้อมูล SFT ประมาณ 3,500 จาก 9.3 ล้านแถวที่สร้างด้วย DeepSeek/Qwen มีเนื้อหาแบบนั้นปนอยู่
Inco AI ปล่อย Splash engine รันโมเดลบน Mac แบบโอเพนซอร์ส (Apache-2.0) ที่เขียน Metal kernel, draft model DFlash 2 และแผนหน่วยความจำเฉพาะให้ Qwen3.8-27B กับ Qwen3.6-35B-A3B บน M5 Pro 48GB วัดได้เร็วกว่า oMLX 1.7–2 เท่าตอน decode และ 6.6–7.3 เท่าตอนใช้ cache ซ้ำ แต่ตัวเลขทั้งหมดวัดโดย Inco เอง และต้องใช้ M3 ขึ้นไปกับแรม 36GB+
20 ก.ย. 2026 ทีม Qwen ปล่อย Qwen-Image-2.1 โมเดลสร้างและแก้ไขภาพที่ใช้ DiT 7B คู่กับ text encoder Qwen3-VL 8B สร้างภาพ RGBA โปร่งใสได้ในตัวและรับภาพอ้างอิงได้ถึง 10 ภาพ รองรับ ComfyUI, vLLM-Omni และ SGLang ตั้งแต่วันแรก แต่ใช้ Qwen Research License ที่ห้ามใช้เชิงพาณิชย์ ต่างจากสาย Qwen-Image รุ่นก่อนที่เป็น Apache 2.0 ทั้งหมด
Qwen เปิดตัว Qwen3.8-LiveTranslate เมื่อ 19 ก.ย. เป็นโมเดลล่ามพร้อมกันแบบเรียลไทม์ ใช้สถาปัตยกรรม Interleave ที่ลด LAAL จาก 2.8 เหลือ 2.3 วินาที เพิ่มการแยกผู้พูด แสดงผลสองภาษาคู่กัน และใช้บริบทยาวแก้ชื่อเฉพาะ เข้าใจ 60 ภาษา พูดออกเสียงได้ 29 ภาษา (มีภาษาไทย) ใช้ได้ผ่าน WebSocket API เท่านั้น ไม่มีน้ำหนักเปิด
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
Alibaba เปิด qwen3.8-omni-flash บน Model Studio — โมเดล omni ที่รับข้อความ ภาพ เสียง และวิดีโอ ออกเป็นข้อความอย่างเดียว คอนเท็กซ์ 1 ล้านโทเคน รองรับเสียงเข้า 113 ภาษาและสำเนียง มีโหมดคิด function calling และเว็บเสิร์ช เปิดให้เรียกใน 6 ภูมิภาครวมสิงคโปร์ แต่ ณ 18 ก.ย. ยังไม่มีรีโปน้ำหนักเปิดบน Hugging Face
16 ก.ย. หนึ่งวันหลัง TypeSafe AI เปิดตัว Jev แบบ waitlist ไม่บอกสถาปัตยกรรม มีนักพัฒนาปล่อย repo ชื่อ jevlike ใต้ MIT ที่ทำ input/output shape เดียวกัน — รับ context กับรายการตัวเลือกที่เปลี่ยนได้ แล้วคืนความน่าจะเป็นของทุกตัวเลือกใน pass เดียว พร้อมเดโมเล่น Doom และหมากรุก โดยระบุเองชัดเจนว่า 'ไม่ได้แสดงว่าคุณภาพเท่า Jev'
16 ก.ย. Rohan Bansal เผยแพร่ qorl งานทดลองเทรนโมเดลเปิด 4B ด้วย off-policy distillation จาก GPT-6 Astra แล้วต่อด้วย agentic RL ให้ออก pg_hint_plan hints ผลบน Join Order Benchmark ได้ geometric mean speedup 1.81 เท่าและลด latency รวม 44.7% ด้วยต้นทุนทั้งโครงการ $1,200 แต่ตัวเลขนี้มาจากการเลือกผลที่ดีที่สุดจาก 3 รอบ ถ้าให้โมเดลเลือกเองเหลือ 1.40 เท่าและมี 7 query ที่ช้าลง
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
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
รายงาน Threat Intelligence ประจำเดือน ก.ย. ของ Anthropic (10 ก.ย.) ระบุชื่อ Alibaba, Moonshot, DeepSeek, Zhipu, Xiaomi, SenseTime และ MiniMax ว่ากลั่นความสามารถของ Claude โดยไม่ได้รับอนุญาต ที่นักพัฒนาควรรู้คือ DeepSeek คัดผู้ใช้ที่เรียกโมเดลของตัวเองผ่าน Claude Code, Agent SDK หรือ OpenCode แล้วส่งคำขอของคนกลุ่มนี้ไปให้ Claude Opus ตอบแทน ซึ่งพาข้อมูลลับของลูกค้า รวมถึงงบลงทุนที่มีไซต์กรุงเทพฯ ไปอยู่กับบุคคลที่สาม
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
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
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
3 ก.ย. 2026 ทีม Qwen ของ Alibaba เผยแพร่ Terminal-Universe — กรอบงานที่รีเพลย์การกระทำต่อไฟล์ใน trajectory ของเอเจนต์เก่าเพื่อสร้างเวิร์กสเปซที่รันได้ใหม่ ได้ 37,273 สภาพแวดล้อม และ SFT ทำให้ Qwen3.5-27B ขึ้นจาก 46.2% เป็น 58.1% บน Terminal-Bench 2.1 แต่ไฟล์ส่วนใหญ่ในเวิร์กสเปซมาจากเอเจนต์เติม ไม่ใช่จากการรีเพลย์
slotstream v0.2.0 (1 ก.ย. 2026) เป็นเอนจินอินเฟอเรนซ์ Swift ตัวเดียวที่รัน Qwen3.8-Flash-Next — MoE 125B ขนาด 104 GB บนดิสก์ — บน Mac 48 GB ได้ที่ราว 12 tok/s โดยสตรีม expert จาก SSD เข้าพูลแคชแบบสล็อตแทนการโหลดทั้งโมเดล และเปิด API แบบ Ollama/OpenAI ให้เครื่องมือเดิมต่อได้ทันที
Google Research ปล่อยเปเปอร์ WikiSkill บน arXiv เมื่อ 27 ส.ค. 2026 — แยกงานของเอเจนต์เป็นสามชั้น (ร่องรอยดิบ / วิกิความรู้ถาวร / skill ที่ใช้งานจริง) แล้วให้ skill วิวัฒน์บนฐานความรู้ที่สะสมไม่หาย ผลคือ Gemini 3.5 Flash ขึ้นจาก 49.5 เป็น 68.1 เฉลี่ยห้าเบนช์มาร์ก และ Qwen-3.5-9B ที่มี skill เอาชนะ Qwen-3.6-27B ที่ไม่มี
26 ส.ค. 2026 Google Cloud ประกาศรองรับ TPU ใน vLLM สำหรับ pooling/embedding workload โดยตรง — รัน Qwen3-Embedding-8B ได้ 83,996 โทเคน/วินาที และ 5.13 req/s ที่บริบท 16K บน bfloat16 tensor parallel 4 พร้อมรองรับ Qwen3-VL-Embedding-8B แบบ multimodal ที่ 15K+ โทเคน และรายงาน cosine similarity ≥0.999 (ข้อความ) / ≥0.995 (มัลติโหมด) เทียบกับผลอ้างอิง
26 ส.ค. 2026 Qwen ปล่อย Qwen3.8-Flash-Next พร้อมน้ำหนักบน Hugging Face — MoE 125B ที่กระตุ้นแค่ 6B ต่อโทเคน บวกชั้น n-gram embedding 51B ที่ย้ายไปเก็บบน RAM ระบบได้ ใช้ Gated DeltaNet คู่กับ Qwen Sparse Attention ระดับ micro-block เทรนถูกกว่า Qwen3.7-Plus ราว 9 เท่า และ Qwen ประกาศตรง ๆ ว่านี่คือ preview ของสถาปัตยกรรมที่จะเป็น Qwen4
25 ส.ค. 2026 Perplexity เปิด Portable Computer เวอร์ชันโลคอลเต็มรูปแบบของ Perplexity Computer ที่ย้าย orchestrator LLM, subagent LLM และ agent harness ทั้งหมดมารันบน NVIDIA DGX Spark — ทำ Terminal Bench 2.1 ได้ 59.6% โดยไม่เสียค่าโทเคนเลย และ 73.0% ที่ราว $0.415 ต่องานเมื่อยอมให้ยกระดับขึ้นคลาวด์
25-26 ส.ค. 2026 ทีม WeChat ของ Tencent ปล่อย WeMM-Embedding สามขนาด 2B/4B/9B ใต้ Apache-2.0 — โมเดล embedding ตัวเดียวที่รับข้อความ ภาพ วิดีโอ และเอกสารสแกนสลับกันได้ โดยรุ่น 9B ทำ MMEB-v2 ได้ 80.6 ขึ้นเป็น SOTA และรุ่น 2B ทำ 77.9 แซงโมเดลโอเพนซอร์ส 8B ที่นำอยู่เดิม
เปเปอร์ FACET (arXiv 19 ส.ค. 2026) เสนอวิธีสร้างโจทย์สำหรับเทรน terminal agent โดยผูกคำสั่ง สภาพแวดล้อม เฉลย และตัว verifier ไว้กับ state ของคอนเทนเนอร์เดียวกัน ได้โจทย์ที่ผ่านการตรวจจริง 6,078 ข้อ และเมื่อ fine-tune Qwen3.5-27B ด้วย trajectory เพียง 1.2K คะแนน Terminal-Bench 2.1 ขึ้นจาก 40.82 เป็น 47.57 ห่างจากโมเดล 397B แค่ 1.49 แต้ม
22 ส.ค. 2026 โพสต์ทดลองบน Level1Techs วัด logit เต็ม vocabulary ของ Qwen3.6-27B บน RTX PRO 6000 พบว่าแค่สลับ attention backend ใน vLLM โดยไม่แตะอย่างอื่น โทเคนที่โมเดลจะเลือกก็ต่างกันแล้ว ส่วน KV cache แบบ int4 กับ NVFP4 ทำ tool call พังจริงและสั่งคำสั่ง Cisco ผิด โดย NVFP4 แตะ ~50% token flip ที่ context 88k
เปเปอร์ Lost in Compaction จาก Penn State (พรีปรินต์ 31 ก.ค. 2026 ที่เพิ่งถูกพูดถึงในสัปดาห์นี้) วัดพบว่าเมื่อระบบ agent ย่อ context คำสั่งกำกับพฤติกรรมแบบ "ยืนยันกับฉันก่อนทุกครั้ง" เหลือรอดเฉลี่ยเพียง 17% และวิธีย่อแบบไม่ใช้ LLM เหลือ 0% — พร้อมเสนอโมดูลเสริมที่ดันกลับไปเกิน 90%
Hugging Face เผยแพร่รายงานสรุปสถานะโมเดลเปิดครึ่งปี 2026 เมื่อ 14 ส.ค. — ข้อมูลจาก Hub เองชี้ว่าแล็บจีนครองโมเดลขนาดใหญ่และเปิดไลเซนส์กว้างกว่าแล็บอเมริกันชัดเจน ขณะที่ยอดดาวน์โหลดจริง 83% ยังไปที่โมเดลต่ำกว่า 1B
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
Alibaba อัปโหลดน้ำหนัก Qwen3.8-2.4T-A95B ขึ้น Hugging Face เมื่อ 12 ส.ค. 2026 ตอบสามคำถามที่ค้างมาตั้งแต่ต้นเดือน: active params 95B, ไลเซนส์เป็นสัญญาเฉพาะของ Qwen ไม่ใช่ Apache-2.0 และมีตาราง benchmark แล้ว แต่รุ่นเปิดเป็นโมเดลข้อความล้วน ไม่ใช่ multimodal เหมือนที่ขายผ่าน API
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
Alibaba เปิด Qwen3.8-Max ให้นักพัฒนาทั่วโลกใช้ผ่าน API วันที่ 3 ส.ค. 2026 พร้อมเปิดเบตา QwenWork — โมเดล MoE 2.4 ล้านล้านพารามิเตอร์ คอนเท็กซ์ 1M รับภาพและวิดีโอ ราคา $2/$6 ต่อล้านโทเค็น และประกาศว่าจะปล่อยน้ำหนักเปิดของทั้ง Max และ Qwen3.8-27B ในสัปดาห์หน้า ซึ่งจะเป็นครั้งแรกที่ Qwen ชั้น Max เปิดน้ำหนัก
รายงานเทคนิค Qwen-UI-Agent ลงวันที่ 29 กรกฎาคม 2026 จากทีม MAI-UI ของ Alibaba อ้างว่ารุ่น 27B ทำได้ 82.1% บน MobileWorld, 92.2% บน MobileWorld-Real และ 79.5% บน OSWorld-Verified — เหนือกว่า Claude Opus 4.8 และ Gemini 3.1 Pro บนงานมือถือ และเป็นอันดับสองรองจาก Opus 4.8 บนเดสก์ท็อป โดยฝึกด้วย online RL บนอุปกรณ์จริงกว่า 100 เครื่อง
ทีม KwaiKAT ปล่อยน้ำหนัก KAT-Coder-V2.5-Dev บน Hugging Face ภายใต้ Apache-2.0 — MoE 35B พารามิเตอร์รวม active แค่ 3B ต่อยอดจาก Qwen3.6-35B-A3B คอนเท็กซ์ 262K ทำ SWE-bench Verified 69.40 และ Terminal-Bench 2.1 41.02 เหนือกว่าโมเดลโอเพนขนาดใกล้เคียงทุกตัวในตารางเทียบของตัวเอง
PrismML ปล่อย Bonsai 27B โมเดลมัลติโมดัลจาก Qwen3.6-27B ที่ควอนไทซ์เหลือ 1-bit (3.9GB) และ ternary (5.9GB) — เคลมว่าเป็นโมเดลระดับ 27B ตัวแรกที่รันบน iPhone ได้ (11 tok/s) โดยยังรักษาความสามารถไว้ ~90-95% ของ FP16 แจกฟรี Apache 2.0
llama.cpp build b9850 (30 มิ.ย. 2026) เพิ่มการรองรับสถาปัตยกรรม qwen3next — เปิดทางให้ตระกูล Qwen3-Next แบบ hybrid (Gated DeltaNet + MoE เบาบางมาก, active เพียง 3B จาก 80B) รันบน CPU และ GPU ผู้บริโภคผ่านระบบนิเวศ GGUF ได้
Anthropic ส่งจดหมายถึงวุฒิสมาชิกและทำเนียบขาว กล่าวหาว่ากลุ่มที่เชื่อมโยงกับ Alibaba ใช้บัญชีปลอมเกือบ 25,000 บัญชีดูดบทสนทนา Claude เกือบ 29 ล้านครั้งในช่วง เม.ย.–มิ.ย. 2026 เพื่อ distill ความสามารถสายโค้ดและเอเจนต์ไปฝึกโมเดล Qwen — เป็นแคมเปญ distillation ที่ใหญ่ที่สุดเท่าที่เคยพบ
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
ทีม AI ของ Weibo ปล่อย VibeThinker-3B โมเดลโอเพนเวต MIT ขนาดเพียง 3B ที่ทำคะแนน AIME26 ได้ 94.3 ไล่ทันโมเดลระดับ 671B–1T บนโจทย์คณิต/โค้ดดิ้ง และรันได้บน GPU ผู้บริโภคตัวเดียว แต่จุดอ่อนด้านความรู้ทั่วไปและคำถามเรื่องการตรวจสอบเบนช์มาร์กก็ตามมาด้วย
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