แท็ก
7 บทความ
2 ต.ค. 2026 Ai2 เปิด AstaBrief 8B โมเดลที่ฝึกต่อจาก Qwen3-8B ด้วย SFT และ DPO สำหรับเปลี่ยนคำถามวิจัยกับข้อความจากเปเปอร์ให้เป็นรายงานที่มีอ้างอิง ใช้ไลเซนส์ Apache-2.0 และปล่อยชุดข้อมูลเทรนออกมาด้วย ใน Asta โหมด Fast ที่ใช้โมเดลนี้ใช้เวลาเฉลี่ย 51 วินาทีต่อรายงาน ส่วนโหมด Thinking ที่ใช้ Claude อยู่ที่ 179 วินาที
Contrastive-LM ปล่อย CLM-8B โมเดลตัดสินใจที่ใช้ API แบบเดียวกับ Jev ของ TypeSafe แต่ไม่ generate ข้อความเลย ใช้ Qwen3-8B แบบ frozen เป็น encoder แล้วต่อหัว projection 20M พารามิเตอร์ที่เทรนด้วย contrastive loss ให้คะแนนตัวเลือกด้วยความใกล้กันของ embedding ตัวเลขของผู้พัฒนาเองบอกว่าเร็วกว่า Jev 1.6–9 เท่า ความแม่นใกล้เคียงกันเกือบทุกงาน และเมื่อไฟน์จูนเป็น verifier ได้ 81.6% บน DeepSWE แต่วัดบนชุดทดสอบเพียง 30–38 งาน
3 ก.ย. 2026 ทีมจาก University of Waterloo และ Harvard ปล่อยเปเปอร์ compile by training — เปลี่ยนสเปกภาษาธรรมชาติเป็นอะแดปเตอร์ LoRA บนอินเทอร์พรีเตอร์ Qwen3-0.6B ที่ดาวน์โหลดไปรันเองได้ ทำคะแนน 83.6% บน FuzzyBench-Hard จากเดิม 22.4% แต่ตอนคอมไพล์ยังต้องส่งสเปกไปให้บริการโฮสต์และ GPT-5.5 สังเคราะห์ตัวอย่าง
ทีม ZJU-REAL จากมหาวิทยาลัยเจ้อเจียงปล่อยเปเปอร์ TTPO เมื่อ 27 ส.ค. — วิธี post-training ที่ไม่ต้องใช้เฉลย โดยใช้ majority-vote เป็น pseudo-label แล้วจับคู่กับ objective แบบไม่สมมาตร (กลั่นความรู้จากคำตอบที่ตรงกัน ลงโทษด้วย RL เฉพาะคำตอบที่แย้ง) ผลคือเทียบเท่าการเทรนแบบมีเฉลยบนห้าเบนช์มาร์กระดับแข่งขัน และดัน Qwen3-1.7B จาก 38.0 เป็น 45.2 ด้วยโจทย์ทดสอบที่ไม่มีป้ายกำกับ โค้ดเปิดบน GitHub
เปเปอร์จากทีม ZJUNLP ขึ้น arXiv เมื่อ 20 ส.ค. 2026 ทดสอบเฟรมเวิร์กความจำ 5 ตัวบนโมเดลสองตระกูล แล้วพบว่า ทุกตัว ทำคะแนนต่ำกว่าการไม่ใส่ความจำเลย — โดยความจำที่บันทึกถูกต้องและเกี่ยวข้องจริง ก็ยังลากโมเดลเข้ากับดักได้ ที่หนักที่สุดร่วงจาก 92.29% เหลือ 31.05%
20 ส.ค. 2026 Superwhisper ปล่อย S1-mini โมเดลโอเพนเวต 596M พารามิเตอร์ที่ fine-tune จาก Qwen3-0.6B ทำหน้าที่เดียวคือแปลงข้อความดิบจาก ASR ให้เป็นข้อความเขียนที่สะอาด — ตัดคำเอ้ออ้า แก้คำที่พูดผิดแล้วพูดใหม่ ใส่วรรคตอน แปลงตัวเลขและอีเมล ความแม่นยำระดับโทเคน 94.8% ไฟล์ GGUF เพียง 462 MB
Hugging Face ประกาศว่าแบ็กเอนด์ transformers ใน vLLM ทำ throughput ได้เท่าหรือดีกว่าอิมพลิเมนต์ที่ vLLM เขียนมือเอง ด้วยเทคนิค dynamic layer fusion ตอนรันไทม์ผ่าน torch.fx ผลคือเสิร์ฟโมเดลบน Hub ตัวไหนก็ได้ รวมถึงโมเดลคัสตอม ด้วยแฟล็ก --model-impl transformers โดยไม่ต้องรอใครมาเขียนโค้ดรองรับ