แท็ก

#Qwen3.5

18 บทความ

QwenPU รัน LLM ซ้อนใน LLM ด้วยหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ส่วน bootgpt ทำให้เครื่อง 386 บูตเข้าโมเดลภาษาโดยไม่มี OS
งานวิจัย

QwenPU รัน LLM ซ้อนใน LLM ด้วยหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ส่วน bootgpt ทำให้เครื่อง 386 บูตเข้าโมเดลภาษาโดยไม่มี OS

ผู้สร้าง Qwenputer ปล่อย QwenPU เมื่อ 31 ต.ค. รัน stories260K ของ Karpathy บนหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ลดเหลือ 53,000 trace token ต่อหนึ่ง token เรื่องเล่า วันเดียวกัน bootgpt ใส่โมเดล int8 ขนาด 11.5KB ให้บูตบนเครื่อง 386 โดยไม่มี OS

· อ่าน 3 นาที
nesformer คอมไพล์ CPU ของ NES ลงในน้ำหนักโมเดลโครงสร้าง Qwen3.5 — เล่น Super Mario Bros. ได้ แต่ช้ากว่าเครื่องจริง 150–290 เท่า
งานวิจัย

nesformer คอมไพล์ CPU ของ NES ลงในน้ำหนักโมเดลโครงสร้าง Qwen3.5 — เล่น Super Mario Bros. ได้ แต่ช้ากว่าเครื่องจริง 150–290 เท่า

Drew Breunig ปล่อย nesformer เมื่อ 30 ต.ค. ฝัง CPU 6502 ของ NES, RAM 2KB และ ROM เกมลงในน้ำหนักที่คอมไพเลอร์คำนวณเอง ไม่ได้เทรน โหลดด้วย transformers ได้ตรง ๆ ต่อยอดจาก Qwenputer ที่ใส่ RISC-V CPU ลงใน Qwen3.5-4B จริง

· อ่าน 4 นาที
SenseNova-Loop-9B-Preview วนบล็อกเลเยอร์ซ้ำสองรอบ เปิดเป็น Apache-2.0 แต่ checkpoint บ่งชี้ว่าต่อยอดจาก Qwen3.5-9B ที่การ์ดไม่เอ่ยถึง
โมเดลใหม่

SenseNova-Loop-9B-Preview วนบล็อกเลเยอร์ซ้ำสองรอบ เปิดเป็น Apache-2.0 แต่ checkpoint บ่งชี้ว่าต่อยอดจาก Qwen3.5-9B ที่การ์ดไม่เอ่ยถึง

SenseNova ปล่อยโมเดล 9B ที่รันบล็อก 24 เลเยอร์ซ้ำสองรอบเมื่อ 30 ต.ค. ตัวเลขของผู้พัฒนาชนะ Qwen3.5-9B ทั้ง 8 เบนช์มาร์ก แต่การตรวจ checkpoint พบชื่อเทนเซอร์ของ Qwen3.5-9B ครบ และเทนเซอร์ normalization ที่เลือกอ่านมี correlation สูงกว่า 0.99

· อ่าน 4 นาที
Anthropic ทดลอง "หนอน AI" บนอุปกรณ์ IoT: รัน Gemma4-26B บนกล่อง Android TV ราคา $55 จำนวน 15 กล่อง และพบว่า GLM-5.2 จำลองตัวเองได้ครบวงจรในการทดสอบแบบง่าย — คาดโมเดลเล็กจะทำได้ภายในสิ้นปีนี้
การแฮ็ก

Anthropic ทดลอง "หนอน AI" บนอุปกรณ์ IoT: รัน Gemma4-26B บนกล่อง Android TV ราคา $55 จำนวน 15 กล่อง และพบว่า GLM-5.2 จำลองตัวเองได้ครบวงจรในการทดสอบแบบง่าย — คาดโมเดลเล็กจะทำได้ภายในสิ้นปีนี้

ทีม Frontier Red Team ของ Anthropic รายงานเมื่อ 12 ต.ค. 2026 ว่าโมเดลเปิดขนาดเล็กใกล้จะจำลองตัวเองบนอุปกรณ์ IoT ได้โดยไม่ต้องพึ่งดาต้าเซ็นเตอร์ โมเดล 9B ตั้ง inference ได้บน 8 จาก 9 ชนิดฮาร์ดแวร์ GLM-5.2 แพร่ได้ 8/8 โหนดใน 4 จาก 5 รอบ และเส้นแนวโน้มชี้ว่าโมเดล ≤30B จะถึงระดับนั้นภายในสิ้นปี 2026

· อ่าน 6 นาที
Unsloth เทรน decision model เองได้แล้ว: แปลง Qwen3.5 / Llama 3.2 / Gemma 4 เป็นโมเดลตัดสินใจด้วย LoRA ใช้ VRAM 4 GB ความแม่นยำขึ้นจากระดับเดาสุ่ม (~30%) เป็น 78–81% พร้อม OS sandbox ทั้ง 3 ระบบปฏิบัติการ
เครื่องมือนักพัฒนา

Unsloth เทรน decision model เองได้แล้ว: แปลง Qwen3.5 / Llama 3.2 / Gemma 4 เป็นโมเดลตัดสินใจด้วย LoRA ใช้ VRAM 4 GB ความแม่นยำขึ้นจากระดับเดาสุ่ม (~30%) เป็น 78–81% พร้อม OS sandbox ทั้ง 3 ระบบปฏิบัติการ

Unsloth v0.1.904/905-beta (7–8 ต.ค. 2026) เพิ่ม FastDecisionModel และ DecisionTrainer สำหรับแปลง LLM ทั่วไปเป็น decision model ที่ตอบเป็นความน่าจะเป็นของแต่ละตัวเลือก (ใช้ head แบบเดียวกับ Clef ของ Cloudflare) Qwen3.5-0.8B ใช้ VRAM 4 GB เทรน 42 นาที ได้ holdout 78% พร้อมเปิด OS-level sandbox ให้ tool call บน Linux (bwrap), macOS (Seatbelt) และ Windows (MXC)

· อ่าน 5 นาที
Bilibili เปิด Index-Translate โมเดลแปลภาษาแบบเปิด (Apache-2.0) รองรับ 150 ภาษา ภาษาไทยเป็นหนึ่งใน 22 ภาษาหลัก — รุ่น 35B-A3B ได้ FLORES สูงสุดในรายงาน และวันนี้มี GGUF ให้รันในเครื่องแล้ว
โมเดลใหม่

Bilibili เปิด Index-Translate โมเดลแปลภาษาแบบเปิด (Apache-2.0) รองรับ 150 ภาษา ภาษาไทยเป็นหนึ่งใน 22 ภาษาหลัก — รุ่น 35B-A3B ได้ FLORES สูงสุดในรายงาน และวันนี้มี GGUF ให้รันในเครื่องแล้ว

ทีม Index ของ Bilibili ปล่อย Index-Translate ตระกูลโมเดลแปลภาษาที่ต่อยอดจาก Qwen3.5 ไลเซนส์ Apache-2.0 ขนาด 2B, 9B และ 35B-A3B (preview) แปลได้ 150 ภาษา และทำตามคำสั่งเรื่องศัพท์เฉพาะ รูปแบบ JSON/markdown และน้ำเสียงได้ ภาษาไทยอยู่ในกลุ่ม 22 ภาษาหลัก วันที่ 3 ต.ค. ออก GGUF และ FP8 ครบทุกขนาด แต่คะแนนหลายตัวในรายงานใช้ GPT-5.6-Sol เป็นผู้ตัดสิน และยังไม่มีคะแนนแยกของภาษาไทย

· อ่าน 5 นาที
PostHog ปล่อย Jeeves — โมเดลตัดสินใจแบบ Jev ขนาด 9B ที่คิดก่อนตอบ ได้ 0.935 บน JevBench สาธารณะ (Jev 0.866) แต่ต้องแลกกับ latency 3.3 วินาที
โมเดลใหม่

PostHog ปล่อย Jeeves — โมเดลตัดสินใจแบบ Jev ขนาด 9B ที่คิดก่อนตอบ ได้ 0.935 บน JevBench สาธารณะ (Jev 0.866) แต่ต้องแลกกับ latency 3.3 วินาที

PostHog เปิด Jeeves เมื่อ 29 ก.ย. เป็นโมเดลตัดสินใจขนาด 9B บน Qwen3.5-9B ที่เขียน reasoning ก่อนคืนความน่าจะเป็น เทรนด้วย SFT และ CISPO มี diffusion drafter ช่วยเร่ง ได้ 0.889 บนชุด test นอกโดเมน (Jev 0.857) และ 0.865 บน JevBench hard (Jev 0.730) แต่ยังแพ้ Jev ในคำถามเชิงความรู้ และ latency มัธยฐานเพิ่มจาก 0.3 เป็น 3.3 วินาที

· อ่าน 4 นาที
Jeff — โมเดลตัดสินใจ 0.8B ที่รูปแบบคำขอเข้ากันได้กับ Jev เทรนบน GPU ตัวเดียวในบ้าน ตอบใน 22 ms ค่าเฉลี่ยรุ่น 2B ได้ 83.1 เท่ากับ Jev แต่ยังแพ้ขาดในงานที่ต้องใช้เหตุผล
โมเดลใหม่

Jeff — โมเดลตัดสินใจ 0.8B ที่รูปแบบคำขอเข้ากันได้กับ Jev เทรนบน GPU ตัวเดียวในบ้าน ตอบใน 22 ms ค่าเฉลี่ยรุ่น 2B ได้ 83.1 เท่ากับ Jev แต่ยังแพ้ขาดในงานที่ต้องใช้เหตุผล

โปรเจกต์อิสระ Jeff ปล่อยโมเดลตัดสินใจแบบ zero-shot สามตัว (Qwen3.5-0.8B, Qwen3.5-2B และ Gemma 4 E2B) ใช้รูปแบบคำขอเดียวกับ Jev เทรนทั้งหมดบน RTX PRO 6000 ตัวเดียวด้วยข้อมูลสังเคราะห์จากโมเดลเปิด รุ่น 0.8B ตัดสินใจใน 22 ms บน GPU และ 28 ms บน M4 Max น้ำหนัก Apache-2.0 โค้ด MIT

· อ่าน 4 นาที
InternLM ปล่อย Intern-Decision — โมเดลตัดสินใจแบบเปิดตัวแรกที่ค่าเฉลี่ยแซง Jev (90.02 ต่อ 88.74) ขนาด 4B รับภาพได้ Apache-2.0 แต่ยังแพ้ Jev ชัดเรื่องกันเจลเบรก
โมเดลใหม่

InternLM ปล่อย Intern-Decision — โมเดลตัดสินใจแบบเปิดตัวแรกที่ค่าเฉลี่ยแซง Jev (90.02 ต่อ 88.74) ขนาด 4B รับภาพได้ Apache-2.0 แต่ยังแพ้ Jev ชัดเรื่องกันเจลเบรก

InternLM ปล่อย Intern-Decision ขนาด 0.8B, 2B และ 4B บน Hugging Face เมื่อ 26 ก.ย. เป็นโมเดลตัดสินใจแบบหลายคำถามในการ forward ครั้งเดียว รับภาพได้ ต่อยอดจาก Qwen3.5 รุ่น 4B ได้ค่าเฉลี่ย 7 ชุดทดสอบ 90.02% เทียบกับ 88.74% ของ Jev และตอบใน 44 ms บน RTX 4090 แต่ชนะส่วนใหญ่จาก Typed Decision กับ ToolACE ขณะที่ WildJailBreak ยังแพ้ Jev 6.4 จุด

· อ่าน 4 นาที
Apple ปล่อยน้ำหนัก LensVLM-9B — อ่านเอกสารยาวเป็น "ภาพหน้ากระดาษย่อ" แล้วซูมเฉพาะหน้าที่เกี่ยว ได้แม่นใกล้การป้อนข้อความเต็มที่อัตราบีบอัด 4.3 เท่า แต่ใบอนุญาตใช้ได้แค่งานวิจัย
โมเดลใหม่

Apple ปล่อยน้ำหนัก LensVLM-9B — อ่านเอกสารยาวเป็น "ภาพหน้ากระดาษย่อ" แล้วซูมเฉพาะหน้าที่เกี่ยว ได้แม่นใกล้การป้อนข้อความเต็มที่อัตราบีบอัด 4.3 เท่า แต่ใบอนุญาตใช้ได้แค่งานวิจัย

Apple อัปโหลด LensVLM-9B ขึ้น Hugging Face เมื่อ 21–22 ก.ย. 2026 พร้อมโค้ดบน GitHub โมเดลนี้เรนเดอร์ข้อความยาวเป็นภาพหน้ากระดาษที่ย่อไว้ แล้วใช้ทูล read_page ขยายเฉพาะหน้าที่เกี่ยวข้อง ในเปเปอร์ได้ความแม่นเฉลี่ย 68.9% ที่ 4.3 เท่า เทียบกับ 72.4% เมื่อป้อนข้อความเต็ม แต่ที่ 15 เท่าคะแนนเท่ากับ RAG แบบ embedding ธรรมดา และน้ำหนักใช้ใบอนุญาตวิจัยที่ห้ามใช้เชิงพาณิชย์

· อ่าน 4 นาที
Kev — โมเดลตัดสินใจแบบ Jev ฉบับเปิด Apache-2.0 ขนาด 0.8B/4B/9B บน Qwen3.5 ใช้ API เดียวกับ TypeSafe ได้เลย แต่ Kev-9B ยังตาม Jev อยู่ 3.5 จุด
โมเดลใหม่

Kev — โมเดลตัดสินใจแบบ Jev ฉบับเปิด Apache-2.0 ขนาด 0.8B/4B/9B บน Qwen3.5 ใช้ API เดียวกับ TypeSafe ได้เลย แต่ Kev-9B ยังตาม Jev อยู่ 3.5 จุด

หนึ่งสัปดาห์หลัง TypeSafe เปิด Jev แบบ waitlist Jared Palmer ปล่อย Kev ตระกูลโมเดลตัดสินใจขนาด 0.8B, 4B และ 9B บน Qwen3.5 เป็น Apache-2.0 พร้อมโค้ดเทรนและชุดทดสอบที่ freeze ไว้ ตอบคำถาม yes/no, choice และ score พร้อมความน่าจะเป็นผ่าน endpoint ที่เข้ากับ SDK ของ TypeSafe ได้ทันที ตัวเลขของเขาเองบอกว่า Kev-9B ยังตาม Jev อยู่ 3.5 จุดบนข้อมูลชุดใหม่ และห่างมากในคำถามเชิงความรู้

· อ่าน 6 นาที
Hugging Face ให้ transformers โหลดไฟล์ GGUF ของ llama.cpp ได้ตรง ๆ แล้ว — ยืม kernel ของ ggml มารันบน Mac ได้เร็วใกล้ llama.cpp แต่ตอนนี้ใช้ได้แค่ Apple Silicon กับตระกูล Qwen3.5
เครื่องมือนักพัฒนา

Hugging Face ให้ transformers โหลดไฟล์ GGUF ของ llama.cpp ได้ตรง ๆ แล้ว — ยืม kernel ของ ggml มารันบน Mac ได้เร็วใกล้ llama.cpp แต่ตอนนี้ใช้ได้แค่ Apple Silicon กับตระกูล Qwen3.5

22 ก.ย. Hugging Face ประกาศว่า transformers (ตอนนี้ต้องติดตั้งจาก main) โหลดไฟล์ GGUF แบบ quantize แล้วรันได้เลยผ่าน from_pretrained(gguf_file=...) และ transformers serve โดยเรียก kernel Metal ของ ggml ผ่านไลบรารี kernels บน M2 Max ได้ 70.4 tok/s กับ Qwen3.5-4B Q4_K_M เทียบกับ llama.cpp ที่ 71.8 แต่ยังรองรับแค่ Apple Silicon และสถาปัตยกรรม Qwen3.5/Qwen3.8 และทีมยังแนะนำให้ใช้ llama.cpp ถ้าต้องการความเร็วสูงสุด

· อ่าน 5 นาที
Bespoke Nimble: สูตรเปิดทั้งชุดสำหรับทำ Jev เอง — 66.4% → 90.1% ด้วยข้อมูล 2,676 แถวที่สร้างจากการแก้ข้อเท็จจริงทีละคำให้คำตอบพลิก
โมเดลใหม่

Bespoke Nimble: สูตรเปิดทั้งชุดสำหรับทำ Jev เอง — 66.4% → 90.1% ด้วยข้อมูล 2,676 แถวที่สร้างจากการแก้ข้อเท็จจริงทีละคำให้คำตอบพลิก

18 ก.ย. Bespoke Labs ปล่อย Bespoke-Nimble-9B — LoRA adapter ขนาด 165 MiB บน Qwen3.5-9B ใต้ Apache-2.0 พร้อมสูตรทำข้อมูลที่เรียกว่า contrastive data curation ผลบน 324 ตัวอย่าง held-out คือ 90.1% เทียบกับ 66.4% ของ base และ 93.2% ของ Jev 1.13.0 — และทีมประกาศเองว่าไม่ได้ distill จาก Jev

· อ่าน 7 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
Apodex 1.1 mini ขึ้น Hugging Face เช้านี้ — MoE 36B ที่แอ็กทีฟแค่ 3B ต่อโทเคน คอนเท็กซ์ 262K ใบอนุญาต Apache-2.0 พร้อม harness แบบ Agent Team เปิดซอร์สมาให้ทั้งชุด
โมเดลใหม่

Apodex 1.1 mini ขึ้น Hugging Face เช้านี้ — MoE 36B ที่แอ็กทีฟแค่ 3B ต่อโทเคน คอนเท็กซ์ 262K ใบอนุญาต Apache-2.0 พร้อม harness แบบ Agent Team เปิดซอร์สมาให้ทั้งชุด

Apodex AI ประกาศ Apodex 1.1 เมื่อ 24 ส.ค. 2026 และอัปโหลดน้ำหนัก Apodex-1.1-mini ขึ้น Hugging Face ตอนเช้าวันที่ 25 ส.ค. — MoE 36B พารามิเตอร์รวมที่เลือกใช้ 8 จาก 256 expert ต่อโทเคน (แอ็กทีฟราว 3B) ต่อยอดจาก Qwen3.5-35B-A3B รับอินพุตภาพได้ คอนเท็กซ์ 262,144 โทเคน ใบอนุญาต Apache-2.0 และมาพร้อม FrontierAgent ที่เป็น harness แบบ ReAct/Agent Team เปิดซอร์สในใบอนุญาตเดียวกัน

· อ่าน 7 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