แท็ก

#decision models

10 บทความ

Ollama 0.40 ออกตัวจริงแล้ว: บน Mac ชิป Apple Silicon โมเดลที่รองรับจะรันบน MLX เป็นค่าเริ่มต้น (Qwen3.8, Gemma 4, decision models) พร้อม embedding หลายโหมดตัวแรกอย่าง EmbeddingGemma 2
เครื่องมือนักพัฒนา

Ollama 0.40 ออกตัวจริงแล้ว: บน Mac ชิป Apple Silicon โมเดลที่รองรับจะรันบน MLX เป็นค่าเริ่มต้น (Qwen3.8, Gemma 4, decision models) พร้อม embedding หลายโหมดตัวแรกอย่าง EmbeddingGemma 2

Ollama v0.40.0 ฉบับเสถียร (แท็กชี้ไปที่ commit วันที่ 6 ต.ค. 2026 หลังผ่าน RC มา 4 รอบตั้งแต่ 25 ก.ย.) ทำให้โมเดลที่ MLX runtime รองรับรันบน MLX อัตโนมัติบน Mac ชิป Apple Silicon ได้แก่ Qwen3.8, Gemma 4, Qwen3.6, Qwen3.5 และ decision models อย่าง Clef/Nimble/Tev1 พร้อมเพิ่ม EmbeddingGemma 2 แบบรับภาพและเสียงผ่าน /api/embed แต่บันทึกรีลีสไม่มีตัวเลขความเร็ว

· อ่าน 3 นาที
OpenAI Decisions API เข้า public beta: มีเอกสาร endpoint /v1/decisions แล้ว 3 แบบคำถาม (predicate, choice, score) คิดเงินเฉพาะ input $0.10 ต่อล้านโทเคนบน GPT-6 Luna ไม่คิดค่า output
เครื่องมือนักพัฒนา

OpenAI Decisions API เข้า public beta: มีเอกสาร endpoint /v1/decisions แล้ว 3 แบบคำถาม (predicate, choice, score) คิดเงินเฉพาะ input $0.10 ต่อล้านโทเคนบน GPT-6 Luna ไม่คิดค่า output

6 ต.ค. 2026 OpenAI เปิด Decisions API เป็น public beta หนึ่งสัปดาห์หลังประกาศแบบ limited preview ตอนนี้มีเอกสารเต็ม endpoint POST /v1/decisions คำถาม 3 แบบที่คืนค่าความน่าจะเป็น ราคา $0.10 ต่อล้านโทเคน input โดยไม่คิดค่า output หรือ cache รองรับ ZDR/HIPAA และคาดว่าจะ GA ในไม่กี่สัปดาห์

· อ่าน 4 นาที
OpenAI เข้าตลาดโมเดลตัดสินใจ — เปิด Decisions API บน GPT-6 Luna ตอบจากตัวเลือกที่กำหนดพร้อม confidence ใน 150 ms (Luna ปกติ 1.6 วินาที) แต่ยังเป็น limited preview ไม่มีราคาและไม่มีเอกสาร
เครื่องมือนักพัฒนา

OpenAI เข้าตลาดโมเดลตัดสินใจ — เปิด Decisions API บน GPT-6 Luna ตอบจากตัวเลือกที่กำหนดพร้อม confidence ใน 150 ms (Luna ปกติ 1.6 วินาที) แต่ยังเป็น limited preview ไม่มีราคาและไม่มีเอกสาร

ในงาน DevDay 29 ก.ย. OpenAI เปิด Decisions API แบบ limited preview ให้นักพัฒนากำหนดคำถาม ตัวเลือกคำตอบ และ context (ข้อความหรือภาพ) แล้วให้ GPT-6 Luna เลือกคำตอบพร้อม confidence OpenAI บอก The New Stack ว่าตอบใน 150 ms เทียบกับ 1.6 วินาทีของ Luna ผ่าน API ปกติ ใช้จัดหมวดเนื้อหา route คำขอ หรือเลือก action ถัดไปของเอเจนต์ แต่ยังไม่ประกาศราคา จำนวนตัวเลือกสูงสุด หรือ schema ของคำขอ

· อ่าน 4 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
Ollama 0.35 รองรับโมเดลตัดสินใจอย่างเป็นทางการ — เพิ่ม endpoint /v1/systemone ตาม API ของ Jev พร้อม Nimble 9B และ Tev1 4B/0.8B ของ Together AI ให้ pull ได้ทันที
เครื่องมือนักพัฒนา

Ollama 0.35 รองรับโมเดลตัดสินใจอย่างเป็นทางการ — เพิ่ม endpoint /v1/systemone ตาม API ของ Jev พร้อม Nimble 9B และ Tev1 4B/0.8B ของ Together AI ให้ pull ได้ทันที

28 ก.ย. Ollama ปล่อย v0.35.0 (ยังติดป้าย pre-release) ที่เพิ่ม endpoint /v1/systemone ตาม API ของ Jev จาก TypeSafe ส่ง state กับคำถามเข้าไปแล้วได้ตัวเลือกพร้อมความน่าจะเป็นกลับมา มีโมเดลให้ pull สองตระกูล คือ Nimble 9B ของ Bespoke Labs และ Tev1 4B/0.8B ของ Together AI และใช้ Python SDK ของ TypeSafe ชี้มาที่ localhost ได้เลย

· 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
โมเดลตัดสินใจแบบเปิดเพิ่มอีกสองค่าย: Fastino ปล่อย GLiNER2.5-Decide 340M รันบน CPU พร้อมตัวถอดรหัสที่บังคับกฎข้ามคำถาม และ Supersonic Labs ปล่อย Julia 1 ขนาด 144M บน mmBERT — ทั้งคู่ Apache-2.0
โมเดลใหม่

โมเดลตัดสินใจแบบเปิดเพิ่มอีกสองค่าย: Fastino ปล่อย GLiNER2.5-Decide 340M รันบน CPU พร้อมตัวถอดรหัสที่บังคับกฎข้ามคำถาม และ Supersonic Labs ปล่อย Julia 1 ขนาด 144M บน mmBERT — ทั้งคู่ Apache-2.0

สัปดาห์นี้มีโมเดลตัดสินใจแบบไม่สร้างข้อความ (Jev-style) ออกมาอีกสองตระกูล Fastino ปล่อย GLiNER2.5-Decide 340M, 1B และรุ่น multilingual 287M ทำคะแนนเฉลี่ย 60.1% บนชุดทดสอบภายใน 17 ชุด สูงกว่า Laya และโมเดล 4B ที่ใช้ Qwen3.5 ส่วน Supersonic Labs ปล่อย Julia 1 ขนาด 144.3M ที่ทำ typed decisions ได้ 73.15% แต่แพ้ชัดใน Banking77 ทั้งหมดเป็น Apache-2.0 และรันบน CPU ได้

· อ่าน 5 นาที
ไม่ต้องเทรนโมเดลตัดสินใจใหม่: Privatemode ใช้ GLM-5.3-Flash ตอบแบบ typed ด้วยโทเคนเดียวผ่าน logprobs ของ vLLM — ความแม่นยำไม่ต่างจาก Jev อย่างมีนัยสำคัญ อ่านภาพได้ด้วย แต่แพงกว่าราว 4 เท่า
เครื่องมือนักพัฒนา

ไม่ต้องเทรนโมเดลตัดสินใจใหม่: Privatemode ใช้ GLM-5.3-Flash ตอบแบบ typed ด้วยโทเคนเดียวผ่าน logprobs ของ vLLM — ความแม่นยำไม่ต่างจาก Jev อย่างมีนัยสำคัญ อ่านภาพได้ด้วย แต่แพงกว่าราว 4 เท่า

ทีม Privatemode ของ Edgeless Systems เผยแพร่เทคนิคและไลบรารี MIT ที่ทำให้ GLM-5.3-Flash ทำงานแบบโมเดลตัดสินใจอย่าง Jev ได้โดยไม่ต้อง fine-tune วิธีคือใส่หมายเลขให้ตัวเลือก เติมคำตอบไว้ล่วงหน้า แล้วอ่าน logprob ของโทเคนเดียว บน 28 ชุดข้อมูลแม่นเท่า Jev ในเชิงสถิติ (p = 0.64) และตอบคำถามที่มีภาพได้ แต่ต้นทุนราว €62 ต่อล้านครั้ง เทียบกับ €16 ของ Jev

· อ่าน 5 นาที
Ollaya — "Ollama สำหรับโมเดลตัดสินใจ" รัน Laya, Kev, Qwen3Guard ในเครื่องผ่าน API เดียวกับ TypeSafe ตอบใน 8–10 ms บน RTX 4090 พร้อม MCP server และ preset ตรวจคำสั่งของ agent
เครื่องมือนักพัฒนา

Ollaya — "Ollama สำหรับโมเดลตัดสินใจ" รัน Laya, Kev, Qwen3Guard ในเครื่องผ่าน API เดียวกับ TypeSafe ตอบใน 8–10 ms บน RTX 4090 พร้อม MCP server และ preset ตรวจคำสั่งของ agent

Ollaya เป็นเครื่องมือโอเพนซอร์ส Apache-2.0 ที่ดึงและเสิร์ฟโมเดลตัดสินใจแบบไม่สร้างข้อความ เช่น Laya, Kev, Von และ Qwen3Guard ในเครื่อง ด้วยคำสั่งแบบ Ollama และ API ที่ใช้แทน TypeSafe Jev ได้โดยเปลี่ยน environment variable ตัวเดียว ขึ้นหน้าแรก Hacker News 473 คะแนน และออก 5 เวอร์ชันใน 24 ชั่วโมง ส่วน Pydantic AI 2.50 ก็เพิ่มคลาส DecisionModel รองรับโมเดลประเภทนี้แล้ว

· อ่าน 4 นาที