ข้ามไปยังเนื้อหา

แท็ก

#small-models

5 บทความ

Artificial Analysis เปิดกระดานวัดโมเดลบนมือถือจริง ร่วมกับ Liquid AI — LFM2.5-2.6B ได้คะแนนเท่า Nanbeige4.2-3B ที่ 63 แต่เร็วกว่า 2.7 เท่าและกินแรม 2.3 GB
เครื่องมือนักพัฒนา

Artificial Analysis เปิดกระดานวัดโมเดลบนมือถือจริง ร่วมกับ Liquid AI — LFM2.5-2.6B ได้คะแนนเท่า Nanbeige4.2-3B ที่ 63 แต่เร็วกว่า 2.7 เท่าและกินแรม 2.3 GB

Artificial Analysis เปิดหมวดเบนช์มาร์กใหม่เมื่อ 24 ส.ค. 2026 สำหรับโมเดลที่รันบนมือถือได้จริง วัดทั้งความฉลาดและความเร็วบน iPhone 17 Pro และ Galaxy S26 Ultra ด้วยบิลด์ควอนไทซ์ 4-bit ตัวเดียวกัน — และผลออกมาว่าคะแนนความฉลาดอย่างเดียวเลือกโมเดลลงมือถือไม่ได้ ต้องดูคู่กับเวลาและแรม

· อ่าน 5 นาที
Google Research เปิด GlucoFM — foundation model ที่มีพารามิเตอร์เทรนได้แค่ 0.72 ล้าน แต่ชนะโมเดลเฉพาะทางด้านน้ำตาลในเลือดทุกตัวในตาราง
งานวิจัย

Google Research เปิด GlucoFM — foundation model ที่มีพารามิเตอร์เทรนได้แค่ 0.72 ล้าน แต่ชนะโมเดลเฉพาะทางด้านน้ำตาลในเลือดทุกตัวในตาราง

26 ส.ค. 2026 Google Research เผยแพร่ GlucoFM โมเดลพื้นฐานสำหรับข้อมูลเครื่องวัดน้ำตาลต่อเนื่อง (CGM) ที่มีพารามิเตอร์เทรนได้เพียง 0.72 ล้านตัว — แยกสัญญาณออกเป็นสองสาย คือแนวโน้มน้ำตาลระยะยาวกับความผันผวนระยะสั้น เทรนแบบ self-supervised บนข้อมูลไร้ป้ายกำกับ 109,066 ชั่วโมงจากอาสาสมัคร 477 คน แล้วทำ PR-AUC เฉลี่ยเหนือ foundation model เฉพาะทาง CGM ตัวที่ดีที่สุด 4.1 จุด โดยยังไม่มีการปล่อยน้ำหนักโมเดล

· อ่าน 6 นาที
Meta เปิดน้ำหนัก MobileMoE — MoE สำหรับมือถือที่ใช้ 272M พารามิเตอร์ต่อโทเคน แต่ทำ MMLU 43.7 ทิ้ง Gemma 3 270M ที่ได้ 26.7
โมเดลใหม่

Meta เปิดน้ำหนัก MobileMoE — MoE สำหรับมือถือที่ใช้ 272M พารามิเตอร์ต่อโทเคน แต่ทำ MMLU 43.7 ทิ้ง Gemma 3 270M ที่ได้ 26.7

คืนวันที่ 25 ส.ค. 2026 Meta เปิดน้ำหนัก MobileMoE สามขนาดบน Hugging Face — MoE แบบ fine-grained ที่มี expert 60 ตัว เลือกใช้ 4 ตัวต่อโทเคน ทำให้รุ่นเล็ก 1.3B ใช้จริงแค่ 272M ต่อโทเคน กินพื้นที่ 0.68GB ที่ INT4 และทำ MMLU 43.7 เทียบกับ 26.7 ของ Gemma 3 270M แต่ติดใบอนุญาต FAIR แบบ non-commercial และเป็นเช็กพอยต์ base ล้วน

· อ่าน 7 นาที
GLiNER2.5 เลิกไล่นับ span แล้วหันไปทำนายหัวท้ายแทน — โมเดลสกัดข้อมูล 74M–287M พารามิเตอร์ Apache-2.0 ที่รันบน CPU อ่านเอกสาร 4,096 คำในครั้งเดียว
โมเดลใหม่

GLiNER2.5 เลิกไล่นับ span แล้วหันไปทำนายหัวท้ายแทน — โมเดลสกัดข้อมูล 74M–287M พารามิเตอร์ Apache-2.0 ที่รันบน CPU อ่านเอกสาร 4,096 คำในครั้งเดียว

24 ส.ค. 2026 Fastino ปล่อย GLiNER2.5 พร้อมไลบรารี gliner2 v2.0.0 — เปลี่ยนสถาปัตยกรรมจากการไล่ให้คะแนน span ทุกความยาว มาเป็นการทำนายตำแหน่งเริ่ม-จบของ entity โดยตรง ผลคือความยาว entity ไม่มีเพดานอีกต่อไป อ่านได้ยาว 4,096 คำต่อครั้ง และค่า macro F1 บน 16 ชุดข้อมูลยังขยับขึ้น (54.87 จาก 53.34 สำหรับรุ่น Base) ทั้งสามเช็กพอยต์เป็น Apache-2.0 รันบน CPU ได้

· อ่าน 7 นาที
Inflect-Micro-v2: ระบบสังเคราะห์เสียงครบวงจรใน 9.36 ล้านพารามิเตอร์ — 37 MB รันบน CPU เร็วกว่าเรียลไทม์ 6.28 เท่า
โมเดลใหม่

Inflect-Micro-v2: ระบบสังเคราะห์เสียงครบวงจรใน 9.36 ล้านพารามิเตอร์ — 37 MB รันบน CPU เร็วกว่าเรียลไทม์ 6.28 เท่า

โมเดล TTS ภาษาอังกฤษที่ทำงานครบตั้งแต่ข้อความถึงคลื่นเสียงด้วยพารามิเตอร์เพียง 9.36 ล้านตัว ขนาดไฟล์ 37.53 MB ไลเซนส์ Apache-2.0 สังเคราะห์เสียงบน CPU ได้เร็วกว่าเรียลไทม์ 6.28 เท่า และชนะการทดสอบ blind test ของชุมชนที่ 66.2% — ขึ้นหน้าแรก Hacker News เมื่อ 26 ก.ค.

· อ่าน 5 นาที