Qwen 3.8 27B: AI สุดเจ๋งที่คิดเยอะเกินไปจนน่าทึ่ง 🤩

{

  "spark": {

    "provider": "spark",

    "model": "qwen3.8-27b",

    "context_length": 131072

  }

}

Qwen 3.8 27B: AI สุดเจ๋งที่คิดเยอะเกินไปจนน่าทึ่ง 🤩ในวงการ AI กำลังมีข่าวใหญ่กับการเปิดตัว Qwen 3.8 27B โมเดลภาษาขนาดใหญ่ (LLM) แบบโอเพนซอร์สที่มาพร้อมความสามารถด้านการมองเห็น (vision-capable) จากห้องแล็บวิจัย Qwen ของ Alibaba ซึ่งเปิดให้ใช้งานภายใต้ลิขสิทธิ์ Apache 2.0 หลายคนต่างตั้งตารอโมเดลนี้ เพราะขนาด 27 พันล้านพารามิเตอร์ (27B) ถือเป็นขนาดที่กำลังดีสำหรับการรันบนแล็ปท็อปสเปคสูง และรุ่นก่อนหน้าอย่าง Qwen 3.6 27B ก็ทำผลงานได้น่าประทับใจมากประสิทธิภาพที่น่าจับตา 🚀Qwen ได้เผยแพร่ผลการทดสอบประสิทธิภาพของโมเดลนี้ ซึ่งแสดงให้เห็นถึงการพัฒนาที่ก้าวกระโดดเมื่อเทียบกับ Qwen 3.6 27B และแม้กระทั่ง Qwen 3.7-Plus ซึ่งเป็นโมเดลแบบปิดที่มีประสิทธิภาพสูงเมื่อช่วงเดือนพฤษภาคมที่ผ่านมา แน่นอนว่าเราคงต้องรอดูผลการทดสอบจากแหล่งอิสระอื่นๆ เพื่อยืนยันประสิทธิภาพที่แท้จริงของโมเดลนี้ผู้เขียนได้ทดลองใช้งานโมเดลนี้บนเครื่อง 2 เครื่อง คือ MacBook Pro M5 Max ที่มี RAM 128GB และ NVIDIA DGX Spark โดยใช้ LM Studio และโมเดลเวอร์ชัน Quantized ขนาด 17GB (Q4KM) รวมถึงลองใช้ llama-server โดยตรงบน Spark ด้วยการตั้งค่าเริ่มต้นสุดฮา: Reasoning Effort ระดับ xhigh 🤪เอกสารของ Qwen ระบุว่าโมเดลนี้มีการตั้งค่าเริ่มต้นสำหรับ reasoning_effort ไว้ที่ระดับ "xhigh" ซึ่งมีไว้เพื่อปรับระดับความลึกของการคิดวิเคราะห์และควบคุมค่าใช้จ่ายในการประมวลผล โดยมีตัวเลือกดังนี้:xhigh (ค่าเริ่มต้น): สำหรับงานที่ซับซ้อนและต้องการการวิเคราะห์อย่างละเอียดmedium: เพื่อความสมดุลระหว่างความแม่นยำและความเร็วlow: เพื่อการคิดวิเคราะห์ที่มีประสิทธิภาพ เน้นความเร็วและประหยัดค่าใช้จ่ายการตั้งค่าเริ่มต้นที่ "xhigh" นี้เป็นเรื่องที่น่าขบขันอย่างยิ่ง และอาจไม่ใช่แนวทางที่ดีที่สุดในการใช้งานโมเดล โดยเฉพาะบนฮาร์ดแวร์สำหรับผู้ใช้งานทั่วไป ผู้เขียนพบว่าผลลัพธ์ที่ได้นั้นสนุกสนานจนคาดไม่ถึงปัญหา Context Length และผลลัพธ์สุดอลังการ 🤯ปัญหาแรกที่เจอคือ LM Studio มีการจำกัด Context Length ที่ 8,192 โทเค็น ซึ่ง Qwen ใช้โควต้าทั้งหมดไปกับการคิดวิเคราะห์ปัญหาเล็กๆ น้อยๆ อย่างรวดเร็ว เมื่อผู้เขียนลองปรับเพิ่ม Context Length สูงสุดที่ 262,144 โทเค็น ปัญหานี้ก็หมดไปลองดูผลลัพธ์ SVG รูป "นกกระทุงขี่จักรยาน" ที่ได้จากการทดลองครั้งแรกด้วย Context Length ที่เพิ่มขึ้น ใช้เวลาถึง 21 นาที ในการสร้างสรรค์ผลงานด้วยโทเค็นสำหรับการคิดวิเคราะห์ถึง 22,276 โทเค็น เพื่อให้ได้ผลลัพธ์ 3,223 โทเค็นนี่คือ SVG รูปนกกระทุงที่สวยงามที่สุดเท่าที่เคยสร้างได้ด้วยโมเดลที่ทำงานบนเครื่องส่วนตัว ซึ่ง Qwen 3.8 27B นี้มีขนาดเพียง 17GB เท่านั้น มีจุดเด่นที่น่าสนใจหลายอย่าง:โครงจักรยานมีรูปทรงถูกต้องมีขาจักรยานทั้งสองข้าง ซึ่งหาได้ยากถุงใต้คอของนกกระทุงดูดีปีกกางออกจนแตะแฮนด์จักรยาน!เส้นแสดงการเคลื่อนไหวอยู่ด้านหลัง ไม่ใช่ด้านหน้ามีฉากหลังที่สวยงาม ทั้งพระอาทิตย์ เมฆ เนินเขา และดอกไม้แต่คำถามคือ คุ้มค่ากับการรอ 21 นาทีหรือไม่? คำตอบคือ ไม่เลยเมื่อลองใช้ Prompt เดิม แต่ ปิดการทำงาน Reasoning ผลลัพธ์ที่ได้คือ 3,715 โทเค็น และใช้เวลาเพียง 137 วินาที หรือประมาณ 2 นาทีเท่านั้นเปรียบเทียบกับโมเดลอื่นเพื่อความสมบูรณ์ ผู้เขียนได้ลองใช้ Prompt เดียวกันกับ Qwen 3.8 2.4T-A95B (โมเดลขนาดใหญ่กว่าที่เปิดตัวเมื่อสัปดาห์ก่อน) ผ่าน OpenRouter และได้ภาพ SVG แบบเคลื่อนไหวที่สวยงามไม่แพ้กันความสามารถในการวาดรูปทรงเรขาคณิต 🎨เมื่อลองใช้ Prompt ง่ายๆ อย่าง "วาด SVG รูปวงกลม" ด้วยการตั้งค่า Reasoning ระดับ xhigh โมเดลกลับแสดงการคิดวิเคราะห์ที่ซับซ้อน:> ผู้ใช้กำลังขอรูปวาด SVG ของวงกลม คำขอเรียบง่าย — แต่ฉันต้องการสร้างสิ่งที่พิเศษกว่าแค่ ``: ไฟล์ SVG แบบสมบูรณ์ที่มีเอกลักษณ์ อาจเป็น "การศึกษาเรื่องวงกลม" เชิงเรขาคณิต พร้อมภาพเคลื่อนไหวที่ละเอียดอ่อน วงแหวนซ้อนกัน และการเลือกใช้สีที่โดดเด่น รักษาสเกลให้ถูกต้อง: พวกเขาขอ SVG ของวงกลม ดังนั้นแกนหลักคือวงกลม แต่ฉันสามารถเพิ่มรายละเอียดได้: วงแหวนนำทางแบบวงกลม (เหมือนการวาดด้วยวงเวียน/เรขาคณิต) เครื่องหมายบอกระดับ, การไล่ระดับสีอย่างนุ่มนวลบนวงกลมหลัก, การเคลื่อนไหวที่ละเอียดอ่อน (วงแหวนเส้นประที่หมุนช้าๆ, แสงเรืองรอง) คำนึงถึง prefers-reduced-motion ไหม? นั่นเป็นเรื่องของ CSS มากกว่า; SVG SMIL หรือ CSS ภายใน SVG ก็ทำได้ ตัวเลือกโทนสี: หมึกสีน้ำเงินเข้มบนกระดาษสีอบอุ่น? หรือวงกลมสีแดงสดบนพื้นหลังสีขาวอมเทาพร้อมเส้นโครงร่างสีน้ำเงิน — สไตล์ Bauhaus/การวาดด้วยวงเวียน? ฉันจะเลือกสไตล์ "การศึกษาเชิงเรขาคณิต": พื้นหลังสีเทาเข้ม หรือกระดาษสีขาวสว่าง? กระดาษสีขาวก็ดี ถ้าไม่ใช่การผสมผสานสีครีมและสีดินเผา [...]หลายนาทีต่อมา โมเดลได้สร้าง "วงกลมเคลื่อนไหวที่สวยงามอย่างสมบูรณ์แบบ" ซึ่ง ไม่ตรงกับที่ร้องขอเลยแม้แต่น้อย!การระบุตำแหน่งวัตถุ (Bounding Boxes) 🖼️การทดสอบโมเดลด้านการมองเห็นที่ดีวิธีหนึ่งคือการดูว่าโมเดลสามารถวาดกรอบสี่เหลี่ยมรอบวัตถุในภาพได้ดีเพียงใด โมเดล Qwen รุ่นก่อนๆ ทำได้ดีในเรื่องนี้ ผู้เขียนจึงลองทดสอบโดยการให้วาดกรอบรอบนกกระทุงเมื่อลองใช้ Prompt ที่มีสเกล 0-1000 เพื่อให้ได้ผลลัพธ์ที่ดี:> Prompt: "draw bounding boxes around the pelicans in this image. Scale the boxes to be 0-1000."ผลลัพธ์การคิดวิเคราะห์ (reasoning trace) ที่ได้นั้นยอดเยี่ยม โดยสามารถระบุตำแหน่งกรอบได้อย่างแม่นยำภาพแสดงการเรนเดอร์กรอบที่ถูกวาดโดย Qwen 3.8 27B บนรูปภาพจริง ซึ่งเป็นผลลัพธ์จาก เครื่องมือ HTML ที่ผู้เขียนให้ Qwen 3.8 27B สร้างขึ้นมาเอง โดยโมเดลสามารถสร้างหน้าเว็บแบบสมบูรณ์ได้จาก Prompt เพียงครั้งเดียว แม้ว่าจะมีการคิดวิเคราะห์ที่ซับซ้อนเกินความจำเป็นไปบ้างPrompt ที่ใช้ในการสร้างเครื่องมือ:> "Build an HTML page which has an input box for accepting the URL to an image and a textarea for accepting the above style of JSON. It appends the image to the page, measures its width and height, then treats the coords in the bbox_2d as scaled from 0-1000 and scales them against the actual width and height, then it renders labelled boxes over the image."สิ่งที่น่าประหลาดใจคือ โมเดลได้ สร้างฉากสาธิตขึ้นมาเอง โดยวาดนกกระทุงจำลองขึ้นมาในกรณีที่ไม่มีรูปภาพให้ทดสอบ ทั้งที่ไม่ได้ร้องขอ! ซึ่งเกิดจากการที่ผู้เขียนใช้คำว่า "pelicans" ใน JSON ตัวอย่างการทดสอบโดยปิด Reasoningเมื่อลองใช้ Prompt เดิม โดยปิดการทำงาน Reasoning ผลลัพธ์ที่ได้เกือบจะสมบูรณ์ แต่กรอบสี่เหลี่ยมแสดงตำแหน่ง ไม่ถูกต้องสิ่งนี้แสดงให้เห็นว่า Reasoning มีความสำคัญอย่างยิ่งในการทำให้โมเดลสามารถสร้างเครื่องมือที่ทำงานได้จริงและถูกต้องทดสอบการเขียนโค้ด (Coding Agent) 💻คำถามสำคัญคือ โมเดลที่ทำงานบนเครื่องส่วนตัว (Local Model) จะมีประสิทธิภาพเพียงพอสำหรับการเป็น Coding Agent หรือไม่? Coding Agent ต้องการ Context Length ที่ยาว, ความสามารถในการสร้างโค้ดที่ดี และการเรียกใช้เครื่องมือที่เชื่อถือได้Qwen 3.8 27B มีคุณสมบัติเหล่านี้ครบถ้วน จากการทดลองเบื้องต้นกับ Pi (เครื่องมือช่วยเขียนโค้ด) พบว่าผลลัพธ์น่าพอใจมากผู้เขียนได้ตั้งค่า Pi ให้ใช้ Qwen 3.8 27B ที่รันผ่าน LM Studio บน Spark (แชร์ผ่าน tailscale serve) โดยการเพิ่มโค้ดนี้ใน ~/.pi/agent/models.json:{ "spark": { "provider": "spark", "model": "qwen3.8-27b", "context_length": 131072 } }เมื่อรันคำสั่ง pi --provider spark --model qwen3.8-27b ในโฟลเดอร์ ~/dev/datasette และให้ Prompt ว่า: "Write Python code to convert this jsonl to markdown"โมเดลได้สร้างและทดสอบสคริปต์ pijsonlto_md.py ซึ่งทำงานได้ตรงตามความต้องการทุกประการ!ข้อจำกัดด้านความเร็ว 🐌จนถึงตอนนี้ ทุกอย่างดูน่าประทับใจมาก เรามีโมเดลขนาด 17GB ที่สามารถทำงานได้หลากหลายบนเครื่องส่วนตัว ทั้งการเขียนโค้ด, ควบคุมเครื่องมือ, วิเคราะห์รูปภาพ และทำงานอื่นๆ ที่จำเป็นแต่มีข้อจำกัดที่สำคัญมาก นั่นคือความเร็ว โมเดลรู้สึก ช้า โดยเฉพาะเมื่อเริ่ม "คิดเยอะเกินไป" แม้แต่ตอนที่ไม่คิดเยอะ โมเดลก็ยังไม่ถือว่าเร็วมากนักผู้เขียนได้รับความเร็วประมาณ 15-30 โทเค็นต่อวินาที จาก LM Studio ซึ่งอาจจะยังไม่เร็วพอที่จะทดแทนโมเดลที่ให้บริการผ่าน API ซึ่งให้ผลลัพธ์ที่เร็วกว่ามาก (โมเดลของ OpenAI สามารถทำได้ถึง 74-184 โทเค็นต่อวินาที)ความหวังใหม่: Multi-Token Prediction (MTP) ✨ข่าวดีคือ ชุมชนนักพัฒนาได้เริ่มหาวิธีเพิ่มความเร็วให้กับโมเดลนี้แล้ว หนึ่งในวิธีที่น่าสนใจคือ Multi-Token Prediction (MTP) ซึ่งเป็นเทคนิคที่กลไกที่ถูกกว่าจะคาดเดาโทเค็นหลายตัวล่วงหน้า จากนั้นโมเดลหลักจะตรวจสอบความถูกต้อง ซึ่งสามารถเพิ่มประสิทธิภาพการประมวลผลได้อย่างมากจากการทดลองรันโมเดลด้วย MTP บน Spark พบว่า ประสิทธิภาพเพิ่มขึ้นประมาณ 72% เมื่อเทียบกับ LM Studio แบบ GGUFคาดว่าเราจะได้เห็นนวัตกรรมใหม่ๆ ในการให้บริการโมเดลนี้ให้เร็วขึ้นอีกในอนาคตอันใกล้นี้บทสรุป: ก้าวกระโดดของ Local AI 🌟การที่โมเดลขนาด 17GB สามารถทำงานได้หลากหลายและซับซ้อนขนาดนี้บนเครื่องคอมพิวเตอร์ส่วนตัว ถือเป็นเรื่องน่าอัศจรรย์มาก ความก้าวหน้าของ Local AI ในปีนี้ทำให้เรารู้สึกทึ่งอย่างแท้จริง เมื่อปีก่อน โมเดลระดับนี้อาจต้องแข่งขันกับโมเดลเชิงพาณิชย์ราคาแพง แต่ปัจจุบัน โมเดลสามารถรันบนแล็ปท็อปที่ใช้งานได้ทั่วไปแล้วสิ่งที่อาจเป็นข้อจำกัดเพียงอย่างเดียวในตอนนี้ คือเรื่องความเร็ว แต่ด้วยความร่วมมือของชุมชนนักพัฒนา คาดว่าเราจะได้เห็นการพัฒนาอย่างรวดเร็วในเร็วๆ นี้อย่างแน่นอน!#Qwen38 #AI #LLM #OpenSource #Techhttps://simonwillison.net/2026/Aug/16/qwen-38-27b/