คำตอบเผยแพร่แล้ว20 แหล่งที่มา
โมเดล 27B เบียดโมเดล 1.6T: ทำไมผลทดสอบ StartLux จึงสำคัญต่ออนาคต AI แบบติดตั้งภายในองค์กร
StartLux V1.0 27B Preview ได้อันดับ 2 ในการทดสอบ MCP ของ CAICT ด้วยคะแนน 39.25 ตามหลัง DeepSeek V4 Pro ขนาด 1.6T เพียง 1.30 คะแนน แต่ผลนี้สะท้อนความสามารถในงานเอเจนต์เฉพาะทาง ไม่ใช่การจัดอันดับความฉลาดทั่วไป โมเดล 27B แซง DeepSeek V4 Flash 0731 ขนาด 284B และ Step 3.7 Flash ขนาด 198B โดยทำผลงานเด่นในงานนำทางตำแหน่ง ร...
เผยแพร่โดยแก้ไขด้วย GPT-5.6 Lunaรูปภาพสร้างด้วย GPT Image 1.5
คำตอบการวิจัย
ประเด็นสำคัญ
- StartLux V1.0 27B Preview ได้อันดับ 2 ในการทดสอบ MCP ของ CAICT ด้วยคะแนน 39.25 ตามหลัง DeepSeek V4 Pro ขนาด 1.6T เพียง 1.30 คะแนน แต่ผลนี้สะท้อนความสามารถในงานเอเจนต์เฉพาะทาง ไม่ใช่การจัดอันดับความฉลาดทั่วไป
- โมเดล 27B แซง DeepSeek V4 Flash 0731 ขนาด 284B และ Step 3.7 Flash ขนาด 198B โดยทำผลงานเด่นในงานนำทางตำแหน่ง รวมถึงทำได้ดีในการทำงานอัตโนมัติผ่านเบราว์เซอร์และการวิเคราะห์การเงิน
- ผลลัพธ์ตอกย้ำว่าองค์กรควรประเมินความแม่นยำในการใช้เครื่องมือ ต้นทุน การรักษาความเป็นส่วนตัว และความสำเร็จของเวิร์กโฟลว์ ไม่ใช่ดูจำนวนพารามิเตอร์เพียงอย่างเดียว
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Shanghai-based StartLux’s StartLux-V1.0-27B-Preview, a 27-billion-parameter model built on Qwen3.6-27B with targeted post-training a. Article summary: StartLux-V1.0-27B-Preview was a notable outlier in CAICT’s MCP special test: it placed second overall with a 39.25 score despite having 27 billion parameters. It trailed the 1.6-trillion-parameter DeepSeek-V4-Pro by 1.30. Topic tags: general, general web, user generated, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks,
โมเดล StartLux-V1.0-27B-Preview จากบริษัท StartLux ในเซี่ยงไฮ้ กำลังกลายเป็นหนึ่งในตัวอย่างที่ชัดเจนที่สุดว่าโมเดล AI ขนาดกะทัดรัดก็สามารถแข่งขันกับโมเดลขนาดใหญ่ได้ หากได้รับการปรับแต่งมาเพื่อการทำงานแบบเอเจนต์โดยเฉพาะ
ในการทดสอบ Trusted AI Large Model Benchmark — MCP Special Test ซึ่งจัดโดยสถาบันวิจัยปัญญาประดิษฐ์ของ China Academy of Information and Communications Technology (CAICT หรือสถาบันเทคโนโลยีสารสนเทศและการสื่อสารแห่งประเทศจีน) StartLux รุ่น 27B ได้อันดับ 2 ด้วยคะแนนรวม 39.25 ตามหลัง DeepSeek-V4-Pro ที่มีพารามิเตอร์ 1.6 ล้านล้านตัวเพียง 1.30 คะแนน 10
3
อย่างไรก็ตาม ผลนี้ไม่ได้แปลว่าโมเดล 27B เอาชนะโมเดลระดับล้านล้านพารามิเตอร์ได้ในทุกงาน หรือว่าจำนวนพารามิเตอร์ไม่มีความสำคัญอีกต่อไป สิ่งที่ผลทดสอบชี้ให้เห็นคือ โมเดลขนาดเล็กที่ปรับแต่งมาเพื่อการเรียกใช้เครื่องมือ การวางแผนหลายขั้นตอน และการทำงานให้เสร็จในสภาพแวดล้อมจริง อาจลดช่องว่างกับโมเดลขนาดใหญ่ได้มากในงานบางประเภท
MCP Test วัดอะไร
การทดสอบนี้ไม่ได้เป็นเพียงการถามตอบความรู้หรือโจทย์เหตุผลแบบที่พบในลีดเดอร์บอร์ดโมเดลภาษาทั่วไป แต่เน้นการทำงานของ AI เอเจนต์ ได้แก่ การเข้าใจเป้าหมาย วางแผนลำดับงาน เรียกใช้เครื่องมือที่เหมาะสม และดำเนินการจนงานเสร็จ
การประเมินครอบคลุม 6 งานเฉพาะทาง ได้แก่
- การนำทางตามตำแหน่ง
- การค้นหาข้อมูลบนเว็บ
- การทำงานอัตโนมัติผ่านเบราว์เซอร์
- การวิเคราะห์การเงิน
- การจัดการคลังโค้ด
- การออกแบบ 3 มิติ
เมื่อรวมกับการประเมินคะแนนภาพรวม จึงมีรายการทดสอบที่รายงานทั้งหมด 7 รายการ โดยการทดสอบมุ่งวัดการทำงานร่วมกันของหลายเครื่องมือ การปฏิบัติงานที่ซับซ้อน และการโต้ตอบกับสภาพแวดล้อมจริง รายงานระบุว่าคะแนนเฉลี่ยคำนวณจากการทดสอบเต็มรูปแบบ 3 รอบ 10
7
จุดนี้มีความสำคัญต่อภาคธุรกิจ เพราะบริษัทที่กำลังเลือกใช้ AI เอเจนต์อาจสนใจว่าโมเดลทำงานจริงได้สม่ำเสมอเพียงใด มากกว่าคะแนนจากคำถามความรู้หรือโจทย์เหตุผลที่แยกออกจากเวิร์กโฟลว์
27B เทียบกับโมเดลที่ใหญ่กว่าหลายเท่า
อันดับและคะแนนรวมที่มีการรายงานมีดังนี้
- StartLux-V1.0-27B-Preview: 27B พารามิเตอร์ ได้ 39.25 คะแนน
- DeepSeek-V4-Pro: 1.6T พารามิเตอร์ อันดับ 1 นำ StartLux อยู่ 1.30 คะแนน
- DeepSeek-V4-Flash-0731: 284B พารามิเตอร์ ได้ 38.24 คะแนน ตามหลัง StartLux
- Step-3.7-Flash: 198B พารามิเตอร์ อยู่ต่ำกว่า StartLux ในอันดับรวม
StartLux ยังมีคะแนนสูงกว่าโมเดลที่มีขนาดเท่ากันอย่าง Qwen-3.6-27B อยู่ 5.34 คะแนน ในรายงานการทดสอบที่อ้างถึง ทั้ง Qwen-3.6-27B และ AgentCPM-Explore อยู่ในกลุ่มโมเดลที่นำมาเปรียบเทียบ แต่หลักฐานที่มีอยู่ไม่ได้ให้คะแนนรวมที่เชื่อถือได้ของแต่ละรุ่นอย่างครบถ้วน 2
3
10
ในระดับงานย่อย StartLux ได้อันดับ 1 ในการนำทางตามตำแหน่ง และมีรายงานว่าทำคะแนนเสมอหรือแซง DeepSeek-V4-Pro ในการทำงานอัตโนมัติผ่านเบราว์เซอร์และการวิเคราะห์การเงิน 4
6
7
นี่คือเรื่องของประสิทธิภาพ ไม่ใช่ชัยชนะเหนือโมเดลใหญ่ทุกด้าน
ความหมายที่เหมาะสมที่สุดของผลลัพธ์นี้คือเรื่อง ประสิทธิภาพต่อจำนวนพารามิเตอร์ ไม่ใช่หลักฐานว่าการขยายโมเดลขนาดใหญ่หมดความสำคัญแล้ว โมเดลขนาดใหญ่อาจยังมีความสามารถที่กว้างกว่า ทำงานกับโจทย์ยากได้ดีกว่า และมีพื้นที่ให้พัฒนาความสามารถด้านเหตุผลขั้นแนวหน้าได้มากกว่า
ในทางกลับกัน ผลของ CAICT แสดงให้เห็นว่า post-training หรือการฝึกเพิ่มเติมหลังการฝึกพื้นฐาน รวมถึงการปรับเฉพาะทาง อาจส่งผลอย่างมากเมื่อเกณฑ์การประเมินให้ความสำคัญกับการทำงานที่เชื่อถือได้
StartLux อธิบายโมเดลของตนว่าเป็น AI เอเจนต์ที่ติดตั้งใช้งานภายในเครื่องได้ และนำเสนอแนวทาง “AI trains AI” หรือกระบวนการ Auto Research ของบริษัท แต่คำอธิบายดังกล่าวเป็นข้อเสนอของบริษัทเอง ผลการทดสอบยืนยันประสิทธิภาพที่สังเกตได้ ไม่ได้ยืนยันโดยตัวมันเองว่าวิธีฝึกใดเป็นสาเหตุโดยตรงของผลลัพธ์ ดังนั้นข้อสรุปที่รอบคอบกว่าคือ การปรับโมเดลให้เหมาะกับการใช้เครื่องมือ การวางแผน และการทำงานตามขั้นตอน อาจช่วยลดช่องว่างกับโมเดลขนาดใหญ่ในงานองค์กรบางประเภทได้
โมเดลเล็กเปิดทางให้ติดตั้ง AI ภายในองค์กร
โมเดล 27B มีความเป็นไปได้ในการติดตั้งบนโครงสร้างพื้นฐานส่วนตัวมากกว่าโมเดล 1.6T อย่างมีนัยสำคัญ โดยเฉพาะเมื่อใช้เวอร์ชัน quantized และฮาร์ดแวร์ที่เหมาะสม ทั้งนี้ไม่ได้หมายความว่าจะติดตั้งได้ง่ายหรือมีต้นทุนต่ำโดยอัตโนมัติ แต่เปิดทางเลือกใหม่ให้กับองค์กรที่มีงานเอเจนต์จำนวนมากและทำซ้ำเป็นประจำ
ข้อได้เปรียบที่อาจเกิดขึ้น ได้แก่
- ควบคุมข้อมูลได้มากขึ้น: พรอมป์และผลลัพธ์จากเครื่องมืออาจอยู่ภายในระบบของบริษัท แทนการส่งไปยัง API ภายนอก
- ควบคุมต้นทุน: การประมวลผลปริมาณมากอาจลดค่าใช้บริการแบบคิดตามจำนวนคำขอ แต่ต้องรวมค่าฮาร์ดแวร์ ไฟฟ้า การดูแลระบบ และวิศวกรรมไว้ในต้นทุนรวมด้วย
- ลดการพึ่งพาเครือข่าย: การติดตั้งภายในอาจช่วยลดการพึ่งพาการเชื่อมต่ออินเทอร์เน็ตและความจุของผู้ให้บริการ
- ปรับให้เข้ากับงานเฉพาะได้: องค์กรสามารถกำหนดเครื่องมือ นโยบาย และเกณฑ์ประเมินให้ตรงกับเวิร์กโฟลว์ของตน
ข้อดีเหล่านี้เป็นความเป็นไปได้ ไม่ใช่การรับประกัน การใช้ AI ภายในองค์กรยังทำให้ลูกค้าต้องรับผิดชอบเรื่องการจัดซื้อฮาร์ดแวร์ การอัปเดตโมเดล การกำหนดสิทธิ์ การบันทึกการใช้งาน การตรวจสอบ และความปลอดภัยด้วย โมเดลที่เล็กกว่าอาจรันง่ายกว่า แต่ไม่ได้หมายความว่าจะกำกับดูแลง่ายกว่าเสมอไป
StartLux อยู่ในกระแสโมเดลเอเจนต์ขนาดกะทัดรัด
แนวโน้มนี้ไม่ได้จำกัดอยู่ที่ StartLux นักพัฒนาหลายรายกำลังออกแบบโมเดลโดยให้ความสำคัญกับประสิทธิภาพ อัตราการประมวลผล และการใช้งานภายในเครื่อง มากกว่าการเพิ่มจำนวนพารามิเตอร์สูงสุด
NVIDIA ระบุว่า Nemotron 3.5 Lightning เป็นโมเดลแบบ mixture-of-experts (MoE) ขนาด 30B ที่เปิดให้ใช้งาน โดยมีพารามิเตอร์ที่ทำงานจริงเพียง 3B และมุ่งเป้าไปที่เอเจนต์ที่ทำงานต่อเนื่องและต้องประมวลผลปริมาณมาก ขณะที่เอกสารสนับสนุนโมเดลของ NVIDIA ยังระบุรุ่น Gemma 4 ขนาด 12B และ 31B ด้วย 25
26
แหล่งข้อมูลรองและแค็ตตาล็อกโมเดลยังจัด Muse Glimmer ของ Meta ไว้ในกลุ่มโมเดลสำหรับเอเจนต์ภายในเครื่อง แต่หลักฐานที่มีอยู่ยังไม่สามารถตรวจสอบเอกสารเปิดตัวต้นฉบับของ Meta ได้อย่างอิสระ 27
33 ถึงกระนั้น ภาพรวมก็ชัดเจนว่าอุตสาหกรรมกำลังให้ความสำคัญกับพารามิเตอร์ที่ทำงานจริง ความเร็วในการประมวลผล quantization ความน่าเชื่อถือในการเรียกใช้เครื่องมือ และการติดตั้งภายในองค์กรเพิ่มขึ้น
องค์กรควรเลือกโมเดลอย่างไรต่อจากนี้
ผลทดสอบของ StartLux อาจทำให้การจัดซื้อ AI ในจีนแยกเป็นหลายกลุ่มมากขึ้น แทนการเลือกโมเดลเดียวสำหรับทุกงาน
- ใช้โมเดลขนาดกะทัดรัดที่ติดตั้งภายในหรือในระบบส่วนตัวกับงานที่มีข้อมูลอ่อนไหว มีปริมาณมาก และทำซ้ำเป็นประจำ
- ใช้โมเดลคลาวด์ระดับแนวหน้ากับงานที่กว้าง ซับซ้อนมาก หรือเกิดขึ้นไม่บ่อย ซึ่งต้องการความสามารถสูงสุด
- ประเมินเวิร์กโฟลว์ทั้งชุด โดยดูความแม่นยำในการเรียกเครื่องมือ อัตราทำงานสำเร็จ ความสามารถในการกู้คืนข้อผิดพลาด ประสิทธิภาพภาษาจีน ความเหมาะสมกับโดเมน เวลาแฝง และต้นทุนดำเนินงาน
- ตรวจสอบการกำกับดูแลก่อนเปิดใช้งานจริง ทั้งสิทธิ์การเข้าถึง การเก็บข้อมูล การตรวจสอบย้อนกลับ การอัปเดตโมเดล และขั้นตอนส่งต่อให้มนุษย์
คำถามสำคัญจึงอาจไม่ใช่ “โมเดลไหนมีพารามิเตอร์มากที่สุด” แต่เป็น “โมเดลไหนทำงานนี้ได้สม่ำเสมอ ภายใต้ต้นทุนและความเสี่ยงที่องค์กรยอมรับได้”
จากการแข่งขันด้านพารามิเตอร์ สู่การแข่งขันด้านเวิร์กโฟลว์
StartLux-V1.0-27B-Preview ไม่ได้ยุติการแข่งขันระหว่างโมเดลเล็กกับโมเดลใหญ่ แต่ทำให้ข้อแลกเปลี่ยนระหว่างสองแนวทางชัดเจนขึ้น โมเดลขนาดกะทัดรัดที่ทำงานกับเครื่องมือในโลกจริงได้ดี อาจเป็นตัวเลือกที่เหมาะสมกว่าสำหรับองค์กรที่ให้ความสำคัญกับความเป็นส่วนตัว ต้นทุนที่คาดการณ์ได้ เวลาแฝงต่ำ และการติดตั้งภายในระบบ
การแข่งขันระยะถัดไปจึงอาจไม่ได้วัดกันที่การหา “ผู้ชนะหนึ่งเดียว” แต่เป็นการจับคู่ขนาดโมเดลและรูปแบบการติดตั้งให้เหมาะกับงาน คะแนน 39.25 ของ StartLux มีความสำคัญไม่ใช่เพราะทำให้จำนวนพารามิเตอร์ไร้ความหมาย แต่เพราะแสดงให้เห็นว่า ความสามารถในการทำงานจริงอาจถูกรวมไว้ในโมเดลที่เล็กพอสำหรับการพิจารณานำไปใช้งานภายในองค์กรได้
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "โมเดล 27B เบียดโมเดล 1.6T: ทำไมผลทดสอบ StartLux จึงสำคัญต่ออนาคต AI แบบติดตั้งภายในองค์กร" คืออะไร
StartLux V1.0 27B Preview ได้อันดับ 2 ในการทดสอบ MCP ของ CAICT ด้วยคะแนน 39.25 ตามหลัง DeepSeek V4 Pro ขนาด 1.6T เพียง 1.30 คะแนน แต่ผลนี้สะท้อนความสามารถในงานเอเจนต์เฉพาะทาง ไม่ใช่การจัดอันดับความฉลาดทั่วไป
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
StartLux V1.0 27B Preview ได้อันดับ 2 ในการทดสอบ MCP ของ CAICT ด้วยคะแนน 39.25 ตามหลัง DeepSeek V4 Pro ขนาด 1.6T เพียง 1.30 คะแนน แต่ผลนี้สะท้อนความสามารถในงานเอเจนต์เฉพาะทาง ไม่ใช่การจัดอันดับความฉลาดทั่วไป โมเดล 27B แซง DeepSeek V4 Flash 0731 ขนาด 284B และ Step 3.7 Flash ขนาด 198B โดยทำผลงานเด่นในงานนำทางตำแหน่ง รวมถึงทำได้ดีในการทำงานอัตโนมัติผ่านเบราว์เซอร์และการวิเคราะห์การเงิน
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
ผลลัพธ์ตอกย้ำว่าองค์กรควรประเมินความแม่นยำในการใช้เครื่องมือ ต้นทุน การรักษาความเป็นส่วนตัว และความสำเร็จของเวิร์กโฟลว์ ไม่ใช่ดูจำนวนพารามิเตอร์เพียงอย่างเดียว