Qwen3.8-27B ทำคะแนนเท่า GPT-5.6 Luna แต่ความได้เปรียบอยู่ที่การรันเอง

Qwen3.8-27B กำลังเป็นหนึ่งในโมเดล open-weight ที่น่าจับตาที่สุดของ Alibaba ด้วยขนาด 27 พันล้านพารามิเตอร์ จุดที่ทำให้วงการสนใจไม่ใช่เพียงคะแนน benchmark แต่คือการที่โมเดลสามารถนำไปติดตั้ง ปรับแต่ง และใช้งานบนโครงสร้างพื้นฐานของผู้พัฒนาเองได้

จากข้อมูลของ Artificial Analysis ระบุว่า Qwen3.8-27B ได้คะแนน Intelligence Index 52 เท่ากับ GPT-5.6 Luna ในโหมดการใช้เหตุผลสูงสุด และสูงกว่า GPT-5.6 Terra ที่ได้ 50 อย่างไรก็ตาม ตัวเลขนี้ไม่ควรถูกตีความว่า Alibaba แซงหน้าโมเดลปิดจากสหรัฐฯ อย่างเด็ดขาด สิ่งที่เห็นชัดกว่าคือช่องว่างระหว่างโมเดลที่นำไปติดตั้งเองได้กับบริการ AI แบบปิดบนคลาวด์กำลังแคบลง

Qwen3.8-27B ไม่ใช่โมเดล text-only

ข้อมูลสำคัญที่ควรแก้ไขคือ Qwen3.8-27B ไม่ได้รองรับเฉพาะข้อความ แต่ถูกอธิบายว่าเป็นโมเดล dense native multimodal ซึ่งรับอินพุตได้ทั้งภาพและวิดีโอ พร้อม context window ขนาด 262,144 tokens และเผยแพร่ภายใต้ใบอนุญาต Apache 2.0

คำว่า dense หมายความว่า ในการประมวลผลแต่ละครั้ง โมเดลใช้พารามิเตอร์ทั้งหมดของสถาปัตยกรรม ไม่ใช่เลือกเปิดใช้งานเพียงบางส่วนเหมือนโมเดลแบบ mixture-of-experts หรือ MoE

อีกประเด็นหนึ่งคือเงื่อนไขเชิงพาณิชย์ที่อาจเกี่ยวข้องกับการแบ่งรายได้ ไม่ได้ใช้กับ Qwen3.8-27B แต่เชื่อมโยงกับใบอนุญาตแยกต่างหากของ Qwen3.8-Max ซึ่งเป็นโมเดลเรือธงขนาด 2.4 ล้านล้านพารามิเตอร์ ดังนั้น ผู้พัฒนาควรตรวจสอบใบอนุญาตเป็นรายโมเดล ไม่ควรเหมารวมเงื่อนไขของทั้งตระกูล Qwen

ส่วนตัวเลขราคา 0 ดอลลาร์ต่อโทเคนที่ปรากฏในบางรายการ ไม่ควรถือเป็นราคาถาวรและใช้ได้กับผู้ให้บริการทุกราย ข้อมูลที่มีระบุว่า hosted endpoint ของ Qwen3.8-27B ยังอยู่ระหว่างการเปิดให้บริการ และราคาจะแตกต่างกันไปตามผู้ให้บริการ

เทียบ Intelligence Index กับโมเดลชั้นนำ

Artificial Analysis Intelligence Index เป็นดัชนีรวมจากการประเมิน 9 รายการ ครอบคลุมการเขียนโค้ด วิทยาศาสตร์ การใช้เหตุผล งานวิชาชีพ และงานที่เกี่ยวข้องกับเอเจนต์

โมเดลและการตั้งค่า	Intelligence Index
Claude Opus 4.8, adaptive reasoning / max effort	57
DeepSeek V4 Pro 0813, reasoning / max effort	53
GLM-5.2, max	53
Qwen3.8-27B	52
GPT-5.6 Luna, max	52
GPT-5.6 Terra, high	50

ข้อสรุปที่ปลอดภัยที่สุดคือ Qwen3.8-27B ทำคะแนนเท่ากับ GPT-5.6 Luna และสูงกว่า GPT-5.6 Terra ในการทดสอบและการตั้งค่าที่ระบุ แต่ข้อมูลนี้ยังไม่เพียงพอที่จะสรุปว่า Qwen3.8-27B เหนือกว่า Claude Opus 4.8, DeepSeek V4 Pro หรือ GLM-5.2 โดยรวม

มีรายงานบางส่วนระบุว่า Qwen3.8-27B ได้ Agentic Index 51 แต่ข้อมูลอื่นแสดงเพียงคะแนน 48% ในการทดสอบ τ²-Bench ซึ่งไม่ใช่ตัวเลขเดียวกับ Agentic Index โดยรวม ด้วยเหตุนี้ จึงยังไม่ควรจัดอันดับความสามารถด้านเอเจนต์ของโมเดลทั้งหมดจากตัวเลขดังกล่าว

ความหมายในทางปฏิบัติไม่ได้อยู่ที่คะแนนอย่างเดียว

ประโยชน์ของ Qwen3.8-27B สำหรับนักพัฒนาอยู่ที่การเปิดเผยน้ำหนักโมเดล ผู้ใช้สามารถดาวน์โหลด นำไป quantize ปรับแต่งด้วยข้อมูลเฉพาะทาง และฝังเข้ากับระบบของตนเองได้ โดยไม่ต้องพึ่งผู้ให้บริการ API รายเดียว

แนวทางนี้เหมาะกับงาน เช่น

• ระบบเขียนโค้ดภายในองค์กร
• แอปพลิเคชันที่ต้องการให้ข้อมูลอยู่ภายในระบบ
• งานที่ต้องทำงานแบบออฟไลน์
• บริการที่ไวต่อ latency
• การพัฒนาเอเจนต์หรือ workflow เฉพาะทาง

Apache 2.0 ยังเปิดทางให้ใช้งาน แก้ไข แจกจ่าย และนำไปใช้เชิงพาณิชย์ได้ภายใต้เงื่อนไขของใบอนุญาต ซึ่งแตกต่างจากโมเดล proprietary ที่เปิดให้เข้าถึงผ่าน cloud endpoint เป็นหลัก

แต่การรันเองไม่ใช่การใช้งานฟรีโดยสมบูรณ์ แม้ไม่มีค่าโทเคน ผู้ใช้งานยังต้องจ่ายค่าฮาร์ดแวร์ หน่วยความจำ ไฟฟ้า การปรับแต่ง ประสิทธิภาพการให้บริการ และการบำรุงรักษา ขณะที่บริการคลาวด์มีข้อได้เปรียบด้านการขยายระบบ ความพร้อมใช้งาน การอัปเดต และการดูแลโครงสร้างพื้นฐาน

อย่าใช้จำนวนพารามิเตอร์ตัดสินผู้ชนะ

การเปรียบเทียบจำนวนพารามิเตอร์ระหว่างบริษัทต่าง ๆ อาจทำให้เข้าใจผิดได้ โมเดล dense อย่าง Qwen3.8-27B แตกต่างจากโมเดล MoE ที่มีพารามิเตอร์รวมจำนวนมาก แต่เปิดใช้งานเพียงบางส่วนระหว่าง inference

Artificial Analysis ระบุว่า DeepSeek V4 Pro มีพารามิเตอร์รวม 1.6 ล้านล้าน แต่ใช้พารามิเตอร์ที่ทำงานจริง 49 พันล้าน ขณะที่ GLM-5.2 มีพารามิเตอร์รวม 753 พันล้าน และใช้จริง 40 พันล้าน

ดังนั้น ตัวเลข 2.4 ล้านล้านของ Qwen3.8-Max หรือ 2.8 ล้านล้านที่มีการกล่าวถึงสำหรับ Kimi K3 ไม่สามารถนำมาใช้จัดอันดับความสามารถได้โดยตรง โดยเฉพาะเมื่อบางบริษัทไม่ได้เปิดเผยรายละเอียดทั้งหมด ปัจจัยอย่างสถาปัตยกรรม ข้อมูลฝึก การทำ post-training งบประมาณการใช้เหตุผล การเรียกใช้เครื่องมือ และระบบ serving อาจส่งผลต่อประสิทธิภาพจริงมากกว่าตัวเลขพารามิเตอร์บนหน้าข่าว

สะท้อนอะไรต่อการลงทุนโครงสร้างพื้นฐาน AI

ผลการทดสอบของ Qwen3.8-27B ไม่ได้พิสูจน์ว่าการลงทุนมหาศาลในศูนย์ข้อมูลของสหรัฐฯ ให้ผลตอบแทนต่ำ ระบบ frontier ยังต้องใช้โครงสร้างพื้นฐานสำหรับการฝึกโมเดล การทดลองซ้ำอย่างรวดเร็ว การให้บริการในระดับใหญ่ ความปลอดภัย ความเสถียร และงาน multimodal หรือโจทย์ยากที่โมเดลขนาดเล็กอาจทำได้ไม่ดีเท่า

อย่างไรก็ตาม Qwen3.8-27B แสดงให้เห็นว่า “ขนาด” ไม่ได้เป็นข้อได้เปรียบเพียงอย่างเดียวอีกต่อไป การทำ post-training ที่ดีขึ้น การกลั่นโมเดล หรือ distillation การประมวลผลที่มีประสิทธิภาพ และการออกแบบระบบที่ดี สามารถทำให้โมเดลขนาดเล็กมีความสามารถใกล้ระดับแนวหน้าในงานบางประเภทได้

คำถามสำคัญของการลงทุนจึงไม่ใช่แค่ใครมีโมเดลใหญ่ที่สุด แต่รวมถึงใครให้ความคุ้มค่าด้านประสิทธิภาพต่อค่าใช้จ่ายได้ดีที่สุด ใครควบคุมช่องทางการนำไปใช้งาน และใครสร้างระบบนิเวศที่นักพัฒนานำไปต่อยอดได้ง่ายที่สุด

กลยุทธ์ open-weight ของ Alibaba กับการแข่งขันจีน–สหรัฐฯ

Alibaba ระบุว่าตระกูล Qwen เปิดตัวโมเดลแบบเปิดแล้วมากกว่า 460 รุ่น และมียอดดาวน์โหลดทั่วโลกเกิน 3 พันล้านครั้งในช่วง 6 เดือน ตัวเลขนี้เป็นข้อมูลจากบริษัทและควรตีความว่าเป็นตัวชี้วัดการเข้าถึงของระบบนิเวศ ไม่ใช่จำนวนผู้ใช้ที่ไม่ซ้ำกัน รายได้ หรือการใช้งานจริงในภาคธุรกิจ

ข้อมูลจาก Hugging Face ที่ถูกรายงานในแหล่งข่าวบางแห่งให้ภาพที่แคบกว่า โดยระบุว่าตระกูล Qwen มียอดดาวน์โหลดราว 2.045 พันล้านครั้งบนแพลตฟอร์มในปี 2026 เพียงอย่างเดียว

ข้อได้เปรียบของการเปิดน้ำหนักคือ นักพัฒนา ผู้ให้บริการคลาวด์ ผู้ผลิตฮาร์ดแวร์ และผู้รวมระบบในแต่ละภูมิภาคสามารถสร้างโมเดลต่อยอด เวอร์ชัน quantized และผลิตภัณฑ์เฉพาะทางได้ โดยไม่ต้องรอให้ Alibaba เปิดฟังก์ชันทั้งหมดผ่าน API ของบริษัท

ความร่วมมือกับผู้ผลิตอุปกรณ์และชิปเร่งความเร็วอาจช่วยให้การรันโมเดลในเครื่องทำได้ง่ายและมีประสิทธิภาพขึ้นด้วย จุดแข่งขันจึงไม่ได้มีแค่ “โมเดลใครเก่งที่สุด” แต่รวมถึงฐานนักพัฒนา ช่องทางจัดจำหน่าย ชุดฮาร์ดแวร์ที่ได้รับการปรับแต่ง และจำนวนผลิตภัณฑ์ที่สร้างต่อยอดจากโมเดล

การแยกใบอนุญาตก็มีนัยสำคัญเชิงกลยุทธ์เช่นกัน Apache 2.0 ของรุ่น 27B ช่วยเร่งการนำไปใช้ในวงกว้าง ขณะที่เงื่อนไขเชิงพาณิชย์ของ Qwen3.8-Max ยังเปิดช่องให้ Alibaba สร้างรายได้จากการใช้งานเชิงพาณิชย์ขนาดใหญ่

บทสรุปสำหรับนักพัฒนาและองค์กร

สำหรับทีมที่ต้องการควบคุมข้อมูล รันระบบภายในองค์กร ปรับแต่งโมเดล หรือพึ่งพา API แบบปิดให้น้อยลง Qwen3.8-27B เป็นตัวเลือกที่ควรพิจารณาอย่างจริงจัง คะแนน Intelligence Index 52 ทำให้โมเดลอยู่ใกล้ GPT-5.6 Luna และสูงกว่า GPT-5.6 Terra ในการเปรียบเทียบชุดนี้

แต่สำหรับองค์กรที่ต้องการระบบพร้อมใช้งาน การขยายกำลังประมวลผลอย่างรวดเร็ว ความเสถียรแบบ managed service หรือความสามารถระดับสูงสุดในงานเฉพาะ โมเดล frontier บนคลาวด์อาจยังเหมาะกว่า

การตัดสินใจจึงควรพิจารณามากกว่าคะแนน benchmark และจำนวนพารามิเตอร์ โดยดูต้นทุนรวม ความเป็นส่วนตัว โครงสร้างพื้นฐาน ใบอนุญาต และ workflow จริงขององค์กร

Qwen3.8-27B ยังไม่ได้พิสูจน์ว่า AI ระดับ frontier กลายเป็นสินค้าทั่วไปที่แยกความแตกต่างไม่ได้ แต่กำลังยืนยันแนวโน้มที่สำคัญกว่า: ความสามารถของโมเดล open-weight ที่มีประสิทธิภาพสูงกำลังแพร่กระจายเร็วพอที่จะทำให้การรันเอง การปรับแต่ง และการลดการพึ่งพาผู้ให้บริการคลาวด์ กลายเป็นข้อได้เปรียบทางธุรกิจอย่างแท้จริง