ตรวจสอบ GPT-5.5 “Spud”: ตอนนี้ OpenAI ยืนยันอะไรจริง?

ดังนั้นข้อสรุปที่ปลอดภัยคือ: GPT-5.5 Spud ควรถูกนับเป็นชื่อหรือข่าวลือที่ยังไม่ยืนยัน จนกว่า OpenAI จะเผยแพร่เอกสารทางการเอง

เช็กข้อกล่าวอ้าง: Spud เทียบกับ GPT-5.4

สิ่งที่ OpenAI ระบุไว้จริง

หน้าโมเดลทางการของ OpenAI ระบุว่า GPT-5.4 เป็น frontier model สำหรับงานวิชาชีพที่ซับซ้อน นอกจากนี้ OpenAI ยังมีหน้า cookbook ของ GPT-5.4 ที่โฟกัสงาน vision และ document understanding

จากข้อมูลที่ดึงมา ตัวอย่างในเอกสารดังกล่าวเกี่ยวข้องกับงานอย่างการดึงข้อมูลแบบมีโครงสร้างจากแบบฟอร์มประกันที่เขียนด้วยลายมือ การให้เหตุผลเชิงตำแหน่งจากแปลนห้องพัก การเข้าใจกกราฟ และการดึงกรอบตำแหน่งจากแบบฟอร์มตำรวจ

ตัวอย่างเหล่านี้สำคัญ เพราะงานเอกสารจริงไม่ได้จบที่การสรุปข้อความให้ลื่นไหล โมเดลที่ “grounded” ต้องเชื่อมคำตอบกลับไปยังหลักฐานที่มองเห็นได้ เช่น ป้ายกำกับช่องกรอก ค่าในฟอร์ม เซลล์ในตาราง จุดหรือแท่งในกราฟ ลายมือ โครงหน้าเอกสาร และตำแหน่งเชิงพื้นที่

อย่างไรก็ดี เอกสาร GPT-5.4 ที่ตรวจสอบในที่นี้เป็นคำแนะนำและตัวอย่างจาก OpenAI เอง ไม่ใช่รายงาน benchmark อิสระที่ตรวจสอบครบทุกเวิร์กโฟลว์เอกสารในงานผลิตจริง

คำแนะนำด้าน prompt ของ OpenAI ยังมีประเด็นเชิงปฏิบัติที่ควรจำ: สำหรับภาพขนาดใหญ่ ภาพที่มีข้อมูลหนาแน่น หรือภาพที่ต้องอาศัยตำแหน่ง เช่น งาน computer use, localization, OCR และ click accuracy OpenAI แนะนำให้ใช้รายละเอียดภาพแบบ original ถ้าเป็นฟอร์ม สแกน สกรีนช็อต หรือกราฟ การลดขนาดภาพหรือทำให้รายละเอียดหายไปอาจทำให้โมเดลพลาดหลักฐานที่ต้องดู

ทำไม multimodal grounding ยากกว่า OCR

OCR คือการอ่านตัวอักษรจากภาพ ส่วน multimodal grounding คือการเชื่อมตัวอักษร เลย์เอาต์ ตำแหน่ง โครงสร้างภาพ และการให้เหตุผลเข้าด้วยกัน แล้วตอบในแบบที่ตรวจสอบย้อนกลับจากหน้าเอกสารได้

งานวิจัยด้าน document understanding สะท้อนภาพนี้เช่นกัน การประเมินเอกสารครอบคลุมทั้งการเข้าใจฟอร์ม การแยกข้อมูลจากใบเสร็จ และ document visual question answering หรือการถาม-ตอบจากภาพเอกสาร

สำหรับเอกสารหลายหน้า ความยากยิ่งเพิ่มขึ้น เพราะโมเดลอาจต้องนำทางข้ามหน้า ดึงเนื้อหาที่เกี่ยวข้อง ตรวจดูหน้าที่ตรงประเด็น และให้เหตุผลเชิงภาพอย่างเป็นระบบ ไม่ใช่พึ่งภาพหน้าเดียวหรือ crop เล็ก ๆ เพียงครั้งเดียว

นี่คือเหตุผลที่เดโมจากภาพสวย ๆ เพียงภาพเดียวไม่พอสำหรับตัดสินระบบจริง การทดสอบที่จริงจังควรครอบคลุมประเภทเอกสารที่ใช้งานจริง คุณภาพสแกน จำนวนหน้า ลายมือ ตาราง กราฟ ตัวอักษรเล็ก และกรณีที่ระบบมีโอกาสพลาด

วิธีประเมินโมเดลภาพและเอกสารของ OpenAI ตอนนี้

1. เริ่มจากโมเดลที่มีเอกสารทางการ ไม่ใช่ชื่อหลุด ในชุดแหล่งข้อมูลทางการที่ตรวจสอบได้ โมเดล OpenAI ที่ถูกระบุคือ GPT-5.4 ส่วน GPT-5.5 Spud ยังไม่ยืนยัน
2. รักษารายละเอียดภาพเมื่อรายละเอียดสำคัญ ใช้ original สำหรับภาพที่ใหญ่ หนาแน่น หรืออ่อนไหวต่อพิกัด เช่น OCR, localization, click accuracy และ computer-use tasks
3. ให้คะแนนจากหลักฐาน ไม่ใช่ความลื่นของคำตอบ งานดึงข้อมูลควรเทียบค่าฟิลด์แบบตรงตัว งานกราฟควรต้องอธิบายที่มาของค่าได้ งานฟอร์มหรือสกรีนช็อตควรขอกรอบตำแหน่งหรือพิกัดเมื่อเรื่องตำแหน่งสำคัญ ตัวอย่าง GPT-5.4 ของ OpenAI รวมถึงงานดึง bounding box ด้วย
4. ทดสอบกับเอกสารที่คุณใช้จริง รวมฟอร์ม ใบเสร็จ และงานถาม-ตอบจากเอกสาร เพราะหมวดเหล่านี้ปรากฏในวรรณกรรม benchmark ด้าน document understanding
5. ใส่กรณีหลายหน้าเสมอ งาน document VQA แบบหลายหน้าอาจต้องใช้การนำทางเอกสาร การให้เหตุผลเชิงภาพแบบมีโครงสร้าง การค้นคืนเชิงความหมาย และการดึงหน้าที่เกี่ยวข้องมาตรวจ
6. เปรียบเทียบทั้งโมเดลและ pipeline บางงานอาจพอด้วยการส่งให้โมเดลครั้งเดียว แต่งานที่ยาว หนาแน่น หรืออ่อนไหวต่อพิกัดอาจต้องมี OCR, layout parsing, retrieval, cropping หรือ page selection ร่วมด้วย

บทสรุป

ชื่อ “Spud” ปรากฏในกระแสข่าวและคอนเทนต์เชิงข่าวลือ แต่ยังไม่ถูกยืนยันว่าเป็นโมเดล OpenAI สาธารณะอย่างเป็นทางการในชุดแหล่งข้อมูลที่ตรวจสอบนี้ ข้อสรุปที่นำไปใช้ได้จริงจึงแคบกว่า: หากต้องประเมินงานภาพและเอกสารของ OpenAI ตอนนี้ ให้เริ่มจาก GPT-5.4 และแนวทางที่ OpenAI เผยแพร่ไว้ ส่วนคำกล่าวอ้างว่า GPT-5.5 Spud จะมี multimodal grounding เหนือกว่า ควรรอหน้าโมเดล คู่มือโมเดล model card หรือรายงาน benchmark ทางการก่อน