Tencent OpenSearch-VL คืออะไร: สูตรเปิดสำหรับเอเจนต์ค้นหา AI หลายรูปแบบ

OpenSearch-VL ของ Tencent ควรถูกมองเป็น “สูตรฝึก” สำหรับสร้างเอเจนต์ค้นหา AI แบบหลายรูปแบบ มากกว่าเป็นแชตบอตผู้บริโภครายใหม่ จุดมุ่งหมายคือพาโมเดลภาพ-ภาษาออกจากการตอบคำถามจากภาพเดียว ไปสู่ระบบที่รู้จักค้นหาหลักฐานที่ยังขาด เรียกใช้เครื่องมือ และให้เหตุผลต่อเนื่องหลายขั้นตอน

งานนี้ปรากฏบน arXiv ซึ่งเป็นคลังพรีปรินต์งานวิจัย โดยระบุว่าส่งเมื่อวันที่ 6 พฤษภาคม 2026 ขณะที่รายงานเปิดตัวระบุว่า Tencent Hunyuan ร่วมกับ UCLA และ The Chinese University of Hong Kong ในการเผยแพร่ OpenSearch-VL

โจทย์ที่ OpenSearch-VL พยายามแก้

ปัญหาหลักไม่ใช่ว่า AI อ่านภาพไม่ออก แต่คือการทำให้ “เอเจนต์ค้นหาแบบหลายรูปแบบ” สร้างซ้ำและตรวจสอบได้ ข่าวช่วงเปิดตัวอธิบายว่าโจทย์ถัดไปของโมเดลภาษาขนาดใหญ่แบบหลายรูปแบบ หรือ MLLM คือการขยับจากการ “เข้าใจภาพแบบรับข้อมูล” ไปสู่การ “ค้นหลักฐานและให้เหตุผลแบบเชิงรุก” แต่ติดคอขวดเรื่องข้อมูลลำดับการทำงานคุณภาพสูง วิธีสังเคราะห์เส้นทางการค้นหาอัตโนมัติ และสูตรฝึกที่ละเอียดพอ

OpenSearch-VL จึงเสนอภาพรวมที่เป็นระบบกว่าเดิม ตั้งแต่ข้อมูล การจัดลำดับการใช้เครื่องมือ การปรับจูนแบบมีผู้สอน หรือ supervised fine-tuning (SFT) การฝึกด้วย reinforcement learning (RL) ไปจนถึงการประเมินผลสำหรับงานค้นหาเชิงลึกแบบหลายรูปแบบ

มันค้นหาจากภาพอย่างไร

โมเดลภาพ-ภาษาทั่วไปอาจตอบได้ว่ารูปนี้มีอะไร หรืออ่านข้อความจากภาพเท่าที่มองเห็น แต่ OpenSearch-VL ถูกออกแบบให้ทำงานเป็นวงจรของการใช้เครื่องมือ งานวิจัยระบุว่าเอเจนต์สามารถเรียกใช้เว็บเสิร์ช การค้นภาพย้อนกลับ OCR การครอปภาพ การเพิ่มความคมชัด super-resolution และการแก้ perspective ของภาพได้

ความต่างนี้สำคัญ เพราะรูปภาพจำนวนมากไม่ได้ให้หลักฐานครบในครั้งเดียว อาจมีตัวอักษรเล็กเกินไป มุมมองเอียง วัตถุถูกตัดบางส่วน หรือมีเบาะแสที่ต้องตรวจสอบกับข้อมูลภายนอก ในกรอบของ OpenSearch-VL โมเดลสามารถประเมินว่าขาดข้อมูลอะไร ควรค้นเว็บ ค้นภาพย้อนกลับ อ่าน OCR หรือปรับภาพก่อน แล้วนำผลที่ได้กลับมาใช้ในขั้นตอนให้เหตุผลถัดไป

สูตรฝึกที่เน้น “ลำดับการตัดสินใจ”

หัวใจของงานนี้อยู่ที่ trajectory หรือเส้นทางการกระทำของเอเจนต์ ไม่ใช่แค่คู่คำถาม-คำตอบจากภาพ งานวิจัยระบุชุดข้อมูลสองส่วน ได้แก่ SearchVL-SFT ที่มี trajectory สำหรับ supervised fine-tuning จำนวน 36,000 รายการ และ SearchVL-RL ที่มี trajectory สำหรับ reinforcement learning จำนวน 8,000 รายการ

ทีมวิจัยยังเสนอวิธีฝึกชื่อ Multi-round Fault-Aware GRPO สำหรับสถานการณ์ที่เอเจนต์ต้องใช้เครื่องมือหลายรอบ และการกระทำกลางทางอาจล้มเหลว ช่วยได้แค่บางส่วน หรือจำเป็นต้องแก้แผนใหม่

ประเด็นนี้ทำให้ OpenSearch-VL น่าสนใจในเชิงวิศวกรรม เพราะเอเจนต์ค้นหาไม่ได้ต้องรู้แค่ว่าในภาพมีอะไร แต่ต้องเรียนรู้ว่าเมื่อไรควรค้นเพิ่ม เมื่อไรควรแปลงภาพ เมื่อไรควรใช้ OCR และเมื่อไรควรหยุดรวบรวมหลักฐาน OpenSearch-VL พยายามทำให้การตัดสินใจเหล่านี้กลายเป็นตัวอย่างที่ฝึกได้ แทนที่จะปล่อยให้กระบวนการใช้เครื่องมือเป็นกล่องดำ

ผลทดสอบ: ตัวเลขดี แต่ยังต้องอ่านด้วยเงื่อนไข

ข้อกล่าวอ้างด้านประสิทธิภาพถือว่าแรงพอสมควร งานวิจัยรายงานว่า OpenSearch-VL ทำคะแนนดีขึ้นเฉลี่ยมากกว่า 10 จุดเปอร์เซ็นต์ในชุดทดสอบ multimodal deep-search จำนวน 7 ชุด และระบุว่าในบางงานสามารถเทียบเคียงโมเดลเชิงพาณิชย์แบบปิดชั้นนำได้

อย่างไรก็ตาม นี่ไม่ใช่หลักฐานว่าระบบนี้เทียบเท่าหรือเหนือกว่าผลิตภัณฑ์จริงจาก OpenAI หรือ Google แล้วในทุกมิติ หลักฐานที่มีในตอนนี้คือ paper ของผู้พัฒนาและข่าวเปิดตัว ไม่ใช่การทำซ้ำผลโดยทีมอิสระ หรือการ audit แบบเทียบเงื่อนไขเดียวกันกับระบบใช้งานจริง

ดังนั้น OpenSearch-VL ควรถูกอ่านว่าเป็นงานที่มีศักยภาพและมีประโยชน์ต่อชุมชนนักวิจัย มากกว่าจะเป็นคำตัดสินสุดท้ายเรื่องความน่าเชื่อถือ ความหน่วง ความปลอดภัย หรือความสามารถในการฟื้นตัวจากความผิดพลาดระยะยาวในงานจริง

เทียบกับ OpenAI และ Google ต่างกันตรงไหน

หากเทียบกับระบบมัลติโหมดเชิงพาณิชย์จากผู้เล่นอย่าง OpenAI และ Google จุดต่างที่ยืนยันได้ชัดที่สุดคือ “ความเปิด” OpenSearch-VL ถูกนำเสนอเป็นสูตรฝึกและกรอบโอเพนซอร์สสำหรับเอเจนต์ค้นหาแบบหลายรูปแบบ ขณะที่หลักฐานที่อ้างถึงไม่ได้เปิด training stack ที่เทียบเท่าของระบบเชิงพาณิชย์แบบปิดเหล่านั้น

นั่นทำให้ OpenSearch-VL สำคัญเป็นพิเศษสำหรับนักวิจัยและนักพัฒนาที่ต้องการดูว่าเอเจนต์ค้นหาหลายรูปแบบถูกฝึกอย่างไร trajectory การใช้เครื่องมือถูกสร้างขึ้นอย่างไร และความล้มเหลวในการให้เหตุผลจากภาพหลายขั้นตอนเกิดตรงไหนบ้าง ผล benchmark ทำให้มันเป็นผู้ท้าชิงฝั่งโอเพนที่จริงจัง แต่หลักฐานสาธารณะยังไม่พอจะสรุปว่าเทียบชั้นระบบปิดใน production ได้ครบทุกด้าน

สิ่งที่ต้องจับตาต่อ

บททดสอบถัดไปคือการทำซ้ำโดยนักวิจัยภายนอก ว่าผล benchmark ที่รายงานไว้ทำได้จริงเพียงใด สูตรฝึกนี้ใช้ได้กว้างแค่ไหนนอกชุดประเมินใน paper และเอเจนต์ที่ฝึกด้วยแนวทางนี้รับมือกับเครื่องมือที่ให้ผลผิดพลาดหรือไม่สมบูรณ์ได้ดีแค่ไหนในงานค้นหาระยะยาว

จนกว่าจะมีหลักฐานเหล่านั้น จุดสำคัญที่สุดของ OpenSearch-VL คือความโปร่งใส มันให้สูตรเปิดที่จับต้องได้สำหรับการสร้างเอเจนต์ค้นหา AI แบบหลายรูปแบบ และช่วยให้ชุมชน AI มีฐานร่วมในการทดสอบว่าแนวทางโอเพนซอร์สจะลดช่องว่างกับระบบค้นหา AI แบบปิดได้จริงแค่ไหน