ข่าว 
ข้อมูลเหรียญ 
แนะนำสื่อ 
ลิควิด เอไอ(Liquid AI) เปิดตัวโมเดล AI แบบเอเจนต์ที่ทำงานบนอุปกรณ์ (on-device) ขนาด 2.69 พันล้านพารามิเตอร์ ในชื่อ ‘LFM2.5-2.6B’ โดยผลการทดสอบเบนช์มาร์กภายในบริษัทระบุว่า คะแนนด้านการทำตามคำสั่งและการใช้เครื่องมือบางส่วนสูงกว่าโมเดล Qwen3.5-9B
ลิควิด เอไอ ระบุผ่านบล็อกทางการเมื่อวันที่ 4 (เวลาท้องถิ่น) ว่าได้เปิดตัว LFM2.5-2.6B พร้อมโมเดลพื้นฐาน ‘LFM2.5-2.6B-Base’ บนฮักกิ้งเฟซ(Hugging Face) โมเดลขนาดเล็กนี้ถูกออกแบบมาเพื่อประมวลผลการเรียกใช้เครื่องมือ งานหลายขั้นตอน และผลลัพธ์แบบมีโครงสร้างบนอุปกรณ์ท้องถิ่นโดยตรง
LFM2.5-2.6B ผ่านการฝึกล่วงหน้าด้วยข้อมูลประมาณ 34 ล้านล้านโทเคน หลังผ่านขั้นตอนขยายบริบท 128K แล้ว โมเดลรองรับหน้าต่างบริบทสูงสุด 131,072 โทเคน มีจำนวนเลเยอร์ 30 ชั้น และคลังคำศัพท์ขนาด 128,000 รายการ
โมเดลนี้ได้รับการฝึกในสภาพแวดล้อมเอเจนต์ (agent harness) จริง ครอบคลุมการใช้เครื่องมือ พรอมป์ระบบ และงานแบบหลายรอบสนทนา โดย agent harness หมายถึงสภาพแวดล้อมการทำงานที่ช่วยให้โมเดลเลือกใช้เครื่องมือภายนอก รับผลลัพธ์ แล้วดำเนินงานขั้นถัดไปได้
กระบวนการฝึกใช้เทคนิคการปรับแต่งแบบมีผู้สอน (supervised fine-tuning) การสร้างโมเดลครูเฉพาะทาง การกลั่นความรู้แบบ on-policy ข้ามหลายโดเมน และการเรียนรู้แบบเสริมกำลังสำหรับเอเจนต์ (agentic reinforcement learning) ทั้งนี้การกลั่นความรู้ (distillation) คือวิธีถ่ายทอดความสามารถจากโมเดลที่มีประสิทธิภาพสูงไปสู่โมเดลขนาดเล็กกว่า โดยอาศัยคำตอบและการตัดสินใจของโมเดลใหญ่
ลิควิด เอไอ อธิบายว่าบริษัทได้สร้างโมเดลครูเฉพาะด้านในแต่ละสาขา ได้แก่ การทำตามคำสั่ง คณิตศาสตร์ ความรู้ทั่วไป โค้ด การใช้เครื่องมือ และการประมวลผลบริบทยาว ก่อนรวมทั้งหมดเข้าไว้ในโมเดลนักเรียนเพียงตัวเดียว การประมวลผลสามารถทำได้บนอุปกรณ์โดยไม่ต้องผ่าน cloud API ซึ่งช่วยลดความหน่วงและภาระด้านการประมวลผลข้อมูลส่วนบุคคล
จากตารางผลการประเมินที่บริษัทเปิดเผย คะแนน IFBench ของ LFM2.5-2.6B อยู่ที่ 59.17 สูงกว่า Qwen3.5-9B ที่ทำได้ 56.47 ส่วนการทดสอบ Multi-IF อยู่ที่ 80.07 เทียบกับ 62.55 และ IFStruct อยู่ที่ 85.49 เทียบกับ 78.50
ในการทดสอบการใช้เครื่องมืออย่าง ToolSandbox LFM2.5-2.6B ทำคะแนนได้ 77.83 สูงกว่า Qwen3.5-9B ที่ทำได้ 76.44 อย่างไรก็ตาม ตัวเลขดังกล่าวเป็นผลการประเมินภายในที่ลิควิด เอไอ เปิดเผยเอง และยังไม่มีการยืนยันว่าองค์กรอิสระได้ทดสอบซ้ำภายใต้เงื่อนไขเดียวกัน
ทั้งนี้ โมเดลขนาดเล็กไม่ได้นำหน้าในทุกการทดสอบ โดยในรายการ BFCLv4 นั้น Qwen3.5-9B ทำคะแนนได้ 60.13 สูงกว่า LFM2.5-2.6B ที่ทำได้ 56.88 และ Qwen3.5-9B ยังทำผลงานได้ดีกว่าในการทดสอบ AIME25 และ LiveCodeBenchv6 ด้วยเช่นกัน
ลิควิด เอไอ แนะนำให้ใช้ LFM2.5-2.6B สำหรับงานด้านการใช้เครื่องมือ การดึงข้อมูล ระบบสร้างคำตอบแบบเสริมด้วยการค้นคืน (RAG) และงานที่ต้องประมวลผลบริบทยาว ในทางกลับกัน บริษัทไม่แนะนำให้ใช้กับงานเขียนโค้ดแบบเอเจนต์หรืองานที่เน้นความรู้เชิงลึก และระบุว่าโมเดลขนาดใหญ่กว่าอาจเหมาะสมกว่าสำหรับงานที่ซับซ้อนหรือเน้นการเขียนโค้ดเป็นหลัก
ในการทดสอบบนอุปกรณ์จริง โมเดลทำความเร็วการถอดรหัส (decoding) ได้ 220 โทเคนต่อวินาทีบนชิป Apple M5 Max และ 113 โทเคนต่อวินาทีบน AMD Ryzen AI Max+ 395 บริษัทระบุว่าใช้หน่วยความจำต่ำกว่า 2.5GB และเมื่อทดสอบบนสมาร์ตโฟนยังทำความเร็วได้ประมาณ 30 โทเคนต่อวินาที
โมเดลนี้สอดคล้องกับกระแสการขยายตัวของโมเดล AI ขนาดเล็กที่ทำงานบนอุปกรณ์อย่างสมาร์ตโฟน อย่างไรก็ตาม ยังไม่มีการเปิดเผยการเชื่อมโยงโดยตรงกับโครงการบล็อกเชน โทเคน หรือแพลตฟอร์มซื้อขายรายใดเป็นการเฉพาะ
เอเจนต์ AI แบบท้องถิ่นมีความเป็นไปได้ที่จะถูกนำไปใช้ในด้านความปลอดภัยของกระเป๋าเงินดิจิทัลหรือเครื่องมือวิเคราะห์ข้อมูลบนเชนในอนาคต แต่การใช้งานจริงยังต้องผ่านการยอมรับจากนักพัฒนาและการตรวจสอบประสิทธิภาพโดยหน่วยงานอิสระ ทั้งนี้ น้ำหนักโมเดลและโมเดลพื้นฐานได้ถูกเปิดเผยบนฮักกิ้งเฟซแล้ว
แหล่งที่มาสำหรับการตรวจสอบ: บล็อกทางการของลิควิด เอไอ, หน้าโมเดลบนฮักกิ้งเฟซ
ความคิดเห็น 0