เมื่อเปลี่ยนวิธีใช้น้ำเสียงถามคำถามเดียวกัน จำนวนโทเคนเอาต์พุตของโมเดล AI ก็เปลี่ยนตาม โดยมีช่องว่างสูงสุด 44.3% ส่วนความแม่นยำเปลี่ยนไปต่างกันในแต่ละโมเดล ตัวเลขนี้ไม่ได้หมายความว่าผู้ใช้ถูกเรียกเก็บเงินต่างกันในสัดส่วนเดียวกัน
ทีมวิจัยจากมหาวิทยาลัยเพนซิลเวเนียสเตต (Pennsylvania State University) เผยผลการทดลองในพรีพรินต์ที่เผยแพร่เมื่อวันที่ 27 กรกฎาคม 2026 พรีพรินต์คือบทความที่เผยแพร่ก่อนผ่านการพิจารณาหรือตีพิมพ์ในวารสารหรือการประชุมวิชาการ
นักวิจัยปรับโจทย์ปรนัยภาษาอังกฤษ 570 ข้อให้เป็นน้ำเสียง 7 แบบ แล้วป้อนให้โมเดล 4 รุ่น ได้แก่ ChatGPT รุ่น 4o และ 5-nano รวมถึง Gemini 2.5 Flash และ 2.5 Flash Lite โดยทำซ้ำแต่ละเงื่อนไข 10 ครั้ง
Gemini 2.5 Flash Lite มีความแตกต่างของปริมาณเอาต์พุตมากที่สุด โดยสร้างเฉลี่ย 2,195.24 โทเคนในเงื่อนไขสุภาพ และ 1,221.76 โทเคนในเงื่อนไขเป็นกลาง ต่างกัน 973.5 โทเคน งานวิจัยรายงานว่าความแปรผันนี้สูงสุด 44.3% ของปริมาณเอาต์พุต
เมื่อคำนวณด้วยวิธีเดียวกัน ช่องว่างของปริมาณเอาต์พุตตามน้ำเสียงอยู่ที่ 23.2% สำหรับ ChatGPT-4o, 13.1% สำหรับ ChatGPT-5-nano และ 23% สำหรับ Gemini 2.5 Flash ส่วน 44.3% เป็นความแตกต่างสูงสุดในบรรดา 4 โมเดล
นักวิจัยใช้จำนวนโทเคนเอาต์พุตที่โมเดลสร้างคำตอบเป็นตัวชี้วัดแทนสำหรับประเมินต้นทุน แต่ไม่ได้วัดยอดเรียกเก็บเงินจริงหรือปริมาณการใช้ไฟฟ้า
ค่าใช้จ่ายจริงยังขึ้นอยู่กับโทเคนขาเข้าและอัตราค่าบริการของแต่ละโมเดลด้วย เนื่องจากแต่ละโมเดลมีวิธีนับโทเคนต่างกัน นักวิจัยจึงไม่ได้เปรียบเทียบตัวเลขสัมบูรณ์ระหว่างโมเดล แต่พิจารณาความแตกต่างตามน้ำเสียงภายในโมเดลเดียวกัน
ทุกโมเดลได้รับคำสั่งเดียวกันให้แสดงเหตุผลของคำตอบเป็นลำดับขั้น แล้วระบุตัวเลือกคำตอบที่ถูกต้องเพียงข้อเดียวในตอนท้าย สำหรับ Gemini นักวิจัยกำหนดโควตาโทเคนสำหรับการคิดแยกไว้ที่ 0 ดังนั้นโทเคนเอาต์พุตที่วัดในเงื่อนไขนี้จึงเท่ากับความยาวคำตอบที่แสดงบนหน้าจอ
ความแม่นยำเปลี่ยนไปตามน้ำเสียงเช่นกัน แต่ทิศทางแตกต่างกันในแต่ละโมเดล ChatGPT-4o มีความแม่นยำ 89.04% ในเงื่อนไขหยาบคาย เทียบกับ 87.84% ในเงื่อนไขเป็นกลาง
ในทางกลับกัน Gemini 2.5 Flash Lite มีความแม่นยำ 88.25% ในเงื่อนไขเป็นกลาง และ 85.26% ในเงื่อนไขหยาบคาย ส่วน Gemini 2.5 Flash ทำได้ 90.12% ในเงื่อนไขเป็นกลาง และ 87.65% ในเงื่อนไขหยาบคาย
คำสั่งเกี่ยวกับน้ำเสียงและรูปแบบคำตอบในการทดลองไม่ได้แยกจากกันอย่างสมบูรณ์ เงื่อนไขเป็นกลางกำหนดให้แสดงเฉพาะตัวอักษรของคำตอบที่ถูกต้อง ส่วนเงื่อนไขหยาบคายกำหนดให้ตัดคำอธิบายเพิ่มเติมออก
จึงยากที่จะตีความผลลัพธ์ว่าเป็นผลจากคำหยาบเพียงอย่างเดียว นอกจากนี้ การทดลองจำกัดอยู่ที่โจทย์ปรนัยภาษาอังกฤษและโมเดล 4 รุ่น จึงสรุปไม่ได้ว่าผลเดียวกันจะใช้ได้กับบทสนทนาภาษาไทยหรือคำถามปลายเปิดโดยทั่วไป
การทดลองก่อนหน้าของทีมวิจัยเดียวกันในปี 2025 ใช้คำถามปรนัย 50 ข้อด้านคณิตศาสตร์ วิทยาศาสตร์ และประวัติศาสตร์กับ ChatGPT-4o โดยปรับเป็นน้ำเสียง 5 แบบ ขณะนั้นความแม่นยำอยู่ที่ 84.8% ในเงื่อนไขหยาบคายอย่างยิ่ง และ 80.8% ในเงื่อนไขสุภาพอย่างยิ่ง
งานวิจัยอีกฉบับที่ทีมเผยแพร่ในที่ประชุมวิชาการก็พบความแตกต่างด้านความแม่นยำตามน้ำเสียง ในการทดลองกับโจทย์ 570 ข้อของบทความฉบับนั้น ChatGPT-4o มีความแม่นยำ 81.3% ในเงื่อนไขหยาบคาย, 81.0% ในเงื่อนไขเป็นกลาง และ 79.3% ในเงื่อนไขคุกคาม
บทความฉบับเดียวกันรายงานว่า ChatGPT-5-nano มีความแม่นยำ 82.4% ในเงื่อนไขเป็นกลาง และ 71.2% ในเงื่อนไขคุกคาม การทดลองปี 2025 และบทความจากการประชุมวิชาการใช้โจทย์และเงื่อนไขต่างจากงานวิจัยเรื่องโทเคนเอาต์พุตครั้งนี้ จึงไม่ควรนำตัวเลขมารวมกัน
แอนโทรปิก (Anthropic) ระบุในประกาศแก้ไขนโยบายการใช้งานที่เผยแพร่เมื่อวันที่ 8 ตุลาคม 2026 ว่า ห้ามการกระทำที่เป็นการดูหมิ่นโมเดลอย่างต่อเนื่องและไม่จำเป็น ข้อกำหนดใหม่มีผลเมื่อวันที่ 12 พฤศจิกายน โดยไม่ครอบคลุมการแสดงความไม่พอใจหรือการโต้แย้งทั่วไป รวมถึงการทดสอบและการวิจัยโมเดล
แยกจากงานวิจัยดังกล่าว ผลสำรวจกลุ่มตัวอย่างผู้ใช้ในสหรัฐฯ พบว่า 33% เคยส่งคำหยาบหรือถ้อยคำดูหมิ่นให้แชตบอตอย่างน้อยหนึ่งครั้ง ก่อนหน้านี้ TokenPost เคยรายงานเรื่องผลสำรวจการใช้แชตบอตของกลุ่มตัวอย่างในสหรัฐฯ และนโยบายของแอนโทรปิกไว้แล้ว
Comment 0