ขนาดโมเดลไม่ใช่คำตอบทั้งหมดอีกต่อไป
โมเดล AI ขนาดเล็ก คือระบบปัญญาประดิษฐ์ที่ออกแบบให้ใช้พารามิเตอร์หรือหน่วยความจำระหว่างประมวลผลน้อยลง โดยพยายามรักษาความสามารถสำคัญไว้ เพื่อให้ทำงานได้บนฮาร์ดแวร์ที่เข้าถึงง่ายกว่าเครื่องระดับศูนย์ข้อมูล ประเด็นสำคัญจึงไม่ใช่การประกาศว่าโมเดลใหม่เก่งที่สุด แต่คือการลดข้อจำกัดว่าใครจะนำ AI ไปทดลองและใช้งานได้ KRAFTON เปิดตัว Raon-1 mini preview บนแหล่งเผยแพร่โมเดลเมื่อ 21 ตุลาคม 2026 และโมเดลติดกระแสความสนใจ พร้อมระบุว่ามีภาษาไทยในชุดฝึก ส่วน FLUX 3 Image Klein เปิดตัวก่อนหน้าเมื่อ 15 ตุลาคม 2026 ในฐานะโมเดลสร้างภาพแบบเปิดน้ำหนัก ทั้งสองกรณีสะท้อนการแข่งขันอีกด้าน คือทำให้ความสามารถใช้งานได้โดยไม่ต้องเริ่มจากระบบขนาดมหึมา แต่หลักฐานของแต่ละโมเดลยังต่างกันมาก
Raon-1 mini ออกแบบให้ใช้หน่วยความจำอย่างมีเป้าหมาย
Raon-1 mini MoE มีพารามิเตอร์รวม 28.8B แต่เลือกใช้ผู้เชี่ยวชาญ 6 ตัวจาก 128 ตัว พร้อมผู้เชี่ยวชาญร่วมอีกหนึ่งตัว ทำให้มีพารามิเตอร์ที่ทำงานต่อโทเคน 4.3B จุดเด่นไม่ได้อยู่แค่ตัวเลขรวม แต่เป็นการจัดชั้นประมวลผล 25 ชั้น โดย 18 ชั้นใช้ Raon Delta Attention และอีก 7 ชั้นใช้ Gated MLA ซึ่งเป็นชั้นที่เก็บ KV cache เท่านั้น KRAFTON ระบุว่า KV cache อยู่ที่ราว 8 KiB ต่อโทเคน และบริบท 128K ใช้พื้นที่ส่วนนี้ประมาณ 1GB พร้อมเตรียมการตั้งค่าสำหรับการทำงานบน RTX 5090 เครื่องเดียว ความแตกต่างนี้ทำให้การทดลองโมเดลภาษาไม่จำเป็นต้องเริ่มจากเครื่องหลายตัว อย่างไรก็ตาม รุ่นที่เผยแพร่ยังเป็นรุ่น preview และตัวเลขอาจเปลี่ยนเมื่อมีรุ่นสมบูรณ์ อีกทั้งการใช้งานกับ vLLM และ llama.cpp รุ่นหลักยังต้องพึ่งชุดแยก จึงยังไม่ใช่การติดตั้งที่ราบรื่นสำหรับทุกคน
FLUX 3 Image Klein ยังต้องรอคำตัดสินจากภายนอก
Text-to-image Klein หรือ FLUX 3 Image Klein เป็นโมเดลสร้างภาพแบบเปิดน้ำหนักขนาด 5.6B พารามิเตอร์ ผู้พัฒนาอ้างว่าได้อันดับหนึ่งในกลุ่มเปิดน้ำหนัก ทั้งการสร้างภาพจากข้อความ การใช้ภาพอ้างอิงหลายภาพ และการแก้ไขภาพ พร้อมระบุว่าทำคะแนนเหนือรุ่นก่อนในชุดเปรียบเทียบของตน แต่คำว่าอันดับหนึ่งยังต้องอ่านอย่างระมัดระวัง เพราะคะแนนที่เผยแพร่เป็นผลประเมินภายใน และโมเดลยังไม่มีรายการของตัวเองบนกระดานจัดอันดับอิสระที่ใช้การโหวตความชอบของผู้ใช้ ตัวโมเดลและไฟล์น้ำหนักตรวจสอบได้ ส่วนความเหนือกว่าคู่แข่งยังรอการยืนยันจากการทดสอบที่ทำซ้ำได้ การมีน้ำหนักแบบเปิดจึงเป็นข้อดีที่จับต้องได้ แต่ไม่ควรถูกใช้แทนหลักฐานเรื่องคุณภาพ การแยกสองประเด็นนี้ช่วยให้ผู้ใช้เลือกโมเดลจากสิ่งที่มีอยู่จริง แทนการตัดสินจากกราฟเปิดตัวเพียงอย่างเดียว
การปรับสถาปัตยกรรมสำคัญพอ ๆ กับการเพิ่มขนาด
แนวทางของ Raon-1 mini ชี้ให้เห็นว่าการลดภาระไม่จำเป็นต้องตัดความสามารถทิ้งทั้งหมด การใช้ linear attention ใน 18 ชั้นร่วมกับ MLA ใน 7 ชั้น ทำให้มีเพียงบางชั้นที่ต้องเก็บ KV cache ขณะที่ชั้นอื่นใช้สถานะขนาดคงที่ แนวคิดนี้เป็นทางเลือกต่อการขยายโมเดลแบบเดิม และเป็นเหตุผลที่การใช้บริบทยาวไม่จำเป็นต้องเพิ่มหน่วยความจำในรูปแบบเดียวกับ Transformer ทั่วไป สิ่งที่ควรติดตามต่อคือการรองรับ Raon-1 mini ใน vLLM และ llama.cpp รุ่นหลัก รวมถึงผลทดสอบจากรุ่นสมบูรณ์ ส่วน FLUX 3 Image Klein ควรมีรายการแยกบนกระดานอิสระ และการเปรียบเทียบงานแก้ไขภาพควรเปิดเผยการตั้งค่าอัปสเกลเพื่อให้ตรวจสอบได้ ข้อสรุปจึงไม่ใช่ว่าโมเดลเล็กแทนโมเดลใหญ่ได้ทุกงาน แต่คือการออกแบบที่ประหยัดทรัพยากรเปิดทางเลือกใหม่ให้ผู้พัฒนา และทำให้คำกล่าวอ้างเรื่องประสิทธิภาพต้องพิสูจน์ด้วยการใช้งานจริง
