โมเดล AI แบบโอเพนซอร์สท้าชน GPT และ Claude ด้วยงานจริงบนโค้ด ภาพ และมือถือ

โอเพนซอร์ส AI กำลังเปลี่ยนเกม: จากรองบ่อนสู่คู่แข่งตรงของ GPT และ Claude

โมเดล AI แบบโอเพนซอร์สคือโมเดลภาษาขนาดใหญ่ที่เปิดให้นักพัฒนาเข้าถึงน้ำหนักโมเดลและใบอนุญาตใช้งานอย่างเสรี เพื่อให้สามารถปรับแต่ง ใช้งานเชิงพาณิชย์ และติดตั้งแบบรันบนเครื่องได้เอง โดยไม่ต้องพึ่งบริการคลาวด์ของผู้ให้บริการรายเดียว ทำให้ธุรกิจมีอิสระด้านต้นทุน การควบคุมข้อมูล และการออกแบบสถาปัตยกรรมระบบมากขึ้น ขณะเดียวกันเมื่อประสิทธิภาพ AI แบบเปิดเริ่มไล่ทันหรือเทียบเท่ารุ่นเรือธงแบบปิดตลาด ภาพการแข่งขันก็เปลี่ยนจากการแย่งชิง "โมเดลที่เก่งที่สุด" ไปเป็นการชิง "ทางเลือกที่คุ้มค่าที่สุด" สำหรับกรณีใช้งานจริงขององค์กรทุกระดับ

วันนี้ผู้เล่นสำคัญในฝั่งโอเพนซอร์สอย่าง GLM-5.3, Ornith-1.5 และ DeepSeek-V4-Flash-Vision-Exp กำลังส่งสัญญาณชัดมากว่าเกมไม่ได้อยู่ที่ใครมีโมเดลปิดที่ฉลาดที่สุดอีกแล้ว แต่เป็นใครสามารถให้สมดุลระหว่างความเก่ง ความยืดหยุ่น และความคุ้มค่าได้ดีที่สุด โมเดล AI แบบโอเพนซอร์สจึงไม่ได้เป็นทางเลือกเฉพาะสำหรับชุมชนสายเทคนิค แต่เริ่มกลายเป็นทางเลือกเชิงยุทธศาสตร์สำหรับองค์กรที่ต้องคิดถึงความเสี่ยงข้อมูล ความหน่วงของระบบ และงบลงทุนระยะยาวในงาน AI ทั่วทั้งบริษัท

GLM-5.3 เทียบ GPT: โมเดลเปิดที่ขึ้นแท่นตัวท็อปด้านโค้ดและไซเบอร์

GLM-5.3 เป็นการประกาศตัวของโมเดล AI แบบโอเพนซอร์สที่พร้อมชนกับค่ายใหญ่ด้านโค้ดและความปลอดภัยไซเบอร์อย่างเป็นรูปธรรม เมื่อบริษัทผู้พัฒนาเปิดตัวโมเดลใหม่โดยต่อยอดจาก GLM-5.2 ที่มีฐานพารามิเตอร์ราว 7.43 แสนล้าน พร้อมลดจำนวนโทเคนที่ใช้ลงประมาณ 25% แต่เพิ่มประสิทธิภาพขึ้นถึง 50% จากรุ่นก่อน แนวคิดนี้สะท้อนชัดว่าฝั่งโอเพนซอร์สไม่ได้แข่งด้วยขนาดเพียวๆ แต่แข่งด้วยประสิทธิภาพต่อโทเคนและต่อค่าไฟขององค์กรที่ต้องรันเอเจนต์ในระยะยาว

ในโลกของโมเดลเปิด GLM-5.3 ได้คะแนน Intelligence Index ระดับ 60 ทำให้ขึ้นไปเทียบเคียงกับ Kimi K3 ในฐานะโมเดล open-weight แถวหน้าทั่วโลก ที่สำคัญคือความสามารถด้านไซเบอร์ซีเคียวริตี้ที่หาช่องโหว่ร้ายแรงของแพลตฟอร์ม Cursor ได้ และในการทดสอบกับโค้ด 269 โปรเจ็กต์สามารถค้นพบช่องโหว่ถึง 2,436 จุด โดยในนั้นเป็นช่องโหว่ร้ายแรง 1,097 จุด รวมถึงกรณีที่หลงเหลือมาตั้งแต่ปี 1981 นี่ไม่ได้เป็นเพียงสถิติเทคนิค แต่เป็นตัวอย่างว่าทำไมองค์กรที่ต้องการ AI สำหรับตรวจสอบระบบตัวเองถึงเริ่มมอง GLM-5.3 เป็น "ตัวเลือกเชิงยุทธศาสตร์" ไม่ใช่แค่ของเล่นจากโลกโอเพนซอร์ส

แม้ GLM-5.3 ยังเป็นรอง GPT รุ่นล่าสุดและ Claude รุ่นเรือธงในหลายด้าน แต่ในงานตรวจหาช่องโหว่ระบบกลับเฉือนชนะสองค่ายนี้เล็กน้อยตามผลทดสอบ นี่คือจุดพลิกสำคัญ: เมื่อโมเดล AI แบบเปิดสามารถชนะโมเดลปิดระดับพรีเมียมในงานเฉพาะทางที่องค์กรแคร์มากอย่างความปลอดภัย การตัดสินใจเลือกโมเดลจึงเริ่มย้ายจากคำถาม “ใครฉลาดสุด” ไปสู่ “ใครตอบโจทย์งานจริงของเราได้ดีที่สุดในงบที่เราจ่ายไหว” และในบริบทนี้ GLM-5.3 เทียบ GPT ได้แบบไม่เสียฟอร์ม แม้ยังไม่ใช่แชมป์รวมทุกสนามก็ตาม

ในเชิงดีพลอย GLM-5.3 พร้อมให้ใช้งานผ่านแพลตฟอร์มและ API แล้ว และมีแผนเปิดน้ำหนักโมเดลเป็นโอเพนซอร์สภายในราวสองสัปดาห์ ผู้พัฒนายืนยันว่าจะเปิดน้ำหนัก แต่ยังไม่ระบุวันที่และใบอนุญาตที่แน่นอน ซึ่งเป็นจุดที่องค์กรต้องจับตา เพราะชนิดของไลเซนส์จะกำหนดว่าบริษัทสามารถนำ GLM-5.3 ไปปรับแต่งภายในและรวมเข้าแพลตฟอร์มของตนได้ลึกแค่ไหน หากออกมาในรูปแบบเป็นมิตรต่อเชิงพาณิชย์จริง GLM-5.3 จะกลายเป็นตัวอย่างชัดๆ ว่าประสิทธิภาพ AI แบบเปิดที่ไม่ด้อยมากนักสามารถบีบให้ตลาดคลาวด์ระดับสูงต้องคิดใหม่เรื่องราคาและเงื่อนไขใช้งาน

Ornith-1.5 benchmark: ใกล้ Claude 3.5 Sonnet แต่รันบน iPhone ได้ด้วย MIT license

ถ้า GLM-5.3 แสดงให้เห็นว่าโมเดลเปิดชนได้ในสนามไซเบอร์ Ornith-1.5 ก็เป็นหลักฐานว่าฝั่งโอเพนซอร์สเริ่มชนได้ในสนาม "เรือธงรวมทุกด้าน" แบบจริงจัง DeepReinforce ผู้พัฒนา Ornith เปิดตัวตระกูล Ornith-1.5 ครอบคลุมโมเดล 9B, 35B ไปจนถึง 397B พารามิเตอร์ โดยระบุว่าผลงานภาพรวมด้านการให้เหตุผล การเขียนโค้ด และงานเอเจนต์อยู่ในระดับใกล้เคียง Claude Opus 4.8 และในการทดสอบ SWE-bench กับรีซันนิ่งขั้นสูงก็มีประสิทธิภาพไล่ทันระดับ Claude 3.5 Sonnet ตามผลวัดจากชุมชนโอเพนซอร์ส เมื่อโมเดล AI แบบโอเพนซอร์สเข้ามาอยู่ในระดับนี้ เราต้องถามใหม่ว่าองค์กรยังมีเหตุผลอะไรในการผูกอนาคตของตัวเองกับโมเดลปิดเพียงไม่กี่ค่าย

จุดที่น่าสนใจไม่ใช่แค่คะแนน benchmark แต่คือสถาปัตยกรรมและวิธีฝึก Ornith-1.5 ใช้กลไก self-improvement loop ให้โมเดลสร้างงานฝึกของตัวเอง เขียนสคริปต์ scaffolding เอง และสร้างข้อมูลรีอินฟอร์สเมนต์เพื่อฝึกต่อเนื่องโดยแทบไม่ต้องพึ่งการคัดกรองข้อมูลจากมนุษย์ นี่คือการทดลองสำคัญกับคำถามว่า AI จะช่วยฝึก AI รุ่นต่อๆ ไปได้แค่ไหน ถ้าแนวทางนี้ไปต่อได้จริง องค์กรที่ลงทุนฝั่งโอเพนซอร์สจะได้ผลคูณจากการที่โมเดลเปิดเหล่านี้สามารถพัฒนาตัวเองได้ต่อเนื่องโดยไม่ต้องจ่ายค่าข้อมูลฝึกใหม่ระดับมหาศาลเหมือนยุคก่อน

ในรายละเอียด benchmark Ornith-1.5-397B ทำคะแนน Terminal-Bench 2.1 ที่ 86.1 และ SWE-Bench Verified ที่ 86 ซึ่งสูงกว่าค่าที่ผู้พัฒนารายงานสำหรับ Claude Opus 4.8 ที่ 85 และ 85.8 พร้อมแรงกระโดดจาก DeepSWE เพียง 8 คะแนนใน Ornith-1.0 ขึ้นมาเป็น 56 ใน Ornith-1.5 แม้ยังตามหลังบน Frontier-Bench v0.1 ด้วยคะแนน 13.5 เทียบกับ 21.1 ของ Claude Opus 4.8 แต่ภาพรวมชัดว่าช่องว่างระหว่างโอเพนซอร์สกับเรือธงเชิงพาณิชย์กำลังหายไปทีละช่องทาง และที่สำคัญ โมเดล 35B ใช้ Mixture-of-Experts ที่เปิดแค่ 3B ต่อโทเคน ทำให้ประสิทธิภาพต่อทรัพยากรดีกว่าหลายโมเดลขนาดใกล้เคียงจากค่ายใหญ่

สิ่งที่พลิกเกมมากที่สุดสำหรับองค์กรคือปลายด้านล่างของ Ornith-1.5 ที่ออกแบบให้รันบนอุปกรณ์ปลายทางจริง Ornith-1.5-9B มาพร้อมเวอร์ชัน Mobile ที่ถูกควอนไทซ์อัดให้เหลือราว 1.5 GB เพื่อรันบน iPhone และมือถือ Android โดยตรง และจากการทดสอบในชุมชน เวอร์ชัน 9B แบบ 4-bit ยังสามารถรันแบบออฟไลน์บน iPhone รุ่นใหม่อย่างลื่นไหล ประกอบกับการใช้ใบอนุญาตแบบ MIT ที่เป็นมิตรต่อการใช้งานเชิงพาณิชย์ ทำให้ธุรกิจสามารถนำโมเดลนี้ไปติดตั้งแบบ on-device ในแอปของตัวเองได้โดยไม่ต้องกังวลเรื่องค่า API รายครั้งหรือการส่งข้อมูลลูกค้าขึ้นคลาวด์ตลอดเวลา

DeepSeek-V4-Flash-Vision-Exp: มัลติโมดัลเปิดทางงานภาพ พร้อมแนวคิดค่าบริการแบบ TOU

ด้านมัลติโมดัล DeepSeek-V4-Flash-Vision-Exp แสดงให้เห็นว่าโมเดล AI แบบโอเพนซอร์สไม่ได้ตามหลังโมเดลปิดในงานภาพอีกต่อไป โมเดลใหม่นี้พัฒนาต่อยอดจากรุ่น Flash เดิมที่อ่านได้เฉพาะข้อความ แต่เพิ่มความสามารถในการอ่านและตีความภาพเข้ามา ทำให้รองรับงานตั้งแต่การอธิบายรูป การขุดข้อมูลจากสกรีนช็อต ไปจนถึงการใช้ภาพประกอบกระบวนการให้เหตุผลร่วมกับข้อความ ที่น่าสนใจคือ แม้มุ่งปรับปรุงงานภาพ แต่คะแนนทดสอบการเขียนโปรแกรมก็เพิ่มขึ้นอย่างมีนัยสำคัญจนสามารถเป็นตัวเลือกทดแทนรุ่น Flash เดิมสำหรับงานโค้ดได้ โดยยังใช้ราคา API ระดับเดียวกับรุ่นเดิม

แนวคิดของ DeepSeek ในการจัดค่าบริการ API ก็สะท้อนทิศทางใหม่ของการแข่งขัน เมื่อก่อนบริษัทประกาศขึ้นราคาค่า API ไปแล้ว แต่ล่าสุดเปลี่ยนแนวทางด้วยการเพิ่มช่วงลดราคาวันเสาร์-อาทิตย์ ทำให้โครงสร้างราคาเริ่มคล้ายรูปแบบอัตราค่าไฟแบบ TOU ที่ลดราคานอกเวลาใช้งานสูง นี่คือสัญญาณว่าผู้ให้บริการโมเดลเริ่มมองต้นทุน inference เป็นทรัพยากรที่ต้องบริหารแบบ dynamic มากขึ้น และการที่โมเดลอย่าง DeepSeek-V4-Flash-Vision-Exp มีทั้งความสามารถด้านภาพและโค้ดในราคาที่ไม่ขยับขึ้น ทำให้โมเดล AI แบบโอเพนซอร์สยิ่งกดดันให้ค่ายโมเดลปิดต้องคิดใหม่ว่าผู้ใช้ควรจ่ายเงินในรูปแบบไหนถึงจะยอมรับได้

สำหรับองค์กร จุดแข็งของ DeepSeek-V4-Flash-Vision-Exp ไม่ใช่แค่ฟีเจอร์อ่านภาพ แต่คือการเป็นตัวอย่างของโมเดลมัลติโมดัลแบบเปิดที่เข้าถึงผ่าน API ได้ง่ายและมีการบริหารต้นทุนยืดหยุ่น ขณะที่ Ornith ให้ทางออกแบบ on-device และ GLM-5.3 เน้นไซเบอร์ซีเคียวริตี้ ฝั่ง DeepSeek ก็เติมช่องว่างด้านงานภาพและการจัดราคา การผสมผสานสามโมเดลนี้ในสถาปัตยกรรมเดียวกันจึงเปิดทางให้ธุรกิจออกแบบระบบ AI แบบ “ประกอบเอง” ที่ใช้โมเดลเหมาะกับงานแต่ละส่วนแทนที่จะยอมรับข้อจำกัดของโมเดลปิดตัวเดียวแบบเดิม

บทสรุป: เมื่อประสิทธิภาพ AI แบบเปิดใกล้เคียง เราเริ่มแข่งขันกันด้วยต้นทุนและความยืดหยุ่น

ภาพรวมของ GLM-5.3, Ornith-1.5 และ DeepSeek-V4-Flash-Vision-Exp บอกเรื่องเดียวกันชัดๆ ว่าโมเดล AI แบบโอเพนซอร์สไม่ได้เป็นตัวรองอีกต่อไป GLM-5.3 ขึ้นแท่น top open-weight พร้อมจุดเด่นด้านไซเบอร์ซีเคียวริตี้ที่บางสนามยังเหนือกว่า GPT และ Claude Ornith-1.5 แสดงด้วยตัวเลขว่าเราสามารถสร้างโมเดลเปิดที่ทำคะแนนไล่ทันหรือแซง Claude Opus 4.8 บนหลาย benchmark และยังออกแบบให้รันบน iPhone และ Android ด้วยไลเซนส์เป็นมิตร ขณะที่ DeepSeek-V4-Flash-Vision-Exp เติมความสามารถด้านมัลติโมดัลและแนวคิดค่าบริการแบบยืดหยุ่น เมื่อรวมกันแล้ว โมเดลเหล่านี้ทำให้คำถาม "เราใช้โมเดลไหน" กลายเป็นคำถาม "เราออกแบบระบบและสัญญาใช้งานอย่างไร" แทน

ในเชิงยุทธศาสตร์ องค์กรที่จริงจังกับ AI ควรคิดในสามมิติใหม่ หนึ่ง ประสิทธิภาพ AI แบบเปิดกำลังเข้าใกล้โมเดลปิดระดับเรือธงจนช่องว่างไม่ใช่ข้ออ้างสำหรับการยอมรับข้อจำกัดด้านข้อมูลและต้นทุนอีกต่อไป สอง การดีพลอยแบบ on-device ด้วยโมเดลอย่าง Ornith-1.5-9B-Mobile ช่วยลดการพึ่งพาคลาวด์ ลด latency และลดความเสี่ยงข้อมูลหลุด เพราะไม่ต้องส่งทุกอย่างออกนอกองค์กร สาม การมีหลายโมเดลเปิดให้เลือกใช้ตามงาน—GLM-5.3 สำหรับไซเบอร์โค้ด Ornith สำหรับรีซันนิ่งและอุปกรณ์ปลายทาง DeepSeek สำหรับมัลติโมดัล—เปิดทางให้สถาปัตยกรรม AI เป็นแบบ "โมดูลาร์" ที่ยืดหยุ่นกว่าโมเดลปิดก้อนเดียวมาก

ข้อสรุปเชิงท่าทีคือ: ถ้าองค์กรยังตั้งโจทย์แค่ "เราจะต่อ API ค่ายไหน" ก็แปลว่ายังคิดแบบยุคโมเดลปิดครองตลาด แต่เมื่อประสิทธิภาพ AI แบบเปิดเริ่มเทียบเท่า การแข่งขันที่แท้จริงกำลังย้ายไปอยู่ตรงความคุ้มค่ารวม—รวมต้นทุนคลาวด์ ความหน่วงระบบ ความเสี่ยงข้อมูล และอิสระในการออกแบบผลิตภัณฑ์ AI ของตัวเอง โอกาสอยู่ที่ผู้เล่นที่กล้ารื้อสถาปัตยกรรมเดิม หันมาใช้โมเดล AI แบบโอเพนซอร์สเป็นชิ้นส่วนหลัก แล้วใช้โมเดลปิดเฉพาะจุดที่ยังจำเป็นจริงๆ เท่านั้น ใครกล้าทำก่อน ก็มีโอกาสสร้างข้อได้เปรียบด้านต้นทุนและนวัตกรรมที่คู่แข่งที่ยังติดกับโมเดลปิดก้อนเดียวตามไม่ทัน