การเปิดตัว DigUp v0.6.0 และสถาปัตยกรรมเนทีฟบน Apple Silicon
เมื่อวันที่ 10 ตุลาคม 2026 นักพัฒนาซอฟต์แวร์อิสระ ARahim3 ได้เผยแพร่โครงการ DigUp เวอร์ชัน 0.6.0 ภายใต้สัญญาอนุญาตแบบโอเพนซอร์ส MIT บน GitHub โดยตัวโปรแกรมได้รับการออกแบบให้เป็นยูทิลิตีค้นหาไฟล์ภายในเครื่อง (Local File Search) สำหรับระบบปฏิบัติการ macOS 14 ขึ้นไป โดยเน้นการประมวลผลบนชิป Apple Silicon ด้วยภาษา Swift โดยตรง ไม่ได้อาศัยเฟรมเวิร์กอย่าง Electron หรือสภาพแวดล้อม Python ที่มักมีขนาดใหญ่และกินทรัพยากรระบบสูง
หัวใจหลักของระบบคือการฝังข้อมูลมัลติโมดัลลงในเวกเตอร์สเปซร่วมเดียวกัน (Unified Vector Space) ขนาด 768 มิติ โดยใช้โมเดล EmbeddingGemma 2 ของ Google DeepMind ซึ่งมีขนาดพารามิเตอร์ 740 ล้านตัว และได้รับสัญญาอนุญาตแบบ Apache 2.0 สถาปัตยกรรมภายใน DigUp ทำงานร่วมกับเอนจินรันไทม์ llama.cpp ที่ผ่านการปรับแต่งให้ดึงประสิทธิภาพการประมวลผลกราฟิกและหน่วยความจำรวมของฮาร์ดแวร์ Apple ผ่าน API ของ Metal ทำให้สามารถรันโมเดลภาษาและการแปลงเวกเตอร์ได้อย่างมีประสิทธิภาพสูงสุด
ข้อมูลจำเพาะเชิงเทคนิคและประสิทธิภาพการทำงาน
ในแง่ของทรัพยากรระบบ DigUp ใช้โมเดลที่ผ่านการควอนไทซ์ (Quantization) เป็นฟอร์แมต GGUF ระดับ Q8_0 ซึ่งมีขนาดไฟล์เพียง 865 เมกะไบต์ ขณะทำการสร้างดัชนี (Indexing) การใช้งานหน่วยความจำแรมสูงสุดของระบบจะถูกควบคุมให้อยู่ต่ำกว่า 2 กิกะไบต์ ซึ่งถือว่าต่ำมากเมื่อเทียบกับระบบ Retrieval-Augmented Generation (RAG) ทั่วไป
สำหรับการสืบค้นข้อมูลในชีวิตประจำวัน แอปพลิเคชันจะโหลดเฉพาะเอนโค้ดเดอร์ข้อความ (Text Encoder) ขนาดประมาณ 250 เมกะไบต์เข้าสู่หน่วยความจำหลัก ซึ่งช่วยลดเวลาแฝง (Latency) ในการตอบสนองต่อคำค้นหาลงมาอยู่ที่ประมาณ 0.1 วินาที หลังจากที่ผู้ใช้พิมพ์ข้อความเสร็จสิ้น โดยระบบรองรับการสืบค้นข้ามสื่อ เช่น การพิมพ์ค้นหาด้วยวลีภาษาธรรมชาติเพื่อระบุช่วงเวลาที่ต้องการในไฟล์วิดีโอ หรือการชี้ไปยังหน้าที่ระบุเงื่อนไขสัญญาในเอกสาร PDF
เสียงสะท้อนจากกลุ่มนักพัฒนาและการแก้ปัญหาด้วยระบบสืบค้นแบบผสม
หลังการเผยแพร่โค้ดบนคลังข้อมูลสาธารณะ กลุ่มนักพัฒนาซอฟต์แวร์และวิศวกรเอไอในแวดวงโอเพนซอร์สให้ความสนใจอย่างกว้างขวาง โดยต่างแสดงความชื่นชมที่โครงการนี้เลือกหลีกเลี่ยงการพึ่งพาไลบรารี Python ขนาดใหญ่ และนำเสนอแอปพลิเคชันที่มีความเสถียรบนระบบปฏิบัติการของ Apple โดยตรง อย่างไรก็ตาม มีข้อสังเกตและข้อกังวลเชิงเทคนิคจากผู้ปฏิบัติงานหลายรายเกี่ยวกับการพึ่งพาเวกเตอร์เชิงความหมาย (Semantic Embeddings) เพียงอย่างเดียว
ผู้ร่วมทดสอบระบุว่าการค้นหาเชิงความหมายมักเจอปัญหาเมื่อต้องค้นหาข้อความรหัสข้อผิดพลาด (Error Codes) หรือข้อมูลเชิงเทคนิคที่มีความเฉพาะเจาะจงสูงจากภาพหน้าจอที่มีตัวหนังสือ (Screenshot OCR) นอกจากนี้ โมเดลยังมีข้อจำกัดของขนาดคอนเท็กซ์ที่ 8,000 โทเค็น และจำกัดความยาวของไฟล์เสียงไว้ที่ 5.5 นาที ซึ่งการบีบอัดวิดีโอที่มีความยาวลงสู่เวกเตอร์มิติเดียวอาจทำให้รายละเอียดบางอย่างสูญหายไป ผู้พัฒนาจึงได้รับฟังข้อเสนอแนะและแก้ปัญหาด้วยการนำอัลกอริทึมค้นหาแบบคีย์เวิร์ดดั้งเดิมมาคำนวณคะแนนร่วมกับเวกเตอร์ (Hybrid Keyword/OCR Scoring) ซึ่งผลการทดสอบกับชุดข้อมูล 380 ไฟล์ที่มีทั้งไฟล์เสียงและเอกสารขนาดยาว ยืนยันว่าสามารถดึงผลลัพธ์ของรหัสเฉพาะทางได้แม่นยำขึ้นอย่างเห็นได้ชัด
นัยสำคัญต่อความปลอดภัยของข้อมูลและภาคธุรกิจในประเทศไทย
สำหรับผู้บริหารฝ่ายเทคโนโลยีสารสนเทศ (CIO) และผู้ดูแลระบบข้อมูลในประเทศไทย โครงการอย่าง DigUp สะท้อนถึงจุดเปลี่ยนสำคัญในการประยุกต์ใช้โมเดลภาษาขนาดเล็ก (SLM) ที่สามารถรันบนอุปกรณ์ปลายทางได้โดยสมบูรณ์ เนื่องจากธุรกิจไทยจำนวนมากกำลังเผชิญข้อกำหนดที่เข้มงวดภายใต้พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA) รวมถึงความกังวลด้านการรั่วไหลของทรัพย์สินทางปัญญา การส่งไฟล์เอกสาร สัญญา หรือโค้ดลับขององค์กรไปยังบริการคลาวด์เอไอภายนอกจึงมีความเสี่ยงและมีต้นทุนค่าโทเค็นสะสมต่อเนื่อง
การมีเครื่องมือที่ประมวลผลเวกเตอร์แบบออฟไลน์ 100% ภายในเครื่องคอมพิวเตอร์พกพาของพนักงาน ช่วยลดความกังวลเรื่องการส่งข้อมูลส่วนบุคคลออกนอกประเทศหรือการถูกนำข้อมูลไปฝึกโมเดลสาธารณะ องค์กรธุรกิจและสถาบันการเงินในไทยสามารถนำแนวคิดสถาปัตยกรรมเช่นนี้มาประยุกต์ใช้ในการจัดการคลังเอกสารภายใน การตรวจสอบทางกฎหมาย หรือการสร้างระบบค้นหาข้อมูลที่มีความปลอดภัยสูง โดยแทบไม่ต้องลงทุนเพิ่มในด้านฮาร์ดแวร์เซิร์ฟเวอร์ราคาแพง
DigUp แสดงให้เห็นว่าโมเดลเวกเตอร์ขนาดกะทัดรัดสามารถทำงานแบบออฟไลน์ได้อย่างมีประสิทธิภาพ ช่วยให้ธุรกิจในไทยที่ต้องการปกป้องข้อมูลความลับและปฏิบัติตาม PDPA มีทางเลือกใหม่ในการค้นหาข้อมูลองค์กรโดยไม่ต้องส่งไฟล์ขึ้นคลาวด์สาธารณะ