การเปิดตัว K2 Horizon: โอเพนซอร์สแบบเปิดเผยทั้งระบบ
สถาบัน Institute of Foundation Models (IFM) ซึ่งก่อตั้งโดย Mohamed bin Zayed University of Artificial Intelligence (MBZUAI) ในกรุงอาบูดาบี ภายใต้การนำของ Eric Xing ได้ประกาศเปิดตัวตระกูลโมเดล K2 Horizon เมื่อวันที่ 3 กันยายน 2026 โดยมาพร้อมกับความตั้งใจในการสร้างมาตรฐานใหม่ให้กับวงการปัญญาประดิษฐ์แบบเปิด
จุดเด่นสำคัญของการเปิดตัวครั้งนี้ไม่ใช่เพียงการเผยแพร่ค่าน้ำหนักโมเดล (weights) เหมือนที่ผู้พัฒนารายอื่นมักทำ แต่เป็นการปล่อยโค้ดการฝึกฝน เช็กพอยต์ระหว่างการเทรน และสูตรชุดข้อมูลพรีเทรน (pretraining data recipes) อย่างละเอียดภายใต้สัญญาอนุญาตแบบ Apache 2.0 ซึ่งเปิดโอกาสให้สามารถนำไปใช้งานเชิงพาณิชย์และต่อยอดได้อย่างอิสระ
ชุดข้อมูลที่ใช้ในการฝึกฝนมีขนาดรวมกว่า 20 ล้านล้าน (20T) โทเคน ซึ่งในจำนวนนี้ประกอบด้วยข้อมูลสังเคราะห์ (synthetic data) ราว 10 ล้านล้าน (10T) โทเคน เพื่อเสริมสร้างขีดความสามารถด้านการคิดวิเคราะห์เชิงเหตุผลและการทำงานเชิงเอเจนต์ (agentic tasks)
สถาปัตยกรรมและรายละเอียดทางเทคนิคทั้ง 6 ขนาด
ตระกูล K2 Horizon ได้รับการออกแบบให้ตอบโจทย์การใช้งานตั้งแต่ระดับอุปกรณ์พกพาขนาดเล็กไปจนถึงคลัสเตอร์เซิร์ฟเวอร์ระดับองค์กร โดยแบ่งออกเป็น 6 ขนาดหลัก ได้แก่ ขนาด 0.9B สำหรับสมาร์ตวอทช์และอุปกรณ์สมองกลฝังตัว (embedded edge devices), ขนาด 3.7B และ 7B ที่เหมาะสำหรับการประมวลผลบนสมาร์ตโฟนและอุปกรณ์พกพา
ในระดับเวิร์กสเตชันและเซิร์ฟเวอร์ภายในองค์กร (on-premise) ตระกูลนี้มีรุ่น 32B แบบ Dense ปกติ และรุ่น 36B-A4B ซึ่งใช้สถาปัตยกรรม Sparse MoVA (Mixture of Value Attention) โดยเปิดใช้งานพารามิเตอร์จริงเพียง 4 พันล้านพารามิเตอร์ต่อโทเคน ช่วยลดภาระการคำนวณและประหยัดหน่วยความจำได้อย่างมีประสิทธิภาพ
สำหรับรุ่นเรือธงคือ 375B-A23B ซึ่งเป็นสถาปัตยกรรม Mixture of Experts (MoE) ขนาดใหญ่ โดยเปิดใช้งานพารามิเตอร์จริงประมาณ 23 พันล้านพารามิเตอร์ต่อโทเคน รองรับบริบทประมวลผล (context window) กว้างสูงสุดถึง 512K/524K โทเคน ทำให้สามารถรองรับเอกสารขนาดยาวและงานเขียนโค้ดที่ซับซ้อนได้อย่างครอบคลุม
ผลการทดสอบ ประสิทธิภาพ และการเข้าถึง
จากข้อมูลในรายงานทางเทคนิคของ IFM รุ่นเรือธง 375B-A23B สามารถทำคะแนนการทดสอบด้านคำสั่งเทอร์มินัล TerminalBench 2.1 ได้ 70.2% ทำคะแนนการแก้ปัญหาซอฟต์แวร์ SWE-bench Pro ได้ 42.6% และทำคะแนนงานประมวลผลข้อมูลการเงิน tau-3-Banking ได้ 34.0%
การรายงานผลทดสอบดังกล่าวผ่านการตรวจสอบและปรับลดตัวเลขอย่างโปร่งใส โดยทีมวิจัยของ IFM ได้ตัดรอบการทดสอบที่ไม่ถูกต้องออก 24 รายการ ส่งผลให้คะแนน TerminalBench ปรับลดลง 3.37 จุดเปอร์เซ็นต์ก่อนการเผยแพร่ เพื่อป้องกันการรายงานผลที่เกินจริงจากการใช้ harness evaluation ที่ผิดพลาด
ในด้านการนำไปใช้งาน โมเดลทั้งหมดพร้อมให้ดาวน์โหลดและรันผ่านเฟรมเวิร์กยอดนิยม เช่น Hugging Face, SGLang, vLLM และ Ollama รวมทั้งมีบริการโฮสต์อินเฟอเรนซ์ผ่านแพลตฟอร์มคลาวด์ เช่น AWS, Cerebras และ Nebius
เสียงสะท้อนจากนักพัฒนาและข้อพึงระวัง
ในหมู่นักพัฒนาและผู้เชี่ยวชาญด้านปัญญาประดิษฐ์ กระแสตอบรับส่วนใหญ่เป็นไปในทิศทางบวกอย่างมาก โดยเฉพาะการชื่นชมความกล้าหาญของ IFM ในการปล่อยสูตรข้อมูลการฝึกฝนและเช็กพอยต์ออกมาทั้งหมด ซึ่งแตกต่างจากแนวทางของผู้พัฒนาหลายรายที่มักเก็บข้อมูลพรีเทรนเป็นความลับทางการค้า
นอกจากนี้ นักพัฒนายังยกย่องความซื่อตรงของทีมวิจัยในการตรวจสอบและปรับลดคะแนนเบนช์มาร์กของตนเองก่อนประกาศสู่สาธารณะ ซึ่งช่วยสร้างความเชื่อมั่นให้กับข้อมูลการประเมินประสิทธิภาพ
อย่างไรก็ตาม ผู้ทดสอบในกลุ่มนักพัฒนาระบุข้อสังเกตว่า เช็กพอยต์ในยุคแรกยังแสดงให้เห็นถึงการถดถอยของประสิทธิภาพอย่างชัดเจนในงานทดสอบด้านภาษาที่มีทรัพยากรน้อย (low-resource languages) รวมถึงยังคงมีข้อถกเถียงว่าประสิทธิภาพในงานวิชาการเชิงลึกที่ไม่มีเครื่องมือช่วย (non-tool reasoning) จะสามารถเทียบเท่าโมเดลเรือธงระบบปิดชั้นนำได้อย่างแท้จริงหรือไม่
นัยสำคัญต่อภาคธุรกิจและองค์กรในประเทศไทย
สำหรับภาคธุรกิจในประเทศไทย โดยเฉพาะในกลุ่มการเงิน ธนาคาร สาธารณสุข และหน่วยงานภาครัฐ การเปิดตัว K2 Horizon ภายใต้สัญญาอนุญาต Apache 2.0 มอบทางเลือกสำคัญในการสร้างระบบปัญญาประดิษฐ์บนคลาวด์ส่วนตัวหรือเซิร์ฟเวอร์ภายในประเทศ ช่วยลดความเสี่ยงด้านการรั่วไหลของข้อมูลและสอดคล้องกับ พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล (PDPA)
การมีโมเดลขนาดเล็ก เช่น 0.9B, 3.7B และ 7B เปิดทางให้ธุรกิจไทยสามารถนำโมเดลไปฝังในอุปกรณ์ปลายทาง โมบายแอปพลิเคชัน หรือระบบ Edge ในโรงงานอุตสาหกรรมได้โดยตรงโดยไม่ต้องพึ่งพาการเชื่อมต่ออินเทอร์เน็ตตลอดเวลา
อย่างไรก็ดี องค์กรไทยที่ต้องการนำไปใช้ในงานประมวลผลภาษาไทยจำเป็นต้องวางแผนด้านการปรับแต่งเพิ่มเติม (Fine-tuning หรือ Continual Pretraining) เนื่องจากข้อจำกัดด้านภาษาทรัพยากรน้อยที่พบในเช็กพอยต์ตั้งต้น การตรวจสอบและประเมินผลกับชุดข้อมูลภาษาไทยเฉพาะทางจึงเป็นขั้นตอนที่ขาดไม่ได้ก่อนนำไปใช้งานจริง
การเปิดชุดโมเดลโอเพนซอร์สอย่างโปร่งใสพร้อมสูตรข้อมูล 20 ล้านล้านโทเคน ช่วยให้องค์กรธุรกิจในไทยสามารถปรับแต่งและรันโมเดลบนโครงสร้างพื้นฐานตนเองได้โดยไม่ต้องพึ่งพา API กรรมสิทธิ์