เจาะลึกสถาปัตยกรรม Muse Wonder และบริบท 1 ล้านโทเคน
Meta Superintelligence Labs (MSL) ได้ประกาศเปิดตัวโมเดลปัญญาประดิษฐ์ระดับแนวหน้า (Frontier Models) อย่างเป็นทางการเมื่อวันจันทร์ที่ 12 ตุลาคม 2026 ภายใต้ชื่อตระกูล 'Muse Wonder' และ 'Muse Wonder Full' โดยทั้งสองโมเดลเป็นโมเดลแบบปิด (Closed-Weights) ที่ประมวลผลอินพุตแบบมัลติโมดอล ไม่ว่าจะเป็นข้อความ รูปภาพ วิดีโอ เสียง และเอกสาร PDF โดยส่งออกผลลัพธ์ในรูปแบบข้อความเท่านั้น
จุดเด่นสำคัญของโมเดลตระกูลนี้คือหน้าต่างบริบท (Context Window) ขนาดมหาศาลถึง 1,048,576 โทเคน (1M โทเคน) ซึ่งได้รับการฝึกฝนบนโครงสร้างพื้นฐานระดับกิกะวัตต์ ณ ดาต้าเซ็นเตอร์ Prometheus ของ Meta นอกจากนี้ โมเดลยังถูกสร้างขึ้นพร้อมฟังก์ชันการทำงานขั้นสูงอย่าง Active Memory ที่ช่วยจดจำข้อเท็จจริงและบริบทของงานข้ามช่วงเวลาการทำงานที่ยาวนาน รวมถึงฟีเจอร์ Active Focus ที่ช่วยควบคุมการทำงานของเอเจนต์อย่างต่อเนื่องและการกู้คืนข้อผิดพลาดอัตโนมัติ
โครงสร้างราคาและการแบ่งระดับการเข้าใช้งาน
ในแง่ของช่องทางการเข้าถึง Meta ได้แบ่งแยกกลุ่มเป้าหมายอย่างชัดเจน โดยโมเดลมาตรฐาน Muse Wonder จะเปิดให้บริการผ่าน Meta Model API และสภาพแวดล้อม Muse Code โดยมีอัตราค่าบริการ API อยู่ที่ 4.00 ดอลลาร์สหรัฐฯ ต่อ 1 ล้านอินพุตโทเคน และ 0.20 ดอลลาร์สหรัฐฯ ต่อ 1 ล้านแคชอินพุตโทเคน ขณะที่ค่าบริการเอาต์พุตโทเคนอยู่ที่ 20.00 ดอลลาร์สหรัฐฯ ต่อ 1 ล้านโทเคน พร้อมตัวเลือกการค้นหาเว็บเพิ่มเติมในราคา 2.50 ดอลลาร์สหรัฐฯ ต่อ 1,000 คำค้นหา
ในทางกลับกัน โมเดลเรือธงระดับสูงสุดอย่าง Muse Wonder Full จะไม่เปิดให้เข้าใช้งานผ่าน API แบบจ่ายตามการใช้งานจริง (Pay-per-token API) ทั่วไป แต่ถูกจำกัดสิทธิ์ไว้เฉพาะผู้ใช้งาน Muse Code ในแพ็กเกจระดับสูงอย่าง Power Usage และ Maximum Usage เท่านั้น ซึ่งสะท้อนให้เห็นถึงความพยายามของ Meta ในการผลักดันธุรกิจบริการเครื่องมือสำหรับนักพัฒนาซอฟต์แวร์แบบสมัครสมาชิก
ผลการทดสอบประสิทธิภาพและดัชนีชี้วัดงานเขียนโค้ด
จากการประเมินผลบนดัชนีกลาง Artificial Analysis Intelligence Index v4.3 โมเดล Muse Wonder Full สามารถทำคะแนนได้ 56 คะแนน ซึ่งเทียบเท่ากับ Claude Sonnet 5.5 และแซงหน้า GPT-6 Astra (53 คะแนน) รวมถึง Gemini 4 Argon (53 คะแนน) โดยเป็นรองเพียง Claude Opus 5.5 ซึ่งอยู่ที่ 58 คะแนน ขณะที่โมเดลมาตรฐาน Muse Wonder ทำคะแนนได้ 52 คะแนน
สำหรับเกณฑ์มาตรฐานด้านการเขียนโค้ดเชิงเอเจนต์ Meta รายงานว่า Muse Wonder Full ทำผลงานได้ 57.5% บน SWE-Marathon ซึ่งเหนือกว่า Opus 5.5 (46.3%) และ GPT-6 Astra (42.5%) อีกทั้งยังทำคะแนนได้ 79.0% บน DeepSWE 1.1 นอกจากนี้ ในการทดสอบ Coding Agents Index ภายในสภาพแวดล้อม Muse Code ตัวโมเดล Wonder Full ทำคะแนนได้ 68 คะแนน เท่ากับการจับคู่ระหว่าง Claude Code และ Sonnet 5.5
เสียงสะท้อนจากกลุ่มนักพัฒนาและการเปลี่ยนผ่านของ Meta
การเปิดตัวครั้งนี้นับเป็นการเปลี่ยนแปลงยุทธศาสตร์ครั้งสำคัญของ Meta ที่เคยยึดแนวทางการเผยแพร่น้ำหนักโมเดลแบบเปิดผ่านตระกูล Llama การระงับการแจกจ่ายน้ำหนักโมเดลในระดับเรือธงนี้สร้างความประหลาดใจและก่อให้เกิดเสียงวิพากษ์วิจารณ์ในหมู่นักพัฒนาซอฟต์แวร์และวิศวกรเอไอ โดยแม้ผู้เชี่ยวชาญจะยอมรับในอัตราการพัฒนาที่ก้าวกระโดดกว่า 22 คะแนนจากรุ่นก่อนหน้าจนสามารถแข่งขันกับผู้เล่นแถวหน้าได้ แต่ก็มีกระแสไม่พอใจต่อการล็อกโมเดลที่ดีที่สุดไว้หลังกำแพงการจ่ายเงินของระบบสมาชิก Muse Code
นอกจากนี้ ชุมชนนักพัฒนาบางส่วนยังได้สะท้อนความคิดเห็นจากการทดสอบเบื้องต้น โดยตั้งข้อสังเกตว่าแม้โมเดลจะมีความสามารถเชิงตรรกะและการเขียนโค้ดที่แข็งแกร่ง แต่ยังมีข้อจำกัดในการออกแบบอินเทอร์เฟซผู้ใช้ (Frontend UI) ตลอดจนการจัดการคำสั่งเฉพาะทางบางรูปแบบ ทั้งนี้ ข่าวลือที่แพร่สะพัดว่า Meta อาจปล่อยน้ำหนักของโมเดลรุ่นเล็กในภายหลัง ยังคงเป็นเพียงการคาดเดาที่ยังไม่มีการยืนยันอย่างเป็นทางการจากทางบริษัท
นัยยะต่อภาคธุรกิจและองค์กรในประเทศไทย
สำหรับผู้นำเทคโนโลยีและองค์กรธุรกิจในประเทศไทย การที่ Meta ปรับเปลี่ยนมาใช้โมเดลกรรมสิทธิ์แบบปิดหมายความว่า องค์กรจะไม่สามารถนำโมเดลระดับเรือธงนี้ไปติดตั้งบนโครงสร้างพื้นฐานภายในองค์กร (On-premise) หรือระบบคลาวด์ส่วนตัวเพื่อควบคุมการกำกับดูแลข้อมูล (Data Sovereignty) ได้เหมือนกับตระกูล Llama ในอดีต การประยุกต์ใช้งานจำเป็นต้องเชื่อมต่อผ่าน API ของ Meta หรือใช้เครื่องมือภายนอกตามเงื่อนไขการกำกับดูแลข้อมูลของแพลตฟอร์ม
อย่างไรก็ตาม ความคุ้มค่าด้านต้นทุนที่ระดับ 4.00 ดอลลาร์ต่อล้านโทเคนสำหรับอินพุต และ 0.20 ดอลลาร์สำหรับการแคชโทเคน ทำให้ Muse Wonder เป็นตัวเลือกที่น่าสนใจสำหรับองค์กรไทยที่ต้องการพัฒนาระบบอัตโนมัติที่ต้องอ่านเอกสารปริมาณมหาศาล เช่น การวิเคราะห์สัญญาทางกฎหมาย การตรวจสอบเอกสารทางการเงิน หรือการประมวลผลข้อมูลลูกค้าหลายภาษา โดยผู้บริหารจำเป็นต้องประเมินความเสี่ยงระหว่างประสิทธิภาพของระบบเอเจนต์กับการพึ่งพาแพลตฟอร์มของผู้ให้บริการรายเดียว (Vendor Lock-in)
การเปลี่ยนทิศทางจากการเปิดเผยน้ำหนักโมเดล (Open Weights) ตระกูล Llama สู่การกักสิทธิ์โมเดลเรือธงไว้บนคลาวด์และระบบสมาชิก สะท้อนการแข่งขันเชิงพาณิชย์ที่ดุเดือดขึ้นในตลาดเอเจนต์ AI องค์กร