ก้าวสำคัญของการประมวลผลที่ขอบเครือข่ายด้วยน้ำหนักแบบสามสถานะ
เมื่อวันที่ 17 กันยายน 2026 Prism ML ได้ประกาศเปิดตัว Ternary Bonsai 2 27B อย่างเป็นทางการ ซึ่งเป็นโมเดลภาษาขนาดใหญ่ที่ผ่านกระบวนการแปลงน้ำหนักให้อยู่ในรูปแบบควอนไทเซชันระดับ 1.58 บิต (1.58-bit ternary quantization) โดยพัฒนาต่อยอดมาจากโมเดลฐาน Qwen3.8-27B การเปิดตัวในครั้งนี้ดึงดูดความสนใจจากวงการปัญญาประดิษฐ์อย่างรวดเร็ว เนื่องจากสามารถบีบอัดโมเดลขนาด 27 พันล้านพารามิเตอร์ที่มีความซับซ้อนสูงให้ทำงานได้บนฮาร์ดแวร์ระดับผู้ใช้ทั่วไป
หัวใจหลักของสถาปัตยกรรมนี้คือการแทนค่าน้ำหนักของโมเดลด้วยค่าตัวเลขแบบสามสถานะ (Ternary representation) ได้แก่ {-1, 0, +1} ผสานเข้ากับตัวคูณมาตราส่วนแบบ FP16 ซึ่งนำมาปรับใช้ครอบคลุมตั้งแต่ชั้น Embedding, Attention projections, Multi-Layer Perceptron (MLP) ตลอดจนส่วน Language Model Head ส่งผลให้การจัดเก็บน้ำหนักเฉลี่ยอยู่ที่ประมาณ 1.72 บิตต่อน้ำหนักเท่านั้น ทำให้ขนาดของโมเดลลดลงอย่างมีนัยสำคัญจากเดิมที่ใช้พื้นที่ราว 54 GB ในรูปแบบ FP16 ลงมาเหลือเพียง 5.95 GB ในรูปแบบ dense PTQ1_0 GGUF
นอกจากรูปแบบไฟล์ GGUF แล้ว ทางผู้พัฒนายังได้จัดทำแพ็กเกจสำหรับระบบ Apple MLX ซึ่งมีขนาดรวม 8.60 GB โดยรวมเอาโมดูล Vision tower แบบไม่ลดทอนขนาด 0.92 GB เข้าไว้ด้วยกัน พร้อมทั้งยังคงขีดความสามารถในการรองรับขนาดหน้าต่างบริบท (Context window) แบบไฮบริดได้สูงสุดถึง 262,000 โทเคน ทำให้ผู้ใช้งานสามารถป้อนเอกสารหรือโค้ดขนาดยาวเข้าสู่โมเดลเพื่อวิเคราะห์บนอุปกรณ์ขอบเครือข่ายได้โดยตรง
ผลการทดสอบประสิทธิภาพและการคงอยู่ของขีดความสามารถ
ในการทดสอบประสิทธิภาพที่รายงานโดย Prism ML ระบุว่า Ternary Bonsai 2 27B สามารถรักษาประสิทธิภาพการประมวลผลไว้ได้ถึงร้อยละ 98.2 เมื่อเทียบกับโมเดลต้นฉบับที่เป็นแบบ FP16 โดยทำคะแนนเฉลี่ยบนชุดทดสอบโหมดคิดวิเคราะห์ (Thinking-mode benchmarks) ทั้งหมด 14 ชุดได้ที่ 84.78 คะแนน ซึ่งตัวเลขนี้สูงกว่าการบีบอัดแบบดั้งเดิมอย่าง IQ2_XXS ที่ทำได้เพียง 72.59 คะแนนอย่างชัดเจน
เมื่อแยกพิจารณาเฉพาะทักษะเฉพาะด้าน โมเดลนี้สามารถทำคะแนนด้านคณิตศาสตร์ได้สูงถึง 96.57 คะแนน และได้ 89.42 คะแนนในการประเมินด้านการเขียนโปรแกรม การที่โมเดลรักษาความแม่นยำในงานตรรกะเชิงลึกได้ในระดับนี้ชี้ให้เห็นว่าโครงสร้างสามสถานะไม่ได้ทำลายความเชื่อมโยงของชุดเหตุผลในโมเดลขนาด 27B ไปทั้งหมด
อย่างไรก็ดี การประมวลผลบนเครื่องส่วนบุคคลจำเป็นต้องพึ่งพาเคอร์เนลไฮบริดแบบพิเศษที่พัฒนาขึ้นเฉพาะบนส้อมแยก (Fork) ของซอฟต์แวร์รันไทม์ llama.cpp และ Apple MLX ซึ่งยังไม่ได้ถูกรวมเข้าไปในโค้ดหลักของโครงการต้นน้ำ ทำให้นักพัฒนาต้องติดตั้งสภาพแวดล้อมที่รองรับชุดคำสั่งนี้โดยตรงจึงจะสามารถดึงความเร็วในการทำงานออกมาได้อย่างเต็มศักยภาพ
กระแสตอบรับและความเคลือบแคลงจากกลุ่มนักพัฒนา
การเปิดตัวโมเดลดังกล่าวส่งผลให้เกิดการสนทนาอย่างกว้างขวางในกลุ่มนักพัฒนาและวิศวกรปัญญาประดิษฐ์ ชุมชนโอเพนซอร์สจำนวนมากแสดงความตื่นเต้นต่อโอกาสที่จะได้รันโมเดลขนาด 27B บนแล็ปท็อปทั่วไปที่มีแรมจำกัด โดยไม่ต้องพึ่งพาบริการคลาวด์ที่มีค่าใช้จ่ายสูง ท่ามกลางสภาวะที่ราคาฮาร์ดแวร์การประมวลผลระดับสูงกำลังพุ่งทะยาน
อย่างไรก็ตาม ในกลุ่มผู้เชี่ยวชาญด้านฮาร์ดแวร์และนักวิจัยอิสระกลับมีความกังขาต่อตัวเลขการคงประสิทธิภาพ 98% โดยมองว่าการทดสอบส่วนใหญ่เป็นการวัดผลในสภาพแวดล้อมสังเคราะห์แบบข้อคำถามเดี่ยว (Single-turn) ซึ่งอาจยังไม่สะท้อนปัญหาที่เกิดขึ้นจริงเมื่อนำไปใช้งานในเวิร์กโฟลว์ประเภทเอเจนต์ที่มีการโต้ตอบหลายรอบ ทั้งยังมีข้ออ้างเกินจริงในแวดวงออนไลน์บางส่วนที่ระบุว่าโมเดลนี้เทียบเท่าโมเดลขนาดใหญ่ระดับแถวหน้า ซึ่งไม่มีหลักฐานทางวิชาการใดมารองรับ
นอกจากนี้ นักพัฒนาหลายรายยังเตือนถึงปัญหาการเบี่ยงเบนของโทเคน (Token drift) หรือภาวะสับสนเมื่อต้องประมวลผลข้อความยาวเกิน 64,000 โทเคนในงานจริง ตลอดจนข้อจำกัดด้านแบนด์วิดท์ของหน่วยความจำและปัญหาความร้อนสะสม (Thermal throttling) ในแล็ปท็อปทั่วไป ซึ่งอาจทำให้ความเร็วในการประมวลผลลดลงอย่างรวดเร็วในการใช้งานต่อเนื่อง
นัยสำคัญและแนวทางปรับใช้สำหรับธุรกิจในประเทศไทย
สำหรับภาคธุรกิจในประเทศไทย ความก้าวหน้าของการบีบอัดโมเดลระดับ 1.58 บิตมอบประโยชน์อย่างชัดเจนในการลดต้นทุนโครงสร้างพื้นฐาน องค์กรขนาดกลางและขนาดย่อม (SMEs) ที่ต้องการประยุกต์ใช้โมเดลภาษาขั้นสูงสามารถนำโมเดลไปรันบนคอมพิวเตอร์ระดับเวิร์กสเตชันหรือเครื่องแมคบุ๊กภายในบริษัทได้โดยตรง โดยไม่จำเป็นต้องลงทุนเช่าการ์ดจอคลาวด์ราคาแพง
ประเด็นสำคัญอีกด้านคือการปฏิบัติตามกฎหมายคุ้มครองข้อมูลส่วนบุคคล (PDPA) สถาบันการเงิน โรงพยาบาล หรือสำนักงานกฎหมายในไทยที่ต้องจัดการข้อมูลที่มีความอ่อนไหวสูง สามารถใช้โมเดลนี้ประมวลผลเอกสารภายในองค์กรแบบออฟไลน์ได้อย่างสมบูรณ์ ปราศจากความเสี่ยงเรื่องข้อมูลรั่วไหลออกสู่เซิร์ฟเวอร์ต่างประเทศ
อย่างไรก็ตาม ทีมเทคโนโลยีสารสนเทศขององค์กรควรดำเนินการประเมินผลอย่างรอบคอบ โดยไม่ควรรีบนำโมเดลไปใช้กับงานที่มีความเสี่ยงสูงโดยทันที ควรเริ่มทดสอบกับงานสรุปเอกสารภายใน การสกัดข้อมูล หรือการช่วยเขียนโค้ดเบื้องต้น ควบคู่ไปกับการตั้งค่ากระบวนการตรวจสอบความถูกต้องของข้อมูล (Human-in-the-loop) เพื่อป้องกันข้อผิดพลาดจากอาการภาพหลอนของโมเดลที่อาจเกิดขึ้นจากการบีบอัดน้ำหนัก
การบีบอัดโมเดลระดับ 1.58 บิตช่วยลดภาระต้นทุนคลาวด์และแก้ปัญหาข้อจำกัดด้านความเป็นส่วนตัวของข้อมูล ช่วยให้องค์กรในไทยสามารถประมวลผลงานซับซ้อนบนเครื่องเซิร์ฟเวอร์หรือแล็ปท็อปภายในองค์กรได้ทันที