แก่นของเรื่อง
Flint เป็นโมเดลเขียนโค้ดแบบเปิด (Apache 2.0) จากบริษัท Recursive เปิดตัววันที่ 21 ตุลาคม 2026 มีพารามิเตอร์รวม 40 พันล้านตัว แต่ใช้จริงประมาณ 2.5 พันล้านตัวต่อหนึ่งงาน จึงรันบนแล็ปท็อปได้เร็ว
ใจความหลัก
โมเดลใหญ่แต่ "เปิดใช้เฉพาะส่วนที่จำเป็น" ร่วมกับการบีบน้ำหนักให้เล็กลง ทำให้เร็วและเบาพอสำหรับเครื่องส่วนตัว แลกกับการที่ผู้ใช้ต้องแตกงานเป็นขั้นเล็ก ๆ และให้คำแนะนำมากกว่าผู้ช่วยเขียนโค้ดขนาดใหญ่แบบเสียเงิน
ทำไมจึงได้ผล (กลไกเหตุ-ผล)
| ปัจจัย |
กลไก |
ผลที่ตามมา |
| โครงสร้าง Mixture-of-Experts (MoE) |
แต่ละคำที่สร้างเรียกใช้ "ผู้เชี่ยวชาญ" เพียงบางกลุ่ม |
คำนวณต่อคำน้อยลง (ประมาณ 2.5B จาก 40B) จึงเร็วขึ้น |
| การฝึกแบบบิตต่ำ (low-bit training) |
เก็บน้ำหนักด้วยจำนวนบิตน้อยลง |
ขนาดโมเดลลดลง 71% โดยคุณภาพแทบไม่ตก ตามที่ Recursive ระบุ |
| Custom kernels |
เขียนโปรแกรมคำนวณเฉพาะให้เหมาะกับฮาร์ดแวร์ |
ใช้ชิป Apple และ Nvidia ได้เต็มที่ขึ้น |
| ระบบวิจัยอัตโนมัติ "Eureka Machine" |
AI คิดไอเดีย รันการทดลอง แล้วใช้ผลตัดสินใจรอบถัดไป |
ทีมเล็กสร้างโมเดลได้ในเวลาไม่ถึง 4 เดือน |
ส่วน 20% ที่สำคัญที่สุดในทางปฏิบัติ
- ต้องจำ: ข้อมูลความเร็วและคะแนนมาจากการทดสอบของ Recursive เอง ควรทดสอบกับงานของตัวเองก่อนเชื่อ
- ต้องทำ: แตกงานใหญ่เป็นขั้นเล็ก และให้คำสั่งชัดเจน
- รอได้: รายละเอียดเรื่อง AI สร้าง AI ในระดับสถาปัตยกรรมบริษัท ซึ่งไม่กระทบการใช้งานโมเดลวันนี้
ช่วยให้ดีขึ้นอย่างไร
| สถานการณ์ |
ถ้าไม่มี |
ถ้ามี Flint |
วัดอย่างไร |
ป้ายหลักฐาน |
| ความเร็วบน MacBook Pro (M4 Pro) |
โมเดลคล้ายกันได้ 58 ถึง 69 tokens/s (รวม Gemma 4 และ Nemotron 3.5 Lightning) |
ประมาณ 131 tokens/s ราว 2 เท่า |
tokens/s บนเครื่องเดียวกัน |
วัดแล้ว (การทดสอบของ Recursive ยังไม่มีผู้ทดสอบอิสระยืนยัน) |
| ความเร็วบน Nvidia RTX Spark |
ไม่มีตัวเทียบในข้อมูลที่อ่าน |
มากกว่า 150 tokens/s |
tokens/s |
วัดแล้ว (การทดสอบของ Recursive) |
| แก้บั๊กจริงใน SWE-Bench Verified |
โมเดลต่ำกว่า 50B ตัวอื่น |
Flint ทำคะแนนสูงกว่าโมเดลกลุ่มนี้ |
% ของบั๊กที่แก้ได้ |
วัดแล้ว (ไม่มีตัวเลขคะแนนให้เทียบ) |
| คะแนนเฉลี่ย 6 การทดสอบ |
- |
มีเพียง Qwen3.8 27B ที่สูงกว่า |
คะแนนเฉลี่ย |
วัดแล้ว ผลคือ "ไม่ใช่อันดับ 1" ต้องบอกตรง ๆ |
| ขนาดโมเดล |
ขนาดเต็มก่อนบีบ |
เล็กลง 71% คุณภาพแทบไม่ตก |
ขนาดไฟล์และคะแนนก่อน/หลัง |
วัดแล้ว (ตัวเลขขนาดจาก Recursive ส่วนคำว่า "แทบไม่ตก" ไม่มีตัวเลขกำกับ) |
| ความเป็นส่วนตัวและต้นทุน |
โค้ดส่งขึ้นคลาวด์ เสียค่าใช้งาน |
รันในเครื่อง ใช้ออฟไลน์ได้ ไม่มีค่าใช้งานรายครั้ง |
ดูว่ามีข้อมูลออกนอกเครื่องหรือไม่ |
ตีความ จากการที่รันบนเครื่อง (ยังต้องจ่ายค่าฮาร์ดแวร์) |
| คุณภาพเทียบผู้ช่วยขนาดใหญ่แบบเสียเงิน |
- |
ต้องแนะนำมากกว่า ต้องแตกงานเป็นขั้นเล็ก |
จำนวนรอบแก้ไขต่องาน |
วัดแล้ว ในแง่ที่ Recursive ยอมรับเอง ซึ่งเป็นข้อแลกเปลี่ยน ไม่ใช่ข้อได้เปรียบ |
| ความเร็วในการพัฒนาโมเดล |
- |
ทีมเล็กใช้เวลาไม่ถึง 4 เดือน |
เวลาที่ประหยัดได้ |
ยังไม่ทดสอบ Recursive ไม่ได้บอกว่าระบบอัตโนมัติประหยัดเวลานักวิจัยไปเท่าไร |
| ประสบการณ์ใช้งานจริง |
โมเดลเล็กอื่นมักผิดพลาดหรือช้า |
ผู้ทดสอบอิสระ 1 ราย (Mac 48GB) สร้างแอปรายการงานและเครื่องมือค้นเว็บได้ทุกครั้ง |
จำนวนครั้งที่สำเร็จ |
วัดแล้ว แต่เป็นตัวอย่างเล็กมาก ยังสรุปรวมไม่ได้ |
ลองใช้
ตัวอย่างประกอบ (ตัวเลขเป็นของเราเอง คำนวณซ้ำได้)
ความเร็ว: ให้โมเดลตอบโค้ด 500 tokens
- ที่ 131 tokens/s ใช้เวลา 500 ÷ 131 ≈ 3.8 วินาที
- ที่ 60 tokens/s (กลางช่วง 58 ถึง 69) ใช้เวลา 500 ÷ 60 ≈ 8.3 วินาที
- ต่างกันราว 4.5 วินาทีต่อคำตอบ ถ้าขอ 100 ครั้งต่อวัน ประหยัดราว 7.5 นาที
ขนาดไฟล์: สมมติโมเดล 40B เก็บแบบ 16 บิต (2 ไบต์ต่อพารามิเตอร์) = 80 GB เมื่อลด 71% จะเหลือ 80 × (1 − 0.71) ≈ 23 GB
- ตัวเลข 80 GB เป็นสมมติฐานประกอบการคำนวณ ไม่ได้ระบุไว้ว่าฐานก่อนบีบเป็นแบบใด
- ตัวเลข 23 GB พอเข้าใจได้ว่าทำไมการทดสอบบน Mac 48GB จึงทำงานได้ แต่ต้องตรวจขนาดไฟล์จริงตอนดาวน์โหลด
เมื่อไรควรใช้ / ไม่ควรใช้
| เงื่อนไข |
ควรใช้ |
ไม่ควรใช้ |
| ความเป็นส่วนตัวของโค้ด |
โค้ดห้ามออกนอกเครื่อง |
- |
| งานออฟไลน์ |
ไม่มีอินเทอร์เน็ตหรือเน็ตช้า |
- |
| ขนาดงาน |
แก้บั๊กเล็ก สคริปต์ แอปเล็ก |
งานข้ามหลายไฟล์ที่ต้องวางแผนยาว |
| ทักษะผู้ใช้ |
ยินดีแตกงานและตรวจผลเอง |
คาดหวังให้ทำงานใหญ่เองโดยไม่ต้องกำกับ |
| ฮาร์ดแวร์ |
มีหน่วยความจำพอ (ผู้ทดสอบอิสระใช้ 48GB) |
เครื่องหน่วยความจำน้อย (ไม่มีตัวเลขขั้นต่ำให้อ่าน) |
ข้อกำหนดเบื้องต้น: เครื่องที่มีหน่วยความจำเพียงพอ, ตัวรันโมเดลที่รองรับ, และเวลาตรวจผลลัพธ์ทุกครั้ง
ก้าวแรกที่เล็กที่สุด
- ดาวน์โหลดโมเดลจาก Hugging Face (ตรวจว่าเป็นของ Recursive จริงก่อน เพราะไม่มีลิงก์ตรงให้อ้างอิง)
- เลือกงานจริงที่เล็กที่สุดจาก backlog 1 งาน เช่น เขียนฟังก์ชันพร้อมเทสต์
- สั่งงานทีละขั้น แล้วรันเทสต์ตรวจผล
การทดสอบก่อน/หลัง (กำหนดเกณฑ์ก่อนรัน)
| รายการ |
วิธีวัด |
ฐานเปรียบเทียบ |
เกณฑ์ผ่าน (ตั้งก่อนรัน) |
| ความถูกต้อง |
เลือก 10 งานเล็กที่เคยทำแล้ว รันเทสต์ผ่านกี่งาน |
ผลของผู้ช่วยที่คุณใช้อยู่ |
ผ่านอย่างน้อย 70% ของฐาน (ตัวอย่างเกณฑ์ ปรับตามงาน) |
| ความเร็ว |
tokens/s ที่เครื่องคุณ |
ตัวเลข 131 จากผู้พัฒนา |
ไม่ต่ำกว่า 60% ของตัวเลขนั้น |
| ภาระกำกับ |
จำนวนรอบแก้ไขต่องาน |
ผู้ช่วยปัจจุบัน |
ไม่เกิน 2 เท่าของฐาน |
หลักการและแนวคิดสำคัญ
Mixture-of-Experts (MoE)
- คืออะไร: โมเดลที่แบ่งเป็นกลุ่มย่อย ("ผู้เชี่ยวชาญ") และเลือกใช้เฉพาะบางกลุ่มต่อหนึ่งขั้นการสร้างคำ
- ทำไมสำคัญ: จำนวนพารามิเตอร์ที่ "ใช้จริง" เป็นตัวกำหนดความเร็ว ไม่ใช่จำนวนทั้งหมด
- ข้อควรระวัง: ไฟล์ทั้งหมด 40B ยังต้องเก็บในหน่วยความจำ ความเร็วดี แต่ไม่ได้แปลว่าใช้หน่วยความจำน้อย
| ตัวเลข |
ความหมาย |
| 40B |
พารามิเตอร์ทั้งหมด |
| ~2.5B |
พารามิเตอร์ที่ใช้ต่องาน (ประมาณ 6% ของทั้งหมด: 2.5 ÷ 40 = 0.0625) |
การฝึกแบบบิตต่ำ (low-bit training)
- ลดจำนวนบิตที่ใช้เก็บตัวเลขในโมเดล ผลคือไฟล์เล็กลง 71%
- ข้อควรระวัง: "คุณภาพแทบไม่ตก" เป็นคำกล่าวของผู้พัฒนา ไม่มีตัวเลขคะแนนก่อน/หลังให้ตรวจ
Custom kernels
- โปรแกรมคำนวณเฉพาะทางที่เขียนให้เหมาะกับชิปแต่ละแบบ ช่วยให้เร็วขึ้นโดยไม่เปลี่ยนผลลัพธ์ทางคณิตศาสตร์
Eureka Machine และการวิจัยที่ AI ช่วยทำ
ไอเดีย -> รันการทดลอง -> ดูผล -> เลือกสิ่งที่จะลองต่อ -> (วนซ้ำ)
- Recursive ระบุว่าระบบนี้มีส่วนร่วมเกือบทุกขั้น ตั้งแต่ pretraining, post-training ถึง inference
- สิ่งที่ระบุว่าระบบมีส่วนสร้าง: รูปทรงโมเดลแบบเบาบาง (sparser), การฝึกบิตต่ำ, custom kernels
- ไม่มีข้อมูลว่ามนุษย์ตรวจสอบหรือแก้ไขส่วนไหนบ้าง
ข้อมูลเสริมที่เกี่ยวข้อง (ความรู้ทั่วไป ไม่ใช่ข้อมูลของ Flint)
- Pretraining คือการฝึกโมเดลจากข้อมูลจำนวนมากให้รู้ภาษาและโค้ด, post-training คือการปรับให้ทำตามคำสั่งและใช้งานได้ดี
- Inference คือขั้นตอนใช้โมเดลที่ฝึกเสร็จแล้วตอบคำถาม
- Apache 2.0 อนุญาตให้ใช้ แก้ไข และแจกจ่ายต่อได้ รวมถึงเชิงพาณิชย์ โดยต้องคงประกาศลิขสิทธิ์และสัญญาอนุญาตไว้
บริบทของผู้พัฒนาและตลาด
| หัวข้อ |
ข้อมูล |
ประเภท |
| บริษัท |
Recursive ก่อตั้งปี 2025 มุ่งสร้าง AI ที่พัฒนาตัวเองได้ |
ข้อเท็จจริง |
| ผู้บริหาร |
Richard Socher (CEO) อดีตหัวหน้านักวิทยาศาสตร์ของ Salesforce |
ข้อเท็จจริง |
| เงินทุน |
ออกจากสถานะ stealth เดือนพฤษภาคม 2026 ด้วยเงิน 650 ล้านดอลลาร์ มูลค่าบริษัท 4.65 พันล้านดอลลาร์ |
ข้อเท็จจริง |
| นักลงทุน |
GV, Nvidia, AMD Ventures |
ข้อเท็จจริง |
| ข้อตกลงคอมพิวต์ |
410 ล้านดอลลาร์กับ AWS (มิถุนายน) |
ข้อเท็จจริง |
| เทียบกับโมเดลใหญ่ |
Meta Muse Spark Open มี 816B และต้องใช้หน่วยความจำอย่างน้อย 1 TB |
ข้อเท็จจริง |
| OpenAI (ก.ย.): กลางเดือนสิงหาคม เอเจนต์ทำงาน 3.1 วันต่อ 1 วันของนักวิจัยมนุษย์ |
บริบทของแนวโน้ม |
ข้อเท็จจริงที่มีผู้ระบุ |
แยกข้อเท็จจริง ความเห็น และข้อที่ยังไม่พิสูจน์
| ประเภท |
เนื้อหา |
| ข้อเท็จจริงที่เปิดเผยได้ |
เปิดตัว 21 ตุลาคม 2026, Apache 2.0, MoE 40B/2.5B, ดาวน์โหลดฟรีที่ Hugging Face |
| ตัวเลขจากผู้พัฒนาเอง |
131 tokens/s (M4 Pro), >150 (RTX Spark), ลดขนาด 71%, อันดับ SWE-Bench |
| ความเห็น/เป้าหมาย |
เป้าหมายระยะยาว: recursive self-improvement เต็มรูปแบบ โดยมนุษย์กำกับและหยุดได้ |
| คำกล่าวทางการตลาด |
"less about headcount and more about agent count" |
| ยังไม่พิสูจน์ |
คุณภาพไม่ตกหลังบีบ, เวลาที่ AI ประหยัดให้นักวิจัย, ผลบนงานจริงขนาดใหญ่ |
| ข้อกังวลในวงการ |
บางกลุ่มกลัวว่า AI พัฒนาตัวเองจะหลุดการควบคุม แต่ของ Recursive มีคนดูแล |
Risks
⚠️ Warning ตัวเลขประสิทธิภาพทั้งหมดมาจากการทดสอบของ Recursive เอง ยังไม่มีการยืนยันอิสระที่ครอบคลุม อย่านำไปใช้กับงานสำคัญโดยไม่ทดสอบกับงานของคุณ
| ความเสี่ยง/ข้อจำกัด |
รายละเอียด |
วิธีรับมือ |
| ต้องกำกับมากกว่า |
Recursive ยอมรับว่าต้องแนะนำมากกว่าผู้ช่วยขนาดใหญ่แบบเสียเงิน |
แตกงานเป็นขั้นเล็ก ตรวจทุกขั้น |
| เกณฑ์เปรียบเทียบไม่ครบ |
ไม่มีคะแนน SWE-Bench ที่เป็นตัวเลข และไม่รู้องค์ประกอบของ 6 การทดสอบ |
ทดสอบกับงานของคุณเอง |
| หน่วยความจำ |
ไม่ทราบขั้นต่ำที่แน่ชัด |
ตรวจขนาดไฟล์จริงก่อนดาวน์โหลด |
| ตัวอย่างใช้งานจริงน้อย |
ผู้ทดสอบอิสระเพียงรายเดียว ใช้งานเล็ก ๆ |
อย่าสรุปว่าใช้กับโปรเจกต์ใหญ่ได้ |
| ที่มาของไฟล์ |
ไม่พบลิงก์โมเดลตรง และไม่พบ GitHub repo |
ตรวจว่าบัญชีบน Hugging Face เป็นของ Recursive จริง |
| โค้ดที่ AI สร้างให้ |
อาจมีช่องโหว่หรือบั๊กแฝง |
รีวิวโค้ดและรันเทสต์ก่อนนำไปใช้ |
ความเข้าใจผิดที่พบบ่อย
| ความเข้าใจผิด |
ความจริง |
| 40B แปลว่ากินแรงเท่าโมเดล 40B ปกติ |
คำนวณต่องานประมาณ 2.5B แต่ต้องเก็บน้ำหนักครบในหน่วยความจำ |
| เร็ว 2 เท่า แปลว่าเก่ง 2 เท่า |
ความเร็วกับคุณภาพเป็นคนละตัวชี้วัด |
| "สร้างด้วย AI" แปลว่าไม่ต้องมีคนทำ |
ทีมคนยังเป็นผู้สร้างและกำกับ ระบบเป็นผู้ช่วยวิจัย |
| ฟรีแปลว่าไม่มีต้นทุน |
ต้องมีเครื่องที่หน่วยความจำพอและเวลาตรวจโค้ด |
ทดสอบความเข้าใจ
| คำถาม |
คำตอบ |
คำตอบผิดที่พบบ่อย |
| ทำไมโมเดล 40B จึงเร็วกว่าโมเดลคล้ายกันที่เล็กกว่าได้ |
เพราะเป็น MoE ใช้ราว 2.5B ต่อ token ความเร็วขึ้นกับพารามิเตอร์ที่ใช้จริง |
"เพราะมันเก่งกว่า" หรือ "เพราะมี 40B จึงเร็ว" |
| ความเร็ว 131 tokens/s พิสูจน์ว่า Flint ดีที่สุดสำหรับงานโค้ดหรือไม่ |
ไม่ พิสูจน์แค่ความเร็วบนเครื่องนั้น คะแนนเฉลี่ยยังมี Qwen3.8 27B สูงกว่า |
"ใช่ เพราะเร็วที่สุด" |
| ถ้าเครื่องมีหน่วยความจำ 16GB จะรัน Flint ได้ไหม |
ยังสรุปไม่ได้ ต้องโหลดไฟล์ทั้งหมด ตัวอย่างทดสอบใช้ 48GB ต้องตรวจขนาดไฟล์จริง |
"ได้ เพราะใช้แค่ 2.5B" |
| ต้องทำอย่างไรเมื่อ Flint ทำงานใหญ่แล้วผิดพลาด |
แตกงานเป็นขั้นเล็ก ให้คำสั่งชัดเจน ตรวจด้วยเทสต์ทีละขั้น |
เปลี่ยนไปเชื่อคำตอบรอบเดียวหรือสั่งงานใหญ่ซ้ำ |
| ถ้าอยากรู้ว่า Flint ช่วยงานของคุณจริงหรือไม่ ควรวัดอะไร |
อัตราผ่านเทสต์ จำนวนรอบแก้ไข และเวลา เทียบกับเครื่องมือเดิม โดยตั้งเกณฑ์ก่อนรัน |
อ่านคะแนน benchmark แล้วสรุปเลย |
| "ลดขนาด 71% โดยคุณภาพแทบไม่ตก" ควรเชื่อแค่ไหน |
เป็นคำกล่าวของผู้พัฒนา ต้องมีคะแนนก่อน/หลังจึงจะยืนยันได้ ตอนนี้ไม่มีตัวเลขนั้น |
"ยืนยันแล้วว่าไม่มีข้อเสีย" |
Decision / next steps
✅ Recommendation ถ้าคุณต้องการผู้ช่วยโค้ดที่ทำงานในเครื่องและมีเครื่องหน่วยความจำสูง ให้ลองกับงานเล็ก 10 งานตามตารางทดสอบก่อน ถ้าผ่านเกณฑ์ที่ตั้งไว้จึงขยายการใช้ ถ้างานหลักของคุณเป็นงานใหญ่ที่ต้องเรียนรู้ทั้งโปรเจกต์ ให้ใช้ผู้ช่วยขนาดใหญ่ต่อไป
เช็กลิสต์ก่อนใช้งาน
| รายการ |
สถานะ |
| ยืนยันแหล่งดาวน์โหลดว่าเป็นของ Recursive |
⚪ |
| ตรวจขนาดไฟล์และหน่วยความจำของเครื่อง |
⚪ |
| อ่านเงื่อนไข Apache 2.0 หากใช้เชิงพาณิชย์ |
⚪ |
| กำหนดเกณฑ์ผ่านก่อนทดสอบ |
⚪ |
| ทดสอบ 10 งานเล็กและบันทึกผล |
⚪ |
| ตั้งกฎรีวิวโค้ดที่โมเดลสร้างทุกครั้ง |
⚪ |
Sources
| สถาบัน/เอกสาร |
ใช้ยืนยันเรื่อง |
| Apache Software Foundation, Apache License 2.0 |
เงื่อนไขของสัญญาอนุญาตที่ Flint ใช้ |
| Hugging Face (แหล่งเผยแพร่โมเดลที่ Recursive ระบุ) |
ตำแหน่งดาวน์โหลดโมเดล (ไม่พบลิงก์ตรง ไม่พบ GitHub repo) |
ตัวย่อที่ใช้ในหน้านี้
| ตัวย่อ |
ชื่อเต็ม |
คืออะไร |
อ่านค่าอย่างไร |
| AI |
Artificial Intelligence |
ระบบที่ทำงานคล้ายการคิดของมนุษย์ |
"AI ช่วยสร้าง" = ระบบช่วยทำงานบางขั้น ไม่ใช่ทำแทนทั้งหมด |
| CEO |
Chief Executive Officer |
ผู้บริหารสูงสุด |
- |
| MoE |
Mixture-of-Experts |
โมเดลที่เรียกใช้ผู้เชี่ยวชาญเพียงบางกลุ่มต่อครั้ง |
40B/2.5B = ใช้ประมาณ 6% ของพารามิเตอร์ต่อ token |
| B |
Billion (พันล้าน) |
หน่วยนับจำนวนพารามิเตอร์ |
40B = 40,000 ล้านตัว |
| SWE-Bench Verified |
Software Engineering Benchmark (Verified) |
ชุดทดสอบการแก้บั๊กซอฟต์แวร์จริง |
คะแนนสูงกว่า = แก้บั๊กได้มากกว่า |
| tokens/s |
tokens per second |
จำนวนหน่วยข้อความที่โมเดลสร้างต่อวินาที |
131 tokens/s = ตอบ 500 tokens ใน ~3.8 วินาที |
| M4 Pro |
ชิป Apple Silicon รุ่น M4 Pro |
ชิปในแล็ปท็อป MacBook Pro |
ใช้เป็นเครื่องวัดความเร็ว |
| RTX Spark |
Nvidia RTX Spark |
ฮาร์ดแวร์ของ Nvidia ที่ใช้ทดสอบ (ไม่มีรายละเอียดเพิ่ม) |
มากกว่า 150 tokens/s |
| GB / TB |
Gigabyte / Terabyte |
หน่วยความจุ |
48GB = หน่วยความจำเครื่องทดสอบ, 1 TB = ขั้นต่ำของ Muse Spark Open |
| GV |
GV (เดิมชื่อ Google Ventures) |
กองทุนร่วมลงทุน |
- |
| AMD |
Advanced Micro Devices |
ผู้ผลิตชิป |
- |
| AWS |
Amazon Web Services |
บริการคลาวด์ของ Amazon |
ข้อตกลง 410 ล้านดอลลาร์ |
| Apache 2.0 |
Apache License, Version 2.0 |
สัญญาอนุญาตซอฟต์แวร์แบบเปิด |
ใช้และแก้ไขได้ฟรี ต้องคงประกาศลิขสิทธิ์ |
| Qwen3.8 27B |
โมเดลของ Alibaba ขนาด 27 พันล้านพารามิเตอร์ |
โมเดลเปรียบเทียบ |
คะแนนเฉลี่ยสูงกว่า Flint |
| Gemma 4, Nemotron 3.5 Lightning, Muse Spark Open |
ชื่อรุ่นโมเดลของ Google, Nvidia, Meta |
โมเดลเปรียบเทียบ |
- |
หมายเหตุ: คำอธิบายของ MoE ในส่วนความรู้ทั่วไป, Apache 2.0, GV, AMD, AWS และหน่วย GB/TB มาจากความรู้ทั่วไป ไม่ใช่คำนิยามที่ระบุไว้ในข้อมูลของ Flint
Summary
- Flint เป็นโมเดลโค้ด MoE 40B ใช้จริง ~2.5B ต่องาน เปิดให้ใช้ฟรีภายใต้ Apache 2.0
- Recursive ระบุว่าเร็วประมาณ 131 tokens/s บน M4 Pro ราว 2 เท่าของโมเดลคล้ายกัน แต่เป็นการทดสอบของผู้พัฒนาเอง
- คะแนนเฉลี่ย 6 การทดสอบเป็นรองเพียง Qwen3.8 27B และต้องกำกับมากกว่าผู้ช่วยขนาดใหญ่
- ข้อได้เปรียบที่ชัดคือรันในเครื่อง ออฟไลน์ได้ โค้ดไม่ออกนอกเครื่อง ส่วนคุณภาพบนงานจริงยังต้องทดสอบเอง
- ก้าวถัดไป: ทดสอบ 10 งานเล็กด้วยเกณฑ์ที่ตั้งไว้ล่วงหน้า
