อีกแนวทางที่น่าจับตาคือการแข่งกันในกลุ่ม โมเดลขนาดเล็กที่เร็วและถูก ซึ่งมักเป็นตัวเลือกที่องค์กรใช้จริงในงานปริมาณมาก และการเกิดขึ้นของโมเดลที่ออกแบบมาเพื่อ ความจำระยะยาว โดยเฉพาะ
MiniMax M3.1 Flash: เร็วและประหยัดกว่าเดิม
M3.1 Flash เป็นเวอร์ชันอัปเกรดของโมเดลลับที่เคยปรากฏบนแพลตฟอร์มผู้ให้บริการภายนอกก่อนหน้านี้ จุดแข็งคือความสามารถในงาน agentic coding, การใช้คอมพิวเตอร์, งานความรู้ และงานอัตโนมัติ โดยเมื่อเทียบกราฟระหว่างต้นทุนต่อชิ้นงานกับคะแนน performance แล้วถือว่าอยู่ในกลุ่มที่คุ้มที่สุดกลุ่มหนึ่ง และมีคะแนนใกล้เคียงโมเดล DeepSeek รุ่นล่าสุด
ปัจจุบันใช้งานได้ผ่าน API และแพ็กเกจของผู้ให้บริการ โดยน้ำหนักโมเดลจะประกาศเปิดให้ดาวน์โหลดภายหลัง
Mem 1.0: ความจำที่ไม่ต้องย้อนอ่านแชตทั้งหมด
Mem 1.0 จาก MEM Tensor ออกแบบมาเพื่อจำข้อมูลข้ามบทสนทนา เช่น ชื่อสัตว์เลี้ยง อายุ หรือความชอบของผู้ใช้ แล้วเก็บเป็น สถานะความจำภายในที่กะทัดรัด แม้ผู้ใช้จะลบบทสนทนาเดิมออกจาก context ไปแล้ว โมเดลก็ยังตอบได้
มีสองขนาด ได้แก่รุ่น nano ที่มีพารามิเตอร์ทำงาน 3 พันล้านตัว และรุ่น flash ที่มีพารามิเตอร์รวม 2.88 แสนล้านตัว (ทำงานจริง 1.7 หมื่นล้านตัว) โดยไฟล์ดาวน์โหลดอยู่ที่ราว 70.3 GB และ 576 GB ตามลำดับ เปิดให้ดาวน์โหลดบน Hugging Face แล้ว
ประโยชน์กับงานองค์กร
- ลดต้นทุนโทเคน: ไม่ต้องส่งประวัติสนทนายาวซ้ำทุกครั้ง ซึ่งเป็นค่าใช้จ่ายที่มองข้ามได้ยากในระบบผู้ช่วยภายใน
- ประสบการณ์ต่อเนื่อง: ผู้ช่วยจำบริบทการทำงานของผู้ใช้แต่ละคนได้ดีขึ้น
- ทางเลือกด้านต้นทุน: งานจำนวนมากไม่จำเป็นต้องใช้โมเดลใหญ่ที่สุด การเลือกโมเดลให้ตรงงานคือการประหยัดที่ได้ผลที่สุด
ข้อควรระวังคือความจำถาวรมีนัยด้านความเป็นส่วนตัว องค์กรจึงควรกำหนดว่าข้อมูลใดให้ระบบจดจำได้ ระยะเวลาเก็บ และช่องทางให้ผู้ใช้ขอดูหรือลบข้อมูลของตน
ที่มาและเครดิต: สรุปและเรียบเรียงจากรายการ AI NEWS ของช่อง AI Search (ตอน Cybersecurity chaos, AI for DNA, Kimi K3.1, Claude Duet, Dessa, Fibo 2, Minimax 3.1) — รับชมต้นฉบับบน YouTube · บทความนี้เรียบเรียงใหม่เป็นภาษาไทยเพื่อผู้อ่านองค์กรในประเทศไทย