มัดรวม 8 โมเดลใหม่ประจำสัปดาห์ ที่มีทั้ง Multimodal Model จาก Typhoon ของไทย และ LLaVA-OneVision จากจีน พร้อมด้วยโมเดลที่รองรับภาษาเกาหลี EXAONE 3.0&nbsp;ฟากโมเดลสำหรับการทำงานกับภาพและวิดีโอก็มีทั้ง LLaVA-OneVision และโมเดลสร้างภาพจากข้อความอย่าง&nbsp; FLUX.1, Grok, และ Imagen 3 ที่แข่งขันกันพัฒนาให้ภาพมีรายละเอียดที่สมจริงมากขึ้นเรื่อยๆ&nbsp;

SCB10X เปิดตัวโมเดล Multimodal Typhoon 2 โมเดล ได้แก่ Typhoon-Vision และ Typhoon-Audio โดยมีขนาด 8B และยังเป็นเวอร์ชันพรีวิวสำหรับการวิจัย ที่ต่อยอดมาจาก llama-3-typhoon-v1.5-8b-instruct&nbsp;

ภาษาที่รองรับ: ไทยและอังกฤษ&nbsp;

License: <a href="https://llama.meta.com/llama3/license/" target="_blank">Llama 3 Community License</a>&nbsp;

แหล่งเข้าถึง: &nbsp;

เป็น Open source LLMโดยนักวิจัยชาวจีนพัฒนาขึ้นร่วมกับ ByteDance ซึ่งมีขนาด 0.5B, 7B, และ 72B มีความสามารถในการประมวลผลทั้งภาพนิ่งและวีดีโอ และยังสามารถรองรับรูปภาพหลายรูปได้ในทีเดียว&nbsp;

LLaVA-OneVision สามารถเข้าใจบริบทของสถานที่และสถานการณ์ในรูปและวีดีโอได้ดี จึงทำให้โมเดลมีความสามารถในการเข้าใจในรูปภาพและวีดีโอมากกว่าโมเดลอื่นๆ&nbsp;

แหล่งเข้าถึง: <a href="https://huggingface.co/lmms-lab">https://huggingface.co/lmms-lab</a>

โมเดลภาษารุ่นใหม่ ขนาด 7.8B ซึ่งถูกเทรนด้วยชุดข้อมูลขนาด 8T tokens &nbsp;จาก LG ที่รองรับทั้งภาษาอังกฤษและเกาหลี ได้เปิดให้ใช้งานใน Open source ครั้งแรก เพื่อสนับสนุนการทำงานวิจัย 

ในการ benchmark ได้ใช้การวัดบน Chatbot Arena โดย EXAONE มีคะแนนเฉลี่ยสูงสุดในด้าน Math และ Coding เป็นอันดับ 1&nbsp;

ในแง่ความคุ้มค่า  EXAONE  สามารถประมวลผลเร็วขึ้นถึง 56% ช่วยต้นทุนลดลงถึง 72% สำหรับเวอร์ชัน 2.0 และ 6% สำหรับเวอร์ชัน 1.0&nbsp;

ภาษาที่รองรับ: อังกฤษและเกาหลี&nbsp;

License: EXAONE AI Model License Agreement 1.1 - NC&nbsp;

แหล่งเข้าถึง: <a href="https://huggingface.co/LGAI-EXAONE/EXAONE-3.0-7.8B-Instruct" target="_blank">https://huggingface.co/LGAI-EXAONE/EXAONE-3.0-7.8B-Instruct</a>&nbsp;

โมเดลภาษาเฉพาะทางด้านคณิตศาสตร์จาก Qwen โดย Alibaba Cloud สำหรับซีรีส์ Qwen 2 ประกอบด้วย Qwen2-Math และ Qwen2-Math-Insrtuct มีทั้งหมด 3 ขนาด ได้แก่ 1.5B, 7B, และ 72B &nbsp;

Qwen2-Math มีความสามารถทางคณิตศาสตร์เหนือกว่าโมเดลภาษาอื่นๆ เนื่องจาก Qwen ถูก pretrain ด้วยข้อมูลด้านคณิตศาสตร์ในปริมาณมาก ทั้งหนังสือ โค้ด ข้อสอบ  จึงเหมาะกับการแก้ปัญหาทางคณิตศาสตร์ที่ซ้ำซ้อนได้&nbsp;

จากการทดสอบโมเดลบน benchmark ด้านคณิตศาสตร์  ไม่ว่าจะเป็น  GSM8K, Math, หรือ MMLU-STEM และข้อสอบคณิตศาสตร์ AIME 2024 และ AMC 2023 แสดงให้เห็นว่าโมเดล Qwen2 มีประสิทธิภาพดีที่สุด ซึ่งเก่งกว่าสุดยอดโมเดลของวงการอย่าง Llama-3.1-405B, GPT-4o, Claude-3.5-Sonnet, หรือ Gemini-1.5-Pro&nbsp;

ภาษาที่รองรับ: รองรับเฉพาะภาษาอังกฤษ (และอยู่ในระหว่างพัฒนาให้รองรับภาษาจีน)&nbsp;

License: โมเดลขนาด 1.5B และ 7B ได้รับการปล่อยภายใต้ License Apache 2.0 ส่วนขนาด 72B ใช้ License Qianwen &nbsp;

แหล่งเข้าถึง: <a href="https://huggingface.co/Qwen" target="_blank">https://huggingface.co/Qwen</a>&nbsp;

LLM ตัวใหม่ ในซีรีส์ Falcon สร้างโดย Technology Innovation Institute (TII) สหรัฐอาหรับเอมิเรตส์ โมเดล Falcon Mamba 7B ได้รับการตรวจสอบจาก Hugging Face ว่าเป็น State Space Language Model (SSLM) แบบ Open source ที่มีประสิทธิภาพอันดับหนึ่งของโลก &nbsp;

โมเดล Falcon Mamba 7B ถือเป็นรุ่นแรกที่ใช้สถาปัตยกรรม Mamba ทั้งหมด และมีประสิทธิภาพเหนือกว่า Llama 3.1 8B และ Llama 3 8B ของ Meta และ Mistral 7B  &nbsp;

สำหรับโมเดลแบบ SSLM มีการใช้ memory ที่น้อยกว่าสถาปัตยกรรมแบบ Transformers&nbsp; และยังมีคุณสมบัติในการประมวลผลภาษาธรรมชาติ (Natural Language Processing) จึงนำไปประยุกต์ใช้ใน การแปลภาษาอัตโนมัติ การสรุปข้อความ การประมวลผลภาพ และการประมวลเสียง &nbsp;

ภาษาที่รองรับ: อังกฤษ&nbsp;

License: TII Falcon License 2.0&nbsp;

แหล่งเข้าถึง: <a href="https://huggingface.co/tiiuae/falcon-mamba-7b" target="_blank">https://huggingface.co/tiiuae/falcon-mamba-7b</a>&nbsp;

FLUX.1 โมเดล generate ภาพจากข้อความขนาด 12B โดยทีมนักวิจัยจาก Black Forest Labs โดยมีทั้งหมด 3 โมเดล ได้แก่&nbsp;

โมเดล FLUX.1 [pro] และ [dev] มีประสิทธิภาพเหนือกว่า Midjourney v6.0, DALL-E 3 (HD) และ SD3-Ultra ในหลายด้าน ไม่ว่าจะเป็น คุณภาพของภาพ, ความเข้าใจต่อ prompt, ความหลากหลายของขนาดภาพ/อัตราส่วน, การแสดงผลตัวอักษร, และความหลากหลายของผลลัพธ์ &nbsp;

แหล่งเข้าถึง: <a href="https://huggingface.co/black-forest-labs/FLUX.1-dev">https://huggingface.co/black-forest-labs/FLUX.1-dev</a>

โมเดลภาษาในตระกูล Grok จาก xAI ที่มีความสามารถในการแชต การเขียนโค้ด และการให้เหตุผล (Reasoning) มีทั้งหมด 2 โมเดล ได้แก่ Grok-2 และ Grok-2 mini ซึ่งเป็นรุ่นขนาดเล็ก Grok ถูก benchmark บน LMSYS Leaderboard ในชื่อ “sus-column-r" และได้แสดงให้เห็นว่ามีประสิทธิภาพที่ดีกว่า Claude 3.5 Sonnet และ GPT-4-Turbo

โมเดลทั้งสองรุ่นมีจุดเด่นคือ ความสามารถในการทำความเข้าใจทั้งข้อความและภาพ พร้อมเชื่อมต่อข้อมูลจาก X ได้แบบเรียลไทม์ &nbsp;

นอกจากนี้ &nbsp;xAI ยังร่วมมือกับ Black Forest Labs ในการทดสอบการทำงานร่วมกับโมเดล FLUX.1 ที่เพิ่งเปิดตัวด้วย&nbsp;

ทั้งสองโมเดลได้เปิดให้ใช้งานบนแพลตฟอร์ม X แล้ว โดยผู้ใช้ X Premium และ Premium+ สามารถเข้าถึงโมเดลได้ทั้งสองรุ่น&nbsp;และเตรียมที่จะเปิดให้บริการผ่านทาง API สำหรับองค์กรเร็วๆ นี้&nbsp;

โมเดล generate รูปภาพล่าสุดจาก Google สามารถสร้างภาพที่มีรายละเอียดสมจริงเสมือนภาพถ่ายจริง &nbsp;

Imagen 3 ได้รับการพัฒนาให้มีความเข้าใจขั้นสูงในภาษาธรรมชาติมากขึ้น จึงสามารถเข้าใจ prompt ที่ผู้ใช้ป้อนเข้ามา รวมถึงรายละเอียดเล็กๆ จากข้อความ prompt ที่ยาวขึ้น ช่วยให้โมเดลสามารถสร้างภาพได้หลากหลายสไตล์ นอกจากนี้ ยังสามารถแสดงข้อความในภาพได้ เช่น ข้อความอวยพรวันเกิด หัวข้อในงานนำเสนอ และอื่นๆ

Imagen 3 ได้เปิดให้ทดลองใช้งานใน ImageFX หรือสามารถลง waiting list ได้บน VertexAI &nbsp;

แหล่งเข้าถึง: &nbsp;

สำหรับใครที่สนใจโมเดลปัญญาประดิษฐ์ที่เชี่ยวชาญด้าน NLP (Natural Language Processing) และมีความแม่นยำภาษาไทยสูง VISAI มีบริการโมเดลสำเร็จรูปที่ใช้งานได้บนคลาวด์ สามารถทำงานกับข้อมูลประเภท ข้อความ เสียง และรูปภาพ มากมาย ทดลองใช้งานโมเดลฟรีได้ที่บริการ&nbsp;<a href="https://acp.visai.ai/">AI Cloud Platform</a> --------- ข้อมูลจาก:

[1] Typhoon Multimodal&nbsp; - <a href="https://blog.opentyphoon.ai/typhoon-vision-preview-release-0bdef028ca55" target="_blank">https://blog.opentyphoon.ai/typhoon-vision-preview-release-0bdef028ca55</a>&nbsp;

- <a href="https://blog.opentyphoon.ai/typhoon-audio-preview-release-6fbb3f938287" target="_blank">https://blog.opentyphoon.ai/typhoon-audio-preview-release-6fbb3f938287</a>&nbsp;

[2] <a href="https://llava-vl.github.io/blog/2024-08-05-llava-onevision/" target="_blank">https://llava-vl.github.io/blog/2024-08-05-llava-onevision/</a>&nbsp;

[3] <a href="https://www.lgresearch.ai/blog/view?seq=460" target="_blank">https://www.lgresearch.ai/blog/view?seq=460</a>&nbsp;

[4] <a href="https://qwenlm.github.io/blog/qwen2-math/" target="_blank">https://qwenlm.github.io/blog/qwen2-math/</a>&nbsp;

[5] <a href="https://www.businesswire.com/news/home/54107705/en" target="_blank">https://www.businesswire.com/news/home/54107705/en</a>&nbsp;

[6] <a href="https://blackforestlabs.ai/announcing-black-forest-labs/" target="_blank">https://blackforestlabs.ai/announcing-black-forest-labs/</a>&nbsp;

[7] <a href="https://x.ai/blog/grok-2" target="_blank">https://x.ai/blog/grok-2</a>&nbsp;

[8] <a href="https://blog.google/technology/ai/google-generative-ai-veo-imagen-3/" target="_blank">https://blog.google/technology/ai/google-generative-ai-veo-imagen-3/</a>&nbsp;