WeVisOne-VL: โมเดลวิชันอัจฉริยะประมวลผล 3 งานใน GPU เดียว
ห้องปฏิบัติการ AI ของเทนเซ็นต์เปิดตัว WeVisOne-VL เมื่อ 22 ต.ค. 2026 ทำงานตรวจจับวัตถุ แบ่งส่วน และอ่านข้อความด้วย RTX 4090 ตัวเดียวในเวลาต่ำกว่า 120 มิลลิวินาที
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- WeVisOne-VL เปิดตัวบน arXiv และ Hugging Face เมื่อ 22 ต.ค. 2026 โดยห้องปฏิบัติการ AI ของเทนเซ็นต์
- ผสานการตรวจจับวัตถุ การแบ่งส่วนภาพ และ OCR ไว้ในโมเดลเดียวโดยไม่ต้องใช้หัวแยกอิสระ
- ทำความเร็วประมวลผลด้วย RTX 4090 ตัวเดียวในเวลาต่ำกว่า 120 มิลลิวินาที
- ใช้กลไกแปลงผลลัพธ์การมองเห็นให้เป็นโทเค็นในลำดับการถอดรหัสแบบautoregressive
ในงาน WeChat OpenAI Summit เมื่อวันที่ 24 ต.ค. 2026 ห้องปฏิบัติการ AI ของเทนเซ็นต์ได้สร้างความฮือฮาด้วยการสาธิตการใช้การ์ดจอ RTX 4090 เพียงตัวเดียวในการรับฟีดกล้องสด แล้วประมวลผลออกมาเป็นกรอบพิกัดวัตถุ หน้ากากพิกัด และผลการอ่านข้อความ (OCR) สำหรับทุกสิ่งที่มองเห็นในเวลาไม่ถึง 120 มิลลิวินาที โดยไม่ต้องพึ่งพาตัวตรวจจับ YOLO โมดูล Mask-SAM หรือไปป์ไลน์ PaddleOCR แยกต่างหาก โมเดลเบื้องหลังความสำเร็จนี้คือ WeVisOne-VL (WeChat Vision All-in-One) รุ่นใหม่ล่าสุดของ Vision-Language Models (VLMs) ที่ปล่อยออกมาพร้อมกันบน arXiv และฮับ Hugging Face เมื่อวันที่ 22 ต.ค. 2026
แม้พาดหัวข่าวจะน่าตื่นตาตื่นใจ แต่เนื้อหาในเชิงเทคนิคมีความสำคัญยิ่งกว่า เนื่องจาก WeVisOne-VL ไม่ได้เป็นเพียงการรวมหัวประมวลผลการมองเห็นแบบเดิมเข้าไว้ใต้ API เดียว แต่เป็นการเขียนกราฟการอนุมานใหม่ทั้งหมด ด้วยการมองผลลัพธ์ทางภาพทุกรูปแบบไม่ว่าจะเป็นจุด สี่เหลี่ยม หน้ากาก หรือบรรทัดข้อความ ให้เป็นโทเค็นในลำดับ autoregressive แบบมีโครงสร้าง ทำให้โมเดลเรียนรู้การกระจายความน่าเชื่อถือเพียงชุดเดียวสำหรับผลลัพธ์การมองเห็นทั้งหมด ความเปลี่ยนแปลงนี้ช่วยตัดขั้นตอนการปรับแต่งน้ำหนักความสูญเสียที่ซับซ้อนซึ่งเป็นปัญหาในการฝึกฝนแบบหลายงานมานานหลายปี พร้อมเปิดทางสู่การรับรู้ทางภาพที่เป็นสากลอย่างแท้จริง
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ลองจินตนาการถึงคลังสินค้าโลจิสติกส์ที่ต้องการอัตโนมัติการจัดการพัสดุ ระบบต้องตรวจจับพัสดุแต่ละชิ้น แบ่งส่วนพื้นที่ป้ายกำกับ และอ่านบาร์โค้ดพร้อมที่อยู่ โดยทั่วไปวิศวกรจะต้องนำโมเดลสามตัวมารวมกัน ดังนี้:
- YOLOv8 สำหรับตรวจจับวัตถุ
- Segment Anything Model (SAM) สำหรับทำหน้ากากแบ่งส่วน
- PaddleOCR สำหรับดึงข้อความ
ถึงแม้จะใช้ระบบประมวลผลแบบขนาน แต่ความหน่วงรวมก็ยังสูงเกิน 150 มิลลิวินาที และโมเดลทั้งสามตัวยังใช้หน่วยความจำ GPU รวมกันถึง 12 GB นอกจากนี้วิศวกรยังต้องเผชิญกับผลลัพธ์ที่ขัดแย้งกันเอง เช่น YOLO อาจระบุตำแหน่งวัตถุที่พิกัดหนึ่ง ขณะที่หน้ากากของ SAM อาจคลาดเคลื่อนไปเล็กน้อย ทำให้ต้องมีขั้นตอนการปรับแนวทางหลังการประมวลผลที่เพิ่มความหน่วงและข้อผิดพลาด
การรวมสถาปัตยกรรมแบบแยกส่วนให้เป็นโมเดลเดียวในลักษณะของ WeVisOne-VL ถือเป็นจุดเปลี่ยนสำคัญทางวิศวกรรม AI ที่ช่วยแก้ปัญหาคอขวดด้านหน่วยความจำและความซิงโครไนซ์ของข้อมูลข้ามโมเดล แม้จะต้องแลกมาด้วยความท้าทายในการฝึกฝนข้อมูลขนาดมหึมา แต่วิธีนี้สะท้อนทิศทางของอุตสาหกรรมที่มุ่งลดความซับซ้อนของระบบโครงสร้างพื้นฐานเพื่อรองรับการใช้งานจริงที่มีความหน่วงต่ำ
การเข้ามาของ WeVisOne-VL ช่วยให้ทีมวิศวกรสามารถแทนที่ชุดโมเดลสามตัวด้วยตัวเข้ารหัส ViT-B/16 เพียงตัวเดียวที่ส่งข้อมูลไปยังตัวถอดรหัสแบบ autoregressive ที่มีโครงสร้าง ตัวถอดรหัสจะรับข้อความแจ้งเตือน เช่น การค้นหาพัสดุและอ่านป้ายกำกับ จากนั้นจึงปล่อยโทเค็นออกมาเป็นลำดับเดียว กรณีศึกษานี้แสดงให้เห็นถึงคำมั่นสัญญาหลักของ WeVisOne-VL ว่าการรับรู้ที่รวมเป็นหนึ่งเดียวจะช่วยลดความหน่วง หน่วยความจำ และความซับซ้อนทางวิศวกรรม พร้อมทั้งคงไว้หรือแม้แต่เพิ่มความแม่นยำให้สูงขึ้น
WeVisOne-VL ใช้ตัวถอดรหัสเดี่ยวในการทำนายลำดับชั้นของโทเค็นทางภาพ คำศัพท์ของโทเค็นประกอบด้วยจุดยึดพิกัด โทเค็นมาสก์ VQ-GAN และโทเค็นย่อยสำหรับข้อความ OCR ในระหว่างการฝึกโมเดลจะได้รับสตรีมโทเค็นที่เชื่อมต่อกันซึ่งสลับข้อมูลระดับวัตถุและระดับพิกัดเข้าด้วยกัน ฟังก์ชันความสูญเสียเป็นแบบครอสเอนโทรปีเดี่ยวสำหรับการทำนายโทเค็นถัดไป ทำให้ไม่ต้องคอยปรับสมดุลระหว่างความสูญเสียในการตรวจจับและการแบ่งส่วนภาพ
ผลการทดสอบแสดงให้เห็นว่าไม่มีการลดลงของความแม่นยำเมื่อสลับความละเอียดในทันที โมเดลนำการแทนที่แฝดชุดเดิมกลับมาใช้ซ้ำ เพียงแค่ตัดสตรีมโทเค็นให้สั้นลงหรือยาวขึ้นเท่านั้น การเปลี่ยนความละเอียดจากกรอบสี่เหลี่ยมเป็นมาสก์ใช้เวลาประมวลผลเพิ่มขึ้นเพียง 7 มิลลิวินาที เนื่องจากตัวถอดรหัสยังคงผลิตโทเค็นมาสก์ต่อไปโดยไม่ต้องเข้ารหัสภาพซ้ำ
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ดีไซน์แบบผ่านครั้งเดียว (single-pass) ช่วยลดจำนวนการคำนวณ FLOPs ลง 58% และลดการใช้หน่วยความจำลงครึ่งหนึ่ง ข้อได้เปรียบด้านความเร็วมาจากฟีเจอร์ตัวเข้ารหัสที่ใช้ร่วมกัน และความจริงที่ว่าตัวถอดรหัสประมวลผลสตรีมโทเค็นขนาดกะทัดรัดแทนแผนที่ฟีเจอร์หนาแน่นสำหรับทุกงาน
WeVisOne-VL ได้รับการฝึกฝนด้วยคู่ภาพและข้อความจำนวน 1.8 พันล้านคู่ ซึ่งเป็นชุดย่อยที่เหนือกว่า LAION-5B พร้อมเสริมข้อมูลด้วยมาสก์การแบ่งส่วนสังเคราะห์และโอเวอร์レイ OCR ที่สร้างผ่านไปป์ไลน์ครู-ลูก (teacher-student) การฝึกฝนใช้เวลา 28 วันบนคลัสเตอร์ของการ์ดจอ A100-80 GB จำนวน 64 ตัว กินพลังงานประมวลผลประมาณ 1.5 ล้าน GPU-ชั่วโมง แม้จะมีขนาดใหญ่โต แต่ความสูญเสียรวมกลับลู่เข้าสู่ค่าเป้าหมายเร็วกว่าฐานเปรียบเทียบแบบหลายหัว โดยโมเดลบรรลุประสิทธิภาพ 90% ของขีดสุดหลังจากผ่านไป 12 อีพ็อกช์ ขณะที่ชุดโมเดลผสมสำหรับการตรวจจับ การแบ่งส่วน และ OCR ต้องใช้ถึง 18 อีพ็อกช์จึงจะถึงจุดเดียวกัน
อย่างไรก็ตาม ยังมีความท้าทายที่อาจเป็นอุปสรรคต่อการนำไปใช้งาน เช่น การแปลงมาสก์เป็นโทเค็น VQ-GAN อาจก่อให้เกิดความเสี่ยงเรื่องสิ่งประดิษฐ์จากการบีบอัด แม้ว่าตาข่ายโทเค็นจะเก็บรายละเอียดรูปทรงส่วนใหญ่ไว้ได้ แต่โครงสร้างที่บางมากๆ เช่น สายไฟหรือเส้นผม อาจเสื่อมคุณภาพลง นักวิจัยรายงานว่าคะแนน F-score ขอบเขตลดลง 2-3% สำหรับวัตถุที่มีขนาดเล็กกว่า 10 พิกเซล การแก้ไขอาจต้องอาศัยการปรับความละเอียดของโทเค็นแบบปรับตัว แต่นั่นจะเพิ่มความซับซ้อนให้กับ API การอนุมาน
ประสิทธิภาพของ WeVisOne-VL ยังต้องพึ่งการเข้าถึงข้อมูลภาพและข้อความระดับเพตาไบต์ องค์กรขนาดเล็กที่ไม่สามารถแบกรับต้นทุนการฝึกอบรมล่วงหน้าดังกล่าวอาจต้องพึ่งพาน้ำหนักโมเดลที่ปล่อยออกมา ซึ่งก่อให้เกิดความกังวลเรื่องความเข้ากันได้ของไลเซนส์ โดยใบอนุญาตเชิงพาณิชย์ของโมเดลอนุญาตให้ใช้ API บนคลาวด์ได้ แต่จำกัดการปรับแต่งแบบ on-premise เกิน 10,000 ขั้นตอน ซึ่งอาจจำกัดการปรับแต่งเฉพาะทางในโดเมนเฉพาะเช่น ภาพถ่ายดาวเทียม
ในการสาธิตใช้แสงสว่างภายในอาคารที่สะอาด แต่ในสถานการณ์กลางแจ้งที่มีแสงจ้า ฝนตก หรือภาพเบลอจากการเคลื่อนไหว ความแม่นยำในการตรวจจับ AP จะลดลงเหลือ 38.7% และความแม่นยำของ OCR จะลดลงเหลือ 71% ซึ่งยังถือว่าใช้ได้แต่ต่ำกว่าเครื่องมือ OCR เฉพาะทางที่ฝึกฝนมากับข้อมูลมุมมองถนน ผู้ใช้จึงต้องประเมินว่าโมเดลสากลนี้เพียงพอสำหรับงานที่เน้นความปลอดภัยเป็นสำคัญหรือไม่ เช่น การขับขี่อัตโนมัติที่ระบบรับรู้เฉพาะทางอาจยังมีความได้เปรียบอยู่
เทนเซ็นต์ หัวเว่ย และกระทรวงอุตสาหกรรมและเทคโนโลยีสารสนเทศ (MIIT) ของจีนร่วมเป็นเจ้าภาพในงานเปิดตัว แต่ชุมชน AI ในวงกว้างยังคงนิยมระบบนิเวศแบบโอเพนซอร์ส เช่น LLaVA ของเมตา หรือ CLIP ของโอเพนAI การบูรณาการ WeVisOne-VL เข้ากับไปป์ไลน์ที่มีอยู่อาจต้องอาศัยเลเยอร์อะแดปเตอร์เพื่อแปลงสตรีมโทเค็นให้อยู่ในรูปแบบเทนเซอร์แบบดั้งเดิม โดยผู้ใช้งานกลุ่มแรกรายงานว่าต้องใช้ความพยายามในการบูรณาการเฉลี่ย 3 วัน ซึ่งไม่ใช่เรื่องเล็กสำหรับทีมผลิตภัณฑ์ที่เคลื่อนไหวอย่างรวดเร็ว
แม้จะมีอุปสรรค แต่ปฏิกิริยาของตลาดบ่งชี้ว่า WeVisOne-VL จะเข้ามาปรับเปลี่ยนหลายภาคส่วน นักวิเคราะห์ทางการเงินคาดการณ์รายได้ประจำปี (ARR) จากการออกใบอนุญาต API ไว้ที่ 120 ล้านดอลลาร์ภายในปี 2028 พร้อมรายได้เสริมอีก 45 ล้านดอลลาร์จากข้อตกลง OEM ในอุตสาหกรรมยานยนต์และหุ่นยนต์อุตสาหกรรม กระแสตอบรับในช่วงแรกที่มีการกดโหวตสนับสนุน 225,000 ครั้งบน Hugging Face ภายในเวลาสองสัปดาห์ สะท้อนถึงความต้องการของนักพัฒนาที่มีต่อ API การรับรู้แบบรวมศูนย์อย่างชัดเจน หากชุมชนสามารถแก้ไขปัญหาความเที่ยงตรงของการแปลงโทเค็นและข้อจำกัดด้านไลเซนส์ได้ โมเดลนี้ก็พร้อมที่จะก้าวขึ้นเป็นมาตรฐานใหม่สำหรับการมองเห็นของคอมพิวเตอร์ในอนาคตอันใกล้นี้
ที่มา: Dev.to
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น