ข้ามไปเนื้อหาหลัก

Darwin-180B-RSI: โมเดล AI จากเกาหลีครองแชมป์ Hugging Face

VIDRAFT สตาร์ทอัพ Pre-AGI จากเกาหลีใต้เปิดตัว Darwin-180B-RSI โมเดล MoE 1.8 แสนล้านพารามิเตอร์ที่ผสานการปรับปรุงตัวเอง ครอง 5 อันดับแรกบน Hugging Face

เรียบเรียงโดย AI
Inewgen
30 Sep 2026ที่มา: Dev.to3 นาทีอ่าน (0 ครั้ง)
แชร์
Darwin-180B-RSI: โมเดล AI จากเกาหลีครองแชมป์ Hugging Face

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

ขนาดตัวอักษร
  • VIDRAFT สตาร์ทอัพ AI จากเกาหลีใต้เปิดตัว Darwin-180B-RSI ในช่วงปลายเดือนกันยายน 2026
  • โมเดลมีพารามิเตอร์รวม 1.8 แสนล้านตัว แต่ใช้การเปิดใช้งานผู้เชี่ยวชาญ 10 จาก 512 ตัวต่อโทเค็น
  • อ้างว่าครองอันดับ 1 บน 5 ลีดเดอร์บอร์ดของ Hugging Face ด้านคณิตศาสตร์ วิทยาศาสตร์ และการให้เหตุผล
  • ใช้วิธีการผสานโมเดลแบบเลือกสรรและการพัฒนาตัวเองแบบวนซ้ำโดยอาศัยการตรวจสอบความถูกต้อง

วงการปัญญาประดิษฐ์ต้องจับตาอีกครั้งเมื่อ VIDRAFT สตาร์ทอัพสัญชาติเกาหลีใต้ผู้พัฒนาเทคโนโลยี Pre-AGI ได้ประกาศเปิดตัวโมเดลเหตุผลแบบโอเพนซอร์สชิ้นใหม่ในชื่อ Darwin-180B-RSI ซึ่งสร้างขึ้นบนพื้นฐานสถาปัตยกรรม Qwen3.8-Flash-Next โมเดลดังกล่าวชูจุดเด่นด้วยขนาดพารามิเตอร์จำนวน 1.8 แสนล้านพารามิเตอร์ และผสานกลไกการรวมโมเดลแบบคัดเลือกเข้ากับการพัฒนาตัวเองแบบวนซ้ำ (Recursive Self-Improvement)

ในแง่ของการออกแบบสถาปัตยกรรม Darwin-180B-RSI เลือกใช้ระบบเปิดใช้งานผู้เชี่ยวชาญแบบเบาบาง (Sparse Expert Activation) โดยในแต่ละโทเค็นจะทำการเรียกใช้งานผู้เชี่ยวชาญเพียง 10 ตัวจากทั้งหมด 512 ตัวเท่านั้น ส่งผลให้ต้นทุนการคำนวณจริงต่อการส่งต่อข้อมูล (Forward Pass) ลดลงอย่างมากเมื่อเทียบกับโมเดลแบบหนาแน่น (Dense Model) ขนาด 1.8 แสนล้านพารามิเตอร์ทั่วไป ซึ่งช่วยลดภาระค่าใช้จ่ายและเวลาหน่วงในการใช้งานจริงได้อย่างมีนัยสำคัญ

artificial intelligence neural network data visualization

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

180Bพารามิเตอร์รวม
10/512ผู้เชี่ยวชาญที่เปิดใช้งานต่อโทเค็น
5อันดับ 1 บนลีดเดอร์บอร์ด Hugging Face

กระบวนการทำงานเบื้องหลังของโมเดลนี้เป็นการผสมผสานระหว่างเทคนิคการรวมโมเดลแบบเลือกสรร (Selective Model Merging) และการปรับปรุงตัวเองแบบวนซ้ำ (RSI) ซึ่งมีความคล้ายคลึงกับแนวคิดอย่าง Rejection Sampling Fine-Tuning หรือ Self-Play Reinforcement Learning ทว่าทาง VIDRAFT ยังไม่ได้เปิดเผยรายละเอียดเชิงเทคนิคระดับลึก เช่น จำนวนรอบการทำซ้ำ (Iteration Count) โมเดลให้รางวัล (Reward Modeling) และเกณฑ์การคัดกรองข้อมูลในรายงานต้นฉบับ

ไม่อยากพลาดข่าวใหม่?

สมัครรับสรุปข่าวสารใหม่ทางอีเมล ไม่บ่อยจนรำคาญ

โฆษณา

การที่โมเดลแบบ MoE (Mixture of Experts) เลือกเปิดใช้งานเพียงบางส่วนต่อหนึ่งการประมวลผล ถือเป็นกุญแจสำคัญที่ช่วยให้โมเดลขนาดมหึมาสามารถรันบนฮาร์ดแวร์ที่จำกัดได้ดีขึ้น อย่างไรก็ตาม วิศวกรที่สนใจนำไปปรับใช้ควรตรวจสอบการใช้หน่วยความจำและพิจารณากลยุทธ์การทำ Quantization ควบคู่กันไป เนื่องจากน้ำหนักทั้งหมดของโมเดลยังคงต้องถูกโหลดเก็บไว้ในหน่วยความจำของระบบ

แม้ผลลัพธ์บนกระดานผู้นำจะน่าประทับใจ แต่บทความต้นฉบับได้ระบุคำเตือนสำคัญไว้อย่างชัดเจนว่า คะแนนทั้งหมดนี้เป็นข้อมูลที่ทาง VIDRAFT ทำการทดสอบและรายงานด้วยตนเองโดยยังไม่มีการตรวจสอบรับรองจากบุคคลที่สามที่เป็นอิสระ คะแนนบนชุดข้อมูลทดสอบมาตรฐานเหล่านี้อาจไม่สะท้อนถึงประสิทธิภาพที่แท้จริงเมื่อนำไปใช้งานกับภาระงานในระบบจริงหรือชุดข้อมูลภายนอกที่ไม่เคยเห็นมาก่อน

สำหรับผู้ที่สนใจทดลองใช้งาน โมเดลนี้ถูกระบุว่าเป็นโอเพนซอร์สที่เปิดให้ดาวน์โหลดผ่านแพลตฟอร์ม Hugging Face โดยสามารถใช้ชุดคำสั่งผ่านเครื่องมือ CLI เช่นคำสั่งค้นหา huggingface-cli search vidraft/darwin-180b-rsi หรือคำสั่งดาวน์โหลด huggingface-cli download vidraft/darwin-180b-rsi ทั้งนี้เส้นทางพอยต์รีโพสอรีที่แน่ชัดยังต้องรอการยืนยันจากหน้าการ์ดโมเดลอย่างเป็นทางการอีกครั้ง

ที่มา: Dev.to

ความคิดเห็น

แสดงความคิดเห็น
0/2000

พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้