<div class="key-takeaways"><ul><li>พัฒนาไปป์ไลน์วิเคราะห์ความรู้สึกภาพยนตร์ IMDb แบบครบวงจร</li><li>ใช้ TF-IDF เป็นเบสไลน์แข่งขันร่วมกับการฝึก DistilBERT ผ่าน LoRA</li><li>ทดสอบความแข็งแกร่ง วิเคราะห์ความยาวรีวิว และความน่าจะเป็น</li><li>ต่อยอดการเรียนรู้แบบกึ่งมีผู้สอนด้วยชุดข้อมูลไร้ป้ายกำกับ</li></ul></div><p>การพัฒนาโมเดลปัญญาประดิษฐ์ในปัจจุบันมักหยุดอยู่แค่การปรับจูนโมเดลทรานสฟอร์เมอร์แล้วรายงานค่าความแม่นยำ แต่ล่าสุดได้มีการสร้างไปป์ไลน์จำแนกความรู้สึกที่เจาะลึกและไปไกลกว่านั้น โดยเริ่มต้นจากการตั้งค่าพื้นฐานด้วย TF-IDF เพื่อให้มีเกณฑ์เทียบเคียงที่แข่งขันได้ พร้อมทั้งฝึกอบรมโมเดล DistilBERT อย่างมีประสิทธิภาพผ่านเทคนิค LoRA</p><p>นอกจากการวัดคุณภาพการพยากรณ์แล้ว ระบบนี้ยังให้ความสำคัญกับการประเมินความน่าเชื่อถือของความน่าจะเป็น พร้อมกับตรวจสอบว่าปัจจัยต่างๆ เช่น ความยาวของรีวิว การตัดทอนข้อความ และข้อผิดพลาดที่มั่นใจสูง ส่งผลต่อประสิทธิภาพในโลกความเป็นจริงอย่างไรบ้าง</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/imdb_distilbert_lora_tf_idf_msln5kzj_inline_1_9d18437669.jpg" alt="data visualization analytics graph artificial intelligence" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ทีมงานยังได้ทำการตีความผลการทำนายในระดับตัวอย่างบุคคลผ่านวิธี occlusion-based saliency เพื่อดูว่าข้อมูลความรู้สึกกระจุกตัวอยู่บริเวณส่วนต้นหรือส่วนท้ายของรีวิวขนาดยาว รวมถึงการขยายขอบเขตการเรียนรู้แบบมีผู้สอนด้วยการใช้ pseudo-labels ความมั่นใจสูงจากชุดข้อมูลที่ไม่มีป้ายกำกับ</p><div class="ai-insight"><p>เทคนิค LoRA หรือ Low-Rank Adaptation ถือเป็นแนวทางสำคัญในยุคปัจจุบันที่ช่วยให้การปรับแต่งโมเดลภาษาขนาดใหญ่หรือทรานสฟอร์เมอร์ใช้ทรัพยากรน้อยลงอย่างมาก โดยไม่ต้องปรับจูนพารามิเตอร์ทั้งหมดของโมเดล ซึ่งมีประโยชน์อย่างยิ่งสำหรับนักพัฒนาที่ต้องการสร้างระบบปัญญประดิษฐ์ที่มีประสิทธิภาพสูงภายใต้ข้อจำกัดด้านฮาร์ดแวร์</p></div><p>สำหรับผู้ที่สนใจรายละเอียดเชิงลึกและโค้ดฉบับเต็ม สามารถติดตามผลงานเพิ่มเติมผ่านช่องทางต่างๆ ของผู้จัดทำ รวมถึงคอมมูนิตี้ด้านแมชชีนเลิร์นนิงที่มีสมาชิกกว่า 150,000 คน</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/09/imdb-sentiment-analysis-with-distilbert-lora-tf-idf-baselines-calibration-interpretability-robustness-testing-and-semi-supervised-learning/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Developed a comprehensive sentiment classification pipeline beyond simple fine-tuning</li><li>Established a competitive TF-IDF baseline alongside efficient DistilBERT training via LoRA</li><li>Evaluated probability reliability, review length influence, and robustness testing</li><li>Extended supervised learning using high-confidence pseudo-labels from unlabeled data</li></ul></div><p>Modern artificial intelligence development often stops at simply fine-tuning a transformer model and reporting accuracy scores. However, a recent rigorous sentiment classification pipeline goes significantly further by establishing a competitive TF-IDF baseline and training DistilBERT efficiently using LoRA.</p><p>Beyond merely measuring predictive quality, the framework evaluates probability reliability and investigates how review length, text truncation, and highly confident mistakes influence real-world performance.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/imdb_distilbert_lora_tf_idf_msln5kzj_inline_1_9d18437669.jpg" alt="data visualization analytics graph artificial intelligence" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>The system also interprets individual predictions utilizing occlusion-based saliency, testing whether sentiment information concentrates near the beginning or end of lengthy reviews. Furthermore, it extends traditional supervised learning by incorporating high-confidence pseudo-labels derived from an unlabeled dataset.</p><div class="ai-insight"><p>Low-Rank Adaptation, or LoRA, represents a vital technique in modern machine learning that drastically reduces the computational resources needed for fine-tuning large language models. By freezing original weights and training a small set of proxy parameters, developers can customize powerful models efficiently even with hardware constraints.</p></div><p>Developers interested in exploring further can access the complete source code or join the active machine learning community featuring over 150,000 members for continuous updates.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/09/imdb-sentiment-analysis-with-distilbert-lora-tf-idf-baselines-calibration-interpretability-robustness-testing-and-semi-supervised-learning/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_article-2128.jpg

small_article-2128.jpg

thumbnail_article-2128.jpg

article-2128.jpg

สรุปผลงานพัฒนาไปป์ไลน์จำแนกความรู้สึกภาพยนตร์ IMDb แบบรอบด้าน ทั้งการใช้โมเดลทรานสฟอร์เมอร์, การปรับแต่งพารามิเตอร์ และการประเมินความน่าเชื่อถือ

An overview of a rigorous sentiment classification pipeline for IMDb reviews, combining transformer fine-tuning, probability calibration, and semi-supervised learning.

เจาะลึกระบบวิเคราะห์ความรู้สึก IMDb ด้วย DistilBERT, LoRA และ TF-IDF

Deep Dive into IMDb Sentiment Analysis Using DistilBERT, LoRA, and TF-IDF

<div class="key-takeaways"><ul><li>Pokee AI เปิดตัวโมเดล Pokee-Isaac ขนาด 28 พารามิเตอร์</li><li>รองรับขอบเขตบริบทระดับ 10 ล้านโทเค็นอย่างแม่นยำ</li><li>เปิดให้ใช้งานผ่าน API และสิทธิ์อนุญาตสำหรับติดตั้งใน VPC หรือ On-Premises</li><li>ทำคะแนนทดสอบประสิทธิภาพเหนือกว่าคู่แข่งในเกณฑ์มาตรฐานหลัก</li></ul></div><p>วงการปัญญาประดิษฐ์ต้อนรับการมาของ <strong>Pokee-Isaac 28B</strong> โมเดลเอเจนต์ระดับแอดวานซ์จาก Pokee AI ซึ่งมาพร้อมความสามารถในการประมวลผลบริบทขนาดยักษ์ถึง 10 ล้านโทเค็น โดยโมเดลนี้เปิดให้บริการในรูปแบบโมเดลที่มีการให้สิทธิ์การใช้งาน (licensed) ผ่าน API สำหรับนักพัฒนาที่รองรับมาตรฐานเดียวกับ OpenAI รวมถึงเปิดให้ติดตั้งใช้งานได้โดยตรงภายในระบบคลาวด์ส่วนตัวเสมือน (VPC) ระบบภายในองค์กร (on-premises) หรือแม้แต่บนอุปกรณ์ฮาร์ดแวร์พกพา</p><p>ในด้านการสนับสนุนโครงสร้างพื้นฐาน การประกาศเปิดตัวระบุถึงการรองรับระบบ vLLM และ SGLang ตั้งแต่วันแรก (Day-0 support) พร้อมความสามารถในการให้บริการผ่านจีพียูเดี่ยวเริ่มต้นตั้งแต่การ์ดจอ RTX 4090 หรือรุ่นเทียบเท่า อย่างไรก็ตาม ทีมวิจัยได้เผยแพร่ผลการวัดประสิทธิภาพจากจีพียูระดับ B200 เท่านั้น ทำให้ตัวเลขฝั่งจีพียูสำหรับผู้บริโภคทั่วไปเป็นข้อมูลคำแนะนำจากผู้พัฒนามากกว่าผลการทดสอบจริงที่ยืนยันแล้ว</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/pokee_ai_pokee_isaac_28b_10_mskxfgu3_inline_1_d8b9d5c15e.jpg" alt="microprocessor chip hardware component electronics" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">93.3%</span><span class="stat-label">ความแม่นยำ RULER ที่ 10M</span></div><div class="stat-item"><span class="stat-number">0.607</span><span class="stat-label">คะแนน MRCR v2 ที่ 256K</span></div><div class="stat-item"><span class="stat-number">35.6</span><span class="stat-label">อัตราความสำเร็จการโจมตี DTAP</span></div></div><p>สำหรับการทดสอบประสิทธิภาพเชิงลึกบนเกณฑ์มาตรฐานต่างๆ โมเดล Pokee-Isaac ทำผลงานได้อย่างโดดเด่น โดยอ้างอิงจากชุดทดสอบ RULER ตัวโมเดลสามารถรักษาความแม่นยำไว้ได้เหนือระดับ 93.3% ในทุกความยาวที่ทดสอบ และปิดท้ายที่ 93.3% ที่ความยาว 10 ล้านโทเค็น ในขณะที่โมเดลอย่าง GPT-5.6 Luna และ Gemini 3.5 Flash Lite สามารถรักษาผลงานได้ถึงระดับ 512K ก่อนจะพบปัญหาความจุบริบทล้น (context-overflow) ที่ระดับ 1M</p><p>ยิ่งไปกว่านั้น ในการทดสอบ MRCR v2 แบบใช้เข็มทิ่ม 8 เล่ม (8 needles) โมเดล Isaac ทำคะแนนได้ 0.607, 0.743 และ 0.500 ที่ระดับความยาว 256K, 512K และ 1M ตามลำดับ โดยมีระยะห่างด้านคะแนนที่เหนือกว่าคู่แข่งอย่าง Gemini เพิ่มสูงขึ้นจาก 0.133 เป็น 0.295 ตลอดช่วงการทดสอบดังกล่าว ส่วนผลการทดสอบการโจมตีแบบ Red-Teaming ผ่าน DTAP บันทึกอัตราความสำเร็จของการโจมตีโดยตรงได้ 35.0 ทางอ้อม 35.2 และแบบผสมที่ 35.6 พร้อมด้วยอัตราความสำเร็จในเคสปกติที่ 82.5% แม้ว่าการเปรียบเทียบนี้จะมีความต่างในส่วนของชุดเครื่องมือที่ใช้รันระหว่างรุ่นมาตรฐานและชุดเครื่องมือของ Pokee เองก็ตาม</p><div class="ai-insight"><p>การที่โมเดลปัญญาประดิษฐ์สามารถรองรับบริบทขนาดยักษ์ระดับ 10 ล้านโทเค็นภายในขอบเขตข้อมูลของลูกค้า (Customer Boundary) ถือเป็นก้าวสำคัญด้านความปลอดภัยและความเป็นส่วนตัวของข้อมูลองค์กร การนำโมเดลไปรันบนฮาร์ดแวร์ภายในองค์กรหรือบนอุปกรณ์ (On-Device) ช่วยลดความเสี่ยงในการรั่วไหลของข้อมูลละเอียดอ่อนที่ต้องส่งไปยังเซิร์ฟเวอร์ภายนอก เหมาะสำหรับอุตสาหกรรมที่มีข้อบังคับด้านกฎหมายความคุ้มครองข้อมูลที่เข้มงวด เช่น การเงินและการแพทย์</p></div><p>ด้านสมรรถนะการทำงานบนจีพียูระดับ B200 ภายใต้เวิร์กโหลด RULER พบว่าเวลาในการตอบสนองคำขอแรก (TTFT) อยู่ที่ 23.6 วินาทีที่ความยาว 1M และ 72.9 วินาทีที่ความยาว 10M ในขณะที่ความเร็วในการประมวลผลข้อความล่วงหน้า (Prefill throughput) เพิ่มขึ้นตามขนาดบริบทจาก 42,400 ไปจนถึง 137,200 โทเค็นต่อวินาที ส่งผลให้พรอมต์ที่มีความยาวเพิ่มขึ้นสิบเท่ามีต้นทุนด้านเวลา TTFT เพิ่มขึ้นเพียงประมาณสามเท่าเท่านั้น</p><p>สำหรับอัตราค่าบริการตามรายการระบุไว้ที่ 0.15 ดอลลาร์สหรัฐต่ออินพุตหนึ่งล้านโทเค็น และ 1.00 ดอลลาร์สหรัฐต่อเอาต์พุตหนึ่งล้านโทเค็น ซึ่งยังคงเป็นการประเมินในเบื้องต้น นอกจากนี้ โมเดล Isaac ยังสามารถทำงานได้แบบเต็มรูปแบบบนอุปกรณ์ (On-Device) ผ่านชิปประมวลผลอย่าง Intel Arc Pro B70, Core Ultra Series 3 (Panther Lake) และ Qualcomm Snapdragon X2 Elite</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/08/pokee-ai-releases-pokee-isaac-28b-a-10m-token-context-agentic-model-built-to-run-inside-the-customer-boundary/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Pokee AI introduces the Pokee-Isaac model with 28 billion parameters</li><li>Supports a massive 10-million token context length accurately</li><li>Available via API and licensed for VPC and on-premises deployment</li><li>Outperforms competing models across major benchmark evaluations</li></ul></div><p>The artificial intelligence landscape welcomes <strong>Pokee-Isaac 28B</strong>, an advanced agentic model developed by Pokee AI designed to handle an enormous context window of 10 million tokens. The model is offered as a licensed solution through an OpenAI-compatible developer API, with deployment options tailored for virtual private clouds (VPCs), on-premises environments, or local hardware devices.</p><p>Regarding infrastructure support, the launch announcement details Day-0 compatibility with vLLM and SGLang, alongside single-GPU serving requirements beginning with an RTX 4090 or equivalent hardware. However, the research team published measurements derived exclusively from a B200-class GPU, meaning consumer-GPU deployment claims should be viewed as vendor guidance rather than benchmarked outcomes.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/pokee_ai_pokee_isaac_28b_10_mskxfgu3_inline_1_d8b9d5c15e.jpg" alt="microprocessor chip hardware component electronics" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">93.3%</span><span class="stat-label">RULER Accuracy at 10M</span></div><div class="stat-item"><span class="stat-number">0.607</span><span class="stat-label">MRCR v2 Score at 256K</span></div><div class="stat-item"><span class="stat-number">35.6</span><span class="stat-label">DTAP Combined Attack Rate</span></div></div><p>When evaluated across rigorous benchmark suites, the Pokee-Isaac model delivers exceptional performance metrics. According to the RULER evaluation framework, the model maintains an accuracy score remaining above 93.3% across every tested length, concluding at 93.3% at the 10-million token mark. By comparison, baseline models such as GPT-5.6 Luna and Gemini 3.5 Flash Lite track closely up to 512K before encountering context-overflow errors at 1M.</p><p>Furthermore, in the MRCR v2 evaluation utilizing 8 needles, Isaac achieves scores of 0.607, 0.743, and 0.500 at context lengths of 256K, 512K, and 1M respectively, expanding its performance margin over Gemini from 0.133 to 0.295 throughout the evaluation sweep. In DTAP red-teaming assessments, Isaac records the lowest direct attack success rate at 36.0, indirect at 35.2, and combined at 35.6, accompanied by an 82.5% benign success rate, noting that baseline models executed under the stock runner while Isaac utilized the Pokee harness.</p><div class="ai-insight"><p>The capability of modern artificial intelligence models to process a 10-million token context window entirely within customer boundaries represents a major leap forward for data security and privacy. Enabling local execution within private enterprise infrastructure or directly on-device significantly mitigates the compliance risks associated with transmitting sensitive proprietary data to external cloud servers, catering directly to heavily regulated sectors like finance and healthcare.</p></div><p>Analyzing performance characteristics on a single B200-class GPU under the RULER workload, time to first token (TTFT) is measured at 23.6 seconds at 1M context length and 72.9 seconds at 10M. Meanwhile, prefill throughput scales upward alongside context expansion, shifting from 42,400 to 137,200 tokens per second, indicating that a tenfold increase in prompt length incurs roughly three times the TTFT overhead.</p><p>Provisional list pricing is established at $0.15 per million input tokens and $1.00 per million output tokens. Additionally, Isaac operates fully on-device across hardware architectures including Intel Arc Pro B70, Core Ultra Series 3 (Panther Lake), and Qualcomm Snapdragon X2 Elite processors.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/08/pokee-ai-releases-pokee-isaac-28b-a-10m-token-context-agentic-model-built-to-run-inside-the-customer-boundary/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_pokee-ai-pokee-isaac-28b-10-mskxfgu3.jpg

small_pokee-ai-pokee-isaac-28b-10-mskxfgu3.jpg

thumbnail_pokee-ai-pokee-isaac-28b-10-mskxfgu3.jpg

pokee-ai-pokee-isaac-28b-10-mskxfgu3.jpg

โมเดลเอเจนต์ขนาด 28B จาก Pokee AI ชูจุดเด่นรองรับบริบท 10 ล้านโทเค็น พร้อมใช้งานภายในระบบลูกค้าและการประมวลผลบนอุปกรณ์ฮาร์ดแวร์

Pokee AI launches the Pokee-Isaac 28B agentic model featuring a 10-million token context window, designed for secure deployment within customer boundaries and on-device hardware.

Pokee AI เปิดตัวโมเดล Pokee-Isaac 28B รองรับบริบท 10 ล้านโทเค็น

Pokee AI Releases Pokee-Isaac 28B with 10M-Token Context Window

<div class="key-takeaways"><ul><li>Shepherd เป็นซอฟต์แวร์โอเพนซอร์สบน Python ภายใต้สัญญาอนุญาตแบบ MIT</li><li>บันทึกการทำงานของเอเจนต์และระบบไฟล์ในรูปแบบคล้าย Git ด้วยระบบ copy-on-write</li><li>ทำงานเร็วกว่า Docker ถึง 5 เท่า และใช้ประโยชน์จาก prompt-cache ได้มากกว่า 95%</li><li>ใช้งานได้กับ Python 3.11 ขึ้นไป และรองรับระบบปฏิบัติการ macOS และ Linux</li></ul></div><p>ในปัจจุบันการพัฒนาเอเจนต์ปัญญาประดิษฐ์มีความซับซ้อนมากขึ้น ล่าสุดได้มีการเปิดตัว <strong>Shepherd</strong> ซึ่งเป็นโครงสร้างพื้นฐานหรือ Python substrate ที่ถูกออกแบบมาเพื่อบันทึกทุกขั้นตอนการทำงานของเอเจนต์ AI ให้กลายเป็นวัตถุระดับเฟิร์สต์คลาส โดยการปฏิสัมพันธ์ระหว่างเอเจนต์และสภาพแวดล้อมจะถูกแปลงเป็นเหตุการณ์ที่มีการกำหนดไทป์อย่างชัดเจน บันทึกไว้ในลักษณะคล้ายกับประวัติการทำงานของ Git และผ่านการตรวจสอบความถูกต้องด้วยระบบ Lean</p><p>ระบบการทำงานของ Shepherd จะถือว่าทุกๆ การปฏิสัมพันธ์คือการ commit หนึ่งครั้ง แต่มีความพิเศษกว่า Git ตรงที่การ commit นี้จะครอบคลุมทั้งกระบวนการทำงานของเอเจนต์และระบบไฟล์ไปพร้อมกันผ่านเทคโนโลยี copy-on-write ทำให้สาขาหรือ branch ที่สร้างขึ้นสามารถพกพาสถานะการทำงานจริงๆ ติดตัวไปได้ ไม่ใช่แค่ไฟล์ข้อมูลธรรมดา และการย้อนกลับไปยังจุดก่อนหน้าสามารถทำได้ด้วยการ fork เพียงครั้งเดียวจากจุด commit นั้นๆ</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/shepherd_python_meta_mskxekyt_inline_1_4a7a139da3.jpg" alt="software development computer monitor dashboard data analytics" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">5×</span><span class="stat-label">ทำงานเร็วกว่า Docker</span></div><div class="stat-item"><span class="stat-number">95%</span><span class="stat-label">ประหยัดแคชด้วย prompt-cache reuse</span></div></div><p>ทีมวิจัยผู้พัฒนาได้ระบุตัวเลขประสิทธิภาพที่น่าสนใจว่า Shepherd สามารถทำการแยกสาขา (fork) ทั้งกระบวนการทำงานของเอเจนต์และระบบไฟล์ได้เร็วกว่าระบบ Docker ถึง 5 เท่า นอกจากนี้เนื่องจากส่วนนำหน้าของ prompt ก่อนถึงจุดแยกสาขาไม่มีการเปลี่ยนแปลง การเล่นซ้ำการทำงาน (replay) จึงสามารถใช้ประโยชน์จากการรีไซเคิล prompt-cache ได้สูงถึง 95% เลยทีเดียว</p><div class="ai-insight"><p>การที่ Shepherd สามารถจำลองการทำงานและจัดการระบบไฟล์ในลักษณะเดียวกับระบบควบคุมเวอร์ชัน (Version Control) ถือเป็นก้าวสำคัญที่จะช่วยลดความเสี่ยงในการพัฒนา AI Agent โดยเฉพาะการป้องกันไม่ให้เอเจนต์เขียนข้อมูลที่ผิดพลาดลงในระบบ เนื่องจากนักพัฒนาสามารถตรวจสอบร่องรอยและย้อนกลับข้อผิดพลาดได้ทันทีเหมือนกับการย้อนโค้ดใน GitHub</p></div><p>สำหรับโครงสร้างภายในของเฟรมเวิร์กนี้ถูกแบ่งออกเป็น 4 แนวคิดหลัก ได้แก่ tasks (ฟังก์ชันที่กำหนดประเภทซึ่งโมเดลจะเติมเนื้อหา), effects (การข้ามขอบเขตของทาสก์ที่สามารถตรวจสอบหรือปฏิเสธได้), runs (บันทึกการทำงานที่ถาวร) และ workspaces รวมถึงมีการประกาศสิทธิ์การเข้าถึงผ่านลายเซ็นของฟังก์ชัน เช่น Binding แบบ May[GitRepo, ReadOnly] ที่จะถูกแปลงและบังคับใช้ที่ระดับระบบปฏิบัติการผ่านเครื่องมืออย่าง Seatbelt บน macOS และ Landlock บน Linux</p><p>แม้ว่าในขณะนี้ซอฟต์แวร์ดังกล่าวจะยังอยู่ในช่วงเริ่มต้นอย่าง early alpha และยังไม่พร้อมสำหรับการใช้งานจริงในระดับ production แต่ผู้สนใจก็สามารถติดตั้งใช้งานได้ทันทีผ่านคำสั่ง pip install shepherd-ai จาก PyPI โดยรองรับการใช้งานร่วมกับ Python 3.11 ขึ้นไป</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/08/meet-shepherd-an-open-source-python-substrate-that-lets-meta-agents-fork-replay-and-revert-any-agent-run/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Shepherd is an open-source Python substrate released under an MIT license.</li><li>Records agent interactions and filesystems in a Git-like execution trace using copy-on-write.</li><li>Forks processes 5x faster than Docker with over 95% prompt-cache reuse.</li><li>Requires Python 3.11+ and supports macOS Seatbelt and Linux Landlock security mechanisms.</li></ul></div><p>Managing complex AI agent workflows has taken a major step forward with the introduction of <strong>Shepherd</strong>, an open-source Python substrate designed to record an agent's execution as a first-class object. Every single interaction between the agent and its environment is transformed into a typed event within a Git-like execution trace, with core operations formalized as functions and mechanized using Lean.</p><p>Every interaction in Shepherd acts effectively as a commit. Unlike traditional Git, however, this commit covers both the active agent process and the underlying filesystem simultaneously through a copy-on-write mechanism. Consequently, a branch carries live runtime states rather than static files alone, and jumping back to a previous milestone requires only a single fork from that specific commit point.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/shepherd_python_meta_mskxekyt_inline_1_4a7a139da3.jpg" alt="software development computer monitor dashboard data analytics" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">5×</span><span class="stat-label">Faster process and filesystem forking than Docker</span></div><div class="stat-item"><span class="stat-number">95%</span><span class="stat-label">Prompt-cache reuse during replays</span></div></div><p>The research team reports impressive performance metrics, noting that Shepherd forks the agent process and its filesystem 5 times faster than Docker. Furthermore, because the prompt prefix leading up to the branch point remains unchanged, execution replays achieve over 95 percent prompt-cache reuse efficiency.</p><div class="ai-insight"><p>By applying version-control principles directly to runtime agent execution and filesystems, Shepherd introduces a robust safety layer for autonomous AI systems. This architecture allows higher-level supervisory agents to inspect execution traces and intercept faulty write operations before they commit, addressing one of the primary reliability bottlenecks in agentic workflows.</p></div><p>The framework architecture is built around four central concepts: tasks, effects, runs, and workspaces. A task functions as a typed signature where the model fills in the body, while an effect represents every crossing of the task boundary that can be monitored, answered, or blocked. Permissions are explicitly declared in the signature, where bindings like May[GitRepo, ReadOnly] compile directly to writable roots enforced at the native syscall jail level using macOS Seatbelt and Linux Landlock.</p><p>Although currently available in an early alpha stage and not yet recommended for production environments, Shepherd is MIT-licensed and can be installed via PyPI using pip install shepherd-ai, requiring Python 3.11 or higher.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/08/meet-shepherd-an-open-source-python-substrate-that-lets-meta-agents-fork-replay-and-revert-any-agent-run/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_shepherd-python-meta-mskxekyt.jpg

small_shepherd-python-meta-mskxekyt.jpg

thumbnail_shepherd-python-meta-mskxekyt.jpg

shepherd-python-meta-mskxekyt.jpg

Shepherd เครื่องมือโอเพนซอร์สใหม่ที่ช่วยให้เอเจนต์ AI สามารถทำการแยกสาขา (fork) ย้อนกลับ (revert) และเล่นซ้ำ (replay) การทำงานได้แบบเรียลไทม์

Shepherd is a new MIT-licensed open-source tool enabling AI agents to fork, replay, and revert execution runs seamlessly.

รู้จักกับ Shepherd ซอฟต์แวร์โอเพนซอร์สบน Python จาก Meta สำหรับจัดการเอเจนต์

Meet Shepherd: An Open-Source Python Substrate That Lets Meta-Agents Fork and Revert

<div class="key-takeaways"><ul><li>Shieldstral-1.0-3B เป็นโมเดลความปลอดภัยมัลติโมดัลขนาด 3 พันล้านพารามิเตอร์ ใช้สัญญาอนุญาต Apache 2.0</li><li>ใช้หน่วยความจำ VRAM เพียง 16GB ในรูปแบบ BF16 และรันบนจีพียูเดี่ยวได้ทันที</li><li>ทำคะแนนเฉลี่ย F1 บนความปลอดภัยข้อความสูงถึง 84.9% เทียบเท่า GPT-OSS-Safeguard-20B</li><li>รองรับบริบทสูงสุด 32,000โทเค็นครอบคลุม 12 ภาษาและติดตั้งใช้งานผ่านแพลตฟอร์มยอดนิยมได้หลากหลาย</li></ul></div><p>Mistral AI ได้เปิดตัวโมเดลความปลอดภัยตัวใหม่ล่าสุดในชื่อ Shieldstral-1.0-3B ซึ่งเป็นตัวจำแนกความปลอดภัยมัลติโมดัลแบบปรับนโยบายได้ (Policy-Adaptive Multimodal Safety Classifier) ที่มาพร้อมน้ำหนักแบบเปิดเผย (Open-Weights) โดยจุดเด่นสำคัญคือการทำงานแบบโลคอลบนจีพียูเดี่ยว และใช้พื้นที่หน่วยความจำ VRAM เพียง 16GB ในรูปแบบ BF16 พร้อมทั้งเปิดให้ใช้งานเชิงพาณิชย์และทั่วไปภายใต้สัญญาอนุญาต Apache 2.0</p><p>ในด้านการติดตั้งใช้งาน โมเดลนี้รองรับเส้นทางการให้บริการที่หลากหลาย ได้แก่ vLLM เวอร์ชัน 0.26.0 ขึ้นไป (แนะนำ), llama.cpp ผ่านการแปลงไฟล์เป็น GGUF ด้วยการควอนไทซ์ระดับ Q8_0, Q5_K_M และ Q4_K_M รวมถึง SGLang และ Transformers อีกทั้งยังสนับสนุนการปรับแต่งโมเดลเพิ่มเติม (Fine-tuning) ผ่านเครื่องมือ Axolotl เนื่องจากการจำแนกผลลัพธ์จะปล่อยโทเค็นออกมาเพียงตัวเดียว ส่งผลให้ความหน่วง (Latency) และต้นทุนต่ำกว่าระบบป้องกันที่ใช้กระบวนการให้เหตุผล (Reasoning-based guards) อย่าง GPT-OSS-Safeguard-20B อย่างมาก</p><div class="ai-insight"><p>การที่โมเดลขนาดเล็กอย่าง Shieldstral-1.0-3B สามารถทำหน้าที่ตรวจสอบความปลอดภัยได้รวดเร็วโดยปล่อยโทเค็นเพียงตัวเดียว ถือเป็นก้าวสำคัญในการลดภาระต้นทุนด้านฮาร์ดแวร์สำหรับองค์กรที่ต้องการระบบคัดกรองเนื้อหาแบบเรียลไทม์บนเซิร์ฟเวอร์ท้องถิ่น แทนที่จะต้องพึ่งพา API ขนาดใหญ่ที่มีค่าใช้จ่ายสูงและมีความหน่วงมากกว่า</p></div><p>ความได้เปรียบของโมเดลนี้ไม่ได้มาจากขนาดพารามิเตอร์ แต่มาจากชุดข้อมูลฝึกอบรมที่มีจำนวนราว 54.1 ล้านตัวอย่าง ซึ่งแบ่งเป็นข้อมูลข้อความโอเพนซอร์ก 45.2 ล้านตัวอย่าง ข้อความเปรียบเทียบเชิงสังเคราะห์ 4.4 ล้านตัวอย่าง และข้อมูลมัลติโมดัลอีก 4.5 ล้านตัวอย่าง ทีมงานได้พัฒนาเลเยอร์รวมกลุ่มแบบใช้เทมเพลตเพื่อแปลงชุดข้อมูลทั้งหมดให้อยู่ในรูปแบบ คำสั่ง-คำถาม-เอกสาร เดียวกัน ผ่านตัวประมวลผลเฉพาะของแต่ละชุดข้อมูล พร้อมทั้งปรับระดับความเข้มงวดให้เหมาะสม</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/mistral_ai_shieldstral_1_0_3b_msk7qze5_inline_1_587a7b4d31.png" alt="deep learning neural network visualization data analytics" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>เทคนิคที่น่าสนใจคือการสร้างข้อมูลเปรียบเทียบ (Contrastive Generation) โดยใช้โมเดลภาษาขนาดใหญ่แปลงข้อความที่ปลอดภัยให้กลายเป็นเวอร์ชันที่ไม่ปลอดภัย ซึ่งละเมิดหมวดหมู่เป้าหมายแต่จงใจไม่ละเมิดหมวดหมู่พี่น้อง (Sibling categories) ทำให้เกิดตัวอย่างเชิงบวกและตัวอย่างเชิงลบที่ยากบนเนื้อหาเดียวกันในการเรียกใช้งานครั้งเดียว ส่วนข้อมูลรูปภาพจะถูกเสริมด้วยชุดข้อมูลภาพทั่วไปเพื่อใช้เป็นตัวอย่างเชิงลบ การกลายพันธุ์ของคำถามผ่านอนุกรมวิธานภาพ 14 ประเภทย่อย และการกรองด้วยตัวจัดอันดับใหม่แบบวิสัยทัศน์-ภาษา (Vision-language reranker)</p><div class="stat-row"><div class="stat-item"><span class="stat-number">84.9%</span><span class="stat-label">คะแนนเฉลี่ย F1 ด้านความปลอดภัยข้อความ</span></div><div class="stat-item"><span class="stat-number">83.8%</span><span class="stat-label">ความปลอดภัยมัลติโมดัลโดยรวม</span></div><div class="stat-item"><span class="stat-number">91.3%</span><span class="stat-label">คะแนนบนเบนช์มาร์กความยืดหยุ่น</span></div></div><p>กระบวนการฝึกอบรมเริ่มต้นด้วยการทำ LoRA fine-tuning ตามด้วยการรวมโมเดลแบบสามทางผ่านวิธี SLERP ในสัดส่วน 0.6 สำหรับข้อมูลสาธารณะและข้อมูลสังเคราะห์, 0.3 สำหรับข้อมูลสาธารณะอย่างเดียว และ 0.1 สำหรับ Ministral-3B-Instruct ผลลัพธ์ด้านความปลอดภัยของข้อความรายงานว่าทำคะแนนเฉลี่ย F1 ได้ 84.9% ซึ่งเท่ากับ GPT-OSS-Safeguard-20B ในฐานะโมเดลที่เล็กที่สุดในการเปรียบเทียบ โดยมีคะแนนนำบนชุดข้อมูล ToxicChat ที่ 84.1, HarmBench ที่ 99.4 และ Aegis v2 response ที่ 87.2 ส่วนความปลอดภัยมัลติโมดัลทำได้ 83.8% เหนือกว่า OmniGuard-7B ที่ทำได้ 77.6% รวมถึงนำหน้า VLGuard ที่ 97.7 และ UnsafeBench ที่ 81.8</p><p>อย่างไรก็ตาม โมเดลนี้ยังมีจุดอ่อนในด้านการจำแนกข้อความแจ้งเตือน (Prompt) หลายภาษา โดยเฉพาะภาษาอาหรับและภาษาอินโดนีเซีย รวมถึงชุดข้อมูลแจ้งเตือน RTP-LX ที่ทำคะแนนได้ 70.3 เทียบกับ 86.1 ของ Nemotron-3.5-Safety-4B นอกจากนี้ Mistral ยังระบุถึงความน่าเชื่อถือที่ลดลงเมื่อเจอข้อมูลป้อนเข้าที่เป็นการโจมตีหรือถูกอำพราง รวมถึงเอกสารที่มีความยาวมากๆ โดยโมเดลรองรับบริบทการฝึกอบรมที่ 32k โทเค็นครอบคลุม 12 ภาษา</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/07/mistral-ai-releases-shieldstral-1-0-3b/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Shieldstral-1.0-3B is a 3-billion parameter multimodal safety model released under the Apache 2.0 license.</li><li>Requires only 16GB of VRAM in BF16 format and runs locally on a single GPU.</li><li>Achieves an 84.9% average F1 score on text safety, tying the GPT-OSS-Safeguard-20B model.</li><li>Supports a 32k token context window across 12 languages and integrates with popular deployment frameworks.</li></ul></div><p>Mistral AI has launched Shieldstral-1.0-3B, a policy-adaptive multimodal safety classifier featuring open weights. The primary highlight of this model is its ability to operate locally on a single GPU while requiring just 16GB of VRAM in BF16 format, and it is licensed under Apache 2.0 for both commercial and non-commercial utilization.</p><p>Regarding deployment pathways, the model is already integrated with vLLM version 0.26.0 or higher (recommended), llama.cpp via GGUF conversion with Q8_0, Q5_K_M, and Q4_K_M quantization levels, SGLang, and Transformers. Fine-tuning is fully supported through Axolotl. Because the classifier emits only a single token, latency and operating costs remain significantly lower compared to reasoning-based guards such as GPT-OSS-Safeguard-20B.</p><div class="ai-insight"><p>The capability of a compact 3-billion parameter model to process safety checks by emitting a single token represents a major milestone for local infrastructure. It allows developers and enterprises to filter content in real time on local hardware without incurring the high latency and recurring API costs associated with massive cloud-based guardrails.</p></div><p>The reported advantage stems from data engineering rather than sheer scale, drawing from approximately 54.1 million training samples consisting of 45.2 million open-source text samples, 4.4 million synthetic contrastive text samples, and 4.5 million multimodal samples. A template-based unification layer standardizes every dataset into a uniform instruction-query-document format utilizing per-dataset processors and calibrated strictness.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/mistral_ai_shieldstral_1_0_3b_msk7qze5_inline_1_587a7b4d31.png" alt="deep learning neural network visualization data analytics" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>A particularly noteworthy technique is contrastive generation, where a large language model rewrites safe text into an unsafe variant violating a target category while intentionally avoiding its sibling categories. This generates both a positive and a hard negative over identical content in a single invocation. Image data is supplemented using general-purpose image datasets as negatives, query mutation across a 14-subcategory visual taxonomy, and vision-language reranker filtering.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">84.9%</span><span class="stat-label">Average F1 Score on Text Safety</span></div><div class="stat-item"><span class="stat-number">83.8%</span><span class="stat-label">Overall Multimodal Safety Score</span></div><div class="stat-item"><span class="stat-number">91.3%</span><span class="stat-label">Adaptability Benchmark F1 Score</span></div></div><p>Training involves LoRA fine-tuning followed by a three-way SLERP merge combining 0.6 public and generated data, 0.3 public-only data, and 0.1 Ministral-3B-Instruct. On text safety benchmarks, Shieldstral reports an 84.9% average F1 score, tying with GPT-OSS-Safeguard-20B as the smallest model in the comparison, with notable wins on ToxicChat at 84.1, HarmBench at 99.4, and Aegis v2 response at 87.2. For multimodal safety, it posts an 83.8% overall score versus 77.6% for OmniGuard-7B, while leading VLGuard at 97.7 and UnsafeBench at 81.8.</p><p>Conversely, the model exhibits weaknesses in multilingual prompt classification, specifically lagging in Arabic and Indonesian as well as on RTP-LX prompts where it scores 70.3 compared to 86.1 for Nemotron-3.5-Safety-4B. Mistral also flags reduced reliability when processing adversarial, obfuscated inputs, or exceptionally long documents. The trained context window spans 32k tokens across 12 languages.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/07/mistral-ai-releases-shieldstral-1-0-3b/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_mistral-ai-shieldstral-1-0-3b-msk7qze5.jpg

small_mistral-ai-shieldstral-1-0-3b-msk7qze5.jpg

thumbnail_mistral-ai-shieldstral-1-0-3b-msk7qze5.jpg

mistral-ai-shieldstral-1-0-3b-msk7qze5.jpg

โมเดลความปลอดภัยโอเพนซอร์กขนาด 3 พันล้านพารามิเตอร์จาก Mistral AI ที่ทำงานบนจีพียูเดี่ยวและเทียบชั้นโมเดลที่มีขนาดใหญ่กว่าถึง 7 เท่า

Mistral AI unveils an open-weights 3-billion parameter multimodal safety model that runs on a single GPU and matches models seven times its size.

Mistral AI เปิดตัว Shieldstral 1.0 3B โมเดลความปลอดภัยมัลติโมดัลขนาดกะทัดรัด

Mistral AI Releases Shieldstral 1.0 3B: Compact Policy-Adaptive Multimodal Safety Classifier

<div class="key-takeaways"><ul><li>รองรับการสร้างกราฟิกอินเทอร์แอกทีฟซับซ้อนโดยตรงจากภาษา Python</li><li>จัดการข้อมูลขนาดใหญ่ระดับหนึ่งล้านจุดและการสตรีมข้อมูลสดได้มีประสิทธิภาพ</li><li>รองรับการปรับแต่งธีม แอนิเมชัน และปลั๊กอินสถิติของตนเอง</li><li>สามารถส่งออกกราฟิกนอกสมุดบันทึกโดยยังคงความอินเทอร์แอกทีฟและคุณภาพสูง</li></ul></div><p>การพัฒนาเครื่องมือแสดงผลข้อมูลเชิงโต้ตอบในปัจจุบันต้องเผชิญกับความท้าทายด้านประสิทธิภาพเมื่อต้องจัดการกับชุดข้อมูลขนาดใหญ่ โดยในบทความนี้ได้นำเสนอแนวทางการใช้ Reflex XY ซึ่งช่วยให้ผู้พัฒนาสามารถสร้างเวิร์กโฟลว์การสร้างภาพข้อมูลที่ทันสมัยได้โดยตรงจากโค้ด Python ไม่ว่าจะเป็นการสร้างแผนภูมิแบบซ้อนทับหรือแบ่งหน้าจอเพื่อวิเคราะห์ข้อมูลจำนวนมากได้อย่างแม่นยำ</p><p>ระบบยังมีความสามารถในการดึงแถวข้อมูลที่ถูกเลือกจากเคอร์เนลได้อย่างแม่นยำ พร้อมทั้งรองรับการสตรีมข้อมูลชุดใหม่เข้าไปยังการแสดงผลแบบสด (Live Visualizations) ได้ทันที นอกจากนี้ยังเปิดโอกาสให้ผู้ใช้งานปรับแต่งรูปลักษณ์ของแผนภูมิได้หลากหลายรูปแบบผ่านระบบธีม แอนิเมชัน คลาส CSS และช่อง DOM ที่เสถียร</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/reflex_xy_python_msk7q3b6_inline_1_5ce884de06.jpg" alt="interactive data chart analytics software interface" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="ai-insight"><p>ในมุมมองด้านวิศวกรรมข้อมูล การจัดการข้อมูลขนาดหลักล้านจุดโดยไม่ให้เบราว์เซอร์หรืออินเทอร์เฟซผู้ใช้เกิดอาการค้างถือเป็นความท้าทายสำคัญ เครื่องมืออย่าง Reflex XY ช่วยเชื่อมช่องว่างระหว่างความเรียบง่ายของ Python กับความยืดหยุ่นในการแสดงผลฝั่งไคลเอนต์ ทำให้ทีมนักพัฒนาสามารถสร้างแดชบอร์ดวิเคราะห์ข้อมูลที่มีประสิทธิภาพสูงได้โดยไม่ต้องเปลี่ยนไปใช้เครื่องมืออื่นที่ซับซ้อนกว่า</p></div><p>นอกจากฟีเจอร์พื้นฐานแล้ว ระบบยังถูกออกแบบมาให้ขยายขีดความสามารถได้ผ่านการเพิ่มปลั๊กอินสถิติเฉพาะตัว รวมถึงการใช้งานคำสั่งพล็อตแบบดั้งเดิมที่คุ้นเคยผ่านสะพานเชื่อม xy.pyplot ซึ่งช่วยลดอุปสรรคในการเรียนรู้สำหรับนักพัฒนาที่คุ้นเคยกับไลบรารีเดิมอยู่แล้ว</p><p>ขั้นตอนสุดท้ายของการทำงานคือการส่งออกข้อมูลแบบพกพา ซึ่งช่วยให้ผู้ใช้งานสามารถแชร์แผนภูมิออกนอกสมุดบันทึก (Notebook) ได้ โดยยังคงรักษาความสามารถในการโต้ตอบหรือคุณภาพกราฟิกในระดับที่พร้อมสำหรับการตีพิมพ์เอาไว้ได้อย่างครบถ้วน</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/08/designing-scalable-interactive-visualizations-with-reflex-xy-composition-million-point-rendering-streaming-custom-marks-and-export/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Enables complex interactive visualizations directly from Python workflows.</li><li>Efficiently handles million-point datasets and live data streaming.</li><li>Supports themes, animations, and custom statistical mark plugins.</li><li>Allows portable chart exports preserving interactivity and publication quality.</li></ul></div><p>Developing modern interactive visualization tools often involves performance bottlenecks when handling massive datasets. Recent workflows demonstrate how Reflex XY empowers developers to construct sophisticated charts directly from Python, enabling layered and faceted visualizations for efficient large-scale data analysis.</p><p>The system excels at retrieving exact selected data rows directly from the kernel while seamlessly streaming new observations into live visualizations. Furthermore, users can fine-tune chart appearances utilizing themes, animations, CSS classes, and stable DOM slots to match specific design requirements.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/reflex_xy_python_msk7q3b6_inline_1_5ce884de06.jpg" alt="interactive data chart analytics software interface" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="ai-insight"><p>From a data engineering perspective, rendering a million data points smoothly without freezing the user interface remains a critical challenge. Tools like Reflex XY bridge the gap between Python simplicity and frontend flexibility, allowing analytics teams to build high-performance dashboards without switching to complex alternative stacks.</p><p>Beyond standard features, Reflex XY extends its capabilities through custom statistical mark plugins and reuses familiar plotting commands via the xy.pyplot bridge, significantly lowering the learning curve for developers accustomed to traditional environments.</p><p>The workflow concludes with robust portable exports, enabling charts to be shared outside the notebook environment while preserving either full interactivity or publication-grade graphical fidelity.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/08/designing-scalable-interactive-visualizations-with-reflex-xy-composition-million-point-rendering-streaming-custom-marks-and-export/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_reflex-xy-python-msk7q3b6.jpg

small_reflex-xy-python-msk7q3b6.jpg

thumbnail_reflex-xy-python-msk7q3b6.jpg

reflex-xy-python-msk7q3b6.jpg

สรุปความสามารถของ Reflex XY ตั้งแต่การเรนเดอร์ข้อมูลหลักล้านจุด การสตรีมข้อมูลสด ไปจนถึงการส่งออกกราฟิก

An overview of Reflex XY capabilities ranging from million-point rendering and live streaming to portable exports.

เจาะลึก Reflex XY: เครื่องมือสร้างกราฟิกอินเทอร์แอกทีฟขนาดใหญ่ด้วย Python

Designing Scalable Interactive Visualizations with Reflex XY in Python

<div class="key-takeaways"><ul><li>NVIDIA Labs เปิดตัว NOOA เฟรมเวิร์ก Python สำหรับสร้าง AI Agent รูปแบบใหม่</li><li>ยุบรวม prompt, เครื่องมือ และเวิร์กโฟลว์ทั้งหมดให้เหลือเพียง 1 คลาสเดียว</li><li>รองรับโมเดลหลากหลายผ่าน LiteLLM และใช้งานผ่าน pip install nooa ได้ทันที</li><li>ทำคะแนนทดสอบบน SWE-bench Verified สูงถึง 82.2% เมื่อใช้งานร่วมกับ GPT-5.5</li></ul></div><p>NVIDIA Labs ได้ฤกษ์ปล่อยตัว NOOA (NVIDIA Object-Oriented Agents) ซึ่งเป็น Python เฟรมเวิร์กที่ไม่ยึดติดกับโมเดลใดโมเดลหนึ่ง (model-agnostic) สำหรับใช้ในการพัฒนาเอเจนต์ โดยแนวทางการพัฒนาเอเจนต์แบบดั้งเดิมมักจะกระจายซอร์สโค้ดออกเป็นส่วนๆ ทั้งเทมเพลตพร้อมท์ สกีมาเครื่องมือ คอลแบป และกราฟเวิร์กโฟลว์ แต่เฟิร์มแวร์ใหม่นี้สามารถรวบรวมองค์ประกอบเหล่านั้นทั้งหมดให้จบลงภายในคลาสเดียว</p><p>โครงสร้างภายในถูกออกแบบให้เมธอดคือการกระทำที่โมเดลเลือกใช้ได้ ฟิลด์คือสถานะ และด็อกสทริง (docstrings) ทำหน้าที่เป็นพร้อมท์ ส่วนการใส่แอนโนเทชันชนิดข้อมูล (type annotations) จะทำหน้าที่เป็นสัญญาที่รันไทม์บังคับใช้ เมธอดที่มีเนื้อหาเป็นจุดไข่ปลาจะกลายเป็นเมธอดเอเจนต์ที่ทำงานผ่านลูปที่ขับเคลื่อนด้วย LLM ขณะที่เมธอดที่มีเนื้อหาปกติจะเป็นโค้ด Python แบบกำหนดได้แน่นอนที่โมเดลเรียกใช้เป็นเครื่องมือได้</p><div class="stat-row"><div class="stat-item"><span class="stat-number">97.9%</span><span class="stat-label">ผ่านการทดสอบความสามารถ (4,309 จาก 4,400 รายการ)</span></div><div class="stat-item"><span class="stat-number">82.2%</span><span class="stat-label">คะแนนบน SWE-bench Verified ด้วย GPT-5.5</span></div></div><p>ทางทีมวิจัยระบุว่ามีการนำแนวคิดฝั่งโมเดล 6 ด้านมารวมกันเป็นครั้งแรก ได้แก่ อินพุต/เอาต์พุตแบบระบุชนิด, การส่งผ่านข้อมูลด้วยการอ้างอิงบนอ็อบเจกต์จริง, โค้ดในฐานะการกระทำ, การออกแบบลูปที่ตั้งโปรแกรมได้, สถานะอ็อบเจกต์ที่ชัดเจน และฮาร์เนส API ที่โมเดลเรียกใช้งานได้ โดย NVIDIA ได้นำเฟรมเวิร์กและฮาร์เนสอื่นอีก 14 ตัวมาทดสอบเทียบเคียง เช่น LangGraph, Google ADK, PydanticAI, smolagents และอื่นๆ พร้อมรายงานว่าตัวเลือกอื่นยังมีข้อจำกัดในการครอบคลุมฟีเจอร์เหล่านี้</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/nvidia_nooa_python_ai_agent_msjiaol4_inline_1_e75b523151.png" alt="python programming code screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="ai-insight"><p>การเปิดตัว NOOA ของ NVIDIA ถือเป็นก้าวสำคัญในการลดความซับซ้อนของการพัฒนา AI Agent โดยเปลี่ยนจากการเขียนโค้ดแยกส่วนมาเป็นการใช้หลักการ Object-Oriented Programming (OOP) ที่นักพัฒนา Pythonคุ้นเคยกันดี ซึ่งช่วยลดจำนวนโทเค็นและเพิ่มประสิทธิภาพในการจัดการบริบทของโมเดลได้อย่างมีนัยสำคัญ</p></div><p>ด้านประสิทธิภาพถือเป็นจุดเด่นสำคัญ เนื่องจากสามารถทำคะแนน 82.2% ด้วยการใช้โทเค็นเพียงประมาณ 1.1 ล้านโทเค็นและเรียกใช้โมเดลประมาณ 28 ครั้งต่อหนึ่งงาน เทียบกับคู่แข่งอย่าง PI ที่ใช้โทเค็นถึง 2.2 ล้านโทเค็นและเรียกใช้โมเดล 66 ครั้งในระดับความแม่นยำ 78.2% นอกจากนี้ยังมีการตรวจสอบการสิ้นสุดการทำงานอย่างเข้มงวดผ่าน TaskResult ที่ต้องมีหลักฐานและคำสั่งยืนยันประกอบด้วย</p><p>สำหรับตัวซอฟต์แวร์ใช้งานภายใต้สัญญาอนุญาต Apache 2.0 ติดตั้งผ่านคำสั่ง pip install nooa (เวอร์ชัน v0.0.8 ปล่อยเมื่อ 30 กรกฎาคม 2026) และต้องใช้ร่วมกับ Python 3.12 ถึง 3.13 โดย PyPI จัดสถานะเป็นอัลฟาและ NVIDIA ระบุว่าเป็นงานวิจัยพรีวิว ทั้งนี้ระบบความปลอดภัยใช้การจำกัดระดับ OS และการตรวจสอบ AST เป็นเกราะป้องกันเชิงลึก</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/07/nvidia-ai-releases-nooa-an-object-oriented-python-framework/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>NVIDIA Labs releases NOOA, a model-agnostic Python framework for AI agents</li><li>Collapses prompts, tool schemas, and workflows into one single class</li><li>Supports pluggable models via LiteLLM and installs simply via pip install nooa</li><li>Achieves 82.2% on SWE-bench Verified when paired with GPT-5.5</li></ul></div><p>NVIDIA Labs has rolled out NOOA (NVIDIA Object-Oriented Agents), a model-agnostic Python framework designed for building agents. Traditional agent workflows typically scatter source code across prompt templates, tool schemas, callbacks, and graph structures, but this new framework consolidates all those moving parts into a single class.</p><p>Under the hood, methods represent actions the model can take, fields manage state, and docstrings act as prompts. Type annotations serve as contracts enforced strictly by the runtime. A method body left empty becomes an agentic method completed dynamically by an LLM loop, whereas a standard method body remains deterministic Python that the model can invoke as a tool.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">97.9%</span><span class="stat-label">Capability test pass rate (4,309 of 4,400 records)</span></div><div class="stat-item"><span class="stat-number">82.2%</span><span class="stat-label">SWE-bench Verified score using GPT-5.5</span></div></div><p>The research team highlights six model-facing concepts combined together for the first time: typed input/output, pass by reference over live objects, code as action, programmable loop engineering, explicit object state, and model-callable harness APIs. NVIDIA benchmarked fourteen other frameworks and harnesses, including LangGraph, Google ADK, PydanticAI, and smolagents, reporting only partial feature coverage elsewhere.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/nvidia_nooa_python_ai_agent_msjiaol4_inline_1_e75b523151.png" alt="python programming code screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="ai-insight"><p>NVIDIA's release of NOOA represents a major paradigm shift in simplifying AI agent engineering. By blending agent workflows with familiar Object-Oriented Programming (OOP) principles, developers can drastically reduce token overhead and optimize context window management during complex execution loops.</p><p>Efficiency stands out as a core advantage, delivering an 82.2% benchmark score using roughly 1.1 million tokens and about 28 model calls per task, compared to competing tools that consume 2.2 million tokens and 66 calls. Furthermore, the framework enforces validated termination, requiring a typed TaskResult containing verifiable evidence rather than stopping blindly when a tool call ends.</p><p>The framework operates under the Apache 2.0 license, installs via pip install nooa (version v0.0.8 released on July 30, 2026), and requires Python 3.12 through 3.13. PyPI classifies the package as alpha, while NVIDIA labels it a research preview, noting that its AST checks and deny-lists function as defense-in-depth guardrails within OS-level isolation.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/07/nvidia-ai-releases-nooa-an-object-oriented-python-framework/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_article-1992.jpg

small_article-1992.jpg

thumbnail_article-1992.jpg

article-1992.jpg

NVIDIA Labs เผยโฉม NOOA เฟรมเวิร์กโอเพนซอร์ส Apache 2.0 ที่ปฏิวัติการสร้าง AI Agent ให้ยุบรวมโครงสร้างซับซ้อนเหลือเพียง Python Class เดียว

NVIDIA Labs introduces NOOA, an Apache 2.0 framework that collapses complex AI agent development into a single Python class.

NVIDIA เปิดตัว NOOA เฟรมเวิร์ก Python ยุคใหม่รวม AI Agent ไว้ในคลาสเดียว

NVIDIA AI Releases NOOA: An Object-Oriented Python Framework

<div class="key-takeaways"><ul><li>พัฒนาไปป์ไลน์ Multimodal RAG แปลง PDF เป็นฐานความรู้ที่อ้างอิงแหล่งที่มาได้</li><li>ใช้ NVIDIA NeMo Retriever จัดการกระบวนการสกัดข้อมูลและฝังเวกเตอร์</li><li>ประหยัดทรัพยากร Colab ด้วยการใช้โมเดลผ่านบริการ NVIDIA NIM ที่โฮสต์ไว้</li><li>สร้างคำตอบที่แม่นยำด้วย Nemotron และวัดผลด้วยการทดสอบ recall-at-k</li></ul></div><p>การพัฒนาแอปพลิเคชันปัญญาประดิษฐ์ในปัจจุบันมักพบความท้าทายในการประมวลผลเอกสารที่มีความซับซ้อน ซึ่งไม่ได้มีแค่ข้อความธรรมดา แต่ยังมีตาราง แผนภูมิ และองค์ประกอบภาพประกอบ ล่าสุดมีการนำเสนอแนวทางการสร้างระบบ Multimodal RAG แบบสมบูรณ์ ที่สามารถเปลี่ยนเนื้อหาจากไฟล์ PDF ทั้งแบบมีโครงสร้างและไม่มีโครงสร้าง ให้กลายเป็นคลังความรู้ที่ค้นหาได้ง่ายและพร้อมอ้างอิงแหล่งที่มา</p><p>ในกระบวนการทำงาน นักพัฒนาได้ใช้ประโยชน์จากเครื่องมือและเทคโนโลยีสมัยใหม่หลายตัวร่วมกัน เพื่อให้ระบบมีความแม่นยำและมีประสิทธิภาพสูงสุด โดยมีขั้นตอนการดำเนินงานหลักดังนี้:</p><ul><li>ใช้ NeMo Retriever ควบคุมการสกัดข้อมูล การกำจัดข้อมูลซ้ำ การตัดแบ่งส่วนข้อความ การสร้าง embedding และการจัดทำดัชนีฐานข้อมูลเวกเตอร์</li><li>จัดเก็บและค้นหาเวกเตอร์ด้วย LanceDB พร้อมทำ Reranking เพื่อคัดกรองผลลัพธ์ให้แม่นยำยิ่งขึ้น</li><li>ลดภาระการประมวลผลบน Colab runtime โดยส่งต่องาน inference ไปยังบริการ NVIDIA NIM ที่โฮสต์ไว้</li><li>สร้างคำตอบที่อิงตามข้อเท็จจริง (Grounded generation) ด้วยภาษาโมเดล Nemotron</li><li>ทดสอบประสิทธิภาพการดึงข้อมูลด้วยวิธี recall-at-k แบบง่าย</li></ul><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/multimodal_rag_nvidia_nemo_retriever_lancedb_msji9uq5_inline_1_c4d7526efc.jpg" alt="software code architecture diagram" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="ai-insight"><p>การใช้สถาปัตยกรรม Multimodal RAG ที่พึ่งพาบริการโฮสต์ภายนอกอย่าง NVIDIA NIM ช่วยให้นักพัฒนาที่มีข้อจำกัดด้านฮาร์ดแวร์สามารถเข้าถึงพลังการประมวลผลระดับสูงได้โดยไม่ต้องมี GPU ราคาแพงในเครื่องส่วนตัว การผสานรวม NeMo Retriever เข้ากับฐานข้อมูลเวกเตอร์สมัยใหม่อย่าง LanceDB จึงเป็นก้าวสำคัญในการยกระดับการดึงข้อมูลเอกสารเชิงลึกให้รวดเร็วและแม่นยำยิ่งขึ้น</p></div><p>โครงการนี้ไม่เพียงแต่ช่วยให้การจัดการเอกสารซับซ้อนเป็นเรื่องง่าย แต่ยังวางรากฐานที่นำกลับมาใช้ใหม่ได้สำหรับการพัฒนาแอปพลิเคชันด้านความฉลาดของเอกสาร (Document intelligence) ในอนาคต ซึ่งเนื้อหาทั้งหมดนี้เรียบเรียงโดย Sana Hassan นักศึกษาปริญญาตรีและโทควบจาก IIT Madras และฝึกงานด้านการปรึกษาหารือที่ Marktechpost</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/07/building-a-multimodal-rag-pipeline-with-nvidia-nemo-retriever-hosted-nims-lancedb-reranking-and-grounded-generation/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Developed a complete multimodal RAG system turning PDFs into citation-ready knowledge.</li><li>Leveraged NVIDIA NeMo Retriever for extraction, chunking, and vector indexing.</li><li>Kept Colab runtime lightweight by delegating inference to hosted NVIDIA NIM services.</li><li>Generated grounded answers using Nemotron and evaluated recall with recall-at-k.</li></ul></div><p>Modern artificial intelligence applications often face significant hurdles when processing complex documents containing structural text, tables, charts, and visual elements. A recent technical workflow demonstrates how to build a complete multimodal RAG system that transforms both structured and unstructured PDF content into searchable, citation-ready knowledge bases.</p><p>The implementation integrates several cutting-edge tools and frameworks to ensure high accuracy and efficiency throughout the document intelligence pipeline. The core workflow involves the following steps:</p><ul><li>Utilizing NeMo Retriever to coordinate extraction, deduplication, chunking, embedding, and vector database indexing.</li><li>Storing and retrieving vectors using LanceDB alongside reranking for improved precision.</li><li>Delegating model inference to hosted NVIDIA NIM services to keep the Colab runtime lightweight.</li><li>Generating grounded answers using the Nemotron language model.</li><li>Measuring retrieval effectiveness through a simple recall-at-k test.</li></ul><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/multimodal_rag_nvidia_nemo_retriever_lancedb_msji9uq5_inline_1_c4d7526efc.jpg" alt="software code architecture diagram" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="ai-insight"><p>Adopting a multimodal RAG architecture that offloads heavy computations to hosted services like NVIDIA NIM bridges the gap for developers with limited local hardware resources. Combining NeMo Retriever with modern vector databases such as LanceDB represents a critical step forward in scaling document intelligence applications efficiently.</p><p>This complete workflow establishes a reusable foundation for developers aiming to build advanced document processing applications that handle diverse media formats. The insights and implementation were shared by Sana Hassan, a dual-degree student at IIT Madras and consulting intern at Marktechpost.</p></div><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/07/building-a-multimodal-rag-pipeline-with-nvidia-nemo-retriever-hosted-nims-lancedb-reranking-and-grounded-generation/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_multimodal-rag-nvidia-nemo-retriever-lancedb-msji9uq5.jpg

small_multimodal-rag-nvidia-nemo-retriever-lancedb-msji9uq5.jpg

thumbnail_multimodal-rag-nvidia-nemo-retriever-lancedb-msji9uq5.jpg

multimodal-rag-nvidia-nemo-retriever-lancedb-msji9uq5.jpg

เจาะลึกการพัฒนาไปป์ไลน์ RAG ที่รองรับข้อมูลหลายรูปแบบ ทั้งข้อความ ตาราง และแผนภูมิ พร้อมใช้งานผ่าน NVIDIA NIM และ LanceDB

A comprehensive guide on developing a multimodal RAG system handling text, tables, and charts using NVIDIA NIM and LanceDB.

สร้างระบบ Multimodal RAG แบบครบวงจรด้วย NVIDIA NeMo Retriever และ LanceDB

Building a Multimodal RAG Pipeline with NVIDIA NeMo Retriever and LanceDB

<div class="key-takeaways"><ul><li>TencentDB Agent Memory v2.0 เป็นระบบโอเพนซอร์สภายใต้สัญญาอนุญาต MIT แบบโฮสต์เอง</li><li>แปลงงานเป็น 4 ประเภทสินทรัพย์ ได้แก่ Chat Memory, Skills, Knowledge และ CodeGraph</li><li>เพิ่มความแม่นยำของ PersonaMem จาก 48% เป็น 76% (ข้อมูลอ้างอิงจากรายงานของบริษัท)</li><li>รองรับการใช้งานร่วมกับเครื่องมือชั้นนำ เช่น Claude Code, OpenClaw และ CodeBuddy</li></ul></div><p>Tencent Cloud ได้ประกาศเปิดตัวและเผยแพร่ซอร์สโค้ดของ TencentDB Agent Memory v2.0 ในรูปแบบโอเพนซอร์สภายใต้สัญญาอนุญาต MIT โดยระบบนี้ถูกออกแบบมาให้ผู้ใช้งานสามารถโฮสต์ด้วยตนเองได้ทันที การติดตั้งสามารถทำได้อย่างรวดเร็วผ่านอิมเมจ Docker บน Docker Hub จำนวน 3 ตัวด้วยคำสั่งเดียว รองรับสถาปัตยกรรมระบบทั้งแบบ linux/amd64 และ linux/arm64</p><p>ระบบดังกล่าวมีความสามารถในการแปลงข้อมูลการทำงานให้ออกมาเป็นประเภทสินทรัพย์หลัก 4 รูปแบบด้วยกัน ซึ่งประกอบด้วย:</p><ul><li>Chat Memory: หน่วยความจำจากการสนทนา</li><li>Skills: ทักษะความสามารถของเอเจนต์</li><li>Knowledge: คลังความรู้</li><li>CodeGraph: กราฟโค้ด</li></ul><p>สินทรัพย์ทั้ง 4 ประเภทนี้จะถูกลงทะเบียนในระบบโดยมีมาตรฐานเดียวกัน ส่งผลให้คุณสมบัติเรื่องความเป็นเจ้าของ, เวอร์ชัน, สถานะ และการมองเห็น (Visibility) มีรูปแบบการทำงานที่เหมือนกันทั้งหมด โดยในส่วนของ Chat Memory จะมีการจัดเก็บข้อมูลแบบไม่แบนราบ เริ่มต้นบันทึกที่ระดับ L0 ก่อนที่กระบวนการทำงานเบื้องหลังแบบอะซิงโครนัสจะช่วยกลั่นกรองข้อมูลขึ้นไปเป็นระดับ L1 Atom, L2 Scenario และ L3 Core/Persona ตามลำดับ</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/tencent_cloud_tencentdb_agent_memory_v2_0_msji92w9_inline_1_241aee0541.jpg" alt="data architecture server monitoring dashboard" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">76%</span><span class="stat-label">ความแม่นยำ PersonaMem (เพิ่มขึ้นจาก 48%)</span></div></div><p>ในด้านการดึงข้อมูล ระบบได้ออกแบบการดึงข้อมูลแบบเป็นชั้น โดย L2 และ L3 จะทำหน้าที่เตรียมบริบทความเร็วสูง ส่วนในกรณีที่ต้องการข้อความเจาะจง ระบบจะใช้การผสมผสานระหว่าง BM25, การค้นหาเวกเตอร์ (Vector Retrieval) และ RRF เพื่อดึงข้อมูลสำรองจาก L1 และ L0 พร้อมทั้งมีการจำกัดผลลัพธ์ด้วยจำนวนรายการ งบประมาณตัวอักษร และเวลาหมดเวลา เพื่อป้องกันไม่ให้หน่วยความจำไปเบียดเบียนพื้นที่หน้าต่างบริบท (Context Window)</p><div class="ai-insight"><p>การจัดการหน่วยความจำสำหรับ AI Coding Agents ถือเป็นความท้าทายสำคัญในการพัฒนาซอฟต์แวร์ยุคใหม่ เนื่องจากเอเจนต์จำเป็นต้องจดจำบริบทของโปรเจกต์ขนาดใหญ่และการตัดสินใจก่อนหน้า การที่ Tencent Cloud เลือกเปิดโอเพนซอร์สในเวอร์ชัน 2.0 พร้อมระบบควบคุมสิทธิ์และต้นทุน (Cost Guard) ช่วยให้ทีมนักพัฒนาองค์กรสามารถนำไปปรับใช้บนโครงสร้างพื้นฐานของตนเองได้โดยยังคงรักษาความปลอดภัยของข้อมูลภายในองค์กรไว้ได้</p></div><p>สำหรับการควบคุมการเข้าถึงข้อมูล Memory Hub จะใช้การผูกค่าแบบคงที่ร่วมกับระบบควบคุมการเข้าถึง (ACL) โดยจะจำกัดขอบเขตตามทีม, ผู้ใช้งาน, เอเจนต์ และระดับการมองเห็นก่อนที่จะทำการดึงข้อมูล ระดับการมองเห็นประกอบด้วยแบบส่วนตัว (Private), แบบทีม (Team) และแบบจำกัด (Restricted) โดยที่ Chat Memory และ Skills ใหม่ๆ จะถูกตั้งค่าเริ่มต้นเป็นแบบส่วนตัวเสมอเพื่อให้การแชร์เป็นกระบวนการที่ต้องกระทำโดยเจตนา</p><p>ในเวอร์ชัน 2.0.0 นี้ยังมีการเพิ่มฟีเจอร์สำคัญเข้ามาหลายรายการ ได้แก่ การบังคับเก็บถาวรทักษะ (Skill forced archiving), การซิงโครไนซ์ที่เก็บโค้ด CodeGraph ตามกำหนดเวลา, การจัดการสินทรัพย์สำหรับผู้ดูแลระบบระบบ (System-admin asset management), การสลับแผงควบคุมระหว่างภาษาอังกฤษและภาษาจีน รวมถึงระบบ Cost Guard ที่ช่วยจัดสรรโมเดลที่มีต้นทุนต่ำกว่าให้กับเอเจนต์เฉพาะงาน นอกจากนี้ทางรายงานยังระบุว่าความแม่นยำของ PersonaMem เพิ่มขึ้นจาก 48% เป็น 76% หรือคิดเป็นการพัฒนาเชิงสัมพัทธ์ 59% (ตัวเลขดังกล่าวมาจากรายงานของบริษัทเองและยังไม่มีการเผยแพร่การตรวจสอบอิสระ)</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/07/tencent-cloud-open-sources-tencentdb-agent-memory-v2-0/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>TencentDB Agent Memory v2.0 is an MIT-licensed, self-hosted open-source system.</li><li>Converts work into four asset types: Chat Memory, Skills, Knowledge, and CodeGraph.</li><li>Reports PersonaMem accuracy increasing from 48% to 76% based on self-reported figures.</li><li>Supports major development integrations including Claude Code, OpenClaw, and CodeBuddy.</li></ul></div><p>Tencent Cloud has officially released TencentDB Agent Memory v2.0 as an open-source project under the MIT license, enabling developers to easily self-host the system. Deployment can be executed swiftly via three Docker images published on Docker Hub using a single command, with multi-architecture builds covering both linux/amd64 and linux/arm64 environments.</p><p>The system systematically converts operational workflows into four distinct core asset types, which include:</p><ul><li>Chat Memory</li><li>Skills</li><li>Knowledge</li><li>CodeGraph</li></ul><p>All four asset categories register uniformly within the Memory Hub, ensuring that ownership, versioning, status, and visibility behave identically across the board. Specifically, Chat Memory utilizes a hierarchical structure where conversations are initially saved at L0 before an asynchronous pipeline refines them into L1 Atom, L2 Scenario, and L3 Core/Persona tiers.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/tencent_cloud_tencentdb_agent_memory_v2_0_msji92w9_inline_1_241aee0541.jpg" alt="data architecture server monitoring dashboard" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">76%</span><span class="stat-label">PersonaMem Accuracy (Up from 48%)</span></div></div><p>Retrieval operations are similarly layered. L2 and L3 tiers supply rapid context bootstrapping, while specific factual queries trigger a fallback mechanism to L1 and L0 utilizing BM25, vector retrieval, and RRF. Results are capped by item count, character budget, and timeout constraints to prevent memory overcrowding within the context window.</p><div class="ai-insight"><p>Memory management remains a pivotal bottleneck for AI coding agents as they scale to handle complex, multi-file software repositories. By open-sourcing TencentDB Agent Memory v2.0 with granular access control lists and a built-in Cost Guard feature, Tencent Cloud provides engineering teams with a robust infrastructure framework to maintain persistent agent context while keeping enterprise data security intact.</p></div><p>To govern security, Memory Hub implements fixed binding combined with Access Control Lists (ACL). It narrows permissions by team, user, agent, and visibility settings prior to executing any data retrieval. Visibility modes include private, team, and restricted, with new Chat Memories and Skills defaulting strictly to private to ensure that any sharing requires an explicit action from the owner.</p><p>The version 2.0.0 release introduces several powerful capabilities, featuring skill forced archiving, scheduled CodeGraph repository synchronization, system-admin asset management, English and Chinese panel toggling, and a Cost Guard utility that assigns cheaper models to designated agents. Furthermore, the release notes report that PersonaMem accuracy climbs from 48% to 76%, representing a 59% relative improvement, though this metric is self-reported without independent verification.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/07/tencent-cloud-open-sources-tencentdb-agent-memory-v2-0/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_article-1990.jpg

small_article-1990.jpg

thumbnail_article-1990.jpg

article-1990.jpg

Tencent Cloud เปิดตัวและโอเพนซอร์ส TencentDB Agent Memory v2.0 ระบบจัดการหน่วยความจำแบบโฮสต์เองสำหรับเอเจนต์เขียนโค้ด รองรับสถาปัตยกรรมหลากหลาย

Tencent Cloud has open-sourced TencentDB Agent Memory v2.0, a self-hosted memory management system designed for AI coding agents with multi-architecture support.

Inewgen

Inewgen

AI

Deep Dive into IMDb Sentiment Analysis Using DistilBERT, LoRA, and TF-IDF

Inewgen

Pokee AI Releases Pokee-Isaac 28B with 10M-Token Context Window

Inewgen

Meet Shepherd: An Open-Source Python Substrate That Lets Meta-Agents Fork and Revert

Inewgen

Mistral AI Releases Shieldstral 1.0 3B: Compact Policy-Adaptive Multimodal Safety Classifier

Inewgen

Designing Scalable Interactive Visualizations with Reflex XY in Python

Inewgen

NVIDIA AI Releases NOOA: An Object-Oriented Python Framework

Inewgen

Building a Multimodal RAG Pipeline with NVIDIA NeMo Retriever and LanceDB

Inewgen

Tencent Cloud Open-Sources TencentDB Agent Memory v2.0 Team-Level Hub

Inewgen

Popular Category