โครงสร้างของโมเดล
แต่ละกล่องคือหนึ่งส่วนของโมเดล เรียงตามทางที่ข้อมูลไหล แถบสีคือชนิดของแต่ละ layer คลิกกล่องเพื่อดูว่าข้างในมีอะไร และค่าแต่ละค่ามาจากไหน
กด ▶ Play เพื่อเดินทีละส่วน: แต่ละส่วนรับอะไรเข้า ส่งอะไรออก และทำไปทำไม · คลิกส่วนไหนก็ได้เพื่อเปิดดูข้างใน · เปลี่ยน lens เพื่อดูว่า weight, compute, จำนวน op หรือ precision อยู่ตรงไหน
ทุก layer วาดตามขนาดจริง คลิกเพื่อเปิด
ความกว้างของบล็อก = ค่าจริงของ lens ที่เลือก · แถวบน = encoder (ถ้ามี) · แถวล่าง = decoder (ถ้ามี)
คำศัพท์ที่ต้องรู้ เป็นภาพเคลื่อนไหว
ตัวเลขในการ์ดมาจากโมเดลที่เลือกอยู่ อันสุดท้ายลองเล่นเองได้
10244096Attention
Feed-forward
KV cache
Tied embedding
Seams
ปัด 64 weights ให้เหลือน้อยระดับ
จุดฟ้า = ค่าเดิม · เส้นชมพู = ค่าหลังปัด · เปิด outlier แล้วดูค่าเล็กๆ ถูกปัดเป็น 0 · เปลี่ยนเป็น scale ทุก 32 ค่าแล้วดู error ลดลง
ทุกอย่างไปอยู่ตรงไหน
สรุปตัวเลขของโมเดลที่เลือก คัดลอกเป็น Markdown ไปใส่สไลด์หรือรายงานได้
เว็บนี้ทำอะไร
วางชื่อ repo บน Hugging Face หรือลากไฟล์ .safetensors, .tflite หรือ config.json มาวาง เว็บจะอ่านแค่ header ของไฟล์ safetensors ซึ่งมีชื่อ ขนาด และชนิดข้อมูลของทุก tensor รวมกันไม่กี่สิบ KB จึงไม่ต้องโหลด weight เลย จากรายการนี้เว็บหา layer ที่ซ้ำกัน แยกว่าแต่ละส่วนคือ attention, feed-forward, mixture of experts, SSM หรือ linear attention, convolution, embedding, norm หรือ output head และนับจำนวน parameter ได้ตรง รวมถึงโมเดลที่เก็บแบบ FP8, NVFP4, GPTQ, AWQ, MXFP4, MLX และ bitsandbytes
ใช้ได้หลายตระกูล: LLM แบบ decoder-only เช่น Llama, Qwen, DeepSeek, Gemma, gpt-oss · โมเดลเสียงเช่น Whisper, Parakeet · โมเดลภาพ+ภาษา · diffusion transformer · embedding model ทุกค่าบนหน้ามีป้ายบอกว่าวัดจาก weight, อ่านจาก config.json หรือประมาณ
แม่นแค่ไหน ทดสอบกับ 510 สถาปัตยกรรมใน transformers: แยกส่วนของ tensor ถูก 96.8% ขณะที่กฎซึ่งอ่านแค่ชื่อ tensor ได้ 82.3% และแม้เปลี่ยนชื่อทุก tensor เป็นคำสุ่มก็ยังถูก 95.0% กับ checkpoint ยอดนิยมบน Hugging Face 191 ตัว จำนวน parameter รวมตรงกับตัวเลขของ Hub 149 จาก 158 ตัวที่เป็นแบบ transformers และ Hub แสดงตัวเลขไว้ วิธีและผลทั้งหมดอยู่ใน paper
ใช้ใน terminal หรือ Python pip install ai-model-explorer แล้วรัน ai-model-explorer inspect Qwen/Qwen3-8B ได้ผลเดียวกับเว็บ ยังมีคำสั่งวาดรูป diagram (plot), ดึง insight (insights), ประมาณ memory (memory), เทียบหลายโมเดล (compare) และออกรายงาน HTML (report) ดูที่ PyPI
คำถามที่พบบ่อย
ต้องโหลดโมเดลก่อนไหม
ไม่ต้อง สำหรับ repo บน Hugging Face เว็บขอแค่ไบต์ส่วน header ของแต่ละไฟล์ ปกติรวมไม่ถึง 200 KB แม้โมเดลจะใหญ่หลายร้อย GB ก็ตาม
ไฟล์ของฉันถูกส่งขึ้นเซิร์ฟเวอร์ไหม
ไม่ ไฟล์ที่ลากมาวางถูกอ่านในเบราว์เซอร์ของคุณ ไม่ถูกอัปโหลดไปที่ใด และโมเดลที่เปิดไว้จะถูกเก็บในเบราว์เซอร์ เข้าครั้งหน้าไม่ต้องโหลดใหม่
ต่างจาก Netron, Model Explorer ของ Google, HF Viewer หรือ hf-mem อย่างไร
Netron กับ Model Explorer วาดกราฟ operator จากไฟล์ที่คุณมีอยู่แล้ว · HF Viewer วาดโครงสร้างจาก config และโค้ด PyTorch ของโมเดล · hf-mem ประมาณ memory จาก header แต่ไม่ได้บอกว่าแต่ละ tensor ทำหน้าที่อะไร · เว็บนี้แกะโครงสร้างจาก header อย่างเดียว: ส่วนประกอบ ชนิดของแต่ละ layer และบทบาทของทุก tensor โดยไม่ต้องใช้ config หรือโค้ด จึงใช้กับโมเดลตระกูลใหม่ได้ ตรวจได้ว่า config ตรงกับ weight หรือไม่ และยังแม่น 95% แม้ไม่มีชื่อ tensor
ใช้ฟรีไหม เอาโค้ดไปใช้ได้หรือเปล่า
ฟรี โค้ดเป็น MIT License อยู่บน GitHub ถ้านำไปใช้ในงานวิจัย ช่วยอ้างอิง paper ด้วย
ใครทำ
Sattaya Singkul ทำสำหรับ workshop “Squeeze Until It Breaks” ที่งาน AI Expo Thailand 2026