แล็บวิจัยแบบเปิด · กรุงเทพฯ · ก่อตั้ง 2026

AI ที่ดีคือ AI ที่เราเข้าใจ

เหมือนบอนไซ โมเดลจะถูกดัดได้ดีก็ต่อเมื่อคนดัดรู้ว่ามันเติบโตอย่างไร เราเป็นแล็บแบบเปิดที่ไม่แสวงกำไร ศึกษาว่าโมเดล AI ถูกสร้างขึ้นมาอย่างไร เพื่อทำให้มันเล็กลง เป็นธรรมขึ้น และอยู่กับเราได้อย่างปลอดภัย

AI ที่ดีคือ AI ที่เราเข้าใจและควบคุมได้อย่างถ่องแท้ และอยู่กับเราได้ในชีวิตประจำวัน

เล็กลง·ฉลาดขึ้น·ใกล้ตัวคุณ

สิ่งที่เราทำ

เราอ่านโมเดลแบบเปิด ตัดส่วนที่คนไม่ได้ใช้ออก แล้วนำไปไว้ในที่ที่คนใช้ชีวิตอยู่จริง

  • 01
    อ่าน

    ถอดโครงสร้างโมเดลจากไฟล์ของมัน โดยไม่ต้องดาวน์โหลด weights

  • 02
    ตัด

    ตัดสิ่งที่ภาษาของผู้ใช้ไม่เคยใช้ออก และรับรองว่าการตัดนั้นต้องแลกกับอะไร

  • 03
    ใช้งาน

    รันผลลัพธ์ในแอป และบนมือถือที่ทุกคนพกอยู่แล้ว

สี่เสาหลักของเรา

สี่เสาหลัก หนึ่งคำถาม: คนเราเข้าใจ ควบคุม และอยู่ร่วมกับ AI ของตัวเองได้จริงไหม

  • L1
    กายวิภาคและการควบคุมโมเดล

    รู้ก่อนว่าโมเดลประกอบด้วยอะไร แล้วค่อยลงมือแก้

  • L2
    AI บนอุปกรณ์

    ทำให้โมเดลเล็กพอจะพกไปได้ พร้อมหลักฐานว่าไม่ได้ทิ้งส่วนสำคัญไป

  • L3
    ปฏิสัมพันธ์ระหว่างคนกับ AI

    คนใช้ ไว้ใจ และสั่งหยุด AI อย่างไรในชีวิตประจำวัน

  • L4
    ความเท่าเทียมทางภาษา

    แต่ละภาษาต้องจ่ายเท่าไร เริ่มจากเอเชียตะวันออกเฉียงใต้

เลื่อนต่อเพื่อดูงานในแต่ละเสาหลัก

L1 · กายวิภาคและการควบคุมโมเดล

โมเดลทุกตัวเติบโตเหมือนต้นไม้ที่อ่านได้

นี่คือ Qwen3-0.6B วาดจาก config จริงของมัน รากคือ vocabulary ลำต้นมี 28 วง วงละหนึ่ง decoder block ยอดคือ output head ซึ่งใช้แถวชุดเดียวกับราก แสงที่ไต่ขึ้นตามลำต้นคือ token ที่กำลังวิ่งผ่าน

28บล็อก decoder1,024ความกว้าง hidden151,936แถว vocabulary

L1 · สำมะโน Hub

เราอ่านไปแล้ว 12,974 ตัว โดยไม่ดาวน์โหลด weight เลยสักไฟล์

แค่ config กับ header ของไฟล์ weight ก็พอจะถอดโครงสร้างโมเดลได้ ทั้ง Hugging Face Hub จึงกลายเป็นป่าที่เราวัดได้ทีละต้น

12,974repository0weight ที่ดาวน์โหลด

เปเปอร์ · Model Explorer

L2 · AI บนอุปกรณ์ · ภาษีคำศัพท์

มองลงไปใต้ดิน: รากหนักกว่ากิ่งไหน ๆ

151,936 แถว แถวละ 1,024 ตัวเลข เมทริกซ์เดียวนี้มีพารามิเตอร์พอ ๆ กับ decoder block สิบบล็อก และมือถือต้องโหลดทั้งหมด

155.6Mพารามิเตอร์ embedding≈ 10×ของ decoder block หนึ่งบล็อก

L2 · ตัดพร้อมใบรับรอง

ผู้ช่วยภาษาไทยไม่เคยใช้รากส่วนใหญ่เหล่านั้น เราจึงตัดออก และรับรองผลของการตัด

รากของอักษรที่ผู้ใช้ไม่มีวันพิมพ์ถูกตัดทิ้ง เหลือไว้แค่รากที่ส่งต่อไปถึงชิป ก่อนปล่อยใช้งาน ใบรับรองจะบอกว่าการตัดนั้นเสียคุณภาพไปเท่าไร

89.7%ค่ากลางของแถวที่ตัดได้เมื่อใบรับรองผ่าน≤ +1.99%การเปลี่ยนแปลงของ bits per character

เปเปอร์ · แพ็กเกจ Python

L2 · บนอุปกรณ์

ตัดดี ๆ ก็ใส่กระเป๋าได้

โมเดลที่เล็กลงโหลดเร็วขึ้น ใช้หน่วยความจำน้อยลง และรันในแอปหรือบนมือถือได้ สิ่งที่คุณพูดกับมันก็อยู่บนเครื่องได้

L3 · ปฏิสัมพันธ์ระหว่างคนกับ AI

อยู่ร่วมกับมัน: AI ที่คุยได้ ไว้ใจได้ และสั่งหยุดได้

งานวิจัยถัดไปของเราศึกษาผู้ช่วยเสียงที่รันบนมือถือ ว่าคนพูดกับมันอย่างไร ไว้ใจมันเมื่อไร และขัดจังหวะมันได้ง่ายแค่ไหน เริ่มจากเสียงพูดภาษาไทยในห้องจริง

งานวิจัยแรก · วางแผนปี 2027

L4 · ความเท่าเทียมทางภาษา

แต่ละภาษาแตกใบของตัวเอง เริ่มจากเอเชียตะวันออกเฉียงใต้

โมเดลส่วนใหญ่สร้างโดยมีภาษาอังกฤษเป็นศูนย์กลาง และคิดราคาเป็น token ของภาษาอังกฤษ เราวัดว่าแต่ละภาษาต้องจ่ายเท่าไร และทดสอบทุกวิธีกับภาษาในเอเชียตะวันออกเฉียงใต้ก่อน แล้วค่อยขยายไปทั่วโลก

ไทยTiếng ViệtBahasa IndonesiaBahasa MelayuFilipinoខ្មែរລາວမြန်မာ+ the world

ตารางภาษีของ 41 ภาษา · ชุดข้อมูล

โปรเจกต์

สิ่งที่เรากำลังทำ

กำลังดำเนินการ · L2 · L4

The Vocabulary Tax

ตัดแถว vocabulary ที่ภาษาของผู้ใช้ไม่จำเป็นต้องใช้ พร้อมใบรับรองที่บอกขอบเขตความเสียหายก่อนปล่อยใช้งาน

กำลังดำเนินการ · L1

Hub Census

โครงสร้างของโมเดลสาธารณะ 12,974 ตัว อ่านจาก manifest อย่างเดียว และเปิดเป็นข้อมูลสาธารณะ

อยู่ระหว่างทำ · L2

ลดขนาด Gemma 4 E2B

ตัด vocabulary และ per-layer embedding สำหรับผู้ช่วยภาษาไทย อังกฤษ และจีนบนมือถือ

วางแผนปี 2027 · L3

ผู้ช่วยเสียงที่อยู่บนมือถือ

คนพูดกับ ไว้ใจ และขัดจังหวะผู้ช่วยที่ไม่ส่งเสียงออกนอกเครื่องเลยอย่างไร

วางแผนปี 2027 · L4

ตารางภาษีภาษา SEA

ตารางที่อัปเดตทุกครั้งที่มีโมเดลแบบเปิดตัวใหม่ ว่าภาษาไทย เวียดนาม เขมร และภาษาอื่นต้องจ่ายเท่าไร

ผลงานตีพิมพ์

เปเปอร์ที่แนบข้อมูลมาด้วย

2026
The Vocabulary Tax: Safely Trimming Unused Tokens from LLMs for On-Device UseSattaya Singkul · arXiv:2611.19913 [cs.CL] · L2 · L4
2026
Reading the Architecture off the Weights: Manifest-Only Model Anatomy and a Census of 12,974 Hugging Face RepositoriesSattaya Singkul · SSRN preprint · รอ arXiv · L1

แผนงาน

สามระยะ สองด่าน

ระยะที่ 1 · ตอนนี้ธ.ค. 2026 – มี.ค. 2027

เปิดแล็บ

  • เว็บแล็บพร้อมผลงานทั้งหมด
  • โมเดล TH+EN ที่ตัดแล้วบน Hugging Face
  • ยื่นขอทุน compute
◆ ด่าน: เปเปอร์ผ่าน peer review หนึ่งฉบับ
ระยะที่ 22027

สร้างชื่อ

  • ส่งงานเข้าเวทีหลัก
  • รายงานสำมะโนประจำปีฉบับแรก
  • ตารางภาษี SEA และงานวิจัย L3 ชิ้นแรก
◆ ด่าน: ผู้ร่วมงานภายนอก 3 รายขึ้นไป และมีทุนต่อเนื่อง
ระยะที่ 32028

ก้าวเป็นสถาบัน

  • จดทะเบียนเป็นมูลนิธิ
  • จัดเวิร์กช็อประดับนานาชาติ
  • รายงานประจำปีที่คนอื่นอ้างอิง

ร่วมกับเรา

สี่ทางที่ทำงานกับเราได้

01

ร่วมเขียนโค้ด

หยิบ issue ที่เปิดอยู่บน GitHub ได้เลย ตัวอ่านสำหรับสถาปัตยกรรมใหม่ ๆ ยินดีรับเสมอ

ดู issue →
02

พาภาษาของคุณมา

เจ้าของภาษาช่วยสร้างชุดทดสอบให้ภาษาที่ benchmark ใหญ่ ๆ มองข้าม

เพิ่มภาษาของคุณ →
03

วิจัยด้วยกัน

มหาวิทยาลัย แล็บ และทีมพัฒนาโมเดล: ร่วมเขียนงานวิจัยบนข้อมูลของเรา

เสนองานวิจัย →
04

สนับสนุนแล็บ

compute อุปกรณ์สำหรับทดสอบบนมือถือ หรือทุนวิจัย ทุกอย่างยังเปิดเหมือนเดิม

คุยกับเรา →

หรือเขียนถึงเราได้ที่ sattaya.singk@gmail.com

ผู้ร่วมงานและผู้สนับสนุน

[ พาร์ทเนอร์ฮาร์ดแวร์ ]
[ พาร์ทเนอร์วิจัย ]
[ พาร์ทเนอร์ภาษา ]
[ ผู้สนับสนุน compute ]

วิธีทำงานของเรา

สี่กฎที่ทุกผลงานต้องทำตาม

เปิดเป็นค่าเริ่มต้น

โค้ด ข้อมูล และตัวเลขเบื้องหลังทุกข้อสรุป

รันบนแล็ปท็อปได้

วิธีหลักทำซ้ำได้บนฮาร์ดแวร์ทั่วไป

พิสูจน์ก่อนอ้าง

ทุกการเปลี่ยนแปลงมาพร้อมขอบเขตต้นทุนที่วัดแล้ว

สร้างจากเอเชียตะวันออกเฉียงใต้

ภาษาที่ไม่ใช่อังกฤษคือบททดสอบแรก ไม่ใช่ภาคผนวก

คำถามที่พบบ่อย

แล็บเป็นบริษัทหรือเปล่า

ไม่ใช่ เราเป็นโปรเจกต์วิจัยแบบเปิดที่ไม่แสวงกำไร ไม่มีผลงานชิ้นไหนที่เอาไปขาย

เอาข้อมูลไปใช้ในผลิตภัณฑ์ได้ไหม

ได้ ตารางสำมะโนและภาษีคำศัพท์ใช้สัญญาอนุญาต MIT ส่วนคลังข้อความใช้ Apache-2.0 แต่ละชุดระบุสัญญาอนุญาตไว้บน Hugging Face ฝากอ้างอิงเปเปอร์ที่คุณใช้ด้วย

ทำไมเริ่มที่เอเชียตะวันออกเฉียงใต้

ภาษาในภูมิภาคนี้จ่ายค่า token สูงที่สุดกลุ่มหนึ่ง แต่ถูกทดสอบน้อยที่สุด วิธีที่ใช้ได้ที่นี่ก็มักใช้ได้ในที่อื่นด้วย

จะอ้างอิงแล็บอย่างไร

อ้างอิงเปเปอร์ที่คุณใช้: arXiv:2611.19913 สำหรับ Vocabulary Tax และ doi:10.2139/ssrn.7699619 สำหรับสำมะโน Manifest

อีเมลเดียวเมื่อเราเผยแพร่งานใหม่

เปเปอร์ เครื่องมือ และชุดข้อมูลใหม่ ไม่เกินเดือนละครั้ง