01 · อ่าน 28 เลเยอร์ อ่านจาก manifest อย่างเดียว
02 · ตัด 89.7% ของแถว ค่ากลางที่ตัดได้ ผ่านใบรับรองคุณภาพ
03 · ใช้งาน บนอุปกรณ์ มือถือ · แล็ปท็อป · แอป
ตัวอย่างที่ 001 · Qwen3-0.6B01 · INTRO
บล็อก decoder 28
ความกว้าง hidden 1,024
แถว vocab 151,936
พารามิเตอร์ embedding 155.6M
repo ในสำมะโน —
ใบรับรองการตัด · ผ่าน ค่ากลางตัดแถวได้ 89.7% ΔBPC ≤ +1.99% ทั้ง 68 การตั้งค่า
เลื่อน
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
28 บล็อก decoder1,024 ความกว้าง hidden151,936 แถว vocabulary
L1 · สำมะโน Hub
เราอ่านไปแล้ว 12,974 ตัว โดยไม่ดาวน์โหลด weight เลยสักไฟล์
แค่ config กับ header ของไฟล์ weight ก็พอจะถอดโครงสร้างโมเดลได้ ทั้ง Hugging Face Hub จึงกลายเป็นป่าที่เราวัดได้ทีละต้น
12,974 repository0 weight 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
155.6M พารามิเตอร์ 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
ไทย Tiếng Việt Bahasa Indonesia Bahasa Melayu Filipino ខ្មែរ ລາວ မြန်မာ + the world
ตารางภาษีของ 41 ภาษา · ชุดข้อมูล