Liquid AI เปิดโมเดล LFM2.5‑2.6B ทำงานบน Raspberry Pi โดยไม่ต้องใช้คลาวด์หรือ GPU

Lead – บริษัทสตาร์ทอัพด้านปัญญาประดิษฐ์ Liquid AI เปิดตัวโมเดลภาษาขนาดกะทัดรัด LFM2.5‑2.6B ที่ออกแบบมาสำหรับงานแบบเอเจนต์โดยเฉพาะ โมเดลนี้สามารถทำงานได้อย่างเต็มที่บนฮาร์ดแวร์ระดับขอบเช่นสมาร์ทโฟน แล็ปท็อป หรือแม้กระทั่งบอร์ด Raspberry Pi โดยไม่ต้องพึ่งพาเซิร์ฟเวอร์คลาวด์หรือ GPU ทำให้ผู้ประกอบการในอุตสาหกรรมที่ต้องรักษาความเป็นส่วนตัวและความล่าช้าน้อยได้มีทางเลือกใหม่

Overview

Liquid AI ก่อตั้งขึ้นในปี 2023 โดยนักวิจัยอดีตจาก MIT และมุ่งเน้นพัฒนาโมเดลภาษาแบบเปิด‑weight เพื่อตอบสนองต่อการใช้งานเอเจนต์ที่ต้องทำงานบนอุปกรณ์ปลายทาง Edge AI แทนการส่งข้อมูลไปยังคลาวด์ โมเดล LFM2.5‑2.6B ถูกจัดจำหน่ายพร้อมใบอนุญาตแบบเปิดเฉพาะที่บริษัทกำหนด ซึ่งเป็นแนวคิดเดียวกับโมเดล Kimi K3 ของ Moonshot ที่เพิ่งเปิดตัวเมื่อเดือนก่อน

การออกแบบเน้นให้โมเดลทำงานได้บน CPU จริง ๆ ไม่ใช่ GPU ทำให้สามารถนำไปใช้ในสภาพแวดล้อมที่มีข้อจำกัดด้านพลังงานหรือการเชื่อมต่อ เช่น ยานยนต์ ระบบหุ่นยนต์ หรืออุปกรณ์ IoT ขนาดเล็ก นอกจากนี้ Liquid ยังจัดเตรียมเฟรมเวิร์กการฟายน์‑ทูน LEAP ให้ผู้พัฒนาปรับแต่งโมเดลตามความต้องการของงานเฉพาะด้านได้ง่ายขึ้น

Technical Specs & Performance

• **จำนวนพารามิเตอร์: 2.6 พันล้าน
• **ขนาดหน้าต่างบริบท: รองรับสูงสุดถึง 128,000 โทเคน
• **หน่วยความจำที่ใช้: ต่ำกว่า 2.5 GB ขณะทำการถอดรหัส

โมเดลให้ผลผลิตการถอดรหัสประมาณ 220 โทเคนต่อวินาทีบน Apple M5 Max และ 113 โทเคนต่อวินาทีบน AMD Ryzen AI Max+ 395 โดยใช้หน่วยความจำที่ค่อนข้างต่ำ ส่วนสมาร์ทโฟนสามารถทำได้ราว 30 โทเคนต่อวินาทีผ่านแอปพลิเคชัน Apollo ของ Liquid AI สำหรับกรณีใช้งานระดับสูงสุดบน GPU รุ่น Nvidia H100 โมเดลสามารถสร้างผลลัพธ์ใกล้เคียง 15,000 โทเคนต่อวินาที ซึ่งเทียบได้กับประมาณ 1.3 พันล้าน โทเคนต่อวัน แม้ว่าตัวเลขเหล่านี้จะยังไม่ได้รับการตรวจสอบโดยองค์กรอิสระ

ด้วยความสามารถด้านประสิทธิภาพและขนาดที่เล็กลง โมเดลจึงเหมาะสำหรับงานประเภท tool calling, การจัดการเอกสาร, ปฏิทิน และกระบวนการทำงานอัตโนมัติที่ต้องทำงานต่อเนื่องโดยไม่ต้องพึ่งพาการเชื่อมต่ออินเทอร์เน็ตอย่างต่อเนื่อง

Training Methodology

Liquid AI ได้ฝึกโมเดลบนข้อมูลประมาณ 34 ล้านล้านโทเคน และเพิ่มพจนานุกรมเป็น 128K คำเพื่อรองรับสคริปต์ที่ไม่ใช่ละติน การขยายหน้าต่างบริบทถึง 128,000 โทเคนทำในขั้นตอนกลางของการฝึก เพื่อให้โมเดลสามารถจัดการงานเอเจนต์ระยะยาวได้ดีขึ้น

กระบวนการหลังการฝึกประกอบด้วยสี่ขั้นตอน: (1) การปรับจูนแบบมีผู้สอน (Supervised Fine‑Tuning) (2) การสร้าง “ครูผู้เชี่ยวชาญ” แยกตามโดเมน เช่น คำแนะนำ, คณิตศาสตร์, โค้ดและการใช้เครื่องมือ (3) การทำ Multi‑Domain On‑Policy Distillation (MOPD) เพื่อผสานความสามารถของครูเหล่านั้นกลับเข้าสู่โมเดลเดียว (4) การฝึกแบบ Agentic Reinforcement Learning ภายในโครงสร้างเอเจนต์จริง เช่น Hermes Agent และ OpenClaw ซึ่งทำให้โมเดลเรียนรู้จากการใช้เครื่องมือและกระบวนการทำงานที่เป็นจริง

ผลลัพธ์คือแม้จะเป็นโมเดลขนาดเล็ก แต่ก็แสดงความสามารถในหลายด้านได้ดียิ่งขึ้น ทั้งคณิตศาสตร์ การปฏิบัติตามคำสั่ง และแม้แต่การเขียนโค้ดซึ่งก่อนหน้านี้ถือว่าเป็นจุดอ่อนของ Liquid AI

Use Cases & Market Impact

โมเดล LFM2.5‑2.6B เหมาะสำหรับงานที่ต้องการความเร็วและความเป็นส่วนตัวสูง เช่น ระบบจัดการเอกสารในสถาบันการเงิน หรือแพลตฟอร์มอัตโนมัติของโรงพยาบาล ที่ไม่สามารถส่งข้อมูลสำคัญไปยังคลาวด์ได้ นอกจากนี้ รถยนต์เชื่อมต่อหรือหุ่นยนต์ที่ทำงานในพื้นที่มีสัญญาณเครือข่ายจำกัดก็สามารถใช้โมเดลนี้เพื่อประมวลผลคำสั่งแบบเรียลไทม์โดยไม่ต้องพึ่ง GPU

แม้ว่าองค์กรบางแห่งอาจยังคงเลือกใช้โมเดลใหญ่ในคลาวด์เพื่อตอบโจทย์การทำงานที่ซับซ้อนเช่นการเขียนโค้ดระดับสูง แต่ LFM2.5‑2.6B ให้ทางเลือกที่ลดต้นทุนด้านพลังงานและค่าใช้จ่ายในการประมวลผล เนื่องจากต้องการเพียงไฟฟ้าจากอุปกรณ์เท่านั้น การนำโมเดลนี้ไปใช้ในผลิตภัณฑ์เชิงพาณิชย์จึงอาจส่งเสริมให้เกิดนวัตกรรมใหม่ ๆ ที่เน้น latency, privacy และ deployment flexibility เป็นหลัก

Licensing & Legal Considerations

ตามที่ Liquid AI ระบุ โมเดลนี้มาพร้อมกับใบอนุญาตแบบเปิด‑weight เฉพาะของบริษัท ซึ่งคล้ายกับแนวทางของ Moonshot ในการปล่อย Kimi K3 ผู้ใช้โดยเฉพาะในภาคธุรกิจต้องตรวจสอบเงื่อนไขด้านสิทธิ์การใช้งานและข้อจำกัดต่าง ๆ อย่างละเอียด เพื่อให้สอดคล้องกับกฎระเบียบของอุตสาหกรรมที่เกี่ยวข้อง เช่น GDPR หรือ PDPA การมีใบอนุญาตแบบกำหนดเองทำให้ทีมกฎหมายขององค์กรต้องประเมินความเสี่ยงด้านการคุ้มครองข้อมูลและการเปิดเผยซอร์สโค้ดอย่างรอบคอบก่อนนำไปใช้งานจริง

Summary

Liquid AI เปิดตัว LFM2.5‑2.6B โมเดลภาษาขนาด 2.6 พันล้านพารามิเตอร์ ที่ออกแบบมาสำหรับงานเอเจนต์บนอุปกรณ์ขอบโดยไม่ต้องใช้คลาวด์หรือ GPU การทำงานบน CPU ทำให้สามารถนำไปใช้งานในสภาพแวดล้อมที่ต้องการความเป็นส่วนตัวและค่าใช้จ่ายต่ำได้อย่างมีประสิทธิภาพ.