Qwen 3.8 27B ทำรีเวิร์สเอ็นจิเนียริ่งบน Lenovo ThinkStation PGX เสร็จใน 30 นาที

Qwen 3.8 27B เพิ่งเปิดให้ดาวน์โหลดแบบ open‑weights ทำให้ผู้สนใจหลายคนทดลองใช้งานทันที ผู้เขียนได้ตั้งโจทย์งาน reverse‑engineering ที่เคยคิดว่าต้องใช้โมเดลระดับ frontier แล้วทดสอบบนเครื่อง Lenovo ThinkStation PGX ผลการทำงานสำเร็จภายใน 30 นาที ทำให้เห็นศักยภาพของโมเดลและฮาร์ดแวร์ใหม่ในระดับที่คาดไม่ถึง

Overview

Qwen 3.8 27B เป็นโมเดลขนาด 27 พันล้านพารามิเตอร์จาก Alibaba Cloud ที่ได้รับความสนใจอย่างสูง เนื่องจากเป็นหนึ่งในโมเดลเปิดที่ใหญ่ที่สุดในช่วงหลายปีที่ผ่านมา การปล่อยตัวแบบ open‑weights ช่วยให้นักพัฒนาและผู้วิจัยสามารถเข้าถึงและประเมินประสิทธิภาพได้โดยตรง ในบททดสอบนี้ ผู้เขียนตั้งเป้าหมายให้โมเดลทำงาน reverse‑engineering ที่เคยเชื่อว่าต้องอาศัย “frontier model” เพื่อวัดขีดจำกัดของมัน

Hardware Setup

เครื่องที่ใช้เป็น Lenovo ThinkStation PGX ซึ่งเป็นเวิร์กสเตชันคอมแพ็กต์ที่ออกแบบมาเพื่อรองรับชิป Nvidia GB10 Grace Blackwell ชิปนี้มีหน่วยความจำรวม (unified memory) ขนาด 128 GB และแบนด์วิธสูงถึง 273 GB/s ทำให้การประมวลผลข้อมูลขนาดใหญ่เป็นไปได้อย่างต่อเนื่อง นอกจากนี้ ระบบยังได้รับการตั้งค่าให้ใช้ซอฟต์แวร์และไลบรารีที่เหมาะสมกับสถาปัตยกรรมนี้

Baseline Performance

เมื่อรัน Qwen 3.8 27B โดยไม่มีการปรับแต่งพิเศษ โมเดลสามารถประมวลผลได้อยู่ระหว่าง 15‑30 token ต่อวินาที ซึ่งถือว่าช้าเมื่อเทียบกับโมเดลระดับสูงที่ใช้ฮาร์ดแวร์เฉพาะ อย่างไรก็ตาม ผลการทดสอบยังชี้ให้เห็นว่าแม้ในสภาวะเริ่มต้น โมเดลก็สามารถทำงานได้อย่างเสถียรบนระบบนี้

Optimized Decoding Techniques

เพื่อเพิ่มประสิทธิภาพ ทีมงานได้ติดตั้งชุดเทคนิค speculative‑decoding ที่เป็นมาตรฐานสำหรับฮาร์ดแวร์ Grace Blackwell ได้แก่ SGLang, NVFP4 และ DFlash2 การรวมกันของเทคโนโลยีเหล่านี้ทำให้ Qwen 3.8 27B สามารถเร่งอัตราการสร้าง token ไปถึงประมาณ 50 token ต่อวินาที ในงานที่ต้องการการโค้ดและเหตุผลขั้นสูง

• SGLang: ตัวกลางสำหรับจัดการการสื่อสารระหว่าง CPU‑GPU
• NVFP4: โมดูลเพิ่มประสิทธิภาพการคำนวณฟลอตจุดแบบ 4‑bit
• DFlash2: ระบบแคชระดับลึกที่ลดเวลาการเข้าถึงข้อมูล

Implications for AI Development

ผลการทดสอบบ่งบอกว่า โมเดลขนาดกลางอย่าง Qwen 3.8 27B สามารถทำงานในระดับที่เคยคิดว่าต้องใช้โมเดล “frontier” ได้ หากมีฮาร์ดแวร์และซอฟต์แวร์ที่เหมาะสม ความเร็ว 50 token/s ทำให้การประมวลผลเชิงโค้ดหรือการวิเคราะห์ข้อมูลที่ต้องอาศัยเหตุผลต่อเนื่องเป็นไปได้ในเวลาที่สั้นลง นอกจากนี้ การเปิดตัวโมเดลแบบ open‑weights ยังส่งเสริมความโปร่งใสและเพิ่มโอกาสให้นักวิจัยทั่วโลกนำไปประยุกต์ใช้ในงานต่าง ๆ เช่น การตรวจสอบซอฟต์แวร์, การวิเคราะห์ภัยคุกคาม และการสร้างเครื่องมือช่วยเขียนโค้ด

Impact on the Market

เมื่อโมเดลและฮาร์ดแวร์เหล่านี้พร้อมใช้งานในระดับผู้บริโภค ราคาการใช้คลาวด์หรือเซิร์ฟเวอร์แบบเฉพาะทางอาจลดลงอย่างมีนัยสำคัญ ผู้ประกอบการด้านเทคโนโลยีสามารถเลือกใช้ Lenovo ThinkStation PGX ร่วมกับโมเดลเปิดเพื่อสร้างบริการ AI ที่มีต้นทุนต่ำกว่าและตอบสนองต่อความต้องการของตลาดได้เร็วขึ้น การทดลองนี้จึงเป็นสัญญาณบ่งชี้ว่า “frontier‑only” กำลังจะกลายเป็นแนวคิดที่อาจลดบทบาทในอนาคตอันใกล้

Summary

Qwen 3.8 27B แสดงให้เห็นว่าการผสมผสานโมเดลขนาดกลางกับฮาร์ดแวร์ Grace Blackwell และเทคนิค speculative‑decoding สามารถทำงานระดับ frontier ได้ภายใน 30 นาที การทดสอบนี้เปิดมุมใหม่สำหรับการใช้ AI แบบเปิดในงานที่ต้องการความเร็วและประสิทธิภาพสูง.