เปิดตัวโมเดล Qwen3-Max-Thinking

 (qwen.ai)
7 คะแนน โดย GN⁺ 2026-01-27 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • โมเดล เน้นการให้เหตุผล รุ่นล่าสุดที่ยกระดับประสิทธิภาพในหลายด้าน เช่น ความรู้เชิงข้อเท็จจริง การให้เหตุผลที่ซับซ้อน และการจัดแนวตามความพึงพอใจของมนุษย์ ผ่านการเรียนรู้แบบเสริมกำลังขนาดใหญ่และการขยายพารามิเตอร์
  • ทำผลลัพธ์ได้ใกล้เคียงหรือเหนือกว่าในบางด้านเมื่อเทียบกับ GPT-5.2-Thinking, Claude-Opus-4.5, Gemini 3 Pro เป็นต้น ใน 19 เบนช์มาร์ก
  • ด้วยความสามารถ adaptive tool use จึงสามารถเรียกใช้การค้นหา หน่วยความจำ และ code interpreter ระหว่างบทสนทนาได้โดยอัตโนมัติ พร้อมช่วย ลดอาการหลอนข้อมูลและเข้าถึงข้อมูลแบบเรียลไทม์
  • ใช้กลยุทธ์ test-time scaling เพื่อลดการคำนวณซ้ำระหว่างการให้เหตุผล และเพิ่มประสิทธิภาพผ่าน กลไกสะสมประสบการณ์บนพื้นฐานการสะท้อนตนเอง
  • พร้อมใช้งานได้ทันทีผ่าน Qwen Chat และ API โดย รองรับ OpenAI และ Anthropic API ทำให้นักพัฒนานำไปรวมเข้ากับเวิร์กโฟลว์เดิมได้ง่าย

ภาพรวมของ Qwen3-Max-Thinking

  • Qwen3-Max-Thinking คือ โมเดลการให้เหตุผล เรือธงล่าสุดของซีรีส์ Qwen ที่ขยายสมรรถนะด้วยการเรียนรู้แบบเสริมกำลังและทรัพยากรการประมวลผลขนาดใหญ่
    • ปรับปรุงในหลายมิติ เช่น ความรู้เชิงข้อเท็จจริง การให้เหตุผลที่ซับซ้อน การทำตามคำสั่ง การจัดแนวตามความพึงพอใจของมนุษย์ และความสามารถแบบเอเจนต์
    • ทำผลงานในระดับใกล้เคียงกับ GPT-5.2-Thinking, Claude-Opus-4.5, Gemini 3 Pro ใน 19 เบนช์มาร์กมาตรฐาน
  • เสริมความแข็งแกร่งด้วยนวัตกรรมหลัก 2 อย่าง
    • adaptive tool-use : เรียกใช้การค้นหาและ code interpreter โดยอัตโนมัติเมื่อจำเป็น
    • test-time scaling ขั้นสูง : ใช้การประมวลผลเพิ่มเติมระหว่างการให้เหตุผลอย่างมีประสิทธิภาพ เพื่อให้ได้ประสิทธิภาพเหนือกว่า Gemini 3 Pro

สรุปประสิทธิภาพบนเบนช์มาร์ก

  • ในด้าน ความรู้ (knowledge) ได้คะแนนใกล้เคียงโมเดลระดับแนวหน้า เช่น MMLU-Pro 85.7 และ C-Eval 93.7
  • ในสาย STEM ได้ GPQA 87.4 และ HLE 30.2 ซึ่งต่ำกว่าบางโมเดล แต่ยังคงรักษาสมดุลของประสิทธิภาพโดยรวม
  • ในเบนช์มาร์กด้าน การให้เหตุผล (reasoning) ทำคะแนนสูง เช่น HMMT Nov 25 94.7 และ LiveCodeBench v6 85.9
  • ในหมวด การทำตามคำสั่งและการจัดแนว (instruction following & alignment) ทำ Arena-Hard v2 ได้ 90.2 ซึ่งอยู่ในระดับสูงสุด
  • ในด้าน การใช้เครื่องมือ (tool use) และ agentic search ก็พบว่ามีบางผลลัพธ์ที่เหนือกว่ารุ่นคู่แข่ง

ความสามารถ adaptive tool use

  • แม้ผู้ใช้จะไม่ได้เลือกเครื่องมือเอง โมเดลก็สามารถใช้ Search, Memory, Code Interpreter ได้โดยอัตโนมัติ
    • Search และ Memory ช่วยลดอาการหลอนข้อมูล พร้อมรองรับการเข้าถึงข้อมูลแบบเรียลไทม์และการตอบกลับที่ปรับให้เหมาะกับผู้ใช้
    • Code Interpreter ช่วยแก้ปัญหาซับซ้อนผ่านการรันโค้ดและการให้เหตุผลที่อิงการคำนวณ
  • ความสามารถเหล่านี้ได้รับการเสริมด้วยกระบวนการฝึกเพิ่มเติมที่ผสาน ฟีดแบ็กแบบอิงกฎและอิงโมเดล
  • ผลลัพธ์คือประสบการณ์ การสนทนาแบบโต้ตอบ ที่เป็นธรรมชาติและทรงพลัง

กลยุทธ์ test-time scaling

  • เป็นวิธีเพิ่มประสิทธิภาพด้วยการ กระจายการประมวลผลเพิ่มเติมระหว่างการให้เหตุผล ซึ่งมีประสิทธิภาพมากกว่าการสุ่มตัวอย่างแบบขนานอย่างง่าย
  • วิธีที่นำเสนอใช้แนวทาง หลายรอบบนพื้นฐานการสะท้อนตนเองและการสะสมประสบการณ์ (self-reflective multi-round)
    • ผ่านกลไก “take-experience” เพื่อดึงอินไซต์สำคัญจากรอบก่อนหน้า
    • ไม่ทำซ้ำข้อสรุปที่ได้ไปแล้ว และ มุ่งเน้นไปที่ความไม่แน่นอนที่ยังไม่ได้คลี่คลาย
  • ทำให้ได้ ประสิทธิภาพเชิงบริบท สูงขึ้นภายใต้การใช้โทเค็นเท่าเดิม
    • ปรับปรุงจาก GPQA 90.3→92.8, HLE 34.1→36.5, LiveCodeBench v6 88.0→91.4, IMO-AnswerBench 89.5→91.5, HLE(w/ tools) 55.8→58.3

การพัฒนาและการผสาน API

  • พร้อมใช้งานได้ทันทีใน Qwen Chat โดยใช้ชื่อโมเดล qwen3-max-2026-01-23
  • ใช้งานได้หลังสร้าง API key ผ่าน Alibaba Cloud Model Studio
  • รองรับ OpenAI API อย่างสมบูรณ์ พร้อมตัวอย่างโค้ด Python
    • สามารถเปิดโหมดการให้เหตุผลได้ผ่านตัวเลือก enable_thinking
  • ยังรองรับ โปรโตคอล Anthropic API ทำให้ใช้งานในสภาพแวดล้อม Claude Code ได้เหมือนกัน
    • หลังตั้งค่าตัวแปรสภาพแวดล้อมแล้ว สามารถรันได้ด้วยคำสั่ง claude

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2026-01-27
ความเห็นจาก Hacker News

  • มีคำถามเกี่ยวกับภาพถ่ายที่มีชื่อเสียงภาพหนึ่ง แต่ระบบตรวจจับว่าเป็น "เนื้อหาไม่เหมาะสม" และส่งข้อผิดพลาดกลับมา ผู้ใช้จึงสงสัยว่าทำไมภาพนี้ถึงมีความสำคัญในระดับนานาชาติ

    • ดูเหมือนว่านี่จะเกิดจาก กลไกความปลอดภัย แยกต่างหาก จริง ๆ แล้วโมเดลก่อนหน้าของ Qwen เมื่อให้บริการนอกจีนก็ยังพูดถึงประเด็นเทียนอันเหมินได้อย่างอิสระ ตัวอย่างเช่น Qwen3 235B A22B Instruct 2507 อธิบายทั้งบริบททางประวัติศาสตร์ของภาพ ‘Tank Man’ และสถานการณ์การเซ็นเซอร์ภายในจีนอย่างละเอียดด้วย ยังมีความเห็นว่าการ เซ็นเซอร์นั้นเองยิ่งทำให้ภาพนี้มีความเป็นสัญลักษณ์มากขึ้น
    • ถ้าเป็นบริษัทจีนก็ไม่น่าแปลกใจ เพราะตามกฎหมายต้องปฏิบัติตามการเซ็นเซอร์อยู่แล้ว แต่ก็น่าสงสัยว่าข้อจำกัดแบบนี้จะส่งผลต่อด้านที่ไม่เกี่ยวกับการเมืองอย่าง งานเขียนโค้ด อย่างไรบ้าง จริง ๆ แล้ว Anthropic ของสหรัฐฯ ก็มีข้อจำกัดในรูปแบบของ alignment เพื่อป้องกันการกระทำผิดกฎหมายเช่นกัน
    • LLM ของสหรัฐฯ ก็เจอปัญหา การเซ็นเซอร์ คล้ายกัน เพียงแต่สิ่งที่ถูกเซ็นเซอร์ต่างกันเท่านั้น
    • มีคนสงสัยว่ามีนักวิจัยคนไหนศึกษาความเป็นไปได้ของการ ฝังพฤติกรรมอันตราย (backdoor) ใน LLM บ้างหรือไม่ เพราะบางงานวิจัยระบุว่าเพียงตัวอย่างที่เป็นอันตรายจำนวนน้อยก็สามารถฝึกให้โมเดลตอบสนองต่อวลี ‘trigger’ บางอย่างได้ แม้แต่การแก้ไฟล์ tokenizer ก็อาจทำให้เกิดผลข้างเคียงอย่าง ค่าใช้ API สูงขึ้นหรือฟิลเตอร์ความปลอดภัยอ่อนแอลง ได้ คิดว่าเป็นช่วงเวลาที่ควรมีการพูดคุยเรื่องนี้
    • ยังมีความเห็นว่าหัวข้อแบบนี้มักทำให้การสนทนาออกนอกประเด็นบ่อย จึงควรหันกลับมาคุยเรื่อง แง่มุมทางเทคนิคของโมเดล AI จากจีน ดีกว่า

  • ช่วงนี้เริ่มสงสัยเรื่อง การใช้โทเคน ของโมเดลต่าง ๆ มากขึ้น การที่ ‘ความสามารถในการให้เหตุผลดีขึ้น’ หรือ ‘ใช้เครื่องมือมากขึ้น’ อาจไม่ใช่การพัฒนาของโมเดลโดยตรง แต่เป็นการใช้โทเคนมากขึ้นเพื่อชี้นำโมเดลให้ดีขึ้น กล่าวคือไม่ใช่ “ใช้น้อยแต่ได้มากขึ้น” แต่เป็น “ใช้มากขึ้นแล้วได้มากขึ้น”

    • มีคนมองว่านี่สะท้อนข้อจำกัดเชิงปฏิบัติของ AGI (ปัญญาประดิษฐ์ทั่วไป) ได้ดี ถ้าต้องใช้ทรัพยากรคำนวณมากเกินไป ต่อให้มีความก้าวหน้าทางเทคนิค โลกจริงก็อาจยังไม่เปลี่ยนแปลงมากนักในช่วงหนึ่ง สุดท้ายแล้ว ทรัพยากรคอมพิวต์สำหรับการให้เหตุผล อาจกลายเป็นคอขวด
    • มีคนถาม Gemini เรื่องการใช้พลังงานเทียบกับการค้นหา แล้วได้คำตอบแบบน่าแปลกว่า AI search มีประสิทธิภาพกว่าการค้นหาแบบดั้งเดิม อีกทั้งในบรรดา paper จาก arXiv ที่ Perplexity แนะนำ งานของ Sara Hooker ชื่อ On the Slow Death of Scaling น่าประทับใจมาก งานนี้ยกตัวอย่างที่ โมเดลขนาดเล็กเอาชนะโมเดลขนาดใหญ่ได้ และโต้แย้งว่าความก้าวหน้าในอนาคตจะขึ้นอยู่กับนวัตกรรมเชิงอัลกอริทึมมากกว่าพลังคอมพิวต์
    • รู้สึกว่าจำเป็นต้องมี ตัวชี้วัดใหม่ สำหรับประเมินพัฒนาการของโมเดล ไม่ควรดูแค่คะแนน benchmark อย่างเดียว แต่ควรพิจารณา GPU ที่ใช้ ความเร็ว และต้นทุนร่วมกัน
    • มีความเห็นว่าแนวคิด Pareto frontier เหมาะสำหรับอธิบายสมดุลระหว่างประสิทธิภาพกับสมรรถนะในเรื่องนี้
    • บางโมเดลแสดงให้เห็นถึง กระบวนการให้เหตุผลที่สิ้นเปลืองโทเคนมาก จึงถูกมองว่าไม่มีประสิทธิภาพในทางปฏิบัติ

  • มีคนสงสัยว่าทำไมตอนปิดฟังก์ชันค้นหาจึงด้อยกว่า Opus 4.5 แต่พอเปิดแล้วกลับดีกว่า เป็นเพราะ คุณภาพคอนเทนต์ของอินเทอร์เน็ตจีน ดีกว่าหรือไม่

    • นั่นอาจเป็นการอนุมานเกินไป เป็นไปได้มากกว่าว่าแค่ ประสิทธิภาพการค้นหาและคุณภาพของการผสานรวม ดีกว่า โมเดลรองรับหลายภาษา จึงจัดการเว็บไซต์ทั่วโลกได้ดี
    • ฉันใช้ Kagi Assistant อยู่ และพอใจที่สามารถกรองให้ ค้นหาเฉพาะแหล่งวิชาการ ได้ แต่ก็อดกังวลไม่ได้ว่าสักวันหนึ่งแม้แต่งานวิชาการก็อาจปนเปื้อนด้วยงานที่ AI สร้างขึ้น ถึงอย่างนั้นก็ยังเชื่อว่าสุดท้ายเราจะหาทางแก้ได้
    • ยังมีมุกว่า “หรืออาจเพราะไม่มี Reddit ก็ได้?”

  • มีคนสงสัยเรื่อง นโยบายราคา ของโมเดล Qwen ว่าราคาเท่ากับ Qwen Max หรือไม่ และทำไมราคาภายในจีนถึงถูกกว่ามาก
    หน้าโมเดล Alibaba Cloud

    • ภายในจีนมี สงครามราคา AI แข่งขันกันหนัก และภาครัฐกำลังลดต้นทุนโครงสร้างพื้นฐานผ่าน คูปองคอมพิวต์และเงินอุดหนุน
      บทความที่เกี่ยวข้อง
    • เป็นไปได้มากว่านี่คือเงินอุดหนุนเพื่อ สนับสนุนนักพัฒนาภายในประเทศ
    • ต้นทุนพลังงานที่ถูกกว่าก็อาจเป็นอีกปัจจัยหนึ่ง
    • มีการแนะนำแนวคิด surveillance pricing หรือการตั้งราคาตามการติดตามพฤติกรรม โดยราคาจะต่างกันตามภูมิภาคและเงื่อนไขการค้นหา พร้อมแชร์ลิงก์วิดีโอที่เกี่ยวข้อง

  • ใน HN มองว่า Opus 4.5 เป็นเหมือน โมเดลมาตรฐาน ไปแล้ว และเชื่อกันว่าโมเดลจีนตามหลังอยู่มากกว่า 8 เดือน จึงมีคนสงสัยว่าโมเดลนี้จะช่วยลดช่องว่างนั้นได้หรือไม่

    • หากดูจาก benchmark ที่เผยแพร่ ก็ยังเหมือนจะ ตามหลังอยู่ราว 6 เดือน
    • โดยส่วนตัวรู้สึกว่า GPT-5.2 ดีกว่าและถูกกว่า อคติของ HN ที่เข้าข้าง Claude Code อาจเป็นเพียงการหาเหตุผลมารองรับการสมัครใช้งานของตัวเอง ถึงอย่างนั้น Opus 4.5 ก็ยังเร็วและคุณภาพสูง ใช้งานจริงได้ยอดเยี่ยม
      ส่วน Gemini 3 Pro/Flash ยังต่ำกว่าอยู่หนึ่งระดับ แต่ถ้าเทียบกับปีก่อนก็เร็วขึ้นมากและถูกลงมาก สุดท้ายแล้ว benchmark ก็เป็นเพียงข้อมูลอ้างอิง ส่วนคุณภาพที่สัมผัสได้จริงนั้นเป็นเรื่องอัตวิสัย

  • เมื่อฤดูใบไม้ร่วงปีก่อน มีคนใช้ Qwen3-coder กับโปรเจกต์ Rust ผ่าน CLI agent trae แล้วพบว่า ความสามารถในการสร้างโค้ดและรีแฟกเตอร์ ดีกว่า Gemini 2.5 Pro และ Claude Opus 3.5
    มันจัดการได้แม้กระทั่งการเพิ่ม Linux shared memory IPC call และการทำ x86_64 SIMD optimization แต่เพราะใช้ทั้ง token cache และ context window ขนาดใหญ่ จึงมีค่าใช้จ่ายหลายร้อยดอลลาร์ต่อเดือน

  • มีคนสงสัยว่า Qwen เลิกปล่อย โมเดลแบบเปิด แล้วหรือไม่ เพราะไม่เห็นลิงก์ Hugging Face

    • เวอร์ชัน Max เดิมทีก็เป็น โมเดลปิด อยู่แล้ว
    • ไม่ใช่ทุกโมเดลที่จะปล่อยแบบ open weight และโมเดลนี้ก็ดูเหมือน ยังไม่เป็น open weight

  • มีคนถามว่าสามารถใช้งานบน Open Router ได้หรือไม่ และตั้งตารอ การเปรียบเทียบกับ Gemini 3 Flash
    Mafia Arena

    • ตอนนี้ยังไม่ถูกเพิ่มเข้าไป แต่คาดว่าน่าจะมาเร็ว ๆ นี้
    • มีการแชร์ เว็บไซต์ benchmark หลายแห่งไว้ใช้เปรียบเทียบโมเดล:
      lmarena.ai, แดชบอร์ด safe.ai,
      Clock Draw Test, EQBench, OCR Arena

  • Benchmark ของ LLM เหมือน การสัมภาษณ์งานนักพัฒนา คือแก้ปัญหาอัลกอริทึมแบบกระจายที่ซับซ้อนได้ดี แต่ในงานจริงกลับมีความห่างกัน เช่นแค่เพิ่มปุ่มหนึ่งปุ่มก็ยัง ลืมนำ Tailwind class กลับมาใช้ซ้ำ

  • มีคำถามเกี่ยวกับขนาดของโมเดล

    • Qwen2.5 เทรนด้วย 18 ล้านล้านโทเคน แต่ Qwen3 เทรนด้วย 36 ล้านล้านโทเคน เกือบสองเท่า และครอบคลุม 119 ภาษาและภาษาถิ่น
      บล็อกทางการ