🚀 เปิดตัว OpenThai 2.0

ประกาศเมื่อ 27 สิงหาคม 2569 (2026)

AI ไทยครบเครื่องในโมเดลเดียว — อ่านเอกสารและลายมือไทยระดับผู้เชี่ยวชาญ ตอบความรู้ไทยเป็นภาษาไทยที่เป็นธรรมชาติ และเรียกใช้เครื่องมือแบบเอเจนต์ได้เหนือกว่าโมเดลฐาน

โครงการ OpenThai ภูมิใจเสนอ OpenThai 2.0 โมเดลเรือธงรุ่นใหม่ล่าสุด: โมเดลภาษาแบบมัลติโมดัล (ภาพ + ข้อความ) ขนาด 27B พารามิเตอร์ พัฒนาบนฐาน Qwen3.8-27B เปิดน้ำหนักโมเดลเต็มรูปแบบภายใต้สัญญาอนุญาต Apache 2.0 ใช้งานเชิงพาณิชย์ได้ฟรี และรันในโครงสร้างพื้นฐานของคุณเองได้ทั้งหมด — ข้อมูลไม่ต้องออกนอกองค์กร

พัฒนาโดย iApp Technology ร่วมกับสมาคมผู้ประกอบการปัญญาประดิษฐ์ประเทศไทย (AIEAT) สำหรับทุกคนที่ต้องทำงานกับเอกสารไทย ลายมือไทย ความรู้ไทย และระบบเอเจนต์ที่เรียกใช้เครื่องมือ

ทดลองใช้งาน

คุยกับโมเดลจริงได้ทันทีผ่านเว็บเบราว์เซอร์ ฟรี ไม่ต้องติดตั้งอะไรเลย

ทดลองใช้งานสดฟรี — ไม่ต้องติดตั้งchinda3.iapp.co.th

ดาวน์โหลดโมเดล

OpenThai 2.0 (27B) — Hugging Facehuggingface.co/iapp/openthai2.0-qwen3.8-27b

iapp/openthai2.0-qwen3.8-27b

หรือรันบนเครื่องคุณเองแบบง่ายที่สุดผ่าน Ollama:

OpenThai 2.0 บน Ollama — รันบนเครื่องคุณเองในคำสั่งเดียวollama.com/openthai/openthai2.0-qwen3.8-27b

ollama run openthai/openthai2.0-qwen3.8-27b

มีให้เลือก 5 ฟอร์แมต ตั้งแต่ MacBook จนถึง NVIDIA Blackwell:

ฟอร์แมต	Repo	รันบน
bf16	openthai2.0-qwen3.8-27b	vLLM / transformers · GPU 80 GB 1 ใบ
GGUF Q4_K_M / Q8_0 + vision mmproj	openthai2.0-qwen3.8-27b-GGUF	llama.cpp · CPU หรือ GPU ทั่วไป (17 / 29 GB)
MLX 4-bit	openthai2.0-qwen3.8-27b-MLX-4bit	Apple silicon หน่วยความจำรวม 24 GB ขึ้นไป (~16 GB)
INT8 W8A8	openthai2.0-qwen3.8-27b-INT8-W8A8	vLLM · GPU ระดับ ~40 GB
NVFP4	openthai2.0-qwen3.8-27b-NVFP4	vLLM · NVIDIA Blackwell

🌟 จุดเด่น

• ความรู้ไทยอันดับหนึ่งในกลุ่มโมเดลเปิด — ข้อสอบระดับชาติไทย (OpenThaiEval) ได้ 0.842 เหนือโมเดลฐาน (0.820), Typhoon 2.5 (0.742) และ Pathumma (0.660) พร้อมทำตามคำสั่งภาษาไทย (IFEval-TH) ได้ 0.795 สูงกว่าทุกโมเดลที่เทียบ
• อ่านเอกสารและลายมือไทยระดับผู้เชี่ยวชาญ — ลายมือไทยลดข้อผิดพลาดลง 60% จากโมเดลฐาน (CER 0.261 เทียบ 0.649) หนังสือและราชกิจจานุเบกษาลดลง 66% (0.126 เทียบ 0.370) และเป็นโมเดลเปิดไทยหนึ่งเดียวในตารางที่ทั้งอ่านเอกสารระดับผู้เชี่ยวชาญและตอบคำถามเกี่ยวกับเอกสารนั้นได้ในโมเดลเดียว
• เอเจนต์ที่เรียกใช้เครื่องมือได้จริง — Berkeley Function-Calling Leaderboard (BFCL) ได้ 0.820 ชนะทั้งโมเดลฐานและ Typhoon 2.5 โดยเฉพาะงานเอเจนต์หลายเทิร์นที่ 0.775 เทียบ Typhoon 0.550 ส่วนการเขียนโค้ด (HumanEval) ได้ 0.957
• ตอบเป็นภาษาไทยธรรมชาติเชิงอธิบาย — และสลับเป็นคำตอบสั้นหรือ JSON ได้เมื่อสั่ง
• ถอดรหัสเร็วขึ้น 1.5 เท่า — แถมหัว MTP (multi-token prediction) มาในตัวสำหรับ self-speculative decoding: วัดจริง 75.2 tok/s เทียบ 50.1 tok/s โดยผลลัพธ์เหมือนเดิมทุกโทเคน
• เปิดจริง ใช้ได้จริง — Apache 2.0, น้ำหนักเต็ม + LoRA adapter แยกให้ และคงความสามารถทั่วไปของโมเดลฐานไว้ครบ

📊 ผลการทดสอบมาตรฐาน

ทุกตัวเลขวัดโดยทีมเราเองภายใต้เงื่อนไขการให้บริการเดียวกัน ทุกโมเดลใช้พรอมต์และพารามิเตอร์ที่แต่ละโมเดลแนะนำเอง และใช้ขั้นตอนตรวจคำตอบชุดเดียวกันทั้งหมด จึงทำซ้ำการทดลองได้จากเช็กพอยต์ที่ลิงก์ไว้

ความรู้และภาษาไทย (ยิ่งสูงยิ่งดี)

การประเมิน	OpenThai 2.0 (27B)	Qwen3.8-27B (ฐาน)	Typhoon 2.5 (30B-A3B)	Pathumma think 3.0 (8B)
OpenThaiEval (ข้อสอบระดับชาติไทย)	0.842	0.820	0.742	0.660
Code-switching ไทย↔อังกฤษ (n=200)	0.985	0.895	0.940	0.990
HumanEval (เขียนโค้ด)	0.957	0.939	0.957	0.805
MMLU-Redux (ความรู้รอบตัว, 5.7k ข้อ)	0.916	0.924	0.884	0.762
IFEval-TH (ทำตามคำสั่งภาษาไทย)	0.795	0.772	0.749	0.498
IFEval (ทำตามคำสั่งภาษาอังกฤษ)	0.914	0.902	0.846	0.630

Code-switching 0.985 กับ 0.990 ต่างกันหนึ่งตัวอย่างบน n=200 — ถือว่าเสมอกันทางสถิติ

การอ่านเอกสารและลายมือไทย (CER — ยิ่งต่ำยิ่งดี)

การประเมิน	OpenThai 2.0 (27B)	Qwen3.8-27B (ฐาน)	Typhoon-OCR 1.5 (2B)	Pathumma-vision 2.0 (7B)
Wikisource TH — หนังสือ/ราชกิจจานุเบกษา (n=608)	0.126	0.370	0.271	0.931
DocBench — เอกสารราชการ (n=906)	0.327	0.530	0.551	0.691
SEA-DocBench-TH (n=1,499)	0.497	0.559	0.575	0.832
ThaiOCRBench (n=2,808)	0.743	0.750	0.793	0.894
MTVQA-TH — ป้าย/ข้อความในฉาก (n=231)	0.819	0.737	1.000	0.905
ลายมือไทย — text-disjoint (n=916)	0.261	0.649	0.054	0.821
OCR-Eval-104 — เอกสารพิมพ์ (n=104)	0.077	0.103	0.014	0.352

ℹ️ อ่านผลอย่างตรงไปตรงมา

Typhoon-OCR 1.5 คือผู้เชี่ยวชาญด้านการถอดความที่ยอดเยี่ยม — บนบรรทัดพิมพ์สะอาดและลายมือแยกส่วน มันชนะทุกโมเดลในตารางนี้รวมถึงของเรา แต่มันเป็นเพียงตัวถอดความ: รับพรอมต์ OCR ตายตัวแบบเดียว จึงทำคำถาม-คำตอบเอกสารและข้อความในฉากแทบไม่ได้เลย (MTVQA 1.000) และไม่มีความรู้หรือความสามารถผู้ช่วย OpenThai 2.0 นำในการอ่านหนังสือ/ราชกิจจานุเบกษา ความรู้ไทย และการทำตามคำสั่ง — เป็นโมเดลเปิดไทยหนึ่งเดียวในตารางที่อ่านเอกสารระดับผู้เชี่ยวชาญและตอบคำถามเกี่ยวกับเอกสารได้ในโมเดลเดียวกัน ส่วนข้อความในฉาก (MTVQA) คือด้านการอ่านที่อ่อนที่สุดของโมเดลนี้

การเรียกใช้เครื่องมือแบบเอเจนต์ — BFCL (ยิ่งสูงยิ่งดี)

วัดด้วยชุดทดสอบทางการของ Berkeley Function-Calling Leaderboard (bfcl-eval 2026.3.23): 3,841 กรณีใน 14 หมวด ใช้โปรโตคอล OpenAI function calling เดียวกันทุกโมเดล

การประเมิน	OpenThai 2.0 (27B)	Qwen3.8-27B (ฐาน)	Typhoon 2.5 (30B-A3B)
BFCL รวมถ่วงน้ำหนัก (n=3,841)	0.820	0.811	0.792
งานเอเจนต์หลายเทิร์น (n=200)	0.775	0.750	0.550
รู้ว่าเมื่อไหร่ไม่ควรเรียกเครื่องมือ (n=1,124)	0.779	0.763	0.726

การปรับแต่งด้านเอกสารไทยไม่ได้บั่นทอนความสามารถเอเจนต์: OpenThai 2.0 นำทุกแถวสรุป โดยห่างมากที่สุดในงานเอเจนต์หลายเทิร์น (+22.5 คะแนนเหนือ Typhoon 2.5)

🧾 รายละเอียดโมเดล

ชื่อโมเดล	iapp/openthai2.0-qwen3.8-27b
โมเดลฐาน	Qwen/Qwen3.8-27B (dense VLM, สถาปัตยกรรมผสม Mamba-attention)
จำนวนพารามิเตอร์	27B
โหมดการใช้งาน	ภาพ + ข้อความ → ข้อความ
ความยาวบริบท	262,144 โทเคน (max_position_embeddings)
ภาษา	ไทย (หลัก), อังกฤษ
ความละเอียด	bfloat16 safetensors (~52 GB) + LoRA adapter แยกให้ (7 GB, rank 64) · GGUF / MLX / INT8 / NVFP4
หัว MTP	รวมมาในตัว (1 ชั้น) — self-speculative decoding เร็วขึ้น ~1.5 เท่า ผลลัพธ์เหมือนเดิม
เครื่องมือฝึก	ms-swift 4.3 · LoRA r64/α64 all-linear · NVIDIA H100 ×3
การให้บริการ	vLLM ≥ 0.19 (ยืนยันแล้ว, รองรับ API แบบ OpenAI)
สัญญาอนุญาต	Apache 2.0

🔬 ฝึกฝนมาอย่างไร

ปรับแต่งแบบ LoRA (r=64, α=64, all-linear) สามขั้นตอนบนข้อมูลที่ผ่านการตรวจสอบ ~143,000 แถว

1. Scale SFT — สอนให้อ่าน — การถอดความที่ตรวจทานแล้ว และคำถาม-คำตอบเชิงอธิบายบนลายมือไทย หนังสือ ราชกิจจานุเบกษา และเอกสารราชการ รวม 92,893 แถว (2 อีพอค)
2. ชั้นความรู้ — สอนการให้เหตุผลแบบไทย — ข้อสอบปรนัยพร้อมลำดับการคิดที่อิงหลักฐานจากคลังกฎหมายและเอกสารราชการไทย ตรวจการรั่วไหลกับชุดทดสอบทุกครั้ง
3. ชั้นการทำตามคำสั่ง — สอนการควบคุม — เก็บเฉพาะแถวที่คำตอบผ่านการตรวจเงื่อนไขด้วยโปรแกรมเท่านั้น (นับจำนวนหัวข้อ คำที่ต้องมี JSON-only ความยาว) — ข้อมูลคำสั่งแบบปลอดการมโน

ทุกขั้นใช้ท่อส่งข้อมูลแบบ ตรวจสอบทุกอย่าง: เทียบคำตอบกับข้อมูลจริงที่มนุษย์ยืนยัน คัดภาพที่โมเดลอ่านไม่ออกออกจากการฝึกเชิงอธิบาย (กันการมโน) กรองภาษาไทยผิดรูปทุกแถว และมีตัวกันข้อสอบรั่วไหลรันบนคลังข้อมูลทั้งหมดทุกครั้งที่เปลี่ยน

🚀 เริ่มใช้งาน

รันด้วย vLLM บน GPU 80 GB หนึ่งใบ

vllm serve iapp/openthai2.0-qwen3.8-27b \
  --max-model-len 32768 --gpu-memory-utilization 0.85 \
  --max-num-seqs 128 --reasoning-parser qwen3 --trust-remote-code

ต้องการถอดรหัสเร็วขึ้น ~1.5 เท่าโดยผลลัพธ์เหมือนเดิม เพิ่มแฟล็ก MTP:

  --speculative-config '{"method":"qwen3_5_mtp","num_speculative_tokens":2}'

เรียกใช้แบบ OpenAI-compatible (ตัวอย่างอ่านเอกสารจากภาพ):

import base64
from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="none")
img = base64.b64encode(open("thai_document.jpg", "rb").read()).decode()

r = client.chat.completions.create(
    model="iapp/openthai2.0-qwen3.8-27b",
    messages=[{"role": "user", "content": [
        {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{img}"}},
        {"type": "text", "text": "อ่านข้อความในเอกสารนี้ทั้งหมด"},
    ]}],
    temperature=0.0,
    extra_body={"repetition_penalty": 1.05,
                "chat_template_kwargs": {"enable_thinking": False}},
)
print(r.choices[0].message.content)

ถามเป็นภาษาไทยธรรมดาแล้วโมเดลจะอธิบายให้ ต้องการคำตอบสั้นหรือแบบโครงสร้างให้เติม "ตอบสั้น ๆ" หรือ "ตอบเป็น JSON เท่านั้น"

⚠️ ให้พื้นที่โมเดลได้คิด — ข้อผิดพลาดตั้งค่าอันดับหนึ่ง

โมเดลให้เหตุผลก่อนตอบ หากตั้ง max_tokens น้อยเกินไป โทเคนจะถูกใช้ไปกับการคิดจนคำตอบกลับมาว่างเปล่า ให้บริการที่ --max-model-len 32768 ขึ้นไป และปล่อย max_tokens ว่างไว้หรือตั้ง ≥ 8192 (วัดจริง: ตั้ง 1024 → คำตอบว่าง ~33%, ไม่ตั้ง → ~6%)

ข้อควรรู้ก่อนให้บริการ:

• --max-num-seqs 128 เป็นค่าบังคับ — สถาปัตยกรรมผสม Mamba จองแคชต่อลำดับ ค่าเริ่มต้นของ vLLM (1024) จะทำให้เอนจินสตาร์ตไม่ขึ้น
• เปิด thinking ไว้เสมอสำหรับคำขอแบบข้อความล้วน (ใช้ --reasoning-parser qwen3) — ปิด thinking เฉพาะงาน OCR/ถอดความที่แนบภาพเท่านั้น
• ส่ง repetition_penalty: 1.05 เสมอสำหรับการเขียนภาษาไทยยาว ๆ

⚠️ ข้อจำกัดและการใช้งานอย่างรับผิดชอบ

• การสกัดข้อมูลแบบโครงสร้างเทียบเท่าโมเดลฐาน ไม่ได้ดีกว่า — บน ThaiOCRBench แบบตัดสินคะแนนได้ 0.568 เทียบฐาน 0.570 (เสมอกันทางสถิติ) จุดอ่อนอยู่ที่การแยกตาราง การจับคู่ key-value และ VQA บนแผนภาพ งานสกัดฟอร์ม/ตารางหนัก ๆ ควรประเมินบนเอกสารของคุณเองก่อน
• คำตอบยาวแบบอิสระแปรผันได้ระหว่างการรัน — ต้องการผลทำซ้ำได้ให้ตั้ง temperature 0 พร้อม repetition_penalty 1.05 และตรวจสอบข้อเท็จจริงเสมอ
• สั่งให้ตอบสั้นสำเร็จราว 40% — โมเดลติดนิสัยอธิบาย งานที่ต้องการผลลัพธ์ให้เครื่องอ่านควรสั่งรูปแบบชัดเจน เช่น "ตอบเป็น JSON เท่านั้น"
• ข้อความในฉาก (ป้าย/หน้าร้าน) คือด้านการอ่านที่อ่อนที่สุด — งานภาพถ่ายป้ายควรใช้โมเดลฐานหรือโมเดลเฉพาะทาง
• ยังไม่ได้ประเมิน: ภาษาไทยถิ่น ข้อความแนวตั้ง/หมุน คำแนะนำทางการแพทย์หรือกฎหมาย และลายมือยังยากจริง — CER 0.261 แปลว่าตัวอย่างยาก ๆ ยังอ่านผิดราวหนึ่งในสี่ตัวอักษร รวมทั้งโมเดลยังมโนได้บนภาพที่อ่านไม่ออก

แนะนำ: ใช้คู่ RAG ในงานที่ต้องการข้อเท็จจริงและงานกำกับดูแล

โมเดลนี้เก่งที่สุดกับการอ่าน อธิบาย และตอบคำถามบนเอกสารที่คุณส่งให้ งานภาษี กฎหมาย การแพทย์ หรืองานที่อ่อนไหวต่อการกำกับดูแล ควรใช้คู่กับระบบค้นคืนเอกสาร (RAG) จากแหล่งข้อมูลทางการ พร้อมการตรวจทานโดยมนุษย์ ไม่ควรพึ่งความจำแบบ closed-book

OpenThaiRAG — เฟรมเวิร์ก RAG สัญชาติไทยopenthai.aieat.or.th/openthairag

สำหรับงานกฎหมายโดยเฉพาะ ใช้โมเดลกฎหมายไทยของเรา: OpenThai 2.0 Legal

🙏 ผู้ร่วมพัฒนา

พัฒนาโดยทีม OpenThai (iApp Technology) เปิดตัวร่วมกับ สมาคมผู้ประกอบการปัญญาประดิษฐ์ประเทศไทย (AIEAT) บนโมเดลฐาน Qwen/Qwen3.8-27B (Apache 2.0)

การฝึกและประเมินผลรันบน GPU NVIDIA H100 × 8 ใบ ที่ได้รับการสนับสนุนจาก บริษัท สยาม เอไอ คอร์เปอเรชั่น จำกัด — ขอขอบคุณเป็นอย่างยิ่งที่ร่วมสนับสนุน AI ไทยแบบเปิด