AI เขียนโค้ดแบบเบาบางพิเศษของ Alibaba ท้าทายความเป็นผู้นำของซิลิคอนแวลลีย์

AI เขียนโค้ดแบบเบาบางพิเศษของ Alibaba ท้าทายความเป็นผู้นำของซิลิคอนแวลลีย์

Alibaba ยักษ์ใหญ่ด้านเทคโนโลยีของจีน เปิดตัว Qwen3-Coder-Next โมเดลเขียนโค้ดแบบโอเพนซอร์สที่ทำผลงานแข่งขันกับระบบปิดของ OpenAI และ Anthropic ได้ โดยใช้ทรัพยากรประมวลผลเพียงเศษเสี้ยว โมเดลขนาด 80,000 ล้านพารามิเตอร์นี้เปิดใช้งานพารามิเตอร์เพียง 3,000 ล้านตัวต่อการประมวลผลไปข้างหน้าแต่ละครั้ง ด้วยสถาปัตยกรรม Mixture-of-Experts แบบเบาบางพิเศษ ทำให้นักพัฒนาสามารถเรียกใช้เอเจนต์เขียนโค้ดที่ซับซ้อนบนฮาร์ดแวร์ในเครื่องได้ โดยไม่ต้องเผชิญกับความหน่วงและค่าใช้จ่ายที่มักเกิดขึ้นกับโมเดลภาษาขนาดใหญ่ แนวทางนี้เป็นการเปลี่ยนแปลงพื้นฐานด้านเศรษฐศาสตร์ของวิศวกรรม AI และแสดงให้เห็นว่าความสามารถในการให้เหตุผลที่ซับซ้อนไม่จำเป็นต้องอาศัยทรัพยากรประมวลผลมหาศาลเสมอไป

การเปิดตัวครั้งนี้เกิดขึ้นท่ามกลางการแข่งขันอย่างเข้มข้นในตลาดผู้ช่วยเขียนโค้ดด้วย AI เมื่อไม่นานมานี้ Anthropic เปิดเผยการปรับปรุงประสิทธิภาพของ Claude Code ส่วน OpenAI เปิดตัวแอปพลิเคชัน Codex ขณะที่เฟรมเวิร์กโอเพนซอร์สอย่าง OpenClaw ได้รับความนิยมจากชุมชนอย่างรวดเร็ว จุดเด่นของ Alibaba คือการผสานการให้สิทธิ์ใช้งานโอเพนซอร์สที่เปิดกว้างภายใต้ Apache 2.0 เข้ากับนวัตกรรมด้านสถาปัตยกรรม ซึ่งท้าทายข้อสมมติที่ว่าโมเดลขนาดใหญ่กว่าจะทำงานได้ดีกว่าเสมอ น้ำหนักโมเดลมีให้ดาวน์โหลดบน Hugging Face หลายรูปแบบ รวมถึง FP8 และ GGUF สำหรับการนำไปใช้งานในสถานการณ์ต่าง ๆ พร้อมรายงานทางเทคนิคที่แจกแจงวิธีฝึกและแนวทางเลือกใช้สถาปัตยกรรม

ผลการทดสอบประสิทธิภาพโดยอิสระยืนยันข้อกล่าวอ้างด้านประสิทธิภาพของ Alibaba การทดสอบบนการกำหนดค่าฮาร์ดแวร์ที่แตกต่างกันพบว่า Qwen3-Coder-Next ประมวลผลได้ 172 โทเค็นต่อวินาที พร้อมรักษาคะแนนคุณภาพในการทำงานเขียนโค้ดไว้ที่ 9.9 จาก 10 ผลลัพธ์นี้แสดงให้เห็นว่านักพัฒนาไม่จำเป็นต้องเลือกระหว่างความเร็วกับความแม่นยำเมื่อตัดสินใจเลือกเครื่องมือพัฒนาในเครื่องอีกต่อไป โมเดลรองรับภาษาโปรแกรม 370 ภาษา เพิ่มขึ้นอย่างมากจาก 92 ภาษาที่รองรับในรุ่นก่อน และมีหน้าต่างบริบทในตัว 256,000 โทเค็น ซึ่งขยายได้ถึงหนึ่งล้านโทเค็นด้วยเทคนิคการคาดคะเนต่อยอด

สถาปัตยกรรมไฮบริดก้าวข้ามข้อจำกัดด้านหน่วยความจำได้อย่างไร

โมเดล Transformer แบบดั้งเดิมมีข้อจำกัดสำคัญที่เรียกว่าปัญหาการขยายตัวแบบกำลังสอง เมื่อหน้าต่างบริบทขยายใหญ่ขึ้น กลไก attention มาตรฐานจะใช้ทรัพยากรประมวลผลมากเกินไป เพราะต้นทุนการประมวลผลเพิ่มขึ้นตามกำลังสองของความยาวลำดับข้อมูล จึงเกิดข้อจำกัดด้านหน่วยความจำที่ทำให้โมเดลจัดการคลังโค้ดขนาดใหญ่หรือบทสนทนายาว ๆ ได้อย่างไม่มีประสิทธิภาพ Qwen3-Coder-Next แก้ปัญหานี้ด้วยสถาปัตยกรรมไฮบริดที่ผสาน Gated DeltaNet เข้ากับ Gated Attention พร้อมปรับแนวคิดพื้นฐานเกี่ยวกับวิธีที่โมเดลภาษาประมวลผลข้อมูลในบริบทที่ยาวขึ้น

Gated DeltaNet เป็นทางเลือกที่มีความซับซ้อนเชิงเส้นแทนกลไก softmax attention แบบดั้งเดิม ช่วยให้โมเดลรักษาสถานะข้อมูลตลอดหน้าต่างบริบทความยาวหนึ่งในสี่ล้านโทเค็น โดยไม่ต้องเผชิญค่าความหน่วงที่เพิ่มขึ้นอย่างรวดเร็ว ซึ่งมักเกิดกับการให้เหตุผลในบริบทที่ยาว เมื่อทำงานร่วมกับการออกแบบ MoE แบบเบาบางพิเศษ สถาปัตยกรรมนี้จึงให้ปริมาณงานตามทฤษฎีสูงกว่าโมเดลแบบหนาแน่นที่มีขนาดความจุรวมใกล้เคียงกันถึงสิบเท่า สำหรับงานระดับคลังซอฟต์แวร์ เอเจนต์สามารถอ่านไลบรารี Python ทั้งชุดหรือเฟรมเวิร์ก JavaScript ที่ซับซ้อนได้ และตอบสนองด้วยความเร็วระดับโมเดล 3,000 ล้านพารามิเตอร์ ขณะยังคงเข้าใจโครงสร้างในระดับเดียวกับระบบ 80,000 ล้านพารามิเตอร์

เพื่อป้องกันการหลอนข้อมูลในบริบทระหว่างการฝึก ทีมพัฒนาใช้วิธี Best-Fit Packing ซึ่งรักษาประสิทธิภาพไว้โดยไม่เกิดข้อผิดพลาดจากการตัดทอนแบบที่พบในวิธีต่อเอกสารเข้าด้วยกันแบบดั้งเดิม สถาปัตยกรรมยังรวมการปรับปรุงเสถียรภาพไว้ด้วย เช่น เทคนิคการปรับมาตรฐานเลเยอร์แบบ zero centered และ weight decayed เพื่อให้ทำงานได้อย่างแข็งแกร่งทั้งในขั้นก่อนและหลังการฝึก นอกจากนี้ยังรองรับ Multi-Token Prediction ซึ่งช่วยเพิ่มประสิทธิภาพก่อนการฝึกและเร่งการอนุมานด้วยการทำนายโทเค็นในอนาคตหลายตัวพร้อมกัน แทนการทำนายทีละตัวตามลำดับ

ฝึกโดยให้เอเจนต์เป็นศูนย์กลาง: ก้าวข้ามชุดคู่โค้ดแบบตายตัว

ที่ผ่านมา โมเดลเขียนโค้ดเรียนรู้จากชุดข้อความโค้ดแบบตายตัว ซึ่งเป็นแนวทางฝึกที่อ่านได้อย่างเดียวและจำกัดความสามารถในการโต้ตอบกับสภาพแวดล้อมการพัฒนาที่เปลี่ยนแปลงอยู่เสมอ Qwen3-Coder-Next แหวกแนวทางนี้ด้วยกระบวนการฝึกแบบเอเจนต์ขนาดใหญ่ ซึ่งสร้างงานเขียนโค้ดที่ตรวจสอบผลลัพธ์ได้ 800,000 งานจากสถานการณ์จริง งานเหล่านี้ไม่ใช่เพียงตัวอย่างโค้ดสั้น ๆ แต่เป็นกรณีแก้บั๊กจริงที่รวบรวมจาก pull request บน GitHub และจับคู่กับสภาพแวดล้อมแบบคอนเทนเนอร์ที่เรียกใช้งานได้เต็มรูปแบบ

โครงสร้างพื้นฐานสำหรับการฝึกที่เรียกว่า MegaFlow ทำงานเป็นระบบจัดการงานแบบคลาวด์เนทีฟบน Kubernetes ของ Alibaba Cloud งานแบบเอเจนต์แต่ละงานดำเนินไปตามกระบวนการสามขั้นตอน ได้แก่ การเรียกใช้เอเจนต์ การประเมินผล และการประมวลผลภายหลัง ในช่วงเรียกใช้ โมเดลโต้ตอบกับสภาพแวดล้อมคอนเทนเนอร์ที่ทำงานอยู่จริง และได้รับผลตอบกลับทันทีเมื่อโค้ดที่สร้างขึ้นไม่ผ่านการทดสอบยูนิตหรือทำให้คอนเทนเนอร์หยุดทำงาน การเรียนรู้แบบวงปิดนี้เปิดทางให้ระบบเรียนรู้จากผลตอบรับของสภาพแวดล้อมผ่านการเรียนรู้แบบเสริมกำลังในช่วงกลางของการฝึก สอนให้ระบบกู้คืนจากข้อผิดพลาดและปรับปรุงวิธีแก้ปัญหาได้แบบเรียลไทม์ แทนที่จะเพียงจดจำคำตอบที่ถูกต้อง

กระบวนการฝึกเน้นความเข้าใจในระดับคลังซอฟต์แวร์ มากกว่าการวิเคราะห์ไฟล์แยกกัน การฝึกช่วงกลางขยายไปสู่ข้อมูลระดับคลังซอฟต์แวร์ประมาณ 600,000 ล้านโทเค็น ซึ่งส่งผลต่อความสามารถในการให้เหตุผลเรื่องการพึ่งพาข้ามไฟล์มากกว่าการใช้ชุดข้อมูลระดับไฟล์เพียงอย่างเดียว แนวทางนี้ช่วยให้โมเดลเข้าใจความสัมพันธ์ที่ซับซ้อนระหว่างองค์ประกอบต่าง ๆ ในฐานโค้ด ซึ่งเป็นความสามารถสำคัญสำหรับการจัดการโครงการวิศวกรรมซอฟต์แวร์ขนาดใหญ่ ระบบยังใช้โมเดลผู้เชี่ยวชาญเฉพาะด้าน เช่น การพัฒนาเว็บและการปรับปรุงประสบการณ์ผู้ใช้ ก่อนกลั่นความรู้จากโมเดลเหล่านี้กลับเข้าสู่โมเดลหลัก เพื่อคงความรู้ที่ละเอียดอ่อนไว้ในเวอร์ชันที่นำไปใช้งานได้อย่างมีประสิทธิภาพ

ผลทดสอบมาตรฐานที่ทัดเทียมยักษ์ใหญ่ระบบปิด

ในการทดสอบ SWE-Bench Verified ซึ่งเป็นเกณฑ์มาตรฐานสำคัญสำหรับประเมินความสามารถของโมเดล AI ในการแก้ปัญหาซอฟต์แวร์จริง Qwen3-Coder-Next ได้คะแนน 70.6% สูงกว่า DeepSeek-V3.2 ซึ่งได้ 70.2% และตามหลัง GLM-4.7 ซึ่งได้ 74.2% เพียงเล็กน้อย ผลลัพธ์นี้น่าสนใจเป็นพิเศษเมื่อพิจารณาว่าโมเดลของ Alibaba ใช้พารามิเตอร์ที่ทำงานอยู่เพียง 3,000 ล้านตัว เทียบกับจำนวนพารามิเตอร์ที่ทำงานอยู่ซึ่งสูงกว่ามากของระบบคู่แข่ง ในเกณฑ์ที่ท้าทายยิ่งกว่าอย่าง SWE-Bench Pro โมเดลแสดงจุดแข็งเป็นพิเศษด้านการให้เหตุผลระยะยาวในงานเอเจนต์ที่มีหลายรอบการโต้ตอบ

ความสามารถของโมเดลไม่ได้จำกัดอยู่ที่การสร้างโค้ดให้ทำงานได้ แต่ยังครอบคลุมการพัฒนาที่คำนึงถึงความปลอดภัยด้วย ใน SecCodeBench ซึ่งประเมินความสามารถของโมเดลในการแก้ไขช่องโหว่ Qwen3-Coder-Next ทำผลงานในการสร้างโค้ดได้ดีกว่า Claude-Opus-4.5 โดยได้คะแนน 61.2% เทียบกับ 52.5% ที่สำคัญ โมเดลยังรักษาคะแนนสูงไว้ได้แม้ไม่มีคำใบ้ด้านความปลอดภัย สะท้อนว่าการฝึกแบบเอเจนต์ด้วยงาน 800,000 งานช่วยปลูกฝังความตระหนักรู้โดยพื้นฐานเกี่ยวกับข้อผิดพลาดด้านความปลอดภัยที่พบบ่อย ในการประเมินความปลอดภัยแบบหลายภาษา โมเดลมีความสมดุลในการสร้างโค้ดที่ทำงานได้และปลอดภัย โดยทำคะแนนเหนือทั้ง DeepSeek-V3.2 และ GLM-4.7 ในเกณฑ์ CWEval ด้วยคะแนน func-sec@1 ที่ 56.32%

นอกเหนือจากเกณฑ์ทดสอบเฉพาะด้านการเขียนโค้ด สถาปัตยกรรมพื้นฐาน Qwen3-Next ยังแสดงความสามารถด้านการให้เหตุผลทั่วไปได้อย่างแข็งแกร่ง โมเดลพื้นฐานรุ่นที่มีความสามารถในการคิดทำผลงานเหนือคู่แข่งในงานให้เหตุผลที่ซับซ้อน รวมถึงคณิตศาสตร์และการให้เหตุผลเชิงตรรกะด้วยสามัญสำนึก ในการประเมินความสามารถแบบเอเจนต์ เช่น BFCL-v3 และเกณฑ์ TAU โมเดลแสดงความชำนาญในการใช้เครื่องมือและดำเนินงานอย่างอิสระในระดับที่เทียบเท่าหรือเหนือกว่าทางเลือกระบบปิดที่มีขนาดใหญ่กว่า

ความสามารถด้านความปลอดภัยและข้อถกเถียง

แม้คะแนนทดสอบจะแสดงให้เห็นความสามารถของโมเดลในการสร้างโค้ดที่ปลอดภัย แต่ผู้เชี่ยวชาญด้านความมั่นคงปลอดภัยไซเบอร์บางรายกังวลถึงความเสี่ยงจากการใช้เครื่องมือเขียนโค้ดด้วย AI ที่พัฒนาภายใต้กรอบความมั่นคงแห่งชาติของจีน Jurgita Lapienyė บรรณาธิการบริหารของ Cybernews เตือนว่า การใช้งานอย่างแพร่หลายในหมู่นักพัฒนาตะวันตกอาจเปิดทางให้มีช่องโหว่แฝงที่ตรวจไม่พบในฐานโค้ดซับซ้อน

นักพัฒนาอาจกำลังก้าวเข้าสู่อนาคตโดยไม่รู้ตัว ซึ่งระบบหลักถูกสร้างขึ้นด้วยโค้ดที่มีช่องโหว่

ภายใต้กฎหมายข่าวกรองแห่งชาติของจีน บริษัทอย่าง Alibaba ต้องให้ความร่วมมือกับคำร้องขอจากรัฐบาลที่เกี่ยวข้องกับข้อมูลและโมเดล AI จึงอาจเกิดสถานการณ์ที่โค้ดที่สร้างขึ้นมีจุดอ่อนซึ่งจงใจพรางไว้ ข้อกังวลเหล่านี้มุ่งไปที่ช่องทางโจมตีห่วงโซ่อุปทาน ลักษณะคล้ายกรณี SolarWinds ซึ่งมีการแฝงตัวเป็นเวลานานผ่านการอัปเดตซอฟต์แวร์ที่เชื่อถือได้ นักวิจารณ์ชี้ว่าเอเจนต์เขียนโค้ดอัตโนมัติที่สแกนฐานโค้ดทั้งชุดและแก้ไขได้โดยอิสระ อาจถูกนำไปใช้ทำความเข้าใจระบบป้องกันและสร้างช่องทางโจมตีที่ออกแบบเฉพาะได้ในทางทฤษฎี ความเสี่ยงไม่ได้อยู่ที่บั๊กที่เห็นได้ชัด แต่อาจเป็นปัญหาเล็ก ๆ ที่ตรวจจับได้ยากและดูคล้ายการตัดสินใจด้านการออกแบบที่ไม่มีพิษภัย จนหลุดรอดจากการตรวจทานโค้ดตามปกติ

ฝ่ายสนับสนุนแนวทางโอเพนซอร์สระบุว่าน้ำหนักโมเดลเปิดให้ตรวจสอบได้ทั้งหมดภายใต้สัญญาอนุญาต Apache 2.0 ทำให้องค์กรสามารถตรวจสอบระบบก่อนนำไปใช้งานได้ อย่างไรก็ตาม นักวิจัยด้านความปลอดภัยโต้แย้งว่าโครงสร้างพื้นฐานแบ็กเอนด์ ระบบเทเลเมทรี และวิธีติดตามการใช้งานยังคงไม่โปร่งใส แม้น้ำหนักโมเดลจะเปิดเผยต่อสาธารณะ

ระบบนิเวศ Qwen Code และการผสานเข้ากับเครื่องมือของนักพัฒนา

ควบคู่กับการเปิดตัวโมเดล Alibaba ยังเปิดซอร์ส Qwen Code ซึ่งเป็นเครื่องมืออินเทอร์เฟซบรรทัดคำสั่งที่แยกแขนงมาจาก Gemini Code และปรับแต่งมาสำหรับเวิร์กโฟลว์การเขียนโค้ดแบบเอเจนต์ เครื่องมือนี้ช่วยให้นักพัฒนามอบหมายงานวิศวกรรมให้ AI ผ่านคำสั่งภาษาธรรมชาติ โดยมีพรอมป์ต์และโพรโทคอลการโต้ตอบที่ปรับแต่งมาเพื่อดึงศักยภาพของ Qwen3-Coder-Next ออกมาอย่างเต็มที่ CLI นี้เชื่อมต่อกับสภาพแวดล้อมการพัฒนายอดนิยม รวมถึงส่วนขยายของ VS Code และทำงานร่วมกับเครื่องมือชุมชนที่ใช้อยู่แล้วอย่าง Cline และอินเทอร์เฟซ Claude Code ได้อย่างราบรื่น

โมเดลรองรับรูปแบบเรียกใช้เครื่องมือแบบ XML ที่พัฒนาขึ้นใหม่โดยเฉพาะสำหรับอาร์กิวเมนต์ที่มีสตริงจำนวนมาก ทำให้ส่งออกโค้ดขนาดยาวได้โดยไม่ต้องรับภาระจากการซ้อนเครื่องหมายคำพูดและการ escape ที่มักเกิดขึ้นกับการเรียกใช้ฟังก์ชันแบบ JSON รายละเอียดทางเทคนิคนี้มีความสำคัญต่อการใช้งานจริง เพราะช่วยลดการใช้โทเค็นและความซับซ้อนในการแยกวิเคราะห์ เมื่อโมเดลสร้างบล็อกโค้ดขนาดใหญ่หรือโต้ตอบกับเครื่องมือพัฒนาภายนอก ระบบยังใช้โทเคไนเซอร์รุ่นใหม่ที่คงความสอดคล้องกับตระกูล Qwen3 โดยรวมนักพัฒนาจึงต้องอัปเดตกระบวนการแปลงโทเค็นเมื่อย้ายจากรุ่นก่อนหน้า

ตัวเลือกการใช้งานบนคลาวด์ขยายตัวอย่างรวดเร็ว ขณะนี้ GroqCloud รองรับโมเดล Qwen3 พร้อมเข้าถึงหน้าต่างบริบทได้เต็มรูปแบบ โดยคิดราคา 0.29 ดอลลาร์ต่อโทเค็นขาเข้าหนึ่งล้านโทเค็น และ 0.59 ดอลลาร์ต่อโทเค็นขาออกหนึ่งล้านโทเค็น พร้อมความเร็วการอนุมานมากกว่า 535 โทเค็นต่อวินาที แพลตฟอร์ม Model Studio ของ Alibaba เองก็ให้บริการ API ในราคาประหยัด และบริษัทระบุว่าโมเดลเขียนโค้ดในตระกูล Qwen มียอดดาวน์โหลดสะสมทั่วโลกเกิน 20 ล้านครั้งแล้ว ส่วน Tongyi Lingma ปลั๊กอินสภาพแวดล้อมการพัฒนาแบบผสานรวมของ Alibaba จะได้รับการอัปเกรดในเร็ว ๆ นี้ โดยเพิ่มความสามารถแบบเอเจนต์ที่พัฒนาขึ้นของ Qwen3-Coder ซึ่งอาจทำให้ผู้ใช้เดิมหลายล้านคนเข้าถึงฟังก์ชันใหม่ได้

การแข่งขันระดับโลกและประเด็น AI อธิปไตย

การเปิดตัวครั้งนี้ยิ่งเพิ่มความเข้มข้นของการแข่งขันในตลาดผู้ช่วยเขียนโค้ดด้วย AI ทั่วโลก ซึ่งบริษัทจีนท้าทายความเป็นผู้นำของสหรัฐฯ มากขึ้นผ่านกลยุทธ์โอเพนซอร์ส Alibaba ระบุว่าสถาปัตยกรรม Qwen3-Next ให้ประสิทธิภาพเทียบเท่าโมเดลเรือธง Qwen3-235B-A22B ขณะที่ต้นทุนการฝึกลดลงเหลือหนึ่งในสิบของรุ่นก่อน ประสิทธิภาพที่เพิ่มขึ้นนี้ช่วยให้ผู้คนเข้าถึงเครื่องมือ AI สมรรถนะสูงได้กว้างขึ้น โดยไม่ต้องลงทุนในโครงสร้างพื้นฐานมหาศาล และอาจเร่งการใช้งานในตลาดกำลังพัฒนาและกลุ่มนักพัฒนาอิสระ

อย่างไรก็ตาม ความตึงเครียดทางภูมิรัฐศาสตร์ทำให้รูปแบบการยอมรับเทคโนโลยีซับซ้อนขึ้น นักวิเคราะห์สังเกตว่าการนำโมเดล AI จากต่างประเทศมาใช้กำลังลดน้อยลงทั้งในสหรัฐฯ และจีน เนื่องจากข้อกังวลด้านกฎระเบียบ ความเชื่อมั่น และความมั่นคงแห่งชาติ การเติบโตของ AI อธิปไตย ซึ่งแต่ละประเทศเลือกใช้โมเดลที่มีโครงสร้างพื้นฐานและบริการคลาวด์ในประเทศรองรับ ชี้ว่าโมเดลโอเพนซอร์สน่าจะได้รับความนิยมเมื่อสอดคล้องกับนโยบายระดับชาติและเกณฑ์ความเสี่ยงของภาคธุรกิจเป็นหลัก แม้ Qwen3-Coder-Next อาจเร่งการขยายตัวของ Alibaba Cloud ในภูมิภาคเอเชียแปซิฟิก แต่กฎระเบียบที่เข้มงวดและข้อกังวลด้านความปลอดภัยมีแนวโน้มจำกัดการใช้งานในโลกตะวันตก แม้โมเดลจะมีจุดเด่นทางเทคนิคก็ตาม

Lian Jye Su หัวหน้านักวิเคราะห์ของ Omdia เน้นย้ำถึงความจำเป็นในการประเมินความปลอดภัยอย่างรอบด้าน โดยไม่คำนึงถึงประสิทธิภาพทางเทคนิค

ผมคงไม่แปลกใจหากผู้นำบริษัทเทคโนโลยีตะวันตกเห็นว่าโมเดลเขียนโค้ดแบบโอเพนซอร์สอย่าง Qwen3-Coder น่าสนใจ เพราะทำผลงานได้ดีในเกณฑ์ทดสอบหลายรายการ แน่นอนว่าข้อกังวลเรื่องการคุ้มครองทรัพย์สินทางปัญญาและความปลอดภัยของข้อมูลเป็นเรื่องที่สมเหตุสมผล ผมจึงขอแนะนำให้ผู้นำบริษัทเทคโนโลยีในสหรัฐฯ ประเมินโมเดลโอเพนซอร์สทุกตัวอย่างรอบด้าน ไม่ว่าจะมีต้นกำเนิดจากที่ใด

ภาพการแข่งขันบ่งชี้ว่า ผู้ช่วยเขียนโค้ดที่ดีที่สุดในท้ายที่สุดอาจไม่ได้เกิดจากการพัฒนาแบบระบบปิดที่เป็นกรรมสิทธิ์ แต่จากการร่วมกันปรับปรุงสถาปัตยกรรมแบบเปิด หากสามารถสร้างความเชื่อมั่นและตรวจสอบความปลอดภัยได้

สรุปประเด็นสำคัญ

• Qwen3-Coder-Next ของ Alibaba ทำความแม่นยำได้ 70.6% ใน SWE-Bench Verified โดยใช้พารามิเตอร์ที่ทำงานอยู่เพียง 3,000 ล้านตัวจากทั้งหมด 80,000 ล้านตัว ทัดเทียมโมเดลระบบปิดที่มีขนาดใหญ่กว่ามาก
• สถาปัตยกรรมไฮบริดที่ผสาน Gated DeltaNet กับ Gated Attention รองรับหน้าต่างบริบท 256,000 โทเค็น ซึ่งขยายได้ถึงหนึ่งล้านโทเค็น พร้อมรักษาความซับซ้อนในการประมวลผลแบบเชิงเส้น
• การฝึกแบบเอเจนต์ด้วยงานจริงที่ตรวจสอบผลลัพธ์ได้ 800,000 งานผ่านโครงสร้างพื้นฐาน MegaFlow ทำให้เกิดความสามารถในการเรียนรู้แบบวงปิด ซึ่งก้าวข้ามการจดจำโค้ดแบบตายตัว
• ผลทดสอบโดยอิสระยืนยันความเร็วในการประมวลผล 172 โทเค็นต่อวินาทีบนฮาร์ดแวร์สำหรับผู้บริโภค แสดงให้เห็นว่าสามารถใช้งานจริงกับเวิร์กโฟลว์พัฒนาในเครื่องได้
• การประเมินด้านความปลอดภัยแสดงให้เห็นความสามารถในการซ่อมแซมช่องโหว่เหนือกว่า Claude-Opus-4.5 แต่ข้อกังวลทางภูมิรัฐศาสตร์เกี่ยวกับอธิปไตยของข้อมูลและความเสี่ยงต่อห่วงโซ่อุปทานยังเป็นอุปสรรคสำคัญต่อการใช้งานในภาคธุรกิจตะวันตก
• สัญญาอนุญาต Apache 2.0 อนุญาตให้ใช้เชิงพาณิชย์และตรวจสอบโมเดลได้ โดยมีน้ำหนักโมเดลให้ดาวน์โหลดบน Hugging Face พร้อมเครื่องมือ CLI Qwen Code สำหรับนำไปผสานเข้ากับเครื่องมือของนักพัฒนาได้ทันที