การมาของ OpenAI o1-mini โมเดล AI ที่มีจุดเด่นด้านความคุ้มค่า (Cost-efficient) การใช้เหตุผลที่เฉียบคม และเป็นผู้ช่วยที่เชี่ยวชาญในงานด้าน STEM ซึ่งผ่านการพิสูจน์มาแล้วว่าสามารถเขียนโค้ด และแก้โจทย์คณิตศาสตร์ได้เป็นอย่างดี โดยผ่านการประเมินเกณฑ์มาตรฐาน AIME และ Codeforces ว่ามีประสิทธิภาพใกล้เคียงโมเดลรุ่นพี่อย่าง OpenAI o1
o1-mini , AI สำหรับงานด้านการวิเคราะห์เชิงหลักการ
การเลือกใช้โมเดล AI เปรียบเสมือนการเลือกเครื่องมือให้เหมาะสมกับประเภทของงาน โมเดลขนาดเล็กของโมเดลรุ่นนี้คือตัวเลือกที่น่าสนใจสำหรับผู้ที่ต้องการประสิทธิภาพสูงในต้นทุนที่ประหยัด และยังทำงานได้อย่างรวดเร็ว เหมาะสำหรับการใช้งานที่ต้องอาศัยความเร็วในการประมวลผล มาพร้อมกับไซต์ขนาดเล็ก —.-’ (แต่ความสามารถไม่เล็กตาม)
ความคุ้มค่า และประสิทธิภาพที่เกินต้าน !
เมื่อวัดประสิทธิภาพของโมเดลในการใช้ตรรกะทางคณิตศาสตร์เปรียบเทียบกับต้นทุนการใช้งาน พบว่าโมเดลขนาดเล็กใช้ทรัพยากรที่ต่ำกว่ารุ่นพี่ใหญ่ แต่เมื่อนำมาเปรียบเทียบในด้านประสิทธิภาพแล้ว พบว่าแทบจะไม่มีความแตกต่างกันเลย อาจจะน้อยกว่านิดหน่อย แต่ก็อยู่ในจุดที่สามารถรับได้เมื่อพิจารณาถึงความคุ้มค่า
จุดเด่นในงานด้าน Mathematics และ Coding
- Mathematics : การทดสอบ AIME แสดงให้เห็นว่าโมเดลขนาดเล็กทำผลงานได้ดีมาก โดยได้คะแนนเฉลี่ยสูงถึง 70% ซึ่งใกล้เคียงกับ o1 (74.4%) ที่เป็นโมเดลรุ่นใหญ่ แถมยังทำได้ดีกว่า o1-preview (44.6%) อย่างเห็นได้ชัด
- Coding : บนเว็บไซต์การแข่งขันทางด้านเขียนโปรแกรมอย่าง Codeforces ได้ให้คะแนนโมเดลขนาดเล็กสูงถึง 1650 ซึ่งใกล้เคียงกับ o1 1673 และสูงกว่า o1-preview 1258 อยู่มาก นั่นหมายความว่าโมเดลขนาดเล็กรุ่นนี้เก่งพอๆ กับโปรแกรมเมอร์มืออาชีพถึง 86% นอกจากนี้ยังทำคะแนนทดสอบเขียนโค้ด และผ่านการทดสอบด้านความปลอดภัยทำคะแนนได้ออกมาได้อย่างดีเยี่ยม !
การประเมินความชอบโดยมนุษย์
เมื่อลองนำโมเดลขนาดจิ๋วไปเปรียบเทียบกับ GPT-4o โดยให้ผู้ใช้ทดลองใช้กับคำถามยากๆ ซับซ้อน หลากหลายรูปแบบ ผลปรากฏว่าผู้คนชอบวิธีการคิด และให้เหตุผลของโมเดลรุ่นเล็กมากกว่า แต่ถ้าเป็น งานที่ต้องใช้ภาษาที่สวยงาม หรือความคิดสร้างสรรค์ GPT-4o ยังทำได้ดีกว่า
ทำไมถึงต้องตัดสินใจใช้รุ่น mini ?
- ประหยัดค่าใช้จ่าย : เหมาะกับการใช้งานในอุปกรณ์ที่มีทรัพยากรจำกัด
- ทำงานได้เร็ว : ให้ผลลัพธ์ที่ต้องการได้อย่างรวดเร็ว
- เน้นเฉพาะทาง : เก่งเฉพาะด้านที่ถูกออกแบบมา ทำงานได้แม่นยำกว่าในด้านที่โมเดลถนัด
บทสรุป
โมเดลขนาดเล็กเหมือนมีสมองที่เล็กกว่า แต่ฉลาดเฉพาะทางมากกว่า จึงเหมาะกับงานที่ต้องการความแม่นยำในการคิดคำนวณ หรือวิเคราะห์ข้อมูล เช่น การแก้สมการ การเขียนโค้ด หรือการทำนายผลทางวิทยาศาสตร์ มาพร้อมการทำงานที่รวดเร็วกว่าจึงเป็นตัวช่วยที่ตอบโจทย์ด้านการใช้เหตุผลได้เป็นอย่างดี – แต่อย่างไรก็ตาม ข้อจำกัดของโมเดลขนาดเล็ก (Small LLMs) ที่ทางผู้พัฒนาทิ้งท้ายไว้ ก็ยังคงเป็นเรื่องที่นอกเหนือจากงานด้าน STEM ที่โมเดลอาจไม่ได้เก่งมากนัก ซึ่งผู้พัฒนาได้เห็นถึงข้อจำกัดเหล่านี้ และพยายามที่จะพัฒนาต่อไปในอนาคต
ที่มา : OpenAI
