OpenThai 2.0 — โมเดลเปิดหนึ่งเดียวที่อ่านเอกสารไทย รู้เรื่องเมืองไทย และทำงานเอเจนต์ได้

วันนี้ เราร่วมกับสมาคมผู้ประกอบการปัญญาประดิษฐ์ประเทศไทย (AIEAT) เปิดตัว OpenThai 2.0 — โมเดล vision-language ภาษาไทยแบบโอเพนซอร์ส ขนาด 27B พารามิเตอร์ สัญญาอนุญาต Apache 2.0 ดาวน์โหลดน้ำหนักโมเดลได้ฟรีบน Hugging Face

เมื่อหนึ่งเดือนก่อนเราเปิดตัว OpenThai 2.0 Legal โมเดลเฉพาะทางที่จำตัวบทกฎหมายไทยได้ขึ้นใจ OpenThai 2.0 คือพี่น้องสายงานทั่วไปของมัน และเป็นการเปิดตัวที่ใหญ่กว่า: โมเดลเดียวที่อ่านเอกสารและลายมือไทยได้ระดับโมเดลเฉพาะทาง ตอบคำถามความรู้ไทยเป็นภาษาไทยธรรมชาติ และเรียกใช้เครื่องมือได้เสถียรพอที่จะรันเป็นเอเจนต์ — โดยยังคงความฉลาดทั่วไปของโมเดลฐานไว้ครบ

หน้าโมเดล: iapp.co.th/th/openmodels/openthai2p0 · น้ำหนักโมเดล: huggingface.co/iapp/openthai2.0-qwen3.8-27b · ทดลองฟรี ไม่ต้องติดตั้ง: chinda3.iapp.co.th

ทำไม "โมเดลเดียว" ถึงสำคัญ

ระบบเอกสารภาษาไทยที่ใช้งานจริงทุกวันนี้ล้วนเป็นไปป์ไลน์: เอนจิน OCR ที่อ่านได้แต่คิดไม่ได้ ส่งต่อให้โมเดลภาษาที่คิดได้แต่อ่านไม่ได้ ทุกจุดส่งต่อสูญเสียเลย์เอาต์ บริบท และความมั่นใจ — และไม่มีฝั่งไหนตรวจสอบอีกฝั่งได้

OpenThai 2.0 คือทั้งสองฝั่งในน้ำหนักชุดเดียว ยื่นหน้าราชกิจจานุเบกษาให้ มันถอดความได้ ถามคำถามเกี่ยวกับหน้านั้น มันตอบเป็นภาษาไทยเชิงอธิบาย ต่อเครื่องมือให้ มันจัดการงานต่อจนจบ นี่คือโมเดลเปิดภาษาไทยตัวเดียวที่เราวัดพบว่า ทั้งอ่านเอกสารได้ระดับโมเดลเฉพาะทางและตอบคำถามจากเอกสารนั้นได้ในโมเดลเดียวกัน

ตัวเลข

ผลทั้งหมดวัดโดยทีมงานเรา ทุกโมเดลรันบนชุดทดสอบเดียวกันภายใต้เงื่อนไขการให้บริการเหมือนกัน แต่ละโมเดลใช้พรอมต์ที่ผู้พัฒนาแนะนำเอง — ทำซ้ำได้ด้วยเช็กพอยต์สาธารณะ ตารางเต็มและผลรายหมวดอยู่ที่หน้าโมเดลและในรีโพซิทอรีบน Hugging Face

การอ่านภาษาไทย (อัตราความผิดพลาดระดับตัวอักษร — ยิ่งต่ำยิ่งดี):

งาน	OpenThai 2.0	โมเดลฐาน Qwen3.8-27B
ลายมือไทย (n=916)	0.261	0.649
หนังสือและราชกิจจานุเบกษา (n=608)	0.126	0.370
เอกสารราชการ (n=906)	0.327	0.530
เอกสารสิ่งพิมพ์ (n=104)	0.077	0.103

ความผิดพลาดลดลง 60% บนลายมือ และ 66% บนหนังสือและราชกิจจานุเบกษา ตัวอย่างจริงจากชุดทดสอบลายมือ: โมเดลฐานอ่านคำว่า "เชียงราย" เป็น "3.1.4 การจ่าย" — ผิดทั้งหมด OpenThai 2.0 อ่านได้ถูกต้องทุกตัวอักษร

ความรู้ไทยและการทำตามคำสั่ง (ยิ่งสูงยิ่งดี):

งาน	OpenThai 2.0	ฐาน	Typhoon 2.5	Pathumma 3.0
OpenThaiEval — ข้อสอบระดับชาติ	0.842	0.820	0.742	0.660
IFEval-TH — ทำตามคำสั่งภาษาไทย	0.795	0.772	0.749	0.498
HumanEval — เขียนโค้ด	0.957	0.939	0.957	0.805

การใช้เครื่องมือแบบเอเจนต์ ด้วย harness ทางการของ BFCL (3,841 เคส):

งาน	OpenThai 2.0	ฐาน	Typhoon 2.5
BFCL รวม	0.820	0.811	0.792
งานเอเจนต์หลายรอบสนทนา	0.775	0.750	0.550

ปกติการจูนภาษาไทยต้องแลกด้วยความสามารถด้านอื่น แต่ครั้งนี้ไม่ใช่: โมเดลนำโมเดลฐานทั้งด้านการใช้เครื่องมือและการเขียนโค้ดไปพร้อมกับที่ได้ทักษะภาษาไทยมา โดยยอมเสียเพียง 0.008 บนความรู้รอบตัว (MMLU-Redux 0.916 เทียบกับ 0.924)

เราเผยแพร่ด้านที่แพ้ด้วย: โมเดลถอดความเฉพาะทาง (Typhoon-OCR 1.5) ยังชนะบนบรรทัดสิ่งพิมพ์สะอาดและลายมือแยกส่วน ตัวอักษรในภาพถ่ายยังเป็นด้านที่อ่อนที่สุด และการสกัดตารางแบบมีโครงสร้างเทียบเท่าโมเดลฐาน — การเปรียบเทียบฉบับเต็มพร้อมตัวเลขทุกตัวอยู่ที่หน้าโมเดล

ห้าฟอร์แมต สัญญาอนุญาตเดียว

Apache 2.0 — ใช้เชิงพาณิชย์ ดัดแปลง และแจกจ่ายต่อได้ ไม่ต้องขออนุญาตเข้าถึง

ฟอร์แมต	รันบน
bf16	vLLM / transformers, GPU 80 GB หนึ่งใบ
GGUF Q4_K_M / Q8_0	llama.cpp, CPU หรือ GPU ทั่วไป (17 / 29 GB)
MLX 4-bit	Apple silicon หน่วยความจำรวม 24 GB ขึ้นไป
INT8 W8A8	vLLM, GPU ระดับ ~40 GB
NVFP4	vLLM, NVIDIA Blackwell

เช็กพอยต์ยังมาพร้อมหัวถอดรหัสแบบ multi-token prediction: vLLM รัน self-speculative decoding ได้ 75.2 โทเคน/วินาที เทียบกับ 50.1 เมื่อไม่ใช้ (+50% วัดจริงบน H100) โดยผลลัพธ์เหมือนเดิมทุกโทเคน ข้อมูลไม่ออกจากโครงสร้างพื้นฐานของคุณเลย — โมเดลรันบนฮาร์ดแวร์ของคุณเองทั้งหมด

เทรนด้วยข้อมูลที่ตรวจสอบแล้วเท่านั้น

LoRA fine-tuning สามขั้นบนข้อมูลราว 143,000 แถว ทุกแถวผ่านการตรวจสอบด้วยเครื่อง: ผลถอดความเทียบกับข้อมูลจริงที่มนุษย์ยืนยัน สาย reasoning ด้านความรู้ตรวจการรั่วไหลเทียบกับชุดวัดผล และข้อมูลคำสั่งเก็บเฉพาะเมื่อคำตอบผ่านการตรวจเงื่อนไขด้วยโปรแกรม ชุดทดสอบลายมือเป็นแบบ text-disjoint — ไม่มีข้อความถอดความใดในข้อมูลเทรนปรากฏในชุดทดสอบ — ตัวเลขข้างบนจึงวัด "การอ่าน" ไม่ใช่ "การจำ"

การเทรนและการวัดผลใช้ GPU NVIDIA H100 จำนวน 8 ใบ ซึ่งได้รับการสนับสนุนจากบริษัท สยาม เอไอ คอร์เปอเรชั่น จำกัด — ขอขอบคุณเป็นอย่างยิ่งที่สนับสนุน AI ไทยแบบเปิด

เริ่มต้นใช้งาน

เส้นทางที่เร็วที่สุดคือเบราว์เซอร์: chinda3.iapp.co.th — ฟรี ไม่ต้องติดตั้ง อัปโหลดเอกสารไทยแล้วถามได้เลย

ต้องการเรียกผ่าน API? Endpoint แบบโฮสต์ใช้ฟรีถึง 30 กันยายน 2569 ด้วย iApp API key ฟรี — OpenAI-compatible ที่ https://api.iapp.co.th/v3/llm/openthai2p0 รองรับทั้งข้อความและรูปภาพ 30 คำขอ/นาที (รายละเอียดที่หน้าโมเดล)

อัปเดต 3 ตุลาคม 2569: สิ้นสุดช่วงใช้ฟรีแล้ว API ที่โฮสต์ให้คิด 0.01 IC ต่อ 1,000 input tokens และ 0.02 IC ต่อ 1,000 output tokens

หากต้องการติดตั้งเอง:

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

หน้าโมเดลรวมตารางผลทดสอบฉบับเต็ม ข้อควรรู้ก่อนให้บริการที่จะช่วยประหยัดเวลาคุณไปหนึ่งบ่าย (--max-num-seqs 128 เป็นข้อบังคับ และอย่าจำกัด max_tokens) ลิงก์รีโพซิทอรีแบบควอนไทซ์ และรายการข้อจำกัดแบบตรงไปตรงมา สำหรับงานกฎหมาย ใช้คู่กับโมเดลเฉพาะทาง OpenThai 2.0 Legal

พัฒนาโดย iApp Technology เปิดตัวร่วมกับ AIEAT — โดยคนไทย เพื่อคนไทย