ChindaLLM 4B

ทำอะไรได้บ้าง​

• คิดก่อนตอบมีโหมดให้เหตุผลสำหรับงานคณิตศาสตร์และโค้ด ปิดได้เมื่ออยากได้คำตอบตรง ๆ ที่เร็วกว่า
• ตอบเป็นภาษาไทยถามเป็นไทยก็ได้คำตอบเป็นไทย ไม่หลุดเป็นภาษาอังกฤษ
• รันบนเครื่องของคุณรุ่น quantized ขนาด 2.5 GB รันบนโน้ตบุ๊กได้ แนะนำหน่วยความจำ 8 GB
• ตอบจากเอกสารของคุณใส่เนื้อหาเอกสารไปด้วยแล้วโมเดลจะตอบจากเนื้อหานั้น ข้อมูลไม่ออกจากเครือข่าย

ผลการทดสอบ​

เทียบกับโมเดลภาษาไทยทางเลือกที่ดีที่สุดในขนาดเดียวกัน ค่ายิ่งสูงยิ่งดี

Chinda 4B ตามหลังเพียง IFEval ภาษาไทยตามตารางด้านบน และความแม่นยำของภาษาไทย 0.984 ต่อ 0.992 ตามผลเปรียบเทียบฉบับเต็มบนหน้าโมเดลใน Hugging Face

วิธีรัน​

ollama run iapp/chinda-qwen3-4b

from transformers import AutoModelForCausalLM, AutoTokenizer

name = "iapp/chinda-qwen3-4b"
tok = AutoTokenizer.from_pretrained(name)
model = AutoModelForCausalLM.from_pretrained(name, torch_dtype="auto", device_map="auto")

messages = [{"role": "user", "content": "สรุปเอกสารนี้ให้หน่อย"}]
text = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True, enable_thinking=True)
out = model.generate(**tok([text], return_tensors="pt").to(model.device), max_new_tokens=2048)
print(tok.decode(out[0], skip_special_tokens=True))

คู่มือทีละขั้นตอน: LM Studio · Open WebUI · Ollama · n8n

ข้อจำกัด​

• ไม่เหมาะกับคำถามข้อเท็จจริงที่ไม่มีบริบทแนบมา โมเดลขนาด 4 พันล้านพารามิเตอร์ไม่ใช่สารานุกรมและอาจตอบข้อเท็จจริงผิด ถ้าให้เอกสารไปด้วย โมเดลจะให้เหตุผลจากเอกสารนั้นได้ดี
• ขั้นให้เหตุผลใช้เวลา ปิดได้เมื่อคำตอบธรรมดาก็เพียงพอ

สัญญาอนุญาต​

Apache 2.0 ใช้ แก้ไข และนำไปใช้งานได้ฟรี รวมถึงเชิงพาณิชย์ และไม่ต้องรายงานการใช้งาน