จินดา โมเดลภาษาไทยแบบโอเพนซอร์ส ขนาด 4 พันล้านพารามิเตอร์

🇹🇭 จินดา โมเดลภาษาไทยแบบโอเพนซอร์ส ขนาด 4 พันล้านพารามิเตอร์

โมเดลล่าสุด คิดเป็นไทย ตอบเป็นไทย สร้างโดยสตาร์ทอัพไทย

จินดา โมเดลภาษาไทยแบบโอเพนซอร์ส ขนาด 4 พันล้านพารามิเตอร์ คือโมเดลภาษาไทยที่ล้ำสมัยของไอแอพพ์เทคโนโลยี ที่นำเสนอความสามารถในการคิดวิเคราะห์ขั้นสูงสู่ระบบนิเวศน์ AI ของไทย สร้างขึ้นบนสถาปัตยกรรม Qwen3-4B ล่าสุด จินดาแสดงให้เห็นถึงความมุ่งมั่นของเราในการพัฒนาโซลูชัน AI อธิปไตยสำหรับประเทศไทย

🚀 ลิงก์ด่วน

🌐 เดโม: https://chindax.iapp.co.th (เลือก ChindaLLM 4b)
📦 ดาวน์โหลดโมเดล: https://huggingface.co/iapp/chinda-qwen3-4b
🐋 Ollama: https://ollama.com/iapp/chinda-qwen3-4b
📄 ใบอนุญาต: Apache 2.0

✨ คุณสมบัติหลัก

🆓 0. ฟรีและโอเพนซอร์สสำหรับทุกคน

จินดา LLM 4B ฟรีและโอเพนซอร์สอย่างสมบูรณ์ ช่วยให้ผู้พัฒนา นักวิจัย และธุรกิจสามารถสร้างแอปพลิเคชัน AI ภาษาไทยได้โดยไม่มีข้อจำกัด

🧠 1. โมเดลการคิดวิเคราะห์ขั้นสูง

คะแนนสูงสุดในบรรดาโมเดลภาษาไทยขนาด 4 พันล้านพารามิเตอร์
สลับระหว่างโหมดการคิดและไม่คิดได้อย่างราบรื่น
ความสามารถในการให้เหตุผลที่เหนือกว่าสำหรับปัญหาที่ซับซ้อน
สามารถปิดการใช้งานเพื่อการสนทนาแบบทั่วไปที่มีประสิทธิภาพ

🇹🇭 2. ความแม่นยำของภาษาไทยที่ยอดเยี่ยม

ความแม่นยำ 98.4% ในการสร้างผลลัพธ์ภาษาไทย
ป้องกันการสร้างผลลัพธ์ภาษาจีนและภาษาต่างประเทศที่ไม่ต้องการ
ปรับแต่งโดยเฉพาะสำหรับรูปแบบภาษาไทย

🆕 3. สถาปัตยกรรมล่าสุด

ใช้โมเดล Qwen3-4B ที่ล้ำสมัย
รวมความก้าวหน้าล่าสุดในการสร้างแบบจำลองภาษา
ปรับให้เหมาะสมทั้งด้านประสิทธิภาพและความมีประสิทธิภาพ

📜 4. ใบอนุญาต Apache 2.0

อนุญาตให้ใช้ในเชิงพาณิชย์
อนุญาตให้แก้ไขและแจกจ่าย
ไม่มีข้อจำกัดในการใช้งานส่วนตัว

📊 ผลการทดสอบประสิทธิภาพ

จินดา LLM 4B แสดงให้เห็นถึงประสิทธิภาพที่เหนือกว่าเมื่อเทียบกับโมเดลภาษาไทยอื่นๆ ในประเภทเดียวกัน:

การทดสอบ	ภาษา	จินดา LLM 4B	ทางเลือกอื่น*
AIME24	อังกฤษ	0.533	0.100
	ไทย	0.100	0.000
LiveCodeBench	อังกฤษ	0.665	0.209
	ไทย	0.198	0.144
MATH500	อังกฤษ	0.908	0.702
	ไทย	0.612	0.566
IFEVAL	อังกฤษ	0.849	0.848
	ไทย	0.683	0.740
ความแม่นยำของภาษา	ไทย	0.984	0.992
OpenThaiEval	ไทย	0.651	0.544
ค่าเฉลี่ย		0.569	0.414

*ทางเลือกอื่น: scb10x_typhoon2.1-gemma3-4b

info

ทดสอบโดย Skythought และ Evalscope Benchmark Libraries โดยทีมงานไอแอพพ์เทคโนโลยี ผลการทดสอบแสดงให้เห็นว่า Chinda LLM 4B มีประสิทธิภาพโดยรวมดีกว่าทางเลือกอื่นๆ ถึง 37%

✅ เหมาะสำหรับ

🔍 1. แอปพลิเคชัน RAG (AI อธิปไตย)

เหมาะอย่างยิ่งสำหรับการสร้างระบบ Retrieval-Augmented Generation ที่รักษาการประมวลผลข้อมูลไว้ภายในอธิปไตยของประเทศไทย

📱 2. แอปพลิเคชันบนมือถือและแล็ปท็อป

โมเดลภาษาขนาดเล็กที่เชื่อถือได้ ปรับให้เหมาะสมสำหรับการประมวลผลแบบ edge computing และอุปกรณ์ส่วนบุคคล

🧮 3. การคำนวณทางคณิตศาสตร์

ประสิทธิภาพที่ยอดเยี่ยมในการให้เหตุผลและแก้ปัญหาทางคณิตศาสตร์

💻 4. ผู้ช่วยเขียนโค้ด

ความสามารถที่แข็งแกร่งในการสร้างโค้ดและช่วยเหลือการเขียนโปรแกรม

⚡ 5. ประสิทธิภาพการใช้ทรัพยากร

การอนุมานที่รวดเร็วมากด้วยการใช้หน่วยความจำ GPU น้อยที่สุด เหมาะสำหรับการใช้งานจริง

❌ ไม่เหมาะสำหรับ

📚 คำถามข้อเท็จจริงที่ไม่มีบริบท

ในฐานะโมเดลที่มีพารามิเตอร์ 4 พันล้านตัว อาจเกิดการหลงผิดเมื่อถูกถามเกี่ยวกับข้อเท็จจริงเฉพาะโดยไม่มีบริบทที่ให้มา ควรใช้ร่วมกับ RAG หรือให้บริบทที่เกี่ยวข้องสำหรับคำถามข้อเท็จจริงเสมอ

🛠️ เริ่มต้นใช้งานอย่างรวดเร็ว

การติดตั้ง

pip install transformers torch

การใช้งานพื้นฐาน

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "iapp/chinda-qwen3-4b"

# โหลด tokenizer และโมเดล
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# เตรียมข้อมูลอินพุตของโมเดล
prompt = "อธิบายเกี่ยวกับปัญญาประดิษฐ์ให้ฟังหน่อย"
messages = [
    {"role": "user", "content": prompt}
]

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True  # เปิดใช้งานโหมดการคิดเพื่อการให้เหตุผลที่ดีขึ้น
)

model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# สร้างการตอบสนอง
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=1024,
    temperature=0.6,
    top_p=0.95,
    top_k=20,
    do_sample=True
)

output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist()

# วิเคราะห์เนื้อหาการคิด (ถ้าเปิดใช้งาน)
try:
    # ค้นหาโทเค็น </think> (151668)
    index = len(output_ids) - output_ids[::-1].index(151668)
except ValueError:
    index = 0

thinking_content = tokenizer.decode(output_ids[:index], skip_special_tokens=True).strip("\n")
content = tokenizer.decode(output_ids[index:], skip_special_tokens=True).strip("\n")

print("🧠 การคิด:", thinking_content)
print("💬 การตอบสนอง:", content)

การสลับระหว่างโหมดการคิดและไม่คิด

เปิดใช้งานโหมดการคิด (ค่าเริ่มต้น)

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True  # เปิดใช้งานการให้เหตุผลโดยละเอียด
)

ปิดใช้งานโหมดการคิด (เพื่อประสิทธิภาพ)

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False  # โหมดการตอบสนองที่รวดเร็ว
)

การใช้งาน API

ใช้ vLLM

pip install vllm>=0.8.5
vllm serve iapp/chinda-qwen3-4b --enable-reasoning --reasoning-parser deepseek_r1

ใช้ SGLang

pip install sglang>=0.4.6.post1
python -m sglang.launch_server --model-path iapp/chinda-qwen3-4b --reasoning-parser qwen3

ใช้ Ollama (ติดตั้งง่ายสำหรับใช้งานภายในเครื่อง)

การติดตั้ง:

# ติดตั้ง Ollama (หากยังไม่ได้ติดตั้ง)
curl -fsSL https://ollama.com/install.sh | sh

# ดาวน์โหลดโมเดล Chinda LLM 4B
ollama pull iapp/chinda-qwen3-4b

การใช้งานพื้นฐาน:

# เริ่มสนทนากับ Chinda LLM
ollama run iapp/chinda-qwen3-4b

# ตัวอย่างการสนทนา
ollama run iapp/chinda-qwen3-4b "อธิบายเกี่ยวกับปัญญาประดิษฐ์ให้ฟังหน่อย"

เซิร์ฟเวอร์ API:

# เริ่มเซิร์ฟเวอร์ Ollama API
ollama serve

# ใช้งานผ่าน curl
curl http://localhost:11434/api/generate -d '{
  "model": "iapp/chinda-qwen3-4b",
  "prompt": "สวัสดีครับ",
  "stream": false
}'

ข้อมูลจำเพาะโมเดล:

ขนาด: 2.5GB (แบบบีบอัด)
หน้าต่างบริบท: 40K โทเค็น
สถาปัตยกรรม: เหมาะสำหรับการใช้งานภายในเครื่อง
ประสิทธิภาพ: การประมวลผลที่รวดเร็วบนฮาร์ดแวร์ทั่วไป

🔧 การกำหนดค่าขั้นสูง

การประมวลผลข้อความยาว

จินดา LLM 4B รองรับโทเค็นได้สูงสุด 32,768 โทเค็นโดยธรรมชาติ สำหรับบริบทที่ยาวกว่านั้น ให้เปิดใช้งานการปรับขนาด YaRN:

{
    "rope_scaling": {
        "rope_type": "yarn",
        "factor": 4.0,
        "original_max_position_embeddings": 32768
    }
}

พารามิเตอร์ที่แนะนำ

สำหรับโหมดการคิด:

Temperature: 0.6
Top-P: 0.95
Top-K: 20
Min-P: 0

สำหรับโหมดไม่คิด:

Temperature: 0.7
Top-P: 0.8
Top-K: 20
Min-P: 0

📝 ความยาวของบริบทและรูปแบบเทมเพลต

การรองรับความยาวของบริบท

ความยาวบริบทดั้งเดิม: 32,768 โทเค็น
ความยาวบริบทที่ขยาย: สูงสุด 131,072 โทเค็น (ด้วยการปรับขนาด YaRN)
อินพุต + เอาต์พุต: ความยาวการสนทนารวมที่รองรับ
การใช้งานที่แนะนำ: ควรให้การสนทนาอยู่ภายใต้ 32,000 โทเค็นเพื่อประสิทธิภาพที่ดีที่สุด

รูปแบบเทมเพลตการสนทนา

จินดา LLM 4B ใช้รูปแบบเทมเพลตการสนทนาที่เป็นมาตรฐานเพื่อการโต้ตอบที่สอดคล้องกัน:

# โครงสร้างเทมเพลตพื้นฐาน
messages = [
    {"role": "system", "content": "คุณเป็นผู้ช่วย AI ภาษาไทยที่เป็นประโยชน์"},
    {"role": "user", "content": "สวัสดีครับ"},
    {"role": "assistant", "content": "สวัสดีค่ะ! มีอะไรให้ช่วยเหลือบ้างคะ"},
    {"role": "user", "content": "ช่วยอธิบายเรื่อง AI ให้ฟังหน่อย"}
]

# ใช้เทมเพลตพร้อมโหมดการคิด
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True
)

โครงสร้างเทมเพลต

เทมเพลตเป็นไปตามรูปแบบการสนทนาแบบมาตรฐาน:

<|im_start|>system
คุณเป็นผู้ช่วย AI ภาษาไทยที่เป็นประโยชน์<|im_end|>
<|im_start|>user
สวัสดีครับ<|im_end|>
<|im_start|>assistant
สวัสดีค่ะ! มีอะไรให้ช่วยเหลือบ้างคะ<|im_end|>
<|im_start|>user
ช่วยอธิบายเรื่อง AI ให้ฟังหน่อย<|im_end|>
<|im_start|>assistant

การใช้งานเทมเพลตขั้นสูง

# การสนทนาแบบหลายรอบพร้อมการควบคุมโหมดการคิด
def create_conversation(messages, enable_thinking=True):
    # เพิ่มข้อความระบบหากไม่มี
    if not messages or messages[0]["role"] != "system":
        system_msg = {
            "role": "system", 
            "content": "คุณเป็น AI ผู้ช่วยที่ฉลาดและเป็นประโยชน์ พูดภาษาไทยได้อย่างเป็นธรรมชาติ"
        }
        messages = [system_msg] + messages
    
    # ใช้เทมเพลตการสนทนา
    text = tokenizer.apply_chat_template(
        messages,
        tokenize=False,
        add_generation_prompt=True,
        enable_thinking=enable_thinking
    )
    
    return text

# ตัวอย่างการใช้งาน
conversation = [
    {"role": "user", "content": "คำนวณ 15 × 23 = ?"},
]

prompt = create_conversation(conversation, enable_thinking=True)

การสลับโหมดแบบไดนามิก

คุณสามารถควบคุมโหมดการคิดภายในการสนทนาได้โดยใช้คำสั่งพิเศษ:

# เปิดใช้งานการคิดสำหรับปัญหาที่ซับซ้อน
messages = [
    {"role": "user", "content": "/think แก้สมการ: x² + 5x - 14 = 0"}
]

# ปิดใช้งานการคิดสำหรับการตอบสนองที่รวดเร็ว
messages = [
    {"role": "user", "content": "/no_think สวัสดี"}
]

แนวทางปฏิบัติที่ดีที่สุดในการจัดการบริบท

ตรวจสอบจำนวนโทเค็น: ติดตามจำนวนโทเค็นทั้งหมด (อินพุต + เอาต์พุต)
ตัดข้อความเก่า: ลบข้อความที่เก่าที่สุดเมื่อเข้าใกล้ขีดจำกัด
ใช้ YaRN สำหรับบริบทที่ยาว: เปิดใช้งานการปรับขนาด rope สำหรับเอกสารที่มีมากกว่า 32,000 โทเค็น
การประมวลผลแบบแบตช์: สำหรับข้อความที่ยาวมาก ให้พิจารณาการแบ่งเป็นส่วนๆ และประมวลผลเป็นชุดๆ

def manage_context(messages, max_tokens=30000):
    """ฟังก์ชันการจัดการบริบทอย่างง่าย"""
    total_tokens = sum(len(tokenizer.encode(msg["content"])) for msg in messages)
    
    while total_tokens > max_tokens and len(messages) > 2:
        # เก็บข้อความระบบและลบคู่ผู้ใช้/ผู้ช่วยที่เก่าที่สุด
        if messages[1]["role"] == "user":
            messages.pop(1)  # ลบข้อความผู้ใช้
            if len(messages) > 1 and messages[1]["role"] == "assistant":
                messages.pop(1)  # ลบข้อความผู้ช่วยที่เกี่ยวข้อง
        
        total_tokens = sum(len(tokenizer.encode(msg["content"])) for msg in messages)
    
    return messages

🏢 การสนับสนุนองค์กร

สำหรับการใช้งานในองค์กร การฝึกอบรมแบบกำหนดเอง หรือการสนับสนุนเชิงพาณิชย์ ติดต่อเราได้ที่:

อีเมล: sale@iapp.co.th
เว็บไซต์: iapp.co.th

❓ คำถามที่พบบ่อย

🏷️ ทำไมถึงตั้งชื่อว่า "จินดา"?

ชื่อ "จินดา" มาจาก "จินดามณี" ซึ่งถือเป็นหนังสือเล่มแรกของไทยที่พระโหรทิโบดี (ศรีธรรมโศกราช) ทรงแต่งขึ้นในสมัยสุโขทัย เช่นเดียวกับที่จินดามณีเป็นตำราพื้นฐานสำหรับวรรณคดีและการเรียนรู้ของไทย จินดา LLM ก็เป็นรากฐานสำหรับ AI อธิปไตยของไทย - โมเดลที่เข้าใจและคิดเป็นภาษาไทยอย่างแท้จริง อนุรักษ์และพัฒนาความสามารถทางภาษาไทยในยุคดิจิทัล

⚖️ ฉันสามารถใช้ Chinda LLM 4B เพื่อการค้าได้หรือไม่?

ได้! จินดา LLM 4B เปิดตัวภายใต้ ใบอนุญาต Apache 2.0 ซึ่งอนุญาตให้:

✅ การใช้งานเชิงพาณิชย์ - ใช้ในผลิตภัณฑ์และบริการเชิงพาณิชย์
✅ การใช้งานเพื่อการวิจัย - แอปพลิเคชันทางวิชาการและการวิจัย
✅ การแก้ไข - ปรับเปลี่ยนและแก้ไขโมเดล
✅ การแจกจ่าย - แบ่งปันและแจกจ่ายโมเดล
✅ การใช้งานส่วนตัว - ใช้สำหรับโครงการภายในบริษัท

ไม่มีข้อจำกัดในการใช้งานเชิงพาณิชย์ - สร้างและใช้งานได้อย่างอิสระ!

🧠 อะไรคือความแตกต่างระหว่างโหมดการคิดและไม่คิด?

โหมดการคิด (enable_thinking=True):

โมเดลแสดงกระบวนการให้เหตุผลในบล็อก <think>...</think>
ดีกว่าสำหรับปัญหาที่ซับซ้อน คณิตศาสตร์ การเขียนโค้ด การให้เหตุผลเชิงตรรกะ
การตอบสนองช้าลง แต่แม่นยำกว่า
แนะนำสำหรับงานที่ต้องการการวิเคราะห์เชิงลึก

โหมดไม่คิด (enable_thinking=False):

คำตอบโดยตรงโดยไม่แสดงการให้เหตุผล
การตอบสนองที่เร็วขึ้นสำหรับการสนทนาทั่วไป
ดีกว่าสำหรับคำถามง่ายๆ และแอปพลิเคชันการแชท
การใช้ทรัพยากรที่มีประสิทธิภาพมากขึ้น

คุณสามารถสลับระหว่างโหมดต่างๆ หรือให้ผู้ใช้ควบคุมได้แบบไดนามิกโดยใช้คำสั่ง /think และ /no_think

📊 จินดา LLM 4B เปรียบเทียบกับโมเดลภาษาไทยอื่นๆ อย่างไร?

จินดา LLM 4B มีประสิทธิภาพโดยรวมดีกว่าทางเลือกอื่นๆ ถึง 37%:

ค่าเฉลี่ยโดยรวม: 0.569 เทียบกับ 0.414 (ทางเลือกอื่น)
คณิตศาสตร์ (MATH500): 0.908 เทียบกับ 0.702 (อังกฤษ), 0.612 เทียบกับ 0.566 (ไทย)
โค้ด (LiveCodeBench): 0.665 เทียบกับ 0.209 (อังกฤษ), 0.198 เทียบกับ 0.144 (ไทย)
ความแม่นยำของภาษาไทย: 98.4% (ป้องกันการสร้างข้อความภาษาจีน/ต่างประเทศ)
OpenThaiEval: 0.651 เทียบกับ 0.544

ปัจจุบันเป็น โมเดลภาษาไทยที่มีคะแนนสูงสุดในประเภทพารามิเตอร์ 4 พันล้านตัว

💻 ข้อกำหนดของระบบในการใช้งาน Chinda LLM 4B คืออะไร?

ข้อกำหนดขั้นต่ำ:

GPU: VRAM 8GB (RTX 3070/4060 Ti หรือดีกว่า)
RAM: หน่วยความจำระบบ 16GB
ที่เก็บข้อมูล: พื้นที่ว่าง 8GB สำหรับดาวน์โหลดโมเดล
Python: 3.8+ พร้อม PyTorch

แนะนำสำหรับการใช้งานจริง:

GPU: VRAM 16GB+ (RTX 4080/A4000 หรือดีกว่า)
RAM: หน่วยความจำระบบ 32GB+
ที่เก็บข้อมูล: SSD สำหรับการโหลดที่เร็วขึ้น

โหมด CPU-Only: เป็นไปได้ แต่ช้ากว่ามาก (ไม่แนะนำสำหรับการใช้งานจริง)

🔧 ฉันสามารถปรับแต่ง Chinda LLM 4B สำหรับกรณีการใช้งานเฉพาะของฉันได้หรือไม่?

ได้! ในฐานะโมเดลโอเพนซอร์สภายใต้ใบอนุญาต Apache 2.0 คุณสามารถ:

ปรับแต่ง บนข้อมูลเฉพาะโดเมนของคุณ
ปรับแต่ง สำหรับงานหรืออุตสาหกรรมเฉพาะ
แก้ไข สถาปัตยกรรมหากจำเป็น
สร้างอนุพันธ์ สำหรับแอปพลิเคชันเฉพาะ

เฟรมเวิร์กการปรับแต่งยอดนิยมที่ใช้งานได้กับ Chinda:

Unsloth - เร็วและประหยัดหน่วยความจำ
LoRA/QLoRA - การปรับแต่งแบบประหยัดพารามิเตอร์
Hugging Face Transformers - การปรับแต่งแบบเต็มรูปแบบ
Axolotl - การกำหนดค่าการฝึกอบรมขั้นสูง

ต้องการความช่วยเหลือเกี่ยวกับการปรับแต่ง? ติดต่อทีมงานของเราได้ที่ sale@iapp.co.th

🌍 Chinda LLM 4B รองรับภาษาใดบ้าง?

ภาษาหลัก:

ภาษาไทย - ความเข้าใจและการสร้างภาษาในระดับเจ้าของภาษา (ความแม่นยำ 98.4%)
ภาษาอังกฤษ - ประสิทธิภาพที่แข็งแกร่งในทุกการทดสอบ

ภาษาเพิ่มเติม:

รองรับมากกว่า 100 ภาษา (สืบทอดมาจากฐาน Qwen3-4B)
เน้นการปรับให้เหมาะสมสำหรับงานสองภาษา ไทย-อังกฤษ
การสร้างโค้ดในหลายภาษาโปรแกรม

คุณสมบัติพิเศษ:

การสลับภาษา ระหว่างไทยและอังกฤษ
การแปล ระหว่างไทยและภาษาอื่นๆ
ความสามารถในการให้เหตุผลแบบหลายภาษา

🔍 ข้อมูลการฝึกอบรมเปิดเผยต่อสาธารณะหรือไม่?

น้ำหนักของโมเดลเป็นโอเพนซอร์ส แต่ชุดข้อมูลการฝึกอบรมเฉพาะไม่ได้เปิดเผยต่อสาธารณะ อย่างไรก็ตาม:

โมเดลพื้นฐาน: สร้างขึ้นบน Qwen3-4B (ฐานโอเพนซอร์สของอาลีบาบา)
การปรับแต่งภาษาไทย: การจัดทำชุดข้อมูลแบบกำหนดเองสำหรับงานภาษาไทย
เน้นคุณภาพ: เนื้อหาภาษาไทยคุณภาพสูงที่คัดสรรมาอย่างดี
ปฏิบัติตามนโยบายความเป็นส่วนตัว: ไม่มีข้อมูลส่วนบุคคลหรือข้อมูลที่ละเอียดอ่อน

สำหรับการวิจัยร่วมกันหรือสอบถามเกี่ยวกับชุดข้อมูล ติดต่อทีมวิจัยของเรา

🆘 ฉันจะได้รับการสนับสนุนหรือรายงานปัญหาได้อย่างไร?

สำหรับปัญหาทางเทคนิค:

GitHub Issues: รายงานข้อบกพร่องและปัญหาทางเทคนิค
Hugging Face: คำถามและการอภิปรายเฉพาะโมเดล
เอกสารประกอบ: ตรวจสอบคู่มือฉบับสมบูรณ์ของเรา

สำหรับการสนับสนุนเชิงพาณิชย์:

อีเมล: sale@iapp.co.th
การสนับสนุนองค์กร: การฝึกอบรมแบบกำหนดเอง การช่วยเหลือในการใช้งาน
การให้คำปรึกษา: บริการการผสานรวมและการเพิ่มประสิทธิภาพ

การสนับสนุนชุมชน:

ชุมชน AI ไทย: เข้าร่วมการอภิปรายเกี่ยวกับการพัฒนา AI ภาษาไทย
ฟอรัมนักพัฒนา: เชื่อมต่อกับผู้ใช้ Chinda รายอื่น

📥 ขนาดการดาวน์โหลดโมเดลมีขนาดเท่าใดและอยู่ในรูปแบบใด?

ข้อมูลจำเพาะของโมเดล:

พารามิเตอร์: 4.02 พันล้าน (4B)
ขนาดการดาวน์โหลด: ~8GB (บีบอัด)
รูปแบบ: Safetensors (แนะนำ) และ PyTorch
ความแม่นยำ: BF16 (Brain Float 16)

ตัวเลือกการดาวน์โหลด:

Hugging Face Hub: huggingface.co/iapp/chinda-qwen3-4b
Git LFS: สำหรับการผสานรวมการควบคุมเวอร์ชัน
การดาวน์โหลดโดยตรง: ไฟล์โมเดลแต่ละไฟล์
เวอร์ชันแบบ Quantized: พร้อมใช้งานเพื่อลดการใช้หน่วยความจำ (GGUF, AWQ)

ตัวเลือกการ Quantization:

4-bit (GGUF): ~2.5GB, ใช้งานได้กับ VRAM 4GB
8-bit: ~4GB, สมดุลระหว่างประสิทธิภาพ/หน่วยความจำ
16-bit (ดั้งเดิม): ~8GB, ประสิทธิภาพเต็มรูปแบบ

📚 การอ้างอิง

หากคุณใช้ Chinda LLM 4B ในงานวิจัยหรือโครงการของคุณ โปรดอ้างอิง:

@misc{chinda-llm-4b,
  title={Chinda LLM 4B: โมเดลภาษา AI อธิปไตยของไทย},
  author={ไอแอพพ์เทคโนโลยี},
  year={2025},
  publisher={Hugging Face},
  url={https://huggingface.co/iapp/chinda-qwen3-4b}
}

สร้างด้วย 🇹🇭 โดย ไอแอพพ์เทคโนโลยี - ยกระดับธุรกิจไทยด้วยความเป็นเลิศด้าน AI อธิปไตย

Powered by iApp Technology

ข้อจำกัดความรับผิดชอบ: การตอบสนองที่ให้ไว้ไม่ได้รับประกัน