LLM คืออะไร

สามคำนี้ ตามลำดับที่สำคัญ

แยกชื่อออกจากหลังไปหน้า

Model (โมเดล) โมเดลคือฟังก์ชันที่เปลี่ยนอินพุตให้เป็นเอาต์พุต โดยกฎเกณฑ์ถูกเรียนรู้จากข้อมูลแทนที่จะถูกเขียนโดยโปรแกรมเมอร์ โมเดลพยากรณ์อากาศรับค่าที่วัดได้วันนี้แล้วให้ผลลัพธ์เป็นพยากรณ์วันพรุ่งนี้ โมเดลภาษารับข้อความแล้วให้ผลลัพธ์เป็นความน่าจะเป็นของคำที่จะตามมา

Language (ภาษา) อินพุตและเอาต์พุตเป็นข้อความที่ถูกตัดเป็นโทเคน ซึ่งเป็นชิ้นส่วนของคำ What are tokens in AI อธิบายหน่วยนี้ไว้ สรุปสั้น ๆ คือโมเดลอ่านและเขียนเป็นชิ้นส่วนคำที่มีขนาดประมาณสามในสี่ของคำหนึ่งคำ

Large (ขนาดใหญ่) โมเดลมีจำนวนพารามิเตอร์มหาศาล ซึ่งเป็นตัวเลขภายในที่การฝึกปรับแต่ง GPT-2 ในปี 2019 มี 1.5 พันล้านตัว GPT-3 ในปี 2020 มี 175 พันล้านตัว แคตตาล็อกที่เว็บไซต์นี้ตั้งราคาในปี 2026 มีโมเดล Qwen ที่มีพารามิเตอร์ 2.4 ล้านล้านตัว โดยมีประมาณ 95 พันล้านตัวที่ทำงานอยู่ในแต่ละโทเคน คำว่า large ทำหน้าที่หนักมากในชื่อนี้ และจำนวนก็เพิ่มขึ้นมากกว่าพันเท่าในเจ็ดปี

ดังนั้น LLM ก็คือตัวทายโทเคนถัดไปที่มีขนาดใหญ่มาก คุณสมบัติอื่น ๆ ที่คนมักยกให้มัน ไม่ว่าจะเป็นการให้เหตุผล น้ำเสียง หรือความผิดพลาดที่ดูมั่นใจ ล้วนสืบเนื่องมาจากหน้าที่เดียวนี้

LLM ไม่ใช่แชทบอท และความต่างนี้คือทั้งหมดของสินค้า

ChatGPT คือแอป GPT คือโมเดลที่อยู่ข้างใน Claude เป็นทั้งตระกูลโมเดลและแอปที่ Anthropic ห่อหุ้มไว้ Gemini ก็เป็นเรื่องเดียวกันที่ Google What is an AI chatbot พูดถึงชั้นของแอป ส่วนหน้านี้พูดถึงเครื่องยนต์

ความแตกต่างนี้ไม่ใช่แค่เรื่องทฤษฎีอีกต่อไปในวินาทีที่คุณรู้ว่าเครื่องยนต์สามารถสลับได้ หน้าต่างแชทเดียวกันสามารถส่งข้อความของคุณไปให้ GPT, Claude, Gemini, DeepSeek หรือ Llama และคำตอบก็ต่างกันในเรื่องน้ำเสียง ต้นทุน ความเร็ว และความแม่นยำ พื้นที่ทำงานแบบหลายโมเดลอย่าง Whizi ก็คือแบบนั้นเป๊ะ หน้าต่างเดียว โมเดลกว่า 280 ตัวอยู่เบื้องหลัง และมีตัวเลือกให้เลือกว่าใครจะตอบ แอปคือพวงมาลัย LLM คือเครื่องยนต์ และมีอยู่นับสิบตัว

LLM ถูกฝึกอย่างไร สองขั้นตอน

ขั้นที่หนึ่ง การฝึกล่วงหน้า (pretraining) โมเดลอ่านข้อความจำนวนมหาศาลและพยายามทายโทเคนถัดไปในทุกตำแหน่ง การทายผิดแต่ละครั้งจะปรับพารามิเตอร์เล็กน้อย Meta รายงานว่า Llama 3 ถูกฝึกล่วงหน้าด้วยโทเคนมากกว่า 15 ล้านล้านตัว ซึ่งเมื่อคิดที่ประมาณ 100,000 โทเคนต่อหนังสือหนึ่งเล่มที่มี 75,000 คำ (สามในสี่ของคำต่อหนึ่งโทเคน) ก็เท่ากับข้อความของหนังสือประมาณ 150 ล้านเล่ม หลังขั้นตอนนี้ โมเดลจะเป็นตัวเติมข้อความอัตโนมัติชั้นเยี่ยมแต่เป็นผู้ช่วยที่แย่ ถ้าคุณถามคำถามมันอาจตอบด้วยคำถามอีกสามข้อต่อ เพราะนั่นคือสิ่งที่ข้อความบนอินเทอร์เน็ตมักทำ

ขั้นที่สอง การฝึกภายหลัง (post-training) จากนั้นโมเดลจะถูกให้ดูตัวอย่างคำตอบที่ดีและถูกให้คนให้คะแนนว่าคำตอบไหนในสองคำตอบดีกว่า กระบวนการนี้เรียกว่าการเรียนรู้แบบเสริมกำลังจากฟีดแบ็กมนุษย์ หรือ RLHF นี่คือจุดกำเนิดของพฤติกรรมแบบผู้ช่วย เช่นการตอบคำถามในรูปแบบที่คุณขอ และการปฏิเสธบางคำขอ มันคือการฝึกฝน ไม่ใช่ความรู้ใหม่ ข้อเท็จจริงยังคงมาจากขั้นตอนแรก

จากสองขั้นตอนนี้มีผลตามมาสองอย่าง ความรู้ของโมเดลหยุดอยู่ที่วันที่ข้อมูลฝึกล่วงหน้าสิ้นสุด ซึ่งเป็นเหตุผลว่าทำไมทุกโมเดลถึงมีจุดตัดความรู้ (knowledge cutoff) และไม่มีขั้นตอนใดเลยที่ติดตั้งตัวตรวจสอบข้อเท็จจริง โมเดลเรียนรู้ที่จะสร้างข้อความที่น่าจะเป็นไปได้ แล้วจึงเรียนรู้ที่จะสร้างข้อความที่คนชอบ ความจริงเป็นเพียงผลพลอยได้ที่เกิดขึ้นบ่อยจากทั้งสองอย่าง ไม่ใช่การรับประกัน Why AI gets things wrong พูดถึงเรื่องนี้ต่อในเชิงลึก

ทำไม LLM ถึงทายคำแทนที่จะค้นหา

เสิร์ชเอนจินทำการดึงข้อมูล มันมีดัชนีของหน้าเว็บและคืนหน้าที่ตรงกัน ส่วน LLM ไม่มีดัชนี ทุกอย่างที่มันอ่านระหว่างการฝึกล่วงหน้าถูกบีบอัดเก็บไว้ในพารามิเตอร์ และในเวลาตอบคำถามมันจะสร้างข้อความใหม่จากการบีบอัดนั้น ทีละโทเคน โดยเลือกแต่ละโทเคนจากการแจกแจงความน่าจะเป็น

นี่คือเหตุผลว่าทำไม LLM ถึงสามารถเขียนสูตรอาหารที่ใช้งานได้จริงสำหรับจานที่มันไม่เคยเห็นชื่อมาก่อน และก็เป็นเหตุผลเดียวกันว่าทำไมมันถึงสร้างการอ้างอิงคำพิพากษาที่ไม่มีอยู่จริงได้ ทั้งสองอย่างล้วนเป็นส่วนต่อขยายที่ดูสมเหตุสมผล โมเดลไม่มีกลไกแยกต่างหากที่ตรวจสอบว่าส่วนต่อขยายที่ดูสมเหตุสมผลนั้นเป็นเรื่องจริงหรือไม่

วิธีแก้ที่ผลิตภัณฑ์ต่าง ๆ ใช้คือการต่อระบบดึงข้อมูลเข้าไป ค้นหาเว็บหรือไฟล์ของคุณก่อน แล้วส่งข้อความที่พบให้โมเดลและขอให้ตอบจากข้อความเหล่านั้น เทคนิคนี้เรียกว่า RAG และ what is RAG อธิบายเรื่องนี้ไว้ การค้นหาเว็บภายในแอปแชทก็คือ RAG ที่ใช้อินเทอร์เน็ตเป็นแหล่งข้อมูล โมเดลยังคงทำการทายอยู่ เพียงแต่ทายจากวัตถุดิบที่ดีกว่า

ราคาซื้ออะไรได้บ้างภายในตระกูลเดียวกัน วัดกันจริง ๆ

ทุกตระกูลมีบันไดของตัวเอง โมเดลเล็ก โมเดลกลาง และเรือธง ดัชนี Artificial Analysis Intelligence Index ซึ่งเป็นคะแนนรวมจากการทดสอบด้านการให้เหตุผล การเขียนโค้ด และความรู้ทั่วไปแบบสาธารณะ ให้ตัวเลขในแต่ละขั้น และตารางคะแนนก็แสดงราคาผสมต่อล้านโทเคนไว้ข้างกัน บันไดทั้งสี่ด้านล่างนี้อ่านค่าเมื่อวันที่ 2026-09-17

OpenAI ซื้อ 15 คะแนนด้วยราคาที่แพงขึ้น 18 เท่า Anthropic ซื้อ 35 คะแนนด้วย 36 เท่า Qwen ซื้อ 19 คะแนนด้วย 16 เท่า DeepSeek กลับทำลายรูปแบบนี้ V4 Flash ทำคะแนนได้สูงกว่า V4 Pro ทั้งที่ราคาถูกกว่าครึ่งหนึ่ง มีผลตามมาสองอย่าง ภายในตระกูลเดียวกัน คะแนนช่วงท้ายไม่กี่แต้มคือส่วนที่แพงที่สุด ดังนั้นสำหรับคำถามข้อเท็จจริงสั้น ๆ โมเดลเล็กก็ให้คำตอบเดียวกับรุ่นเรือธง และเมื่อเทียบข้ามตระกูล ราคาเป็นตัวชี้วัดคุณภาพที่อ่อนแอ DeepSeek V4 Flash ที่ $0.27 ต่อล้านโทเคนทำคะแนนได้สูงกว่า Claude Sonnet 5 ที่ $5.09 อยู่สองแต้ม นี่คือสิ่งที่มีประโยชน์ที่สุดที่ผู้ซื้อควรรู้เกี่ยวกับ LLM โมเดลคือปุ่มปรับ ไม่ใช่ต้นทุนคงที่ Whizi เก็บค่าใช้จ่ายด้วยตรรกะเดียวกัน หนึ่งเครดิตต่อข้อความบนโมเดลของบ้าน 20 เครดิตสำหรับ Claude Opus 5 และมากถึง 100 เครดิตสำหรับรายการที่แพงที่สุด ซึ่ง how Whizi credits work อธิบายไว้ทีละโมเดล

ข้อควรระวังตรงไปตรงมาคือดัชนีรวมเป็นค่าเฉลี่ยของหลายงาน สำหรับการให้เหตุผลแบบยาวหลายขั้นตอน รุ่นเรือธงคุ้มค่ากับราคาของมัน แต่สำหรับการเขียนใหม่แบบง่าย ๆ มันไม่คุ้ม สำหรับการเปรียบเทียบว่าแต่ละตระกูลเก่งเรื่องอะไรจริง ๆ which AI model should I use คือหน้าที่ช่วยตัดสินใจ

LLM ทำอะไรไม่ได้บ้าง สรุปในลิสต์เดียว

ทุกข้อด้านล่างนี้เป็นผลจากสถาปัตยกรรม ไม่ใช่บั๊กที่รุ่นถัดไปจะแก้ได้

• มันไม่รู้อะไรที่เกิดขึ้นหลังจุดตัดข้อมูลการฝึก เว้นแต่ระบบดึงข้อมูลจะส่งข้อความนั้นให้
• มันนับจำนวนได้ไม่แม่นยำในอินพุตที่ยาว เพราะมันทำงานด้วยโทเคนและความน่าจะเป็น ไม่ใช่ด้วยการวนลูปทีละรายการ
• มันตรวจสอบผลลัพธ์ของตัวเองไม่ได้ การรันซ้ำโดยโมเดลเดิมก็คือตัวทายตัวเดิมที่ทายใหม่อีกครั้ง
• มันจำคุณระหว่างการสนทนาไม่ได้ เว้นแต่ผลิตภัณฑ์จะเก็บบันทึกแล้ววางกลับเข้าไป ความจำนั้นเป็นฟีเจอร์ของผลิตภัณฑ์ ไม่ใช่ของโมเดล
• มันเห็นบทสนทนาทั้งหมดตลอดไปไม่ได้ ทุกโมเดลมีหน้าต่างบริบท (context window) ซึ่งเป็นข้อความสูงสุดที่มันพิจารณาได้ในครั้งเดียว และ what is a context window อธิบายว่าจะเกิดอะไรขึ้นเมื่อคุณชนขีดจำกัดนี้

ผลในทางปฏิบัติคือ ให้ปฏิบัติกับ LLM เหมือนเพื่อนร่วมงานที่พูดจาลื่นไหลแต่บางครั้งก็ผิดพลาด และเก็บการตรวจสอบไว้ที่ฝั่งของคุณเอง ลูปที่เปลี่ยนโมเดลให้กลายเป็นสิ่งที่ลงมือทำเองได้เป็นเรื่องคนละเรื่อง และ what is an AI agent ขีดเส้นแบ่งนั้นไว้ สำหรับเรื่องใดก็ตามที่มีต้นทุนติดมาด้วย ให้ถามอีกโมเดลหนึ่ง การที่ตัวทายสองตัวเห็นตรงกันเป็นหลักฐานที่อ่อน ส่วนการที่ทั้งสองไม่เห็นตรงกันคือสัญญาณที่ชัดเจนว่าควรตรวจสอบ