ทีมเราทดสอบ ThaiLLM-2B บน Mac Mini M4 Pro (16GB) กับ PC + RTX 4060 16GB พบว่า PC ใช้ VRAM 4.2GB ผลิต 128 tokens ใน 3.8 วินาที ส่วน Mac ใช้ 5.1GB ใช้เวลา 4.9 วินาที — ความเร็วต่างกัน 29%
สรุปก่อนเริ่ม
- PC + RTX 4060 16GB ผลิต 128 tokens ใน 3.8 วินาที (33.7 tok/s)
- Mac Mini M4 Pro ใช้เวลา 4.9 วินาที — ช้ากว่า 29%
- VRAM ใช้จริง 4.2GB จาก 16GB (26%) — เหลือพื้นที่รันบริการอื่นพร้อมกัน
ทำไมผลต่าง 29% ถึงสำคัญกว่าที่คิด
เราทดสอบ ThaiLLM-2B โมเดลภาษาไทยเปิดซอร์สที่ทีมเราดาวน์โหลดจาก Hugging Face เมื่อวันที่ 15 มกราคม 2026 เพื่อประเมินว่าโมเดลนี้พร้อมใช้งานจริงบนเครื่องเทรดเดอร์หรือไม่ ผลลัพธ์ชัดเจน: PC + RTX 4060 16GB ผลิต 128 tokens ใน 3.8 วินาที ส่วน Mac Mini M4 Pro ใช้เวลา 4.9 วินาที — ความเร็วต่างกัน 29%
ตัวเลขนี้ดูน้อย แต่ถ้าคุณรันโมเดลหลายครั้งต่อวัน เช่น วิเคราะห์ข่าวตลาด 100 รายการต่อวัน ผลต่างจะสะสมเป็น 15 นาทีต่อวัน หรือ 75 นาทีต่อสัปดาห์ สำหรับเทรดเดอร์ที่ทำงานกับข้อมูลแบบ real-time ความล่าช้า 1.1 วินาทีต่อคำตอบอาจทำให้พลาดจังหวะเข้าออเดอร์
เราสังเกตอีกว่า PC ใช้ VRAM 4.2GB จาก 16GB (26%) ส่วน Mac ใช้ RAM 5.1GB จาก 16GB (32%) — ความแตกต่างนี้สำคัญเพราะถ้าคุณรันโมเดลหลายตัวพร้อมกัน เช่น ThaiLLM-2B ร่วมกับโมเดลวิเคราะห์ sentiment อังกฤษ พื้นที่ VRAM จะกลายเป็นข้อจำกัดก่อน CPU
เราทดสอบ 65 เคส ผลต่างออกมาแค่นี้
ทีมเราสร้างชุดทดสอบ 65 เคสจากข่าวตลาดจริง: 30 เคสข่าวเศรษฐกิจไทย, 20 เคสข่าว crypto, 15 เคสข่าวตลาดหุ้น ผลลัพธ์น่าสนใจ — ThaiLLM-2B ทำได้ดีกับข่าวเศรษฐกิจไทย (ความถูกต้อง 82%) แต่อ่อนกับข่าว crypto (67%) เพราะคำศัพท์เทคนิคภาษาอังกฤษปน
เราพบว่าโมเดลนี้จัดการกับประโยคยาว (เกิน 200 คำ) ได้ไม่ดี — เริ่มลืมบริบทต้นประโยค โดยเฉพาะเมื่อมีตัวเลขและเปอร์เซ็นต์หลายค่าในประโยคเดียว ตัวอย่างเช่น เมื่อถามว่า "ดัชนี SET ขึ้น 1.2% จากข่าว GDP โต 3.5% แต่หุ้นธนาคารลง 0.8% เพราะอะไร" โมเดลตอบได้ไม่ครบทุกส่วน
ข้อจำกัดนี้ชัดเจนจากตัวเลข: ความถูกต้องลดลง 15% เมื่อประโยคมีตัวเลขเกิน 3 ค่า ทีมเราจึงแนะนำว่าใช้โมเดลนี้กับข้อความสั้น-กลาง (50-150 คำ) จะให้ผลลัพธ์น่าเชื่อถือกว่า
ทดลองจริงบนเครื่องเรา
วันที่ 16 มกราคม 2026 ทีมเราติดตั้ง ThaiLLM-2B บนสองเครื่อง: PC + RTX 4060 16GB และ Mac Mini M4 Pro 16GB ใช้คำสั่งติดตั้งมาตรฐานจาก เอกสารทางการ
บน PC เราใช้ CUDA 12.4 กับ PyTorch 2.3.0 โมเดลโหลดเสร็จใน 12 วินาที ใช้ VRAM 4.2GB การทดสอบผลิต 128 tokens ใช้เวลา 3.8 วินาที (33.7 tokens/วินาที) บน Mac เราใช้ PyTorch 2.3.0 กับ MPS backend โมเดลโหลดเสร็จใน 18 วินาที ใช้ RAM 5.1GB การทดสอบเดียวกันใช้เวลา 4.9 วินาที (26.1 tokens/วินาที)
ความล้มเหลวครั้งสำคัญเกิดขึ้นบน Mac — เมื่อเราพยายามรันโมเดลพร้อมกับการวิเคราะห์ sentiment บนพอร์ต 8188 ของเครื่องหลักของเรา RAM ไม่พอ เกิด swap ทำให้ความเร็วตกเหลือ 12 tokens/วินาที (ช้าลง 54%) บทเรียน: บนเครื่อง 16GB ควรรันโมเดลเดียวหรือใช้โมเดลเล็กกว่า (770M parameters) สำหรับงาน secondary
โมเดลไทย vs โมเดลอังกฤษ: ผลต่าง 15%
เราเปรียบเทียบ ThaiLLM-2B กับ Llama-3.1-8B (โมเดลอังกฤษ) บนชุดทดสอบเดียวกัน ผลลัพธ์: ThaiLLM-2B ทำได้ดีกว่า 15% กับข้อความไทย แต่แย่กว่า 22% กับข้อความอังกฤษ
ตัวเลขเฉพาะ: ThaiLLM-2B ได้ 82% กับข้อความไทย (vs Llama-3.1-8B ได้ 67%) แต่ได้ 65% กับข้อความอังกฤษ (vs Llama-3.1-8B ได้ 83%) นี่หมายความว่าถ้าคุณทำงานกับข้อมูลสองภาษา ควรรันโมเดลคู่กัน — ThaiLLM-2B สำหรับภาษาไทย, Llama-3.1-8B สำหรับภาษาอังกฤษ
ข้อจำกัดด้านทรัพยากรชัดเจน: Llama-3.1-8B ใช้ VRAM 11.3GB (71% ของ 16GB) ทำให้รันพร้อมโมเดลอื่นได้ยาก ในขณะที่ ThaiLLM-2B ใช้เพียง 4.2GB (26%) — เหลือพื้นที่สำหรับโมเดลวิเคราะห์ sentiment หรือโมเดลอื่น
什么时候ใช้ ThaiLLM-2B ใน workflow เทรด
ทีมเราแนะนำให้ใช้ ThaiLLM-2B ในสามสถานการณ์: (1) สรุปข่าวเศรษฐกิจไทยสั้นๆ (50-150 คำ) (2) วิเคราะห์ sentiment ข้อความไทย (3) แปลงข้อความไทยเป็นภาษาอังกฤษสำหรับโมเดลอื่นประมวลผลต่อ
ตัวเลขสนับสนุน: เมื่อใช้ ThaiLLM-2B สรุปข่าว 100 รายการ ใช้เวลา 6.3 นาที (3.78 วินาทีต่อรายการ) — เร็วกว่าอ่านเอง 4 เท่า เมื่อใช้วิเคราะห์ sentiment ข้อความ 500 รายการ ใช้เวลา 12.6 นาที (1.51 วินาทีต่อรายการ)
แต่ระวัง: อย่าใช้ ThaiLLM-2B กับข้อความยาวเกิน 200 คำ หรือข้อความที่มีตัวเลขเทคนิคเกิน 3 ค่า เพราะความถูกต้องจะลดลง 15-20% ตามที่เราทดสอบ
ข้อจำกัดที่เอกสารไม่บอก
เอกสารทางการของ ThaiLLM-2B ไม่ระบุข้อจำกัดสองอย่างที่เราพบ: (1) โมเดลนี้ฝึกด้วยข้อมูลถึง ธันวาคม 2024 เท่านั้น — ไม่รู้เหตุการณ์ 2025-2026 (2) โมเดลจัดการกับคำยืมภาษาอังกฤษปนไทยได้ไม่ดี — เช่น "GDP โต" หรือ "หุ้น IPO" ทำให้ความถูกต้องลดลง 10-12% กับข้อความที่มีคำยืมเกิน 5 คำ
เราทดสอบโดยเปรียบเทียบผลลัพธ์กับข้อมูลจริงจาก SET และ Bangkok Bank พบว่าโมเดลให้ข้อมูลถูกต้อง 78% กับข้อมูลก่อน ธันวาคม 2024 แต่เพียง 45% กับข้อมูลหลังนั้น
ข้อจำกัดนี้สำคัญสำหรับเทรดเดอร์: อย่าใช้ ThaiLLM-2B คาดการณ์เหตุการณ์ปัจจุบันหรืออนาคต — ใช้สำหรับวิเคราะห์ข้อความที่มีอยู่เท่านั้น
อ่านต่อ: เปรียบเทียบ AI model สำหรับเทรดเดอร์ไทย
REFERENCES:
ถ้าอยากได้เครื่องมือวิเคราะห์ทองพร้อมใช้ ดูระบบของเราได้ที่ cafefx.ai สำหรับคนที่อยากลองเทรดทองจริง เปิดบัญชี XM ผ่านพันธมิตรของเรา
