AuK-Flash และ AuK: Tencent ปล่อยโมเดลเสียงแบบโอเพนซอร์สอย่างเงียบๆ ที่สามารถสร้าง แก้ไข และแยกเสียงได้

เทนเซนต์เปิดตัวโมเดลคำพูดโอเพนซอร์สที่สำคัญที่สุดสองรุ่นของปี 2026 ในสัปดาห์นี้ และแทบไม่ได้บอกใครเลย ประมาณวันที่ 7 กันยายน องค์กร Tencent บน Hugging Face ได้เผยแพร่ AuK — "โมเดลพื้นฐานขนาด 1.5B สำหรับการสร้างและแก้ไขคำพูด" ตามคำกล่าวในการ์ดโมเดลของตัวเอง — และ AuK-Flash ซึ่งเป็นตัวแปรกลั่นในสี่ขั้นตอนของโมเดลเดียวกัน ทั้งคู่อยู่ภายใต้สัญญาอนุญาต MIT ไม่มีบล็อกโพสต์ของ Tencent ไม่มีการประกาศบนโซเชียล และไม่มีข่าวประชาสัมพันธ์ใด ๆ ที่แนบมากับที่เก็บข้อมูลทั้งสองแห่ง ระหว่างทั้งสองโมเดลถูกดาวน์โหลดเพียงไม่กี่สิบครั้ง ที่เก็บโค้ดที่การ์ดลิงก์ไปไม่สามารถเข้าถึงได้ และไม่มีเกณฑ์มาตรฐานอิสระใด ๆ บนเว็บที่ถูกจัดทำดัชนี บทความนี้ชี้แจงสิ่งที่สามารถรู้ได้จริงจากที่เก็บข้อมูลทั้งสองแห่ง ไฟล์คอนฟิกูเรชัน และหน้าโครงการของ Tencent เอง — และสิ่งที่ยังไม่ได้รับการยืนยัน

ข้อกล่าวอ้างนี้สมควรนำมาพิจารณาอย่างจริงจังแม้จะไม่มีตัวเลขจากแหล่งอื่นรองรับ เพราะขอบเขตการใช้งานไม่ธรรมดา AuK ไม่ใช่โมเดลเลียนแบบเสียงอีกตัวหนึ่ง ผ่านอินเทอร์เฟซคำสั่งภาษาธรรมชาติเพียงจุดเดียว มันสัญญาว่าจะรองรับการสังเคราะห์ข้อความเป็นเสียงพูดแบบ zero-shot และอิงตามคำสั่ง การแก้ไขที่เข้าไปถึงสิ่งที่พูด วิธีการพูด และเสียงที่ไม่ใช่คำพูดรอบข้าง รวมถึงการปรับปรุงเสียงพูด การแยกเสียงพูด และการแยกเสียงดนตรี สายงานนี้ในอดีตสร้างโมเดลผู้เชี่ยวชาญเฉพาะกิจแยกกันสำหรับแต่ละงาน เทนเซนต์เดิมพันว่า โมเดลเดียวบนโครงข่ายหลักแบบเจนเนอเรทีฟจะทำทั้งหมดได้ — และ AuK-Flash จะทำได้เร็วพอสำหรับการใช้งานแบบกึ่งเรียลไทม์

สองจุดตรวจสอบ หนึ่งรีลีส

การประทับเวลาใน API ของ Hugging Face เล่าเรื่องราวของที่เก็บ (repository) ที่ตั้งเป็นส่วนตัวก่อนที่จะเผยแพร่ ที่เก็บหลัก tencent/AuK ถูกสร้างเมื่อวันที่ 18 สิงหาคม 2026 และ tencent/AuK-Flash ในวันที่ 21 สิงหาคม; ทั้งคู่ถูกแก้ไขครั้งล่าสุดในวันที่ 8 กันยายน และการ์ดโมเดลมีรายการข่าวลงวันที่ 7 กันยายน — "[2026/09/07] AuK เป็นโอเพนซอร์สแล้ว โค้ดและน้ำหนักโมเดลพร้อมให้ใช้งานต่อสาธารณะ" การอ่านโดยธรรมชาติคือ Tencent สร้างที่เก็บเหล่านี้ในช่วงกลางถึงปลายเดือนสิงหาคม เปลี่ยนเป็นสาธารณะราววันที่ 7 กันยายน และแตะการ์ดอีกครั้งในวันที่ 8 กันยายน ไม่มีอะไรเกี่ยวกับโมเดลนี้ปรากฏบนเว็บที่ถูกจัดทำดัชนี และตัวนับดาวน์โหลดอยู่ในหลักสิบ — ดังนั้น "การปล่อยแบบเงียบ" ไม่ใช่การเลือกใช้โวหาร แต่เป็นสถานการณ์ตามตัวอักษร

จุดตรวจสอบ (checkpoint) ทั้งสองเป็นสถาปัตยกรรมเดียวกันในห้วงเวลาที่ต่างกันของวงจรชีวิต AuK คือโมเดลครู ซึ่งเป็นโมเดลฐานที่มุ่งเน้นการสร้างผลลัพธ์คุณภาพสูง ส่วน AuK-Flash คือโมเดลนักเรียน ที่ถูกกลั่นให้สามารถอนุมานได้อย่างรวดเร็วในสี่ขั้นตอน ซึ่งเป็นสิ่งที่ทำให้มันเป็นเป้าหมายในการปรับใช้งานที่น่าสนใจยิ่งกว่า และเป็นเหตุผลที่ทำให้ชื่อ AuK-Flash ถูกนำขึ้นต้นในชื่อบทความนี้ บนหน้าโปรเจกต์ของ Tencent ตระกูลโมเดลนี้ถูกนำเสนอว่ามีพารามิเตอร์ประมาณ 1.5 พันล้านตัว ฝึกด้วยสิ่งที่การ์ดโมเดลอธิบายเพียงว่า "ข้อมูลเสียงหลากหลายเป็นเวลาหลายล้านชั่วโมง" และหน้าโปรเจกต์ระบุรายละเอียดว่าเป็นเวลากำกับดูแลที่มีประสิทธิภาพประมาณ 1.95 ล้านชั่วโมง ครอบคลุมอินสแตนซ์คำสั่ง–เสียงประมาณ 3.03 พันล้านรายการ หน้าโปรเจกต์ยังแสดงเครื่องหมายของมหาวิทยาลัยเซี่ยงไฮ้เจียวทงและ Tencent Hunyuan ซึ่งจัดให้ AuK อยู่ในสายงานวิจัยโมเดลเปิดของ Tencent Hunyuan มากกว่าจะอยู่ในตระกูลผลิตภัณฑ์เชิงพาณิชย์ การฝึกไม่ใช่เพียงสิ่งเดียวที่เกิดขึ้นหลังการฝึกก่อนหน้า (pre-training): Tencent อธิบายถึงขั้นตอนการฝึกหลัง (post-training) ที่ผสมผสานการปรับให้เหมาะตามความชอบจากคำติชมของมนุษย์สำหรับการแก้ไขแบบปลายเปิด เข้ากับการเรียนรู้แบบเสริมกำลังที่อิงรางวัลสำหรับการสร้างเสียงพูด

ตารางรุ่นย่อยในการ์ดระบุชัดเจนว่าอันไหนคืออะไร: AuK คือ “โมเดลพื้นฐานสำหรับการสร้างคุณภาพสูง” ส่วน AuK-Flash คือ “โมเดลที่ผ่านการกลั่นสำหรับการอนุมาน 4 ขั้นตอนที่รวดเร็ว” ทั้งสองดาวน์โหลดได้จาก Hugging Face และ ModelScope ภายใต้เนมสเปซ Tencent-Hunyuan และทั้งสองใช้ใบอนุญาต MIT — ซึ่งเป็นหนึ่งในใบอนุญาตที่ผ่อนปรนที่สุดที่โมเดลโอเพนเวตสามารถมีได้ และมีความสำคัญสำหรับใครก็ตามที่ต้องการสร้างผลิตภัณฑ์ต่อยอดจากโมเดลนี้

สิ่งที่โมเดลหนึ่งตัวที่ขับเคลื่อนด้วยคำสั่งทำจริงๆ

อินเทอร์เฟซของ AuK คือกล่องคำสั่งเดียว: คุณส่งคำสั่งภาษาธรรมชาติให้โมเดล และในกรณีที่งานต้องมีการอ้างอิงเสียง ก็ให้เสียงตัวอย่างอ้างอิงด้วย แล้วมันจะส่งเสียงกลับมา เมื่อจัดกลุ่มตามหมวดหมู่ของตัวการ์ดเอง กลุ่มงานทั้งห้าคือ:

• การสร้างเสียงพูด — TTS แบบ zero-shot ที่โคลนเสียงจากคลิปอ้างอิง และ "instruct TTS" ที่สังเคราะห์เสียงพูดจากคำอธิบายเสียงเพียงอย่างเดียว (เช่น "เสียงผู้หญิงอบอุ่น ช้าลงเล็กน้อย") โดยไม่ต้องมีเสียงอ้างอิงเลย

• การตัดต่อเนื้อหา — การเขียนสิ่งที่พูดขึ้นใหม่: การแทนที่ เพิ่ม หรือลบคำในไฟล์บันทึกเสียงที่มีอยู่ และการแก้ไขเนื้อเพลงซึ่งเขียนถ้อยคำของคลิปเสียงร้องใหม่ โดยยังคงทำนองและเสียงของนักร้องเอาไว้

• การแก้ไขเสียง — ระดับเสียงในหน่วยเซมิโทน อัตราการพูด และระดับความดังในหน่วยเดซิเบล แต่ละอย่างสามารถปรับได้บนคลิปที่มีอยู่ โดยที่เอกลักษณ์และเนื้อหายังคงถูกเก็บรักษาไว้

• การปรับแต่งอวัจนภาษา — อารมณ์ โทนเสียง (ตามคำอธิบาย) การลดสำเนียง การเพิ่มหรือลบเสียงที่ไม่ใช่คำพูด เช่น เสียงหายใจ เสียงหัวเราะ และเสียงไอ และการแปลงระหว่างเสียงพูดปกติกับเสียงกระซิบ

• การเสริมคุณภาพและการแยกสัญญาณ — การเสริมคุณภาพเสียงพูด (การลดเสียงรบกวนและการลดเสียงก้อง) การแยกเสียงพูดตามลำดับการพูด การแยกดนตรีที่ดึงเสียงร้องออกจากมิกซ์ และการแยกเสียงผู้พูดเป้าหมายที่ระบุจากสิ่งที่ผู้พูดพูด

รายการนั้นคือตัวสร้างความแตกต่างอย่างแท้จริง ระบบเสียงพูดแบบเปิดที่มีความสามารถมากที่สุดในปี 2026 เก่งเพียงหนึ่งหรือสองอย่างจากนี้ — การโคลนเสียงและ TTS คือจุดที่แข่งขันกันหนาแน่น — และอ่อนแอหรือไม่มีเลยในส่วนที่เหลือ เดิมพันของ AuK คือความครอบคลุมในวงกว้าง: น้ำหนักชุดเดียวกัน รูปแบบคำสั่งเดียวกัน ใช้ได้ทั้งการสร้าง การแก้ไข และการแยกเสียง ซึ่งเป็นขอบเขตที่ปกติแล้วจะมาในรูปแบบของคอลเลกชันโมเดลเฉพาะทางที่ปรับแต่งแล้วเท่านั้น

มันถูกสร้างขึ้นมาอย่างไร

การอ่านรีโพซิทอรีและหน้าโปรเจกต์ไปพร้อมกันให้ภาพสถาปัตยกรรมที่สอดคล้องกัน AuK ไม่ใช่โมเดลภาษาเสียงแบบออโตรีเกรสซีฟที่อ่านข้อความแล้วปล่อยโทเค็น หากแต่เป็นระบบดิฟฟิวชันแบบโฟลว์แมตชิงในรูปแบบเดียวกับโมเดลภาพ ซึ่งประกอบด้วยสามส่วน:

• โมเดลภาษาขนาดใหญ่แบบมัลติโมดัล — Qwen/Qwen2.5-Omni-3B ซึ่งดาวน์โหลดแยกต่างหาก — อ่านคำสั่งและเสียงอ้างอิงใดๆ แล้วสร้างเงื่อนไขเชิงความหมาย

• VAE เสียงที่ได้รับการฝึกฝนร่วมกันบนเสียงพูด เสียงทั่วไป และเพลง ทำการเข้ารหัสและถอดรหัสที่ 24 kHz ผ่าน acoustic latents อัตรา 50 Hz; การตั้งค่าใน repository ระบุว่าเป็น BigVGANFlowVAE ที่มีมิติแฝง (latent dimension) เท่ากับ 64 และลดขนาดลง 480 เท่า พร้อมจัดส่งเป็นไฟล์ vae.safetensors แยกต่างหาก

• แกนหลักเชิงกำเนิดคือ Transformer แบบ rectified-flow ไฮบริด: บล็อก MMDiT แบบ dual-stream ที่แยกคอนดิชันนิงของข้อความและเสียงออกจากกัน ตามด้วยบล็อก DiT แบบ single-stream ที่รวมเข้าด้วยกัน ฝึกด้วยออบเจกทีฟแบบ flow-matching การกำหนดค่าที่เผยแพร่แสดงโมเดลความกว้าง 1,536 พร้อม 24 heads, 10 เลเยอร์แบบ dual-stream และ 20 เลเยอร์แบบ single-stream

AuK-Flash คือทรานส์ฟอร์เมอร์ตัวเดียวกันหลังผ่านการกลั่นความรู้ Tencent อธิบายกระบวนการแบบสองขั้นตอน: เริ่มจากการตั้งต้นความสอดคล้องระดับวิถี (trajectory-level consistency initialization) ตามด้วยฟังก์ชันวัตถุประสงค์ DMD แบบแยกการจัดเส้นทางงาน (task-routing decoupled) และปิดท้ายด้วยการกำกับดูแลแบบถดถอยสำหรับการทำนายที่สะอาด (clean-prediction regression supervision) ผลลัพธ์ตามที่ระบุในหน้าโปรเจกต์คือ คุณภาพการสร้างที่ใกล้เคียงโมเดลครูด้วยขั้นตอนการสุ่มตัวอย่างเพียงสี่ขั้น และไม่ต้องอาศัยการชี้นำแบบไม่ใช้ตัวจำแนก (classifier-free guidance) ในขั้นตอนการอนุมาน พร้อมทั้งเร็วกว่าโมเดลเต็มราว 4.5 เท่าตามเวลาจริง (wall-clock) ภายใต้เงื่อนไขที่เทียบเคียงกัน ทั้งหมดนี้เป็นเพียงคำกล่าวอ้างจากผู้พัฒนาที่ยังไม่มีการทำซ้ำเพื่อยืนยัน แต่มันคือเหตุผลเชิงรูปธรรมที่ทำให้ AuK-Flash เป็นเวอร์ชันที่นักพัฒนาจะเลือกใช้

สิ่งที่ Tencent อ้าง และสิ่งที่ผู้อ่านสามารถตรวจสอบได้

โปรเจกต์เพจนี้กล่าวอ้างเชิงคุณภาพอย่างแข็งกร้าว — AuK นั้น "เป็นผู้นำ" ด้านการสร้างและการแก้ไข และ "มีความสามารถในการแข่งขัน" ด้านงานฟื้นฟูระดับสัญญาณ เช่น การปรับปรุงคุณภาพและการแยกสัญญาณ — และยังระบุชุดเกณฑ์มาตรฐานที่อยู่เบื้องหลังการกล่าวอ้างเหล่านี้ ได้แก่ {{1}}Seed-TTS-Eval และ InstructTTSEval สำหรับการสร้างเสียง {{/1}}{{2}}MMAE-Speech, SpeechEditBench และ Ming-Freeform-Audio-Edit สำหรับการแก้ไขเสียง {{/2}}{{3}}DNSMOS และ UTMOS สำหรับคุณภาพการรับรู้ {{/3}}และ {{4}}DNS Challenge, CHiME-4 และ Libri2Mix สำหรับการปรับปรุงคุณภาพและการแยกสัญญาณ {{/4}}ไม่มีคะแนนตัวเลขใดถูกเผยแพร่บนเพจนี้ ไม่มีเอกสารวิชาการรองรับ และไม่มีบุคคลที่สามคนใดทำการทดสอบซ้ำผลลัพธ์เหล่านี้ {{5}}การกล่าวอ้างทุกข้อล้วนรายงานโดยผู้พัฒนาระบบเอง และควรอ่านทำความเข้าใจในแง่นั้นจนกว่าจะมีการทดสอบโดยอิสระเกิดขึ้นจริง {{/5}}

ข้อกล่าวอ้างอีกสองข้อจำเป็นต้องถูกชี้ให้เห็น เนื่องจากไม่ผ่านการตรวจสอบโดยตรงเมื่อวันที่ 9 กันยายน ค.ศ. 2026 ประการแรก การ์ดระบุว่าโค้ดเปิดเผยต่อสาธารณะ และลิงก์ไปที่ github.com/Tencent-Hunyuan/AuK สำหรับคำแนะนำการติดตั้ง การใช้ Gradio, ComfyUI และการปรับละเอียด (fine-tuning) — แต่ที่เก็บ (repository) ดังกล่าวส่งคืน HTTP 404 ในขณะที่เขียนบทความนี้ และไม่อยู่ในบรรดาที่เก็บสาธารณะขององค์กร Tencent-Hunyuan โค้ดอาจจะยังอยู่ระหว่างการทยอยเผยแพร่ก็เป็นได้ ไม่ว่ากรณีใด “code is available” ตอนนี้เป็นเพียงข้อกล่าวอ้างบนการ์ด ไม่ใช่สิ่งที่ผู้อ่านจะนำไปใช้ได้จริง ประการที่สอง การ์ดชี้ไปยัง demo Spaces บน Hugging Face และ ModelScope: สตูดิโอ ModelScope ตอบสนองตามปกติ แต่ Hugging Face Space คืนหน้าจอขออนุญาต (authorization wall) เมื่อตรวจสอบ ดังนั้นเดโมเหล่านี้จึงเปิดเผยต่อสาธารณะได้อย่างดีที่สุดเพียงบางส่วนเท่านั้น

มีอะไรอยู่ที่นี่ อะไรที่ขาดหายไป

การประเมินผล ณ วันที่ 9 กันยายน ค.ศ. 2026 คือสิ่งที่แยกการเปิดตัวจริงออกจากการเปิดตัวที่สมบูรณ์

• ปัจจุบัน — มีชุดน้ำหนักที่ดาวน์โหลดได้สองชุดภายใต้สัญญาอนุญาต MIT: tencent/AuK สำหรับโมเดลพื้นฐาน และ tencent/AuK-Flash สำหรับตัวแปรแบบกลั่นสี่ขั้นตอน แต่ละชุดมีขนาดประมาณ 6.1 GB สำหรับ diffusion transformer พร้อมกับ VAE ที่รวมมาในชุดเดียวกัน และมีมิเรอร์อยู่บน Hugging Face และ ModelScope

• ปัจจุบัน — พื้นที่การทำงานที่กว้างผิดปกติภายใต้อินเทอร์เฟซการสั่งงานเดียว: การสร้าง, การแก้ไขด้านเนื้อหา ด้านเสียง และด้านอวัจนภาษา, การปรับปรุงคุณภาพ และการแยกเสียง ทั้งหมดในตระกูลโมเดลเดียว.

• นำเสนอ — เรื่องราว “เร็ว” ที่เป็นรูปธรรม: AuK-Flash ถูกกลั่นให้เหลือสี่ขั้นตอน โดยไม่ต้องใช้ classifier-free guidance และให้ความเร็วเพิ่มขึ้น 4.5 เท่าตามเวลาจริง (wall-clock) ตามที่ผู้ขายอ้าง

• ไม่มีการประกาศ — ยังไม่มีโพสต์บล็อก โพสต์โซเชียลมีเดีย ข่าวประชาสัมพันธ์ หรือโพสต์ในช่อง Hunyuan ของ Tencent ที่ชี้ไปยัง repository ใดเลย

• สิ่งที่ขาดหายไป — เอกสารหรือรายงานทางเทคนิค บล็อกการอ้างอิงบนหน้าโครงการเป็นตัวยึดตำแหน่งที่ไม่มีผู้เขียนและไม่มีตัวระบุ arXiv และไม่มีตัวเลขที่เผยแพร่รองรับการอ้างสิทธิ์ของเกณฑ์ชี้วัด

• ขาดหายไป — โค้ดที่เข้าถึงได้ จากการตรวจสอบสถานะพบว่าที่เก็บ GitHub และ Cookbook ที่การ์ดลิงก์ไปนั้นต่างคืนค่า 404 ดังนั้นในปัจจุบัน สิ่งเดียวที่รันได้จริงคือน้ำหนักของโมเดล บวกกับสิ่งที่ชุมชนจะประกอบสร้างขึ้นจากสิ่งเหล่านั้น

• ขาด — การ serve และการประเมินผลโดยอิสระ ไม่มีผู้ให้บริการ inference รายใดโฮสต์ AuK ไม่มี hosted API ให้บริการ และด้วยยอดดาวน์โหลดเพียงหลักสิบ ยังไม่มีใครเผยแพร่ผลการทำซ้ำ

วันนี้กำลังรัน AuK-Flash อยู่ หรือกำลังรอ

หากคุณต้องการรัน AuK-Flash ด้วยตัวเอง เส้นทางการดาวน์โหลดก็ชัดเจนแม้โค้ดจะไม่ชัดเจนก็ตาม: ให้ดึง tencent/AuK-Flash และ tencent/AuK (ตัวฐานไม่จำเป็นเว้นแต่คุณต้องการตัวครู) และดึง Qwen/Qwen2.5-Omni-3B ด้วย เพราะเช็คพอยต์มีเฉพาะน้ำหนักของ diffusion-transformer และ layer-fusion เท่านั้น — ตัว multimodal encoder และ VAE โหลดจากไฟล์แยกกันในตอนรัน และการ์ดระบุว่าการไม่มีคีย์ text_encoder ขณะโหลดเป็นเรื่องที่คาดหวังได้ ฮาร์ดแวร์คือข้อจำกัดจริง นี่คือ diffusion transformer ขนาด ~1.5B ซึ่งเช็คพอยต์เพียงอย่างเดียวมีขนาด ~6.1 GB ทำงานคู่กับ multimodal encoder ขนาด ~3B และ VAE ดังนั้น GPU 24 GB จึงเป็นจุดเริ่มต้นที่สมเหตุสมผล ไม่ใช่โมเดลระดับแล็ปท็อป; หมายเหตุเรื่องหน่วยความจำในคอนฟิกที่กล่าวถึง gradient checkpointing ที่ลดพีคการเทรนจากประมาณ 91 GB เหลือ 75 GB นั้นเป็นเรื่องของการเทรน และไม่ควรอ่านว่าเป็นข้อกำหนดสำหรับการอินเฟอเรนซ์ ในด้านซอฟต์แวร์ คอนฟิกตั้งค่าเริ่มต้นเป็น flash-attention backend แต่ CLI สำหรับอินเฟอเรนซ์สามารถถอยไปใช้ plain torch attention backend ได้ ซึ่งตัดขั้นตอนการ build flash-attn ในการรันครั้งแรกออกไป

ไม่ว่าการทำเช่นนั้นในวันนี้จะคุ้มค่าหรือไม่ก็ขึ้นอยู่กับสิ่งที่คุณกำลังสร้าง พูดตามตรงถึงสถานการณ์ปัจจุบันก็คือ นี่คือโมเดลที่ควรจับตามองและนำไปทดสอบในแซนด์บ็อกซ์ ยังไม่ใช่ตัวที่ควรต่อเข้ากับไปป์ไลน์การผลิตในตอนนี้ — เพราะไม่มีเอกสารวิจัย ไม่มีโค้ดที่เปิดให้เข้าถึง และไม่มีการประเมินผลอย่างอิสระ การอ้างขีดความสามารถจึงขึ้นอยู่กับคำพูดของ Tencent เพียงฝ่ายเดียว สำหรับทีมที่ต้องการการสังเคราะห์เสียง การตัดต่อ หรือการแยกเสียงผ่าน API ในวันนี้ โมเดลที่เปิดให้บริการจริงคือทางเลือกที่ปฏิบัติได้จริง ซึ่งเป็นบทบาทที่ OrcaRouter ทำหน้าที่ในหมู่โมเดลที่มีเอนด์พอยต์อยู่นั่นเอง: API เดียวสำหรับโมเดลมากกว่า 200 รายการ โดยส่งผ่านราคารายการของผู้ให้บริการแบบไม่มีการบวกมาร์กอัป ดังนั้นราคาของผู้ให้บริการจึงเป็นราคาที่คุณจ่ายตั้งแต่วันแรก พร้อมระบบเฟลโอเวอร์อัตโนมัติที่ทำให้โมเดลหน้าใหม่ที่ยังไม่ผ่านการพิสูจน์สามารถนำมาทดลองกับทราฟฟิกจริงส่วนหนึ่งได้ โดยไม่ต้องเดิมพันทั้งไปป์ไลน์กับมัน ไม่มีข้อดีเหล่านี้ใช้ได้กับ AuK หรือ AuK-Flash ในตอนนี้ เพราะยังไม่มีบริการใดให้บริการโมเดลเหล่านี้ ทันทีที่ผู้ให้บริการรายใดโฮสต์ AuK เศรษฐศาสตร์ของเราเตอร์จะกลายเป็นหนทางต้นทุนต่ำในการประเมินโมเดลนี้ จนกว่าจะถึงตอนนั้น ทางเลือกก็คือการโฮสต์เวตด้วยตนเองหรือรอไปก่อน

คำถามที่พบบ่อย

มี AuK หรือ AuK-Flash ให้ใช้งานผ่าน API หรือไม่?

ไม่ใช่ ทั้งคู่เป็นการปล่อยเฉพาะ weights เท่านั้น ไม่มีผู้ให้บริการ inference ใดโฮสต์โมเดลเหล่านี้ และไม่มี API ที่โฮสต์ไว้ให้บริการ ดังนั้นจึงไม่มีอะไรให้เรียกใช้ในตอนนี้ — วิธีเดียวคือดาวน์โหลด weights ไปรันด้วยตัวเอง

AuK กับ AuK-Flash แตกต่างกันอย่างไร?

ตระกูลโมเดลเดียวกันในสองช่วงการพัฒนา AuK คือโมเดลพื้นฐานที่เน้นการสร้างผลงานคุณภาพสูง ส่วน AuK-Flash คือเวอร์ชันที่ผ่านการกลั่น (distilled variant) ซึ่งปรับแต่งมาสำหรับการอนุมานแบบสี่ขั้นตอนที่รวดเร็วโดยไม่ต้องใช้ classifier-free guidance โดย Tencent ระบุว่าทำงานได้เร็วกว่าโมเดลพื้นฐานประมาณ 4.5 เท่าภายใต้เงื่อนไขที่เทียบเคียงกัน ตัวเลขความเร็วดังกล่าวเป็นข้อมูลที่รายงานโดยผู้ผลิต และยังไม่มีการวัดผลอย่างเป็นอิสระ

AuK-Flash สามารถใช้ในเชิงพาณิชย์ได้หรือไม่?

น้ำหนักของโมเดลเผยแพร่ภายใต้สัญญาอนุญาต MIT ซึ่งอนุญาตให้ใช้ในเชิงพาณิชย์ได้โดยต้องคงข้อความแสดงสัญญาอนุญาตไว้ — ถือเป็นสัญญาอนุญาตแบบ open-weights ที่พบได้ทั่วไปและมีข้อจำกัดน้อยที่สุด ส่วนคลังรหัสแยกต่างหากที่การ์ดโมเดลลิงก์ไปนั้นไม่สามารถเข้าถึงได้ ณ วันที่ 9 กันยายน 2026 ดังนั้นคำตอบเชิงปฏิบัติสำหรับการนำโค้ดไปใช้ซ้ำจึงยังคงค้างอยู่จนกว่าคลังรหัสนั้นจะปรากฏขึ้น

ดูอะไรดี

• โค้ดรีโพสิทอรี — github.com/Tencent-Hunyuan/AuK คือสิ่งที่ขาดหายไปซึ่งมีคุณค่าสูงสุดเพียงชิ้นเดียว เมื่อมันปรากฏขึ้น เทมเพลตคำแนะนำใน Cookbook จะเปลี่ยนรายการงานข้างต้นจากการตลาดให้กลายเป็นสิ่งที่รันได้จริง

• การรันแบบอิสระ — การทำซ้ำโดยบุคคลที่สามครั้งแรกจะตัดสินว่าข้อกล่าวอ้างเรื่องการสร้างและการแก้ไขที่ “เป็นผู้นำ” ยังคงยืนหยัดเมื่อเผชิญกับเสียงจริงหรือไม่ และว่าการใช้ AuK-Flash สี่ขั้นตอนเข้าใกล้โมเดลพื้นฐานจริงหรือไม่

• บทความ — ข้อมูลอ้างอิงบนหน้าโปรเจกต์เป็นเพียงตัวยึดตำแหน่ง ซึ่งโดยปกติหมายความว่ากำลังจะมีการส่งบทความไปยัง arXiv; ทั้งสูตรการฝึก ตัวเลข benchmark และรายละเอียดการทำ distillation ล้วนอยู่ในนั้น

• รายการให้บริการโมเดล (serving listing) — ผู้ให้บริการ inference รายแรกที่โฮสต์ AuK จะเปลี่ยนจากไดเรกทอรีของ weights ให้เป็นโมเดลที่เรียกใช้งานได้พร้อมราคา ซึ่งเป็นจุดที่เริ่มทดลองใช้ผ่านเราเตอร์ได้ แทนที่จะเป็นโปรเจกต์ที่ต้องโฮสต์เอง

AuK และ AuK-Flash เป็นของจริงแต่ยังไม่เสร็จสมบูรณ์ ในแบบเดียวกับที่โอเพนซอร์สรุ่นที่น่าสนใจที่สุดมักจะเป็น: ค่าน้ำหนัก (weights) มีความตรงไปตรงมา และเรื่องราวรอบๆ ตัวมันยังไม่ถูกเขียนขึ้น จดบุ๊กมาร์ก tencent/AuK-Flash ไว้ ปฏิบัติต่อทุกคำกล่าวอ้างเรื่องความสามารถว่าเป็นเพียงข้อมูลที่ผู้ผลิตแจ้งมา จนกว่าจะมีเอกสารวิจัยหรือเกณฑ์มาตรฐานอิสระเผยแพร่ออกมา และคอยตรวจสอบว่าในอีกไม่กี่วันข้างหน้าจะมีโค้ดที่เปลี่ยนสิ่งนี้จากผลงานที่มีแนวโน้มดีให้กลายเป็นสิ่งที่สร้างได้จริงหรือไม่