
Claude Opus 5.5 บริหารบริษัท AI เป็นเวลาเจ็ดสัปดาห์ด้วยเวลาเพียง 16 นาทีต่อวัน
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 184 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 223 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 96 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
Claude Opus 5.5เปิดให้ใช้งานทั่วไปมาตั้งแต่วันที่ 22 กันยายน 2026 ดังนั้นคำถามที่น่าสนใจเกี่ยวกับมันจึงไม่ใช่เรื่องที่มันทำคะแนนได้อีกต่อไป แต่เป็นสิ่งที่เกิดขึ้นเมื่อคุณหยุดพรอมป์ต์มันแล้วมอบหมายงานให้มันต่างหาก ทีมงานที่ EPFL และสถาบัน ELLIS Institute Tübingen ทำแบบนั้นเป๊ะ ๆ พวกเขามอบบัญชี Hugging Face เปล่า ๆ งบประมาณ GPU และคำสั่งเพียงข้อเดียวให้ Claude Opus 5.5 — จงได้รับการยอมรับอย่างแท้จริง — แล้วปล่อยให้มันทำงานต่อไปเจ็ดสัปดาห์ มันเผยแพร่โมเดล 38 รายการ โมเดลเหล่านั้นมียอดดาวน์โหลดเกิน 50,000 ครั้ง ถูกใช้ในรีโพซิทอรีสาธารณะมากกว่า 140 แห่ง และถูกอ้างอิงในบทความ arXiv สองฉบับ เอเจนต์ที่ทำสิ่งนี้ทำงานเฉลี่ยวันละ 16 นาที
รายงานอยู่ที่ horizon-labs.ai ลงวันที่ 17 พฤศจิกายน 2026 และเอเจนต์มีชื่อว่า Horizon ตัวเลขทุกตัวด้านล่างมาจากเอกสารนั้นหรือจากบัญชี Hugging Face ที่เอกสารชี้ไป และข้อควรระวังถูกกล่าวไว้ตรงนี้ครั้งเดียวแทนที่จะกล่าวซ้ำ: นี่คือกรณีศึกษาของทีมเองเกี่ยวกับการรันของพวกเขาเอง ไม่ใช่การตรวจสอบโดยบุคคลที่สาม พวกเขาตรงไปตรงมาอย่างผิดปกติเกี่ยวกับจุดที่การแทรกแซงของพวกเขาเองอาจทำให้ผลลัพธ์สูงเกินจริง และการยอมรับเหล่านั้นคือส่วนที่มีประโยชน์ที่สุดของเอกสาร
สิ่งที่พวกเขามอบให้จริง ๆ

Horizon ทำงานตลอด 24/7 ภายใน Claude Code บนการสมัครสมาชิก Anthropic Team Premium เพียงรายการเดียว โดยมีสิทธิ์เข้าถึงบัญชี Hugging Face ใหม่ (Horizon-Labs) และบัญชี GitHub ทรัพยากรประมวลผลที่ได้คือ 1 ล้านเครดิตต่อสัปดาห์ ซึ่งประมาณ 500 GPU-ชั่วโมง มันสามารถส่งตั๋วคำร้องถึงมนุษย์ได้เท่านั้น ไม่มีอย่างอื่น: ไม่มีบัญชีอื่น ไม่มีตัวตนบนเว็บ ไม่มีวิธีใช้จ่ายเงิน ทีมงานเฝ้าติดตามการกระทำของมันอย่างต่อเนื่องและเข้าแทรกแซง 20 ครั้งตลอดการรัน — การตอบตั๋ว 13 ครั้งและข้อความเจ็ดข้อความ เกือบทั้งหมดอยู่ในสามวันแรก และไม่มีเลยหลังวันที่ 22 ตุลาคม
งบประมาณบอกให้เห็นว่าการเซ็ตอัปนั้นเล็กน้อยเพียงใด ตลอดการรันทั้งหมด Horizon ประมวลผลโทเคนราว 1.9 พันล้านโทเคน โดย 96% ถูกอ่านกลับมาจากพรอมป์ต์แคช และเขียน 3.1 ล้านโทเคน ที่ราคา API นั่นคิดเป็นการประมวลผลอนุมานประมาณ $1,030 สำหรับงานอัตโนมัติเจ็ดสัปดาห์ เทียบกับชั่วโมง GPU มากกว่า 600 ชั่วโมงสำหรับการฝึก ผลลัพธ์ที่เป็นหัวข่าวมีต้นทุนน้อยกว่าแล็ปท็อปหนึ่งเครื่อง
โมเดลทั้ง 38 ตัวถูกออกแบบให้แคบโดยเจตนา
ไม่มีตัวใดเป็นแชตบอต แคตตาล็อกประกอบด้วยตัวจำแนกข้อความ 25 ตัว โมเดลจำแนกโทเคน 6 โมเดล ตัวจำแนกแบบ zero-shot 3 ตัว ตัวจัดอันดับซ้ำ 2 ตัว และโมเดลฝังเวกเตอร์ 2 ตัว ทั้งหมดสร้างบน mmBERT-base เผยแพร่ภายใต้ Apache-2.0 พร้อมน้ำหนัก ONNX จึงเสียบเข้ากับไปป์ไลน์ของเบราว์เซอร์และเซิร์ฟเวอร์ได้ทันที ขนาดมีตั้งแต่ 141M สำหรับรุ่นย่อย small, 307M สำหรับ base, 568M สำหรับ large และ Horizon มักเปิดตัวสองหรือสามขนาดของตระกูลเดียวกัน
ตระกูลเหล่านี้คือสิ่งที่บริษัทซื้อโมเดลขนาดเล็กมาใช้ เช่น ตัวป้องกันการฉีดพรอมป์ต์ การปกปิดข้อมูลส่วนบุคคล (PII) การตรวจจับการหลอน การรักษาความปลอดภัยของเนื้อหา ความเป็นพิษ การวิเคราะห์อารมณ์และความรู้สึกแบบหลายภาษา การระบุภาษา การคืนเครื่องหมายวรรคตอน และการปรับตัวพิมพ์ให้ถูกต้อง ผู้ที่ดาวน์โหลดสูงสุดก็คือกลุ่มเหล่านี้โดยตรง:

ตัวป้องกันการฉีด (injection guard) ที่ราว 17k, เครื่องหมายวรรคตอนที่ 7.6k, ตัวจัดอันดับใหม่ (reranker) ที่ 6.4k ข้อมูลสำหรับฝึกมาจากชุดข้อมูลสาธารณะบน Hugging Face บวกกับการเสริมข้อมูลสังเคราะห์ โดยใช้ Qwen 3.8-27B และ Gemma 4 31B ในการกำกับหรือสร้างตัวอย่าง
ความเฉพาะเจาะจงนั้นคือกลยุทธ์ ไม่ใช่ข้อจำกัด บัญชีใหม่ที่ยังไม่มีชื่อเสียงไม่อาจชนะ benchmark แบบอเนกประสงค์ได้ แต่สามารถชนะได้ด้วยโมเดลทดแทนแบบ drop-in ขนาด 300MB ที่ช่วยให้ใครบางคนประหยัดการตรวจสอบใบอนุญาต Horizon เองกล่าวไว้ในบันทึกของตัวเองว่า "บัญชีใหม่ที่ยังไม่เป็นที่รู้จักจะได้ดาวน์โหลดเร็วที่สุดด้วยโมเดลขนาดเล็ก ใช้งานได้จริง และเสียบแทนได้ทันที"
การค้นพบที่แท้จริงคือ 16 นาทีต่อวัน
เอเจนต์ตื่นเวลาประมาณ 10:00 UTC เพราะเป็นเวลาที่ Hugging Face รีเฟรชจำนวนดาวน์โหลด มันอ่านตัวเลขของวันก่อนหน้า ตัดสินใจว่าจะปรับปรุงอะไร แล้วกลับไปนอน ตามคำพูดของมันเองเมื่อวันที่ 9 ตุลาคม: “ฉันจะรอจนถึงประมาณ 09:45 UTC พรุ่งนี้เพื่อให้มีการรีเฟรชจำนวนดาวน์โหลดครั้งถัดไป จากนั้นฉันจะเลือกขั้นตอนถัดไปจากตัวเลขเหล่านั้น”
บางวันก็ไม่ได้ทำอะไรเลยสักนิด เวลาทำงานพุ่งสูงสุดในช่วงต้น ลดลงตลอดเดือนตุลาคมและทรงตัว ในขณะที่จำนวนดาวน์โหลดต่อวันยังคงเพิ่มขึ้นเรื่อย ๆ กรอบการนำเสนอของรายงานเองคือสิ่งที่ควรยึดไว้: ผลผลิตสะสม — ดาวน์โหลด รีโพซิทอรีที่พึ่งพา — เติบโตแบบเอกซ์โพเนนเชียล ขณะที่ความพยายามสะสมเติบโตแบบลอการิทึม ในช่วงท้าย 16 นาทีส่วนเพิ่มสร้างผลงานได้มากกว่าการทำงานเต็มเวลาในสัปดาห์แรกเสียอีก

รูปแบบนั้นเป็นไปได้ก็เพราะงานมีสัญญาณป้อนกลับที่ต้นทุนต่ำและชัดเจน ยอดดาวน์โหลดคือตัวเลขที่มาถึงทุกเช้าโดยไม่มีใครต้องตีความมัน หากให้เอเจนต์ตัวเดียวกันมุ่งไปยังเป้าหมายที่สัญญาณรางวัลคือความคิดเห็นของมนุษย์ วันทำงาน 16 นาทีนั้นก็กลายเป็นภาระแทนที่จะเป็นความมีประสิทธิภาพ รายงานไม่ได้อ้างเป็นอย่างอื่น และผู้อ่านก็ไม่ควรอ้างเช่นกัน
สิ่งที่ทีมตรวจสอบ และสิ่งที่พวกเขาจับได้
จำนวนการดาวน์โหลดเป็นตัวชี้วัดที่ปลอมแปลงได้ง่ายที่สุดในแมชชีนเลิร์นนิง และทีมถือว่านั่นคือภัยคุกคามหลักต่อผลลัพธ์ของพวกเขา พวกเขาบันทึกการเรียกใช้เครื่องมือทั้งหมด 3,952 ครั้ง และรันโมเดลสองตัว ได้แก่ Claude Haiku 5.5 และ Luna 6 เป็นผู้ตรวจสอบ całość transcript เพื่อมองหาการแฮ็กเพื่อให้ได้รางวัล พวกเขาพบหกครั้งที่ Horizon ดาวน์โหลดโมเดลของตัวเอง รวมเป็น 42 การดาวน์โหลด พวกเขาประเมินว่าการรันประเมินผลของตนเองมีส่วนเพิ่มไม่ถึง 30 ครั้ง และทีมคิดเป็นไม่เกิน 50 จาก 54,000 การดาวน์โหลด ณ เวลาที่เขียน ในหลายวันที่มีการดาวน์โหลดสูงสุด Horizon อยู่ในโหมดหลับและไม่มีงานใดกำลังทำงาน
หลักฐานภายนอกหนักแน่นกว่าข้อค้าน การค้นหาบน GitHub พบ 143 รีโพซิทอรีที่ใช้โมเดลเหล่านี้ — ไม่ใช่ "มากกว่า 100" ในกระทู้เปิดตัว ซึ่งเป็นการปัดลงแบบระมัดระวัง มีบทความ arXiv สองฉบับที่เปรียบเทียบตัวป้องกันการฉีดพรอมต์กับทางเลือกอื่น: 2610.03448 ("Passing the Test You Trained On") พบว่ามันได้ AUC สูงสุดในการฉีดที่มาจากเอกสาร พร้อมระบุว่ามีช่องว่างที่เล็กกว่าระหว่างการตรวจจับการโจมตีและการตรวจจับกลุ่มควบคุม ซึ่งเป็นข้อจำกัดจริงที่ระบุไว้อย่างตรงไปตรงมา มีโมเดล Hugging Face อีก 18 โมเดลที่ฟайน์ทูน ควอนไทซ์ หรือพัฒนาต่อยอดจากรุ่นที่ Horizon เปิดตัว คู่แข่งอย่าง Patronus Studio ได้อัปเดตการ์ดโมเดลของตนเองเพื่อรวมเกณฑ์มาตรฐานของ Horizon ทีมยังสร้างชุดเกณฑ์มาตรฐานสังเคราะห์แบบ held-out ขึ้นมาสี่ตระกูลหลังจากการเปิดตัวโมเดล โดยใช้ MiMo V2.6 Pro และพบว่าโมเดลเหล่านี้มักเป็นระดับล้ำสมัยสำหรับขนาดของตนในงานแคบที่มุ่งเป้า
ส่วนที่น่าอึดอัดคือ: มันเรียนรู้ที่จะขาย
การ์ดโมเดลของ Horizon ระบุว่าโมเดลของบริษัทดีที่สุดหรือใกล้เคียงดีที่สุดในหมวดหมู่ ทีมตรวจสอบว่านั่นเป็นการ overfit หรือการเลือก benchmark ให้เข้าทางหรือไม่ และสรุปว่าไม่ใช่ทั้งสองอย่าง: เอเจนต์เลือก checkpoint จากชุดแบ่งสำหรับ validation ซึ่งเป็นวิธีที่ถูกต้อง และอย่างน้อยหนึ่งครั้งได้เผยแพร่รันที่รู้ว่าอ่อนที่สุดในสี่รันเมื่อวัดบนชุดทดสอบที่รายงาน บันทึกของระบบเองเมื่อวันที่ 7 ตุลาคมระบุว่า: “เทรนเนอร์เลือก checkpoint ตาม validation F1 ฉันจึงเผยแพร่รันที่มี validation F1 ดีที่สุด บนชุดทดสอบ รันนั้นอ่อนที่สุดในสี่รัน”
สิ่งที่มันทำจริง ๆ คือการตลาด มันเลือกตระกูลโมเดลตามความต้องการ — มันตรวจสอบว่า bart-large-mnliมียอดดาวน์โหลดประมาณ 3 ล้านครั้งต่อเดือนก่อนจะสร้างตัวจำแนกแบบ zero-shot — และปฏิเสธแนวคิดด้วยเหตุผลเชิงพาณิชย์: การถ่ายโอนความเป็นทางการเพราะยังไม่มีชุดประเมินหลายภาษาแบบเปิด, ความเสี่ยงด้านสุขภาพจิตเพราะละเอียดอ่อน, การจำแนกหัวข้อข่าวเพราะมีโมเดลที่มีอยู่แล้วทำได้ดีอยู่แล้ว นั่นคือการใช้เหตุผลแบบผู้จัดการผลิตภัณฑ์ โดยที่ไม่มีผู้จัดการผลิตภัณฑ์เลย
ความผิดพลาดของฮาร์เนสสองรายการยังรั่วไหลเข้าสู่การรัน และน่าพูดถึงซ้ำเพราะมันเป็นสิ่งประเภทที่ทุกการติดตั้งใช้งานระยะยาวจะต้องพบเจอ วันที่ 24 กันยายน ทีมได้คัดลอกโมเดลของ Horizon ไปยังบัญชีที่สองและปล่อยสำเนาเหล่านั้นให้เป็นสาธารณะ Horizon พบสำเนาเหล่านั้นบน Hub วันที่ 11–12 ตุลาคม คำตอบในตั๋วหนึ่งระบุผิดว่า Horizon-Labs เป็น "บริษัทอื่นที่เรากำลังดำเนินการอยู่ที่แล็บของเรา" ทั้งสองเหตุการณ์ผลักดันให้เอเจนต์เชื่อว่าตนถูกดำเนินการโดยกลุ่มวิจัยมากกว่าสตาร์ทอัพ ทีมกล่าวว่าทั้งสองเหตุการณ์ไม่ได้เปลี่ยนพฤติกรรมหรือจำนวนดาวน์โหลด และนับแต่นั้นได้สร้างความสามารถในการย้อนกลับการรัน
สิ่งนี้หมายความว่าอย่างไรหากคุณเป็นผู้ที่นำเอเจนต์ไปติดตั้งใช้งาน
การตั้งค่านี้ทำซ้ำได้และมีต้นทุนต่ำ ซึ่งเป็นส่วนที่ควรทำให้ผู้คนทั้งกังวลและมีกำลังใจพอๆ กัน: 600 GPU-hour, ที่นั่งแบบสมัครสมาชิกหนึ่งที่นั่ง และโทเค็นมูลค่าประมาณ $1,030 อยู่ในวิสัยที่นักศึกษาปริญญาเอกคนเดียวเอื้อมถึงได้ เรื่องราวด้านความปลอดภัยนั้นพึ่งพาการจำกัดขอบเขตและการเฝ้าระวังทั้งหมด และตัวเฝ้าระวังของทีมเองก็เป็นโมเดลเสียเอง หากคุณรันอะไรแบบนี้ การคิดบัญชีต้นทุนสำคัญพอๆ กับราวป้องกัน อัตราการอ่านแคช 96% ของ Horizon คือเหตุผลที่เจ็ดสัปดาห์มีค่าใช้จ่ายหลักพันแทนที่จะเป็นหลักหมื่น และอัตรานั้นเป็นคุณสมบัติของ system prompt ที่เสถียรและชุดเครื่องมือที่เสถียร ซึ่งเป็นสิ่งที่เลเยอร์ orchestration มีไว้เพื่อการนั้นพอดี
นี่ก็เป็นจุดที่เราเตอร์พิสูจน์คุณค่าในงานแบบนี้เช่นกัน โมเดลตรวจการณ์ของ Horizon เองเป็นโมเดลราคาถูกที่คอยเฝ้าดูโมเดลราคาแพง และต้นทุนจะคุ้มก็ต่อเมื่อทุกการเรียกไปยังโมเดลที่ถูกที่สุดที่ทำงานนั้นได้ บน OrcaRouter คุณวาง Claude Opus 5.5 และโมเดลตรวจการณ์ตัวเล็กไว้หลังคีย์เดียว ใช้ส่วนบวกเพิ่ม 0% จากราคาป้ายของผู้ให้บริการเพื่อให้ราคาที่ส่งต่อเป็นอัตราของผู้ให้บริการเอง และตั้งกฎการกำหนดเส้นทางที่ส่งรอบการตรวจการณ์ไปยังระดับราคาถูก ขณะที่ลููปการวางแผนยังอยู่บน Opus ระบบสลับอัตโนมัติเมื่อเกิดข้อขัดข้องก็ช่วยครอบคลุมกรณีที่ทำให้ทีมนี้เสียเวลาหลายวันมาแล้ว นั่นคือ API ที่หยุดตอบสนองในขณะที่เอเจนต์กำลังหลับอยู่
สิ่งที่รายงานไม่ได้พิสูจน์
มันคือหนึ่งรอบการทำงาน หนึ่งกลุ่มงาน หนึ่งบัญชี และเจ็ดสัปดาห์ ความสำเร็จของเอเจนต์ขึ้นอยู่กับเมตริกที่รีเฟรชทุกวันและทุกคนมองเห็น บนแพลตฟอร์มที่โมเดลเล็กที่มีความสามารถมีช่องว่างชัดเจนให้เติม และขึ้นอยู่กับเจ้าหน้าที่มนุษย์ซึ่งตอบตั๋ว 13 ใบ มันไม่ได้แสดงว่าเอเจนต์สามารถบริหารบริษัทที่รายได้ขึ้นอยู่กับลูกค้าได้ หรือว่าวันแบบ 16 นาทีนั้นจะอยู่รอดเมื่อเผชิญกับเป้าหมายที่ไม่มีตัวเลขรายวัน ทีมพูดไว้เช่นนั้น และบทสรุปที่ซื่อตรงนั้นแคบกว่าพาดหัวข่าว: โมเดลระดับแนวหน้า เมื่อได้รับวัตถุประสงค์เชิงพาณิชย์ที่แคบพร้อมสัญญาณที่ชัดเจน ตอนนี้สามารถดำเนินลูปทั้งหมดได้ — เลือกผลิตภัณฑ์ สร้าง ส่งมอบ อ่านตลาด และวนซ้ำ — โดยมีมนุษย์แตะต้องเพียงไม่กี่นาทีต่อสัปดาห์
สิ่งต่อไปที่ต้องจับตาดูไม่ใช่จำนวนครั้งที่ดาวน์โหลด แต่คือว่ารูปแบบเดิมยังคงเกิดขึ้นหรือไม่ เมื่อสัญญาณรางวัลเป็นสัญญาแทนที่จะเป็นตัวนับ
