ghfind วาง MiniCPM-V 4.7 ไว้เบื้องหลังการโรสต์บน GitHub ของมัน — และเอกสารของมันเองก็ขัดแย้งกันว่าสิ่งนั้นเปลี่ยนแปลงอะไร

Scroll to the bottom of ghfind.com and there is a small line that did not used to be there: Model sponsor, a MiniCPM mark, and a link out to modelbest.cn. The model behind that mark is MiniCPM-V 4.7, OpenBMB's vision-language release from October 12, 2026. For a product whose entire pitch is a reproducible 0–100 "value and trust" score for any GitHub account, a model sponsorship is not a cosmetic detail — it is a question about what the model is allowed to touch. And ghfind's own documentation gives two different answers to that question. The documented AI failures and agent incidents behind releases like this one are collected in the OrcaRouter AI Incident Archive where each entry carries its own sources, severity, confidence grade and disputed flag.

นั่นคือเรื่องที่คุ้มค่าแก่การเขียน เพราะเวอร์ชันผิวเผิน — “เว็บไซต์แซว GitHub เปลี่ยนโมเดล” — คือข่าวประชาสัมพันธ์ ส่วนเวอร์ชันที่อยู่เบื้องล่างเป็นเรื่องเกี่ยวกับผลิตภัณฑ์ให้คะแนนที่ต้องโน้มน้าวผู้คนว่าตัวเลขของมันไม่ใช่แค่ความรู้สึก และในเวลาเดียวกันก็รับเอาโมเดลภาษามาใช้ด้วย

สิ่งที่หน้าเว็บแสดงจริง และสิ่งที่ไม่ได้แสดง

แถบสปอนเซอร์มีอยู่จริงและมองเห็นได้บนหน้าแรกภาษาอังกฤษแบบสาธารณะ โดยอยู่ข้างตัวควบคุมอีกสองรายการ: Use your own model / API key และช่องโลโก้ว่างที่ระบุว่า Your logo here ดังนั้นโครงสร้างที่ ghfind กำลังโฆษณาไม่ใช่ "โมเดลของเรา จำเป็นต้องใช้" — แต่เป็นสปอนเซอร์เริ่มต้นบวกกับช่องทางออกแบบ bring-your-own-key ซึ่งเป็นการออกแบบที่สมเหตุสมผลสำหรับผลิตภัณฑ์ที่ใช้เครดิตโมเดลทุกครั้งที่ roast

Three things that get repeated about this change are not on the page. First, ghfind publishes no traffic figure anywhere on the site, so any number describing its daily visits is coming from somewhere other than ghfind. Second, the phrase "main model" is not ghfind's — the page says Model sponsor. Third, and most usefully, the open-source repository still ships a different default entirely: its .env.example configures the roast LLM against StepFun's step-3.7-flash, with a D​eepSeek fallback for the case where the primary provider drops or rate-limits before any text streams. Anyone self-hosting ghfind from source gets that configuration, not a MiniCPM endpoint.

ดังนั้นข้อความที่ถูกต้องจึงแคบและน่าสนใจกว่าข้อความแบบกว้าง: บนผลิตภัณฑ์ที่โฮสต์ไว้ MiniCPM เป็นผู้สนับสนุนโมเดลที่ระบุชื่อ ในโค้ดที่เปิดให้ดู มันไม่ใช่ค่าเริ่มต้น สิ่งเหล่านี้เป็นข้อกล่าวอ้างที่แตกต่างกัน และมีเพียงข้อแรกเท่านั้นที่ได้รับการสนับสนุนจากสิ่งที่ผู้อ่านสามารถเห็นได้

ผลิตภัณฑ์ ก่อนแบบจำลอง

ghfind เป็นแอปพลิเคชัน Next.js ภายใต้สัญญาอนุญาต AGPL-3.0 มีดาวบน GitHub ประมาณ 260 ดวง และมีการ push อย่างต่อเนื่องตลอดสัปดาห์ที่มีการเขียนบทความนี้ แกนกลางของมันไม่ใช่ LLM เลย แต่เป็นเอนจิน TypeScript ที่ให้ผลลัพธ์แบบกำหนดได้แน่นอน (deterministic) ซึ่งพอร์ตมาแบบบรรทัดต่อบรรทัดจากสกิล Python โอเพนซอร์สชื่อ github-account-value โดยมี parity test คอยล็อกให้ทั้งสองอินสแตนซ์ทำงานตรงกัน เอนจินนี้จะอ่านข้อมูลสาธารณะจาก GitHub แล้วให้คะแนนใน 6 มิติที่ถ่วงน้ำหนักแล้ว ได้แก่ ความสมบูรณ์ของบัญชี คุณภาพของโปรเจกต์ที่เป็นผลงานดั้งเดิม คุณภาพของการมีส่วนร่วม ผลกระทบต่อระบบนิเวศ อิทธิพลต่อชุมชน และความน่าเชื่อถือของกิจกรรม จากนั้นจะหักคะแนนด้วยสัญญาณเตือน 10 ข้อสำหรับพฤติกรรมการปั่น (farming) โดยให้น้ำหนักกับสัญญาณที่ปลอมแปลงได้ยาก เช่น pull request ที่ถูก merge เข้าไปในรีโพซิทอรีที่บัญชีนั้นไม่ได้เป็นเจ้าของ และลดน้ำหนักสัญญาณที่ซื้อได้ในราคาถูกอย่างดาวและผู้ติดตาม

จุดสำคัญทั้งหมดของการออกแบบนั้นคือความสามารถในการตรวจสอบย้อนหลัง เมื่อใช้บัญชี GitHub เดียวกันและวันที่เก็บข้อมูลเดียวกัน ตัวเลขควรเป็นตัวเลขเดิมทุกครั้ง สำหรับทุกคน นั่นคือสิ่งที่ทำให้คะแนนสามารถนำไปใช้ได้กับงานอย่างการคัดแยกคิวปัญหา ซึ่ง ghfind ก็ทำผ่าน GitHub App ที่ติดป้ายปัญหาที่เข้ามาด้วยช่วงระดับของผู้ออกปัญหา

จุดที่โมเดลเข้ามาเกี่ยวข้องคือปลายน้ำ: การเปลี่ยนผลลัพธ์ที่คงที่ให้เป็นประโยคแซว ชุดแท็ก และรายงานที่เขียนขึ้น นั่นคือส่วนที่ผู้ใช้แคปหน้าจอและแชร์ และเป็นส่วนที่การสนับสนุนจะแนบไปได้โดยธรรมชาติ

ความขัดแย้งที่ควรค่าแก่การสังเกต

นี่คือจุดที่เอกสารทั้งสองฉบับแยกจากกัน

README ของรีโพซิทอรีอธิบายรอบการประมวลผล LLM สองรอบที่แยกจากกัน: ผู้ตัดสินด้านข้อเท็จจริงอาจใช้การปรับเทียบแบบมีขอบเขต ±10 จากนั้นผู้เขียนจะเปลี่ยนผลลัพธ์ที่ล็อกไว้แล้วให้เป็นแท็ก บรรทัดคำวิจารณ์แบบ roast ที่เด่นที่สุด และรายงาน ผู้เขียนไม่สามารถเปลี่ยนคะแนนได้ อ่านประโยคนั้นอีกครั้ง ผู้เขียนถูกห้ามอย่างชัดเจนไม่ให้ขยับตัวเลข และผู้ตัดสินได้รับอนุญาตอย่างชัดเจนให้ขยับได้มากถึงสิบจุด — บนสเกลร้อยคะแนน นั่นคือหนึ่งในสิบของช่วงทั้งหมด

ไฟล์ของเว็บไซต์เอง llms.txt ซึ่งเขียนขึ้นสำหรับเอเจนต์และเครื่องจักร กล่าวไว้หนักแน่นยิ่งกว่า: เครื่องยนต์ที่ให้ผลลัพธ์แน่นอนสมบูรณ์ … อินพุตเดียวกันย่อมให้คะแนนเดียวกันเสมอ ไม่มี LLM ใดเข้ามาแตะต้องตัวเลขนั้น

ทั้งสองอย่างเป็นจริงพร้อมกันไม่ได้ ไม่ว่า judge pass จะมีอยู่ในพาธเริ่มต้นและขอบเขต ±10 เป็นของจริง ซึ่งในกรณีนั้นคะแนนจะเป็นแบบกำหนดได้แน่นอน ยกเว้นการปรับเทียบที่ขึ้นกับโมเดล — หรือ judge ไม่ได้อยู่ในพาธเริ่มต้น และ README กำลังอธิบายโหมดทางเลือก สิ่งที่ไม่ได้เป็นข้อโต้แย้งคือ ข้อความของรีโพซิทอรีเองได้พิจารณาว่าโมเดลมีอิทธิพลจำกัดต่อตัวเลขนั้น ขณะที่คำอธิบายที่เครื่องอ่านได้ซึ่งเผยแพร่ต่อสาธารณะระบุว่าไม่มีอิทธิพลเลย

เรื่องนี้สำคัญยิ่งขึ้น ไม่ใช่ลดลง เพราะตอนนี้มีการระบุชื่อผู้สนับสนุนโมเดลไว้บนหน้านั้นแล้ว หากโมเดลหนึ่งสามารถทำให้คะแนนขยับได้ถึงสิบจุด ผู้ใช้ก็มีสิทธิ์ถามว่าโมเดลใดเป็นผู้ตัดสิน — ไม่ใช่เพราะมีใครโกง แต่เพราะข้ออ้างเรื่องการทำซ้ำได้จะแข็งแรงได้เพียงเท่ากับข้อยกเว้นที่มีการบันทึกไว้ซึ่งอ่อนแอที่สุดเท่านั้น ผลิตภัณฑ์ที่เผยแพร่หน้าระเบียบวิธีจึงติดค้างผู้อ่านไว้หนึ่งประโยคที่จะชี้ชัดว่าคำอธิบายสองฉบับของตนฉบับใดเป็นฉบับปัจจุบัน

ทำไมต้องใช้โมเดลวิชัน สำหรับผลิตภัณฑ์ที่เป็นข้อความ

การเลือกโมเดลมัลติโมดัลสำหรับเว็บไซต์ที่ให้คะแนน GitHub ดูแปลกอยู่ จนกว่าคุณจะมองดูว่าจริง ๆ แล้วมีอะไรถูกส่งเข้าไปให้โมเดล MiniCPM-V 4.7 ไม่ได้ถูกขอให้อ่านรีโพซิทอรี แต่ถูกขอให้อ่านพรอมป์ต์ โมเดลวิชัน-ภาษาถูกนำมาใช้เป็นผู้ตัดสินอเนกประสงค์ราคาถูกมากขึ้นเรื่อย ๆ เพราะโมเดลเหล่านี้ถูกฝึกด้วยอินพุตแบบสลับเนื้อหากันและมักทำตามคำสั่งเรื่องเอาต์พุตแบบมีโครงสร้างได้ดี และเพราะโมเดลเดียวที่รับภาพหน้าจอได้ด้วยนั้นมีประโยชน์ทันทีที่ผู้ใช้วางภาพแคปหน้าจอโปรไฟล์ลงในขั้นตอนการขอความช่วยเหลือ

ยังมีตรรกะด้านต้นทุนอีกด้วย รุ่น 35B-A3B เปิดใช้งานพารามิเตอร์ประมาณสามพันล้านตัวต่อโทเคนภายในส่วนผสมของผู้เชี่ยวชาญ 256 ตัว และรุ่น 1B เป็นโมเดลแบบ dense ที่เล็กพอจะรันบนโทรศัพท์ได้ สำหรับผลิตภัณฑ์ที่การ roast pass ทำงานทุกครั้งที่สแกนโปรไฟล์ การมีโมเดลที่ให้บริการได้ในต้นทุนต่ำ หรือรันเองได้ ถือเป็นข้อเสนอเชิงเศรษฐกิจที่ต่างจากการเรียก API ระดับ frontier ต่อการ roast หนึ่งครั้ง นั่นคือเหตุผลเดียวกับที่เว็บไซต์มีเส้นทาง bring-your-own-key เนื่องจากค่าใช้จ่ายของโมเดลจะเพิ่มตามปริมาณการใช้งาน และปริมาณการใช้งานคือสิ่งที่เว็บไซต์ให้คะแนนกำลังพยายามเติบโต

หากคุณกำลังสร้างไปป์ไลน์ลักษณะนั้นด้วยตัวเอง — แกนหลักที่ทำงานแบบกำหนดผลได้แน่นอนพร้อมชั้นการบรรยายที่หนุนด้วยโมเดลอยู่ด้านบน — คำถามเชิงปฏิบัติการคือคุณต้องการถือคีย์ของผู้ให้บริการกี่ราย OrcaRouter วางโมเดลโฮสต์กว่า 200 รุ่นไว้หลังปลายทางเดียวที่เข้ากันได้กับ OpenAI โดยบวกกำไร 0% โดยราคาตามรายการของผู้ให้บริการแต่ละรายถูกส่งผ่านตรงไป และมีการสลับไปใช้เส้นทางสำรองอัตโนมัติเมื่อผู้ให้บริการรายใดมีประสิทธิภาพลดลง; DSL การกำหนดเส้นทางของมันสามารถส่งรอบตรวจตัดสินราคาถูกและรอบการเขียนที่แพงกว่าไปยังโมเดลที่ต่างกันภายในหนึ่งการเรียก ข้อจำกัดหนึ่งที่ตรงไปตรงมา: MiniCPM-V 4.7 ไม่อยู่ในแคตตาล็อกของเรา ดังนั้นหากเป็นโมเดลที่คุณต้องการ คุณต้องไปที่แพลตฟอร์มของ OpenBMB เอง เราเตอร์คือส่วนที่ทำให้เส้นทางสำรองยังพร้อมใช้งานเมื่อปลายทางที่ได้รับการสนับสนุนเพียงรายเดียวเป็นสิ่งเดียวที่กั้นระหว่างคุณกับกล่องคั่วที่ว่างเปล่า

MiniCPM-V 4.7 จริง ๆ แล้วคืออะไร ณ สัปดาห์นี้

ฝั่งโมเดลก็สมควรได้รับความแม่นยำในระดับเดียวกัน คลังของ OpenBMB มีรายการข่าวลงวันที่ 2026-10-12 ว่า "MiniCPM-V 4.7 เปิดตัวแล้ว" และคลังบน Hugging Face ถูกสร้างขึ้นในช่วงสองสามวันก่อนหน้านั้น — 6 ตุลาคมสำหรับรุ่น 1B และ 7 ตุลาคมสำหรับรุ่น 35B-A3B — ซึ่งเป็นลักษณะของการอัปโหลดน้ำหนักแบบเป็นขั้นตอน จากนั้นจึงตามมาด้วยโมเดลการ์ด รายการข่าวรายการที่สองเมื่อ 2026-10-15 ประกาศหัว speculative decoding ของ DSpark ในรูปแบบ BF16 และ GGUF สำหรับทั้งสองขนาด

• ขนาด — 35B-A3B เป็น sparse mixture of experts ที่มีจำนวนพารามิเตอร์รวม 35.21 พันล้านตัว และรุ่น dense ขนาด 1B ที่มีจำนวน 1.55 พันล้านตัว

• สัญญาอนุญาต — Apache 2.0 ทั้งสองแบบ ดาวน์โหลดเวตได้ ไม่มีเกต

• บริบท — 262,144 โทเคนในทั้งสองรูปแบบ

• สถาปัตยกรรม — ผู้เชี่ยวชาญ 256 คน โดยเปิดใช้งาน 8 คนต่อโทเคนในรุ่น 35B; รูปแบบ attention แบบ linear-to-full ในอัตราส่วน 3:1 ทั่ว 40 เลเยอร์; vision tower ที่มีความกว้าง hidden 1152 พร้อมไทล์อินพุตขนาด 980 พิกเซล

• การควอนไทซ์ — มีการเผยแพร่บิลด์ GGUF, bitsandbytes, AWQ, GPTQ, FP8 และ int4 ควบคู่ไปกับเวท BF16

• การให้บริการ — มีระบุว่า SGLang, vLLM, llama.cpp และ Ollama เป็นตัวเลือกที่รองรับ; Ollama มีรายการอย่างเป็นทางการจากผู้พัฒนา

• คำกล่าวอ้างของผู้ขาย — 13+ โทเคนต่อวินาที ด้วยหน่วยความจำประมาณ 3 GB บน iPhone 17 Pro Max และความเร็วบนอุปกรณ์เพิ่มขึ้น 5 เท่าจาก Lookahead Expert Scheduling

• การเผยแพร่ — มียอดดาวน์โหลดประมาณ 95,000 ครั้งต่อเดือนบนรีโพซิทอรี 35B-A3B และ 46,000 ครั้งบน 1B โดยมีไลก์ประมาณ 1,079 และ 398

ทุกอย่างในรายการนั้นตรวจสอบได้จากการ์ดและไฟล์กำหนดค่า สิ่งที่ยังไม่มีคือการประเมินที่เป็นอิสระ ณ เวลาที่เขียนนี้ แคตตาล็อกโมเดลของ Artificial Analysis ไม่มีรายการสำหรับ MiniCPM-V 4.7 ทั้งสองเวอร์ชัน ดังนั้นตัวเลข 13 โทเคนต่อวินาที การเร่งความเร็ว 5 เท่า และข้ออ้างที่ว่า 35B-A3B "ทำคะแนนโดยรวมได้สูงกว่าโดยใช้เวลาอนุมานน้อยกว่า Qwen3.6 35B-A3B" ล้วนเป็นข้อมูลที่ผู้ขายรายงานและยังไม่มีการทำซ้ำ ซึ่งเป็นเรื่องปกติสำหรับโมเดลที่เพิ่งมีอายุแปดวัน และนั่นคือเหตุผลที่ควรถือว่าการวางตำแหน่งผู้สนับสนุนเป็นสัญญาณเกี่ยวกับโครงสร้างต้นทุนของ ghfind มากกว่าจะเป็นสัญญาณเกี่ยวกับคุณภาพของโมเดล

ส่วนที่ยังไม่มีใครสามารถตรวจสอบได้

ซึ่งนำสองครึ่งของเรื่องนี้กลับมาเชื่อมกัน ความน่าเชื่อถือของ ghfind ขึ้นอยู่กับตัวเลขที่มันอ้างว่าสามารถทำซ้ำได้ ความน่าเชื่อถือของ MiniCPM-V 4.7 ขึ้นอยู่กับ benchmark ที่ผู้จำหน่ายเผยแพร่เมื่อสัปดาห์ก่อน การสนับสนุนครั้งนี้เชื่อมทั้งสองเข้าด้วยกันโดยไม่มีหลักฐานที่เผยแพร่ใด ๆ เกี่ยวกับว่าตัวแบบทำงานอย่างไรในฐานะผู้ตัดสิน — ไม่มีอัตราความสอดคล้องเทียบกับผู้ให้คะแนนที่เป็นมนุษย์ ไม่มีการวัดการคลาดเคลื่อนข้ามเวอร์ชันของตัวแบบ ไม่มีคำแถลงว่า еслиสลับผู้สนับสนุนจะเปลี่ยนคะแนนของใครหรือไม่

สิ่งเหล่านั้นล้วนเป็นเรื่องที่เผยแพร่ได้ในราคาถูก แต่เป็นเรื่องที่แพงหากมีคนมาถามถึงภายหลัง การวัดที่เฉพาะเจาะจงซึ่งจะชี้ขาดเรื่องนี้คือการทดสอบให้คะแนนซ้ำ: หยิบตัวอย่างบัญชีแบบคงที่ รันไปป์ไลน์โดยเปิดและปิด judge pass แล้วรายงานการกระจายตัวของผลต่าง หากมันเกาะกลุ่มอยู่ที่ศูนย์ ±10 ก็เป็นราวนิรภัยที่ไม่มีใครไปชน และประโยคที่ว่า “ไม่มี LLM ตัวใดแตะต้องตัวเลขนั้น” ก็เป็นจริงในทางปฏิบัติ หากมันกระจายออก แสดงว่าการคาลิเบรตกำลังทำงานจริง และหน้าวิธีวิทยาก็ต้องระบุไว้เช่นนั้น

จนถึงตอนนั้น การตีความอย่างซื่อตรงก็คือแบบนี้ ghfind เป็นตัวให้คะแนนแบบดีเทอร์มินิสติกที่สร้างมาอย่างดี โดยมีการแยกระหว่างตัวเลขกับถ้อยคำบรรยายของมันอย่างชัดเจนผิดปกติ และตอนนี้มันมีผู้สนับสนุนโมเดลที่ระบุชื่อได้ ซึ่งบทบาทในไปป์ไลน์ได้รับการบันทึกไว้อย่างไม่สอดคล้องกันในไฟล์ต่าง ๆ ของมันเอง MiniCPM-V 4.7 เป็นการเปิดตัวมัลติโหมดัลที่แท้จริง อยู่ภายใต้สัญญาอนุญาต Apache และใช้หน่วยความจำน้อยจริง ๆ ซึ่งมาถึงเมื่อแปดวันก่อน พร้อมการ์ดโมเดล ภาคต่อ DSpark และไม่มีเกณฑ์มาตรฐานอิสระเลย ข้อเท็จจริงทั้งสองข้อนั้นไม่ใช่เรื่องอื้อฉาว ทั้งสองอย่างเป็นสิ่งประเภทที่คุณจะสังเกตเห็นได้ก็ต่อเมื่อคุณอ่านที่เก็บโค้ดแทนที่จะอ่านหน้าแรก — ซึ่งสำหรับผลิตภัณฑ์ที่ให้คะแนนงานของคนอื่น นั่นคือสิ่งน้อยที่สุดที่ผู้อ่านทำได้

วิธีตรวจสอบคะแนนของคุณเองอย่างเป็นรูปธรรม

หากคุณมีโปรไฟล์บนไซต์ เส้นทางที่ให้ผลแน่นอนคือสิ่งที่ควรทดสอบ ghfind เปิดเผยเอนด์พอยต์คะแนนที่ไม่ต้องใช้การยืนยันตัวตนและไม่ต้องเรียกโมเดล และทักษะการให้คะแนนที่อยู่เบื้องหลังเป็นโอเพนซอร์ส ดังนั้นตัวเลขที่คุณได้จาก API และตัวเลขที่คุณได้จากไซต์ควรตรงกัน หากไม่ตรงกัน ความแตกต่างอาจมาจากจังหวะการเก็บข้อมูล — ไซต์แคชไว้หนึ่งวัน — หรือมาจากขั้นตอนการปรับเทียบ และแยกความแตกต่างได้โดยถามว่าช่องว่างนั้นคงที่ตลอดการรันซ้ำหรือไม่

สำหรับใครก็ตามที่กำลังสร้างเครื่องมือคล้ายกัน บทเรียนด้านสถาปัตยกรรมจาก ghfind มีค่ามากกว่าข่าวเกี่ยวกับโมเดล: เก็บตัวเลขไว้ในโค้ด เก็บข้อความบรรยายไว้ในโมเดล และทำให้ขอบเขตระหว่างทั้งสองชัดเจนพอที่ผู้อ่านจะตรวจสอบได้ รูปแบบความล้มเหลวไม่ใช่การใช้ LLM รูปแบบความล้มเหลวคือการบันทึกขอบเขตไว้ในสองที่แล้วปล่อยให้คำอธิบายทั้งสองค่อย ๆ คลาดเคลื่อนจากกัน

สิ่งที่น่าจับตาต่อไปนั้นเฉพาะเจาะจง ghfind มี changelog สาธารณะและ repository ที่มีการ push เกือบทุกวัน ดังนั้นบันทึกระเบียบวิธีที่ทำให้การปรับเทียบ ±10 สอดคล้องกับแนวทาง "no LLM" จะปรากฏขึ้นอย่างรวดเร็ว ในฝั่งโมเดล การทดสอบประสิทธิภาพแบบอิสระครั้งแรกของ MiniCPM-V 4.7 — หรือรายงานครั้งแรกว่าต้นทุนต่อการ roast ที่ปริมาณมากเป็นเท่าใด — คือตัวเลขที่จะเปลี่ยนการสนับสนุนให้กลายเป็นข้อโต้แย้ง ทั้งสองยังไม่มีอยู่เลย ทั้งคู่อยู่ห่างเพียงการเผยแพร่หนึ่งครั้ง