LFM3-1.7B-Base: สิ่งที่รีโปบอก และสิ่งที่ Liquid AI ยังไม่ได้บอก

เช็กพอยต์ที่ส่งผลกระทบมากที่สุดในตระกูลใหม่ของ Liquid AI คือตัวที่มีรายละเอียดให้อ่านน้อยที่สุด LFM3-1.7B-Baseเป็นโมเดลที่ผ่านการฝึกมาก่อนแบบข้อความล้วนขนาด 1.73 พันล้านพารามิเตอร์ และเมื่อวันที่ 27 ตุลาคม 2026 มันได้กลายเป็นแกนหลักที่โมเดล LFM3 ทุกตัวซึ่งผ่านการฝึกภายหลังถูกสร้างขึ้นมา — ทั้งโมเดลข้อความ โมเดลภาพ โมเดลเสียง โมเดลออมนิ และโมเดลตัดสินใจทั้งสองตัว โพสต์เปิดตัวตระกูลกล่าวถึงมันเพียงอนุประโยคเดียว ไม่มีประกาศแยกสำหรับมัน ไม่มีตารางเปรียบเทียบประสิทธิภาพของโมเดลฐาน และไม่มีสื่อใดรายงานถึงมัน ขณะที่รีโพซิทอรีนั้นระบุอย่างชัดเจนผิดปกติว่าซึ่งเช็กพอยต์นี้คืออะไรและมีไว้เพื่ออะไร ซึ่งทำให้การเปิดตัวนี้เป็นสิ่งที่อธิบายได้ง่ายแต่ยากที่จะกล่าวเกินจริง ไม่มีการบวกส่วนเพิ่มใด ๆ เข้าไปในราคาที่ผู้ให้บริการโมเดลเรียกเก็บ ราคาตามรายการของผู้ให้บริการ การเปลี่ยนแปลงราคาจากผู้ขายจะไปถึงบิลของคุณภายในวันเดียวกัน

สิ่งต่อไปนี้จะแยกสองสิ่งนั้นออกจากกัน ทุกอย่างในครึ่งแรกมาจากการ์ดโมเดล ไฟล์คอนฟิก ข้อความสัญญาอนุญาต หรือโพสต์เปิดตัวของ Liquid เอง และสามารถตรวจสอบได้ในวันนี้ ส่วนครึ่งหลังคือสิ่งที่ยังคงไม่เป็นที่รู้กันจริง ๆ สามวันหลังจากที่น้ำหนักโมเดลถูกปล่อยออกมา

สองรีโพซิทอรี หนึ่งโพสต์เปิดตัว และช่องว่างสิบสองชั่วโมง

การประทับเวลาเล่าเรื่องของการเปิดตัวที่เกิดขึ้นต่อสาธารณะก่อนที่จะเกิดขึ้นในงานการตลาด สำหรับโมเดลที่ผ่านการฝึกเพิ่มเติมLFM3-1.7Bพื้นที่เก็บข้อมูลถูกสร้างขึ้นเมื่อวันที่ 23 ตุลาคม 2026 พื้นที่เก็บข้อมูลฐานถูกสร้างขึ้นเมื่อวันที่ 26 ตุลาคม เวลา 16:28 UTC และการ์ดของมันถูกแก้ไขล่าสุดเมื่อวันที่ 27 ตุลาคม เวลา 04:15 UTC — น้อยกว่าสิบสองชั่วโมงต่อมา บทความบล็อก "แนะนำ LFM3: ทุกโมดัลลิตี้เพื่อความฉลาดเฉพาะทาง" ลงวันที่ 27 ตุลาคม กว่าที่ใครก็ตามนอกบริษัทจะได้อ่านสเปก น้ำหนักโมเดลก็อยู่บน Hugging Face มาเป็นเวลาหนึ่งวันแล้ว

ลำดับนั้นควรพูดให้ตรงไปตรงมา เพราะมันเป็นสิ่งที่ใกล้เคียงที่สุดกับ “การเปิดตัวแบบเงียบ ๆ” ในที่นี้ Liquid ประกาศตระกูลนี้จริง และประกาศดังกล่าวระบุชื่อ LFM3-1.7B-Base ว่าเป็นเช็กพอยต์ที่อีกหกโมเดลถูกฝึกมาจาก สิ่งที่บริษัทไม่ได้ทำคือประกาศเช็กพอยต์ฐานนี้ในแบบของตัวเอง — ไม่มีโพสต์แยก ไม่มีการประเมินเฉพาะสำหรับฐาน ไม่มีการวางตำแหน่งใด ๆ เกินกว่าหนึ่งย่อหน้าในการ์ด ตระกูลนี้ได้รับการเปิดตัว ส่วนแกนหลักได้รีโพซิทอรีและตัวชี้ไปยังตระกูล

มีอะไรอยู่ในรีโพซิทอรี

การ์ดมีขนาดกะทัดรัด และคราวนี้ครบถ้วนในเรื่องพื้นฐาน ไฟล์ model.safetensors หนึ่งไฟล์ขนาด 3.46 GB ในรูปแบบ bfloat16 โทเค็นไนเซอร์ที่มีคลังคำศัพท์ 128,000 โทเค็น โค้ดโมเดลถูกจัดส่งเป็น Python ที่กำหนดเองพร้อมกับน้ำหนักโมเดล ซึ่งโหลดด้วย trust_remote_code=True แทนที่จะโหลดผ่านรีลีส Transformers ต้นทางที่รวมเข้าด้วยกันแล้ว สัญญาอนุญาตคือ LFM Open License v1.0 ซึ่งเป็นกลุ่มข้อกำหนดเดียวกับที่ Liquid ใช้ตั้งแต่ LFM2

• พารามิเตอร์ — 1.73B, แบบหนาแน่น, โดยพารามิเตอร์ทุกตัวถูกอ่านในทุกโทเคน

• เลเยอร์ — 24: บล็อกคอนโวลูชันแบบสั้นที่มีเกต 13 บล็อก, บล็อกแอตเทนชันแบบหน้าต่างเลื่อน 5 บล็อก, บล็อกแอตเทนชันแบบเต็ม 6 บล็อก

• บริบท — 262,144 โทเค็น รวมอินพุตและเอาต์พุต

• โครงสร้างของ attention — ขนาด hidden 2,048, query head 16 หัว, key-value head 4 หัว, head dimension 128 นี่คือ grouped-query attention แบบสี่ต่อหนึ่ง ไม่ใช่แบบแปดต่อหนึ่งของ LFM2.5

• หน้าต่างแบบโลคอล — 256 โทเค็น พร้อมแคชคอนโวลูชันขนาดเจ็ด นี่คือการตั้งค่ากลไกแอตเทนชันในระดับต่อเลเยอร์ ไม่ใช่ความยาวคอนเท็กซ์ และมันก่อให้เกิดกระแสการรายงานข่าวที่คลาดเคลื่อนเล็กน้อย เมื่อสถาปัตยกรรมนี้ปรากฏครั้งแรกในพูลรีเควสต์ของเอนจินเมื่อวันก่อนการเปิดตัว

• คำศัพท์และภาษา — 128,000 โทเค็น มีภาษาที่ระบุไว้สิบหกภาษา: อังกฤษ, อาหรับ, จีน, ฝรั่งเศส, เยอรมัน, อิตาลี, ญี่ปุ่น, เกาหลี, โปรตุเกส, สเปน, เวียดนาม, ไทย, อินโดนีเซีย, ฮินดี, รัสเซีย, โปแลนด์

• หน่วยความจำ — ประมาณ 1 GB ที่ความแม่นยำ 4 บิตตามข้อมูลจาก Liquid และ 3.46 GB เมื่อจัดส่งในรูปแบบ BF16

มีความไม่สอดคล้องกันเล็กน้อยที่ควรรู้ไว้ก่อนคุณจะอ้างอิงขนาดใด ๆ แถบด้านข้างของ Hugging Face ปัดโมเดลเป็น "2B params" ขณะที่ตารางบนการ์ดระบุว่า 1.73B ไฟล์เป็นตัวตัดสิน: bfloat16 ขนาด 3.46 GB คือ 1.73 พันล้านพารามิเตอร์ที่พารามิเตอร์ละสองไบต์ ดังนั้นป้ายบนแถบด้านข้างจึงเป็นธรรมเนียมการปัดเศษ ไม่ใช่ข้อกำหนดที่สอง ณ เวลาที่เขียน คลังเก็บแสดงยอดดาวน์โหลดสิบห้าครั้งในเดือนที่ผ่านมาและแปดไลก์ — ซึ่งเป็นลักษณะของเช็กพอยต์ที่เผยแพร่แล้ว มีการลิงก์มาจากโพสต์เปิดตัว และยังไม่มีใครหยิบไปใช้

สถาปัตยกรรม โดยไม่มีแผนภาพ

การออกแบบนี้เข้าใจได้ดีที่สุดในฐานะข้อโต้แย้งเรื่องงบประมาณ Full attention เป็นส่วนที่แพงของ transformer เมื่อบริบทطول: ทุกโทเคนเปรียบเทียบตัวเองกับโทเคนอื่นทุกตัว และค่าใช้จ่ายเติบโตตามกำลังสองของความยาวลำดับ สแต็ก tri-hybrid ของ Liquid ใช้เพียงหกจากยี่สิบสี่เลเยอร์กับปฏิบัติการนั้น สิบสามเลเยอร์เป็น gated short convolutions ซึ่งผสมข้อมูลในระดับท้องถิ่นด้วยต้นทุนคงที่ต่อโทเคน และห้าเลเยอร์เป็นบล็อก sliding-window attention ที่มองเห็น 256 โทเคนในแต่ละครั้ง สองในสามของเครือข่ายไม่เคยดำเนินการ global attention เลย

นี่คือเดิมพันแบบเดียวกับที่ Liquid ใช้มาตั้งแต่ LFM2 และผลักดันให้ไกลยิ่งขึ้น LFM2.5-2.6B-Base ใช้ 30 เลเยอร์ แบ่งเป็น 22 คอนโวลูชันและ 8 บล็อก full-attention โดยไม่มีระดับ sliding-window LFM3 แทนที่คอนโวลูชันหนึ่งคู่ด้วยบล็อก sliding-attention ในห้าจุดของสแต็ก เพิ่มแคชคอนโวลูชันจากสามเป็นเจ็ด และเพิ่มการตั้งค่า sandwich normalisation และ partial-rotary ที่ปรากฏในคอนฟิก ว่าการแลกเปลี่ยนเฉพาะเจาะจงนั้นจะช่วยปรับปรุงคุณภาพหรือไม่ เป็นคำถามที่การประเมินเท่านั้นที่ตอบได้ และ ณ เวลาที่เผยแพร่ ยังไม่มีการประเมินโมเดลฐานที่จะตอบคำถามนี้ สิ่งที่คอนฟิกยืนยันได้คือ บริบท 256K ไม่ได้เกิดขึ้นจากการขยาย attention ไปถึง 256K แต่เกิดขึ้นจากการทำให้สแต็กส่วนใหญ่เป็นแบบ local

โมเดลฐานมาพร้อมกับเทมเพลตแชท

นี่คือรายละเอียดที่อาจทำให้ใครก็ตามที่ดาวน์โหลด checkpoint นี้โดยคาดหวังว่าจะใช้สำหรับ text completion แบบดิบ ๆ สับสนได้มากที่สุด LFM3-1.7B-Base มี chat template แบบเต็ม และการ์ดระบุว่าการ mid-training รวมข้อมูลแชตทั้งที่มีและไม่มี thinking trace ซึ่งจัดรูปแบบด้วย template เดียวกับโมเดลที่ผ่าน post-training แล้ว เมื่อเรียก apply_chat_template การให้เหตุผลจะเปิดใช้งานโดยค่าเริ่มต้น: คำตอบจะเริ่มต้นภายใน thinking block เว้นแต่คุณจะส่ง enable_thinking=False ซึ่งจะเติม trace ว่างไว้ล่วงหน้าและขอคำตอบโดยตรง

ดังนั้นมันจึงมีพฤติกรรมคล้ายโมเดล instruct อยู่บ้าง แต่กลับถูกระบุว่าเป็นอย่างอื่นโดยสิ้นเชิง คำแนะนำบนการ์ดของโมเดลเองชัดเจนไม่มีกำกวม: LFM3-1.7B-Base "แนะนำให้ใช้เฉพาะกับงานที่ต้องทำไฟน์ทูนอย่างหนัก เช่น ผู้ช่วยเฉพาะภาษาหรือเฉพาะโดเมน การฝึกบนข้อมูลที่เป็นกรรมสิทธิ์ หรือการทดลองแนวทางการฝึกหลังการฝึกแบบใหม่ ๆ" สำหรับแชต การเรียกใช้เครื่องมือ และเอเจนต์ คำแนะนำชี้ไปที่ LFM3-1.7B เทมเพลตมีอยู่เพราะข้อมูลการฝึกช่วงกลางถูกจัดรูปแบบไว้เช่นนั้น และเพราะไฟน์ทูนสืบทอดรูปแบบนั้นมา — ไม่ใช่เพราะเช็กพอยต์ถูกปรับแต่งมาเพื่อการสนทนา ใครก็ตามที่มองว่าเทมเพลตเป็นสัญญาณความพร้อมจะผิดหวังกับเอาต์พุต และการ์ดได้บอกไว้ก่อนพวกเขาเริ่มต้นแล้ว

ตัวเลขที่ผู้คนจะยกมาอ้างไม่ใช่ตัวเลขของโมเดลนี้

โพสต์เปิดตัวมีตาราง benchmark ขนาดใหญ่ และแทบไม่มีส่วนใดใช้ได้กับ checkpoint ที่บทความนี้กล่าวถึง ค่าเฉลี่ยพาดหัวที่ 49.37 เป็นของ LFM3-1.7B ซึ่งเป็นโมเดลที่ผ่าน post-training โดยวัดจากชุดทดสอบของ Liquid เอง แถวเปรียบเทียบ — LFM2.5-2.6B ที่ 31.55, MiniCPM5-2B ที่ 39.19, Gemma 4 E4B ที่ 31.74, Qwen3.5-4B ที่ 39.27, Qwen3.5-9B ที่ 47.24 — เป็นการเทียบโมเดลที่ผ่าน post-training กับโมเดลที่ผ่าน post-training คะแนน 43.40 บน SWE-bench Verified และ 73.46 บน LiveCodeBench v6 ก็เป็นคะแนนของโมเดลที่ปรับแต่งแล้วเช่นกัน

มีข้อกล่าวอ้างสองข้อที่มักถูกนำไปผูกกับ base checkpoint ในการอ่านแบบเผิน ๆ และไม่ควรทำเช่นนั้น ข้อแรกคือ "พารามิเตอร์น้อยลง 35%" — นั่นคือ LFM3-1.7B ที่ทำได้ดีกว่า LFM2.5-2.6B ซึ่งเป็นข้อความเกี่ยวกับคู่หลังการฝึก (post-trained pair) ไม่ใช่ผลลัพธ์แบบ base-to-base ข้อที่สองคือข้อกล่าวอ้างว่า LFM3 "เทียบเท่า Gemma 4 12B" ประโยคนั้นเกี่ยวกับ LFM3-VL-2B ซึ่งเป็นโมเดลวิชัน จาก 62 benchmark ด้านวิชัน และไม่ได้กล่าวถึง text base checkpoint เลย ซึ่งยังไม่มีการเผยแพร่ผลการประเมินใด ๆ ทั้งสิ้น การที่ base model ไม่มีตาราง benchmark ไม่ใช่เรื่องแปลก — Liquid ตั้งใจไม่เผยแพร่ตารางใด ๆ สำหรับ LFM2.5-2.6B-Base เช่นกัน — แต่การที่ไม่มีตารางดังกล่าวหมายความว่าข้อกล่าวอ้างด้านคุณภาพทุกข้อเกี่ยวกับ checkpoint นี้ในปัจจุบันล้วนเป็นข้อกล่าวอ้างเกี่ยวกับโมเดลที่มันสร้างขึ้นมา

การฝึกอบรม และส่วนที่โดดเด่นอย่างแท้จริง

Liquid กล่าวว่า checkpoint ได้เห็น 22 ล้านล้านโทเค็นในสองระยะ ระยะก่อนการฝึกหลักได้เปลี่ยนส่วนผสมของข้อมูลเมื่อเทียบกับ LFM2 โดยเพิ่มบทความทางวิทยาศาสตร์ โค้ดระดับรีพอซิทอรี คณิตศาสตร์ และแหล่งความรู้ที่หลากหลายมากขึ้น ส่วน 3.5 ล้านล้านโทเค็นสุดท้ายเป็นระยะการฝึกระดับกลางบนข้อมูลที่คัดสรรและมีคุณภาพสูงขึ้น โดยมีสัดส่วนของ agentic traces และการเรียกใช้เครื่องมือมากขึ้น และในระยะนี้เองที่หน้าต่างบริบทถูกขยายเป็น 256K

ส่วนที่ไม่ปกติไม่ใช่จำนวนโทเค็น แต่คือข้อมูลแบบเอเจนต์ถูกใส่เข้าไปในโมเดลฐาน ไม่ใช่แค่ในขั้นหลังการฝึก ผู้ให้บริการส่วนใหญ่เก็บร่องรอยการเรียกใช้เครื่องมือไว้สำหรับขั้น instruction-tuning Liquid ใส่สิ่งเหล่านี้ไว้ในแกนหลัก แล้วจึงฝึกโมเดลที่แตกต่างกันหกโมเดลต่อยอดจากมันด้วย SFT, RL แบบผสม, การกลั่นแบบ on-policy หลายโดเมน และ agentic RL นี่คือกลยุทธ์ที่สอดคล้องกันสำหรับตระกูลที่มีจุดประสงค์ให้ใช้แกนหลักเดียวร่วมกันข้ามโมดัลลิตี้ และยังเป็นเหตุผลว่าทำไมเช็กพอยต์ฐานจึงมีเทมเพลตแชต มันเป็นข้อกล่าวอ้างเกี่ยวกับระเบียบวิธีฝึกที่ไม่สามารถตรวจสอบจากภายนอกได้ และไม่มีการทำซ้ำอย่างอิสระ

สิ่งที่คุณสามารถทำกับมันได้ในวันนี้

การ์ดนี้ลิงก์ไปยัง TRL notebook สองรายการ รายการหนึ่งสำหรับ supervised fine-tuning ในการสกัด JSON แบบมีโครงสร้างจากเอกสารที่ยุ่งเหยิง และอีกรายการสำหรับ continued pre-training กับภาษาใหม่ โดยใช้ภาษาตุรกีจากข้อความดิบเป็นตัวอย่าง ทั้งสองเขียนขึ้นโดยอิงกับ LFM3-1.7B และต้องเปลี่ยน model_id เพียงค่าเดียวเพื่อชี้ไปยัง base checkpoint หน้าเอกสารครอบคลุมเส้นทางการ fine-tuning ส่วนที่เหลือ โมเดล instruct มี runtime variant ครบชุด — BF16 สำหรับ vLLM, SGLang และ Transformers; FP8 และ NVFP4 สำหรับ SGLang; GGUF สำหรับ llama.cpp, Ollama และ LM Studio; MLX สำหรับ Apple silicon; ONNX Runtime base checkpoint มีอาร์ติแฟกต์เพียงหนึ่งเดียวเท่านั้น: ไฟล์ safetensors แบบ BF16 ไม่มี GGUF ไม่มีบิลด์ MLX ไม่มีรีลีสที่ควอนไทซ์แล้ว หากคุณต้องการรันมันบนโทรศัพท์ คุณต้องทำการแปลงนั้นด้วยตัวเอง

สิ่งนี้อยู่ตรงไหน หากคุณเลี้ยงชีพด้วยการให้บริการโมเดล

checkpoint ที่ผ่านการฝึกมาแล้วไม่ใช่ endpoint สำหรับแชต และควรพูดให้ชัดเจนในเรื่องนี้ ณ เวลาที่เขียน LFM3-1.7B-Base ไม่ปรากฏอยู่ในแคตตาล็อกของ OrcaRouter และโมเดลฐาน (base model) จะเป็นสิ่งที่แปลกหากจะนำมากำหนดเส้นทาง เพราะมันไม่มี instruction following ให้กำหนดเส้นทางไปหา จุดที่เราเตอร์มีประโยชน์จะเริ่มในขั้นถัดไป คือหลังจากมี fine-tune แล้ว และ OrcaRouter วางโมเดลมากกว่า 200 ตัวไว้เบื้องหลัง API เดียว โดยบวกเพิ่ม 0% จากราคาตามรายการของผู้ให้บริการ มีระบบสลับไปใช้ระบบสำรองอัตโนมัติ และมี DSL สำหรับกำหนดเส้นทาง ดังนั้น checkpoint LFM3 ที่ปรับแต่งสำหรับโดเมนจึงสามารถอยู่เคียงข้างโมเดลทั่วไปที่มีขนาดใหญ่กว่า และถูกเปรียบเทียบหรือสลับไปใช้งานแทนได้โดยไม่ต้องทำการเชื่อมต่อครั้งที่สอง การหลอมรวมโมเดล (model fusion) — การที่คณะโมเดลช่วยกันตอบ — เป็นอีกทางเลือกหนึ่ง เมื่อผู้เชี่ยวชาญขนาด 1.73B เก่งเรื่องใดเรื่องหนึ่งและคุณต้องการความคิดเห็นที่สอง ทั้งหมดนั้นไม่จำเป็นต้องโฮสต์ checkpoint ฐานเองที่ใดเลย

สิ่งที่ยังไม่ได้รับการยืนยัน

• คุณภาพพื้นฐาน ไม่มีตาราง benchmark ไม่มีเอาต์พุตจากฮาร์เนสการประเมิน และไม่มีการเปรียบเทียบกับ LFM2.5-2.6B-Base ในงานใด ๆ

• การตรวจสอบโดยอิสระ ยังไม่มีห้องแล็บของบุคคลที่สามแห่งใดเผยแพร่ผลการรันทั้งโมเดลฐานหรือโมเดลที่ปรับแต่งแล้ว ตัวเลขทุกตัวในโพสต์เปิดตัวเป็นข้อมูลของ Liquid เอง

• รองรับ Transformers เวอร์ชันอัปสตรีม รีโพซิทอรีนี้ใช้โค้ดโมเดลลิ่งแบบกำหนดเองและ trust_remote_code ซึ่งเป็นเรื่องปกติในช่วงเปิดตัว แต่กลายเป็นต้นทุนในการดูแลรักษาในภายหลัง

• วิธีการให้บริการโมเดลฐาน โพสต์เปิดตัวระบุว่าโมเดลฐานและโมเดลที่ผ่านการฝึกเพิ่มเติมพร้อมให้ใช้งานบน Hugging Face, Liquid Playground และ Liquid API แต่ไม่มีการอธิบายว่า API ทำงานอย่างไรกับ checkpoint ของโมเดลฐานที่ยังไม่ได้ปรับแต่ง และไม่มีการประกาศราคาสำหรับการใช้งานดังกล่าว

• กรณีขอบเขตของใบอนุญาต LFM Open License v1.0 ใช้งานเชิงพาณิชย์ได้ฟรีเมื่อมีรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐฯ หากเกินเกณฑ์ดังกล่าวจะต้องใช้ใบอนุญาตเชิงพาณิชย์ ตัวข้อความเปิดเผยต่อสาธารณะ แต่การตีความว่าข้อความนั้นปฏิบัติต่อโมเดลที่ต่อยอดซึ่งฝึกจากโมเดลฐานแล้วนำไปให้บริการเชิงพาณิชย์อย่างไร เป็นคำถามสำหรับทนายความ ไม่ใช่การ์ดโมเดล

ดูอะไรดี

สัญญาณที่มีความหมายถัดไปไม่ใช่การประกาศอีกครั้ง แต่คือการประเมินจากอิสระครั้งแรกของโมเดลที่ผ่านการฝึกหลังการฝึกพื้นฐาน และไฟน์จูนสาธารณะชุดแรกที่รายงานว่าการฝึกบนเช็กพอยต์ฐานเป็นอย่างไร กรอบการนำเสนอของ Liquid เองเชื้อเชิญให้ทดสอบแบบนั้น: โครงหลักขนาด 1.73B ที่สร้างโมเดลหกตัวและอ้างว่าเอาชนะรุ่นก่อนหน้าขนาด 2.69B นั้นเป็นได้ทั้งสถาปัตยกรรมที่มีประสิทธิภาพจริงหรือชุดเบนช์มาร์กที่เลือกมาอย่างดี และเฉพาะการรันจากภายนอกเท่านั้นที่จะแยกสองอย่างนี้ออกได้ จนถึงตอนนั้น รีโพซิทอรีคือเรื่องราวทั้งหมด: ไฟล์ขนาด 3.46 GB ข้อกำหนดที่ชัดเจน แม่แบบแชตที่ไม่ใช่คำเชื้อเชิญ และไลเซนส์ที่ควรอ่านก่อนเส้นรายได้จะเข้ามาใกล้