LFM3-1.7B-Base vs Gemma 4 12B: ทรังก์เฉพาะทางปะทะโมเดลอเนกประสงค์
- Orcaใหม่OrcaCyber: GLM 5.3 Flash Abliterated2026-10-2787 tok/s
- Orcaใหม่OrcaCyber: Qwen3.8 Flash Next Abliterated2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 292 tok/s
- Orcaใหม่OrcaCyber: MiMo V2.6 Flash Abliterated2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 80 tok/s
- Moonshotใหม่MoonshotAI: Kimi K3.1 Pro2026-10-2455ความฉลาด
- Orcaใหม่OrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 119 tok/s
- minimaxใหม่MiniMax: M3.1 Flash2026-10-1943ความฉลาด
- Orcaใหม่Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 44 tok/s
- deepseekใหม่DeepSeek: DeepSeek V4.1 Flash 10172026-10-1745ความฉลาด
- DeepSeekใหม่DeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 112 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 701 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2138ความฉลาด
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2146ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 160 tok/s
วางไฟล์ดาวน์โหลดทั้งสองไว้เคียงกัน แล้วความแตกต่างแรกที่เห็นก็ไม่ใช่ตัวเลขเบนช์มาร์ก LFM3-1.7B-Base ซึ่งเผยแพร่บน Hugging Face เมื่อวันที่ 26 ตุลาคม 2026 และถูกระบุชื่อในงานเปิดตัวตระกูลโมเดลของ Liquid AI ในวันถัดมา เป็นไฟล์ bfloat16 ขนาด 3.46 GB ที่บรรจุโมเดลข้อความที่ผ่านการฝึกมาก่อนแล้วซึ่งมีพารามิเตอร์ 1.73 พันล้านตัว Gemma 4 12B ซึ่ง Google DeepMind เปิดตัวเมื่อวันที่ 3 มิถุนายน 2026 เป็นโมเดล dense ที่มีพารามิเตอร์ 11.95 พันล้านตัว มาพร้อมการปรับแต่งด้วยคำสั่ง บริบท 256K และความสามารถในการอ่านภาพและเสียงรวมถึงข้อความ ตัวหนึ่งเป็นองค์ประกอบ อีกตัวหนึ่งเป็นผลิตภัณฑ์ การเปรียบเทียบทั้งสองในด้านความสามารถถือเป็นข้อผิดพลาดเชิงหมวดหมู่ และการเปรียบเทียบในด้านราคาต่อโทเคนก็แย่พอ ๆ กัน เพราะเช็กพอยต์ฐานไม่มีราคาต่อโทเคน — แต่มีบิลค่าปรับแต่งโมเดล การกำหนดเส้นทางไม่ได้เพิ่มส่วนต่างกำไรให้กับราคาตามรายการของผู้ให้บริการ มาร์กอัป 0% ดูราคาแบบส่งผ่านได้ที่หน้าราคาของเรา
การเปรียบเทียบนี้ยังคงคุ้มค่าที่จะได้พื้นที่อยู่ดี เพราะทั้งสองเป็นโมเดลแบบเปิดน้ำหนัก (open-weight) ที่ทีมเล็กอาจดาวน์โหลดได้ในสัปดาห์นี้ด้วยเหตุผลพื้นฐานเดียวกัน นั่นคือพวกเขาต้องการโมเดลที่ตนเองควบคุมได้ บนฮาร์ดแวร์ที่ตนเองเป็นเจ้าของ โดยไม่มีสัญญาต่อการเรียกใช้แต่ละครั้ง คำถามที่มีประโยชน์คือสินทรัพย์แบบไหนที่จะพาคุณไปถึงจุดนั้น — ลำต้นเล็ก ๆ ที่คุณปั้นแต่งเอง หรือผู้เชี่ยวชาญทั่วไปขนาดใหญ่ที่คุณนำมาใช้
การเปรียบเทียบ benchmark ที่ไม่อาจทำได้
LFM3-1.7B-Base ไม่มีการประเมินที่เผยแพร่ ไม่ใช่แบบบางๆ ไม่ใช่ตารางจากผู้ขายที่มีเครื่องหมายดอกจัน — ไม่มีเลย การ์ดโมเดลให้ข้อมูลจำเพาะและคู่มือการปรับแต่งละเอียด และโพสต์เปิดตัวของ Liquid มีตาราง Benchmark ขนาดใหญ่สำหรับ LFM3-1.7B ซึ่งเป็นโมเดลพี่น้องที่ผ่าน post-training ซึ่งสร้างจากเช็กพอยต์นี้ สิ่งเหล่านี้เป็นอาร์ติแฟกต์ที่แตกต่างกัน โมเดลฐานทำนายข้อความ โมเดลที่ผ่าน post-training ทำตามคำสั่ง การให้คะแนนโมเดลแรกบน Benchmark สำหรับคำสั่งบอกคุณเกี่ยวกับโมเดลที่สอง
ในทางกลับกัน Gemma 4 12B มาพร้อมตารางข้อมูลเต็มรูปแบบของครอบครัวสำหรับ checkpoint ที่ปรับแต่งด้วยคำสั่ง ได้แก่ 77.2% บน MMLU Pro, 78.8% บน GPQA Diamond, 77.5% บน AIME 2026 โดยไม่ใช้เครื่องมือ, 72.0% บน LiveCodeBench v6, ค่า Elo บน Codeforces ที่ 1659, 69.1% บน MMMU Pro และ 43.4% บน MRCR v2 ที่ 128K พร้อมเข็มแปดอัน ตัวเลขทั้งหมดเหล่านั้นเป็นข้อมูลของ Google เอง และไม่มีตัวใดได้รับการทำซ้ำอย่างอิสระ นอกจากนี้ Artificial Analysis ยังจัดให้ Gemma 4 12B อยู่ที่ Intelligence Index ที่ 14 โดยอยู่ในอันดับที่ 20 จาก 141 โมเดลในชั้นการเปรียบเทียบเดียวกัน พร้อมความเร็วเอาต์พุตที่วัดได้ 110.9 โทเคนต่อวินาที
ดังนั้นกระดานคะแนนที่ตรงไปตรงมาจึงมีคอลัมน์ที่มีข้อมูลอยู่หนึ่งคอลัมน์และคอลัมน์ว่างหนึ่งคอลัมน์ และคอลัมน์ว่างนั้นไม่ใช่ความล้มเหลวของโมเดล มันคือสิ่งที่เช็กพอยต์ฐานเป็น ใครก็ตามที่เอาค่า 49.37 — ค่าเฉลี่ยของ Liquid เองสำหรับ LFM3-1.7B ที่ผ่านการปรับแต่ง — ไปวางข้าง MMLU Pro ของ Gemma กำลังเปรียบเทียบชุดทดสอบที่แตกต่างกันสองชุด โมเดลที่แตกต่างกันสองตัว และระดับการปรับแต่งที่แตกต่างกันสองระดับ
แต่ละ checkpoint จริง ๆ แล้วมีไว้เพื่ออะไร
LFM3-1.7B-Base ถูกสร้างขึ้นมาเพื่อให้ถูกเปลี่ยนแปลง การ์ดของ Liquid ระบุว่าแนะนำให้ใช้เฉพาะกับการ fine-tuning แบบหนักเท่านั้น — ผู้ช่วยเฉพาะภาษา ผู้ช่วยเฉพาะโดเมน การฝึกกับข้อมูลที่เป็นกรรมสิทธิ์ แนวทาง post-training แบบใหม่ — และแนะนำให้ผู้ที่ต้องการแชทหรือใช้เครื่องมือไปใช้โมเดลที่ผ่านการปรับแต่งแทน โมเดลนี้ถูก pre-train ด้วย 22 ล้านล้านโทเค็น โดย 3.5 ล้านล้านโทเค็นสุดท้ายเป็นข้อมูล mid-training ที่คัดสรรแล้วซึ่งมี agentic traces และการเรียกเครื่องมือ และขั้นตอนนั้นได้ขยายบริบทไปถึง 262,144 โทเค็น เมื่อใช้ 4-bit จะกินพื้นที่ประมาณ 1 GB ซึ่งเป็นเหตุผลด้านการออกแบบทั้งหมด: แกนกลางที่เล็กพอจะ fine-tune บน GPU ตัวเดียวและรันบนโทรศัพท์ได้
Gemma 4 12Bถูกสร้างขึ้นเพื่อให้ถูกนำไปใช้ เป็นสมาชิกแบบ dense ขนาดกลางในตระกูล Gemma 4 ห้ารุ่นของ Google โดยไม่มีตัวเข้ารหัสมัลติโมดัลแยกต่างหาก แพตช์ภาพและรูปคลื่นเสียงถูกฉายโดยตรงเข้าสู่พื้นที่เดียวกับโทเคนข้อความ มันทำงานบนแล็ปท็อปที่หน่วยความจำประมาณ 7 GB ด้วยการควอนไทซ์ 4 บิต ใช้สัญญาอนุญาต Apache 2.0 โดยไม่มีเงื่อนไขเกี่ยวกับรายได้ และมีการสนับสนุนระบบนิเวศแบบที่โมเดลอายุหกเดือนสะสมมา ได้แก่ บิลด์ที่ควอนไทซ์แล้ว การผสานรวมกับเฟรมเวิร์ก และชุมชนที่ค้นพบโหมดความล้มเหลวของมันแล้ว
หกความแตกต่างที่ชี้ขาด
• พารามิเตอร์ — แบบ dense ขนาด 1.73B เทียบกับแบบ dense ขนาด 11.95B อัตราส่วนขนาดอยู่ที่ 6.9 ต่อ 1 และเป็นตัวกำหนดทุกอย่างที่ตามมา ทั้งหน่วยความจำ ต้นทุนในการปรับแต่งละเอียด ความเร็วในการอนุมาน และเพดานขององค์ความรู้ทั่วไป
• รูปแบบข้อมูล — ข้อความเข้า ข้อความออก สำหรับ LFM3-1.7B-Base ส่วนข้อความ รูปภาพ และเสียงเข้า ข้อความออก สำหรับ Gemma 4 12B เช็กพอยต์ฐานไม่สามารถมองเห็นภาพหน้าจอได้ และการไฟน์ทูนไม่ว่าจะมากเพียงใดก็ไม่อาจเพิ่มวิชันเอนโคเดอร์ที่ไม่เคยผ่านการฝึกได้
• บริบท — ทั้งคู่มี 262,144 โทเค็น นี่คือแถวเดียวที่โมเดลเล็กไม่ได้เป็นรองเลย และเป็นความสำเร็จที่แท้จริงของสถาปัตยกรรมไฮบริด ไม่ใช่ความบังเอิญทางการตลาด
• ภาษา — มีสิบหกรายการที่ระบุไว้สำหรับ LFM3-1.7B-Base รวมถึงภาษาอาหรับ ฮินดี ไทย เวียดนาม และอินโดนีเซีย Gemma 4 12B ได้รับการฝึกล่วงหน้าบนภาษามากกว่า 140 ภาษา โดยอ้างว่ารองรับพร้อมใช้งานมากกว่า 35 ภาษา ซึ่งเป็นขอบเขตที่กว้างกว่ามากและเป็นข้อได้เปรียบที่แท้จริงสำหรับการปรับใช้หลายภาษา
• คำศัพท์ — 128,000 โทเคนสำหรับ LFM3-1.7B-Base และ 262,000 โทเคนสำหรับ Gemma 4 12B คำศัพท์ที่ใหญ่กว่าจะบีบอัดข้อความได้แน่นกว่าในภาษาที่ใช้อักษรละตินและในโค้ด ส่วนคำศัพท์ที่เล็กกว่าจะช่วยให้เมทริกซ์ embedding มีขนาดเล็ก ซึ่งสำคัญเมื่อทั้งโมเดลมีขนาด 3.46 GB
• สัญญาอนุญาต — LFM Open License v1.0 ใช้งานเชิงพาณิชย์ได้ฟรีเมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐฯ และต้องมีสัญญาอนุญาตเชิงพาณิชย์เมื่อรายได้เกินเกณฑ์ดังกล่าว Gemma 4 12B ใช้ Apache 2.0 โดยมีข้อกำหนดการใช้งานที่ยอมรับได้ของ Google มาพร้อมกับน้ำหนักโมเดล แทนที่จะเป็นเงื่อนไขด้านรายได้
หมายเลขชุดเดียวกันเพียงหมายเลขเดียว และเหตุใดจึงไม่สามารถโอนย้ายได้
มีอยู่จุดเดียวเท่านั้นที่ Liquid เผยแพร่คะแนนเทียบกับ Gemma 4 12B บนชุดการประเมินเดียวกัน และจุดนั้นเกี่ยวข้องกับโมเดลอื่น จากเบนช์มาร์กด้านวิชัน 62 รายการ Liquid รายงานว่า LFM3-VL-2B ซึ่งเป็นโมเดลวิชันขนาด 1.9B ของตน ได้ 66.0 ในหมวดทั่วไปของชุดการประเมิน เทียบกับ 74.0 ของ Gemma 4 12B ในส่วนอื่นของตารางเดียวกัน โมเดลที่เล็กกว่ามีคะแนนใกล้เคียงกว่า และบทสรุปของ Liquid คือโมเดลวิชันนี้ "เทียบได้" กับ Gemma 4 12B แม้จะมีขนาดเล็กกว่ามากกว่าหกเท่า
อ่านตารางแทนที่จะอ่านประโยค แล้วคุณจะเห็นสิ่งที่แม่นยำกว่า: โมเดลมัลติโมดัลขนาด 1.9B ทำคะแนนได้ห่างจากโมเดลมัลติโมดัลขนาด 12B ไม่เกินแปดจุดในชุดทดสอบวิสัยทัศน์ที่กว้างขวาง และช่องว่างนั้นไม่เท่ากันในแต่ละหมวดหมู่ หากอ่านเป็นข้อความเกี่ยวกับ LFM3-1.7B-Base แล้วล่ะก็ ข้อความนั้นไม่ได้บอกอะไรเลย checkpoint ฐานแบบข้อความไม่มี vision tower และไม่ได้ถูกประเมินบน benchmark เหล่านั้นเลย ข้อกล่าวอ้างนี้เป็นของโมเดลพี่น้อง และมันเป็นการสลับที่มาของข้อมูลแบบหนึ่งซึ่งทำให้การเปรียบเทียบที่รอบคอบกลายเป็นการเปรียบเทียบที่ชวนเข้าใจผิด
12B generalist มีมูลค่าเป็นเงินเท่าไหร่
Gemma 4 12B มีราคาตลาดเพราะมีบุคคลภายนอกให้บริการ Artificial Analysis รายงานค่ามัธยฐานแบบผสมที่ 0.10 ดอลลาร์ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และ 0.30 ดอลลาร์ต่อโทเค็นเอาต์พุตหนึ่งล้านโทเค็น ในแพลตฟอร์มที่โฮสต์น้ำหนักแบบเปิด ซึ่งเป็นค่ามัธยฐานจากผู้ให้บริการหลายราย ไม่ใช่ราคาที่ประกาศไว้ และเป็นตัวเลขที่จะเปลี่ยนแปลงเมื่อฝั่งอุปทานเปลี่ยนไป ราคานี้ถูกพอที่ทีมส่วนใหญ่จะไม่คิดจะรันมันเองเลย
LFM3-1.7B-Base ไม่มีราคาดังกล่าวเพราะเป็นโมเดลที่ไม่ได้ให้บริการ ต้นทุนของมันคือการรัน fine-tuning ไปป์ไลน์ข้อมูล และสแต็กการให้บริการ และตัวเลขเหล่านี้แตกต่างกันมากกว่าหนึ่งลำดับขนาด ขึ้นอยู่กับสิ่งที่คุณกำลังสร้าง จุดขายของ Liquid คือการรันพอดีกับ GPU ตัวเดียวและผลลัพธ์พอดีในประมาณหนึ่งกิกะไบต์ ซึ่งเป็นจริงสำหรับโมเดลและไม่ได้บอกอะไรเกี่ยวกับต้นทุนของข้อมูลที่มีป้ายกำกับ การ fine-tune โมเดลเฉพาะทางไม่ได้ถูกกว่าการเรียก API ของโมเดลทั่วไป เว้นแต่คุณมีข้อมูลอยู่แล้ว หากมี คุณจะถูกกว่าอย่างมากในปริมาณมาก
นี่คือจุดที่เลเยอร์การกำหนดเส้นทางพิสูจน์คุณค่าของตัวเอง OrcaRouter ส่งต่อราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% ดังนั้นการลดราคาของผู้ขายจึงมีผลในวันเดียวกันแทนที่จะต้องรอรอบการปรับราคา และคีย์เดียวกันเข้าถึงโมเดลได้มากกว่า 200 โมเดลพร้อมการสลับสำรองอัตโนมัติ รูปแบบที่ใช้ได้จริงสำหรับทีมที่กำลังชั่งน้ำหนักการตัดสินใจนี้ คือเก็บโมเดลทั่วไปไว้บนเส้นทางที่กำหนดเส้นทางไว้ในขณะที่กำลังประเมินโมเดลเฉพาะทางที่ผ่านการฟাইনทูน แล้วค่อยย้ายทราฟฟิกเมื่อฟাইনทูนชนะบนชุดทดสอบที่คุณกันไว้เอง ไม่ใช่ค่าเฉลี่ยของผู้ขาย
ผู้ซื้อสามราย คำตอบสามแบบ
คุณมีข้อมูลเฉพาะขององค์กรและงานที่มีขอบเขตแคบลองใช้ LFM3-1.7B-Base ดู แกนหลักขนาด 1.73B นั้นเล็กพอที่จะ fine-tune บน GPU ตัวเดียว บริบท 256K ยังคงอยู่หลังการ fine-tune และคลังคำศัพท์ 16 ภาษาครอบคลุมการติดตั้งใช้งานในภูมิภาคส่วนใหญ่ Gemma 4 12B ก็ fine-tune ได้เช่นกัน แต่คุณจะต้องจ่ายเพื่อฝึกความสามารถนั้นใหม่ ทั้งที่กำลังจะทำให้มันเชี่ยวชาญเฉพาะทางจนตัดทิ้งไป
คุณต้องมีโมเดลที่ใช้งานได้ภายในบ่ายนี้ ลองใช้ Gemma 4 12B ดูสิ เช็กพอยต์ฐานไม่สามารถตอบคำถามได้ ส่วนโมเดลพี่น้องที่ผ่านการปรับแต่งก็เป็นการดาวน์โหลดอีกชุดหนึ่งพร้อมประเด็นเรื่องสัญญาอนุญาตที่แตกต่างออกไป Gemma 4 12B ผ่านการปรับแต่งตามคำสั่ง รองรับหลายรูปแบบ มีเอกสารประกอบ และมีจำหน่ายในราคามัธยฐานที่ประกาศไว้ เวลาที่ใช้กว่าจะได้คำตอบแรกนั้นวัดกันเป็นนาที
คุณต้องมีทั้งสองอย่าง นี่คือกรณีที่พบได้บ่อย และเป็นกรณีที่กรอบความคิดนี้ปิดบังไว้ ลองปรับแต่ง (fine-tune) โครงหลักสำหรับงานที่แคบและมีปริมาณสูง แล้วส่งทุกอย่างที่เหลือไปยังโมเดลอเนกประสงค์ ทั้งสองอย่างไม่ใช่สิ่งทดแทนกันในระดับสถาปัตยกรรม และการมองว่าการตัดสินใจนี้เป็นการเลือกได้เพียงอย่างเดียว คือสาเหตุที่ทำให้ทีมต่าง ๆ ต้องจ่ายเกินความจำเป็นสำหรับผู้เชี่ยวชาญ หรือไม่ก็ให้บริการบางกรณีการใช้งานได้ไม่เต็มที่ ซึ่งเป็นสิ่งที่โมเดลขนาดเล็กของพวกเขาไม่เคยได้รับการฝึกมาเพื่อรองรับ
ใบอนุญาตคือประเด็นที่ถูกมองข้าม
Apache 2.0 คือเหตุผลที่หลายบริษัทหยุดอ่านตั้งแต่สัญญาอนุญาตของ Gemma ไม่มีเกณฑ์รายได้ ไม่มีเงื่อนไขที่กระตุ้นให้ต้องขอใบอนุญาตเชิงพาณิชย์ และไม่ต้องเจรจา — คุณเป็นเจ้าของน้ำหนักโมเดลที่จะแก้ไขและให้บริการได้ ภายใต้นโยบายการใช้งานที่ยอมรับได้ของ Google สัญญาอนุญาต LFM Open License v1.0 ของ Liquid ก็เปิดกว้างในระดับเล็กเช่นกัน แต่กำหนดเกณฑ์รายได้ต่อปีที่ 10 ล้านดอลลาร์ ซึ่งหากเกินกว่านั้นจะต้องใช้สัญญาอนุญาตเชิงพาณิชย์ สำหรับสตาร์ทอัพ ความแตกต่างนี้เป็นเพียงทฤษฎี แต่สำหรับหน่วยธุรกิจในบริษัทขนาดใหญ่ มันคือการเจรจาจัดซื้อจัดจ้างที่เริ่มต้นก่อนการ fine-tune ครั้งแรกจะเกิดขึ้นด้วยซ้ำ
อะไรจะเปลี่ยนคำตอบ
หลักฐานสองชิ้นจะทำให้การเปรียบเทียบนี้เปลี่ยนจากข้อโต้แย้งเชิงหมวดหมู่ไปสู่ข้อโต้แย้งเชิงตัวเลข อย่างแรกคือการประเมินโมเดลฐานจาก Liquid แม้จะเป็นเพียงการประเมินขนาดเล็กบนคลังข้อมูลที่แยกเก็บไว้สำหรับทดสอบ ซึ่งช่วยให้ผู้อ่านตัดสินได้ว่า 22 ล้านล้านโทเคนและสแต็กไตรไฮบริดให้จุดเริ่มต้นที่ดีกว่า LFM2.5-2.6B-Base หรือไม่ อย่างที่สองคือการไฟน์ทูนแบบอิสระของ LFM3-1.7B-Base บนงานสาธารณะ โดยรายงานเทียบกับ Gemma 4 12B ซึ่งเป็นเส้นฐาน ทั้งสองยังไม่มีอยู่จริง และโพสต์เปิดตัวก็ไม่ได้ให้คำมั่นว่าจะมี
จนกว่าพวกเขาจะทำ การตัดสินใจจึงขึ้นอยู่กับสิ่งที่คุณกำลังซื้อ มากกว่าว่ารุ่นไหนจะดีกว่า: โมเดล trunk ขนาด 3.46 GB ที่ไม่มีคะแนนและไม่มีการปรับแต่งด้วยคำสั่ง หรือโมเดลอเนกประสงค์ขนาด 12B พร้อมตารางตัวเลขจากผู้จำหน่ายครบถ้วนและสัญญาอนุญาตที่คุณไม่ต้องกลับมาทบทวนอีก นั่นไม่ใช่การตัดสินใจที่สูสีกันในแง่ความสามารถ แต่สูสีกันในแง่ความเหมาะสม และคอลัมน์ว่างในกระดานคะแนนคือสิ่งที่ตรงไปตรงมาที่สุดบนหน้านี้
