"3B พารามิเตอร์ที่ทำงานจริง" ของ MiniCPM-V 4.7 ไม่ได้ระบุไว้ในโมเดลการ์ด — ผมวัดมันจากค่าถ่วงน้ำหนักด้วยตัวเอง

ตัวเลขที่ถูกพูดถึงมากที่สุดเกี่ยวกับ MiniCPM-V 4.7 35B-A3B ไม่ได้ถูกพิมพ์ไว้ที่ไหนเลยในเอกสารของมันเอง ข้อกล่าวอ้าง — "มีพารามิเตอร์ที่แอ็กทีฟเพียง 3B (!) — รันได้แม้บน iPhone" — มาจากโพสต์ของบุคคลที่สามเมื่อวันที่ 13 ตุลาคม 2026 และการ์ดโมเดล README ของรีโพซิทอรี และบันทึกการเปิดตัวของผู้ขาย ไม่ได้ระบุตัวเลขพารามิเตอร์ที่แอ็กทีฟไว้เลยด้วยซ้ำ นั่นไม่ใช่การวิจารณ์ข้อกล่าวอ้างมากนัก แต่เป็นช่องว่างที่ควรปิดให้ได้: checkpoint เก็บคำตอบของตัวเองไว้อยู่แล้ว ดังนั้น ก่อนสิ่งอื่นใดในที่นี้ ผมดึงดัชนี safetensors และเฮดเดอร์ของทุกชาร์ดสำหรับ openbmb/MiniCPM-V-4.7-35B-A3B ออกมาและนับดู สำหรับการเปรียบเทียบ โมเดลอีกตัวในโพสต์เดียวกัน — Qwen3.8-27B ซึ่งเปิดตัวเมื่อวันที่ 13 สิงหาคม 2026 — เป็นโมเดล dense 27B และไม่มีความกำกวมแบบนี้ให้ต้องไข: พารามิเตอร์ทุกตัวแอ็กทีฟในทุกโทเคน คำถามที่น่าสนใจคือ "3B แอ็กทีฟ" จะทนต่อการสัมผัสกับเวตได้หรือไม่ และคำตอบคือ: มันทนได้ แต่เฉพาะเมื่อคุณนิยามคำว่า "แอ็กทีฟ" แบบที่ผู้ขายนิยาม และตัวเลขที่ซื่อสัตย์จะใกล้เคียง 4B มากกว่า เมื่อคุณนับส่วนที่คุณหลีกเลี่ยงไม่ได้ต้องรัน

บัญชีแยกประเภท ซึ่งอ่านจากตัวเช็กพอยต์เอง

ไฟล์ index แสดงรายการ 40 เลเยอร์ภาษา บวกกับ vision tower และ projector รวมพารามิเตอร์ 35,212,875,824 ตัวใน BF16 — น้ำหนัก 70.43 GB ที่ต้องดาวน์โหลด ซึ่งตรงกับ "35B" ในชื่อ คำถามของ MoE คือสัดส่วนเท่าใดของจำนวนนั้นที่ถูกแตะต้องต่อโทเคน:

• จัดเก็บทั้งหมด — 35.21B พารามิเตอร์, 70.43 GB ที่ BF16 ทุก expert อยู่บนดิสก์ไม่ว่าจะถูกใช้งานหรือไม่ก็ตาม

• งบประมาณของ Router — เลือกผู้เชี่ยวชาญ 8 รายต่อโทเคน จากทั้งหมด 256 ราย ต่อเลเยอร์ MoE กำหนดค่าใน config.json เป็น num_experts_per_tok: 8 ผู้เชี่ยวชาญแต่ละรายมีขนาดเล็ก โดยมีพารามิเตอร์ 3.15 ล้านตัว

• เส้นทาง MoE ต่อเลเยอร์ — ผู้เชี่ยวชาญ 8 ตัว (25.17M) + ผู้เชี่ยวชาญที่ใช้ร่วมกัน 1 ตัว (3.15M) + เกตเราเตอร์ (0.52M) ≈ 28.83M

• เส้นทาง Attention ต่อเลเยอร์ — สถาปัตยกรรมเป็นแบบไฮบริด: 30 จาก 40 เลเยอร์ใช้ linear attention (เลเยอร์ละ 33.72M), 10 เลเยอร์ใช้ full attention (เลเยอร์ละ 27.26M) รวม ≈ 2.44B จากทั้ง 40 เลเยอร์สำหรับ attention บวกการคำนวณ MoE ซึ่งทำซ้ำต่อโทเค็น

• บวกกับสิ่งที่คุณข้ามไม่ได้ — การฝังโทเคน 508.2M, หัว LM 508.2M, วิชันทาวเวอร์ 522.3M, โปรเจกเตอร์ 30.7M

• คำตอบสองข้อที่สามารถให้เหตุผลปกป้องได้ — ~2.44B active เฉพาะบนเส้นทาง attention-and-MoE เท่านั้น; ~4.01B หากคุณนับ embeddings, output head, vision tower และ projector ซึ่งคำขอแบบ vision ได้เรียกใช้งานจริง

ดังนั้น "3B active" จึงไม่ผิด มันคือการปัดเศษ 2.44B ขึ้น และมันตกอยู่ในช่องว่างระหว่างตัวเลขสองตัวข้างบน เพียงแต่มันไม่ใช่ตัวเลขที่ OpenBMB เผยแพร่ และมันไม่ใช่สิ่งเดียวกันกับคำต่อท้าย "A3B" — คำต่อท้ายนั้นเป็นส่วนหนึ่งของชื่อโมเดล และเอกสารของทางผู้ขายเองก็ไม่เคยเปลี่ยนมันให้กลายเป็นหน่วยวัด

ทำไมคำต่อท้ายกับตัวเลขถึงไม่ใช่สิ่งเดียวกัน

ธรรมเนียมการตั้งชื่อทั่วระบบนิเวศ open-weights สื่อถึงจำนวนพารามิเตอร์ที่ใช้งานจริง: โมเดลที่ชื่อ 30B-A3B หรือ 235B-A22B กำลังบอกคุณว่ามันเปิดใช้งานพารามิเตอร์ประมาณนั้นต่อโทเคน นัยที่สื่อออกมานั้นโดยทั่วไปเชื่อถือได้ — แต่มันเป็นเพียงธรรมเนียมปฏิบัติ ไม่ใช่สัญญา และ MiniCPM-V 4.7 เป็นกรณีที่ไม่มีสิ่งใดในการ์ด README หรือโพสต์เปิดตัวแปลง "A3B" ให้เป็นตัวเลขที่คุณใช้วางแผนหน่วยความจำได้ จนกว่าจะมีคนนับ คำต่อท้ายก็เป็นเพียงป้ายกำกับ

การนับข้างต้นเป็นการคำนวณทางคณิตศาสตร์ ไม่ใช่การอนุมานจากป้ายกำกับนั้น นี่ก็เป็นเหตุผลที่ตัวเลข ~2.44B และ ~4.01B ต่างกัน: การจะนับตาราง embedding และ output head หรือไม่นั้นเป็นการตัดสินใจจริง ไม่ใช่การถกเถียงเรื่องหยุมหยิม ในโมเดลแบบ dense นั้น embedding เป็นเพียงส่วนเล็ก ๆ ของงบ 27B ในโมเดลแบบ sparse ที่เส้นทางการคำนวณต่อโทเคนมีพารามิเตอร์เพียงไม่กี่พันล้าน ตาราง embedding ขนาด 508M และ LM head ขนาด 508M ก็ไม่ใช่ส่วนที่มองข้ามได้อีกต่อไป — เมื่อรวมกันแล้วคิดเป็นประมาณหนึ่งในห้าของเส้นทาง active และพวกมันถูกจัดเก็บที่ความกว้างเต็ม ขณะที่ experts ถูกควอนไทซ์

ผลลัพธ์หนึ่งที่ควรพูดอย่างตรงไปตรงมา: อัตราส่วนของพารามิเตอร์ที่จัดเก็บต่อพารามิเตอร์ที่ใช้งานตรงนี้อยู่ที่ประมาณ 8.8 ต่อ 1 ภายใต้การตีความแบบแคบ นั่นคือเหตุผลทั้งหมดที่โมเดล 35B สามารถถูกนำเสนอเป็นโมเดลสำหรับมือถือได้ และก็เป็นเหตุผลด้วยว่าทำไมมันจึงไม่ใช่โมเดลสำหรับมือถือในแบบที่โมเดล dense ขนาด 3B เป็น การจัดเก็บไม่ได้ลดลงเมื่อเราเตอร์ไม่สนใจ expert ตัวหนึ่ง

ข้อเรียกร้องเกี่ยวกับ iPhone เป็นข้อเรียกร้องแยกต่างหากที่มีฐานหลักฐานแยกต่างหาก

ข้อมูลที่เป็นรูปธรรมทั้งหมดเกี่ยวกับประสิทธิภาพบนอุปกรณ์ในรุ่นนี้มาจากการรายงานของผู้จำหน่ายและยังไม่ได้รับการทำซ้ำ ตัวเลขเฉพาะคือ 13+ โทเคนต่อวินาที ที่หน่วยความจำประมาณ 3 GB บน iPhone 17 Pro Max โดยมีเช็กพอยต์เดียวกันที่สาธิตบน iPad M4 OpenBMB อธิบายว่ามาจากสามเทคนิคที่ทำงานร่วมกัน — Lookahead Expert Scheduling ซึ่งคาดการณ์การจัดเส้นทางข้ามเลเยอร์และดึงผู้เชี่ยวชาญล่วงหน้า การควอนไทซ์แบบละเอียดทีละเลเยอร์ และ DSpark speculative sampling — และอธิบายผลลัพธ์ว่าเป็นโมเดล MoE โอเพนซอร์สตัวแรกที่ทำงานบนอุปกรณ์ได้อย่างราบรื่นโดยไม่สูญเสียความสามารถ ไม่มีการวัดอัตราทรูพุตนั้นอย่างเป็นอิสระในบันทึกสาธารณะ ไม่มีการทำซ้ำโดยบุคคลที่สาม และไม่มีการเผยแพร่รายละเอียดว่าตัวเลข 3 GB นั้นอิงกับการควอนไทซ์แบบใด

เรื่องนี้สำคัญด้วยเหตุผลเฉพาะเจาะจง: 3 GB คือตัวเลขที่ตัดสินว่าข้อกล่าวอ้างนั้นน่าสนใจสำหรับคุณหรือไม่ และเป็นตัวเลขที่เรารู้น้อยที่สุด โมเดล MoE ขนาด 35B ที่น้ำหนักของ expert ส่วนใหญ่อยู่บนที่จัดเก็บแบบแฟลชไม่ใช่โมเดลขนาด 3 GB แต่เป็นโมเดลที่ working set ซึ่งอยู่ในหน่วยความจำบังเอิญพอดีกับ 3 GB เมื่อการทำนาย routing, prefetch และแคช expert แบบควอนไทซ์ทั้งหมดทำงานของมัน นั่นคือสภาวะที่ throughput จาก benchmark กับ throughput ในโลกจริงแตกต่างกันพอดี — พรอมป์แรกทำให้แคชอุ่นขึ้น และพฤติกรรมที่ทำให้คุณได้ 13 tokens ต่อวินาทีในเดโมนั้นเป็นเรื่องของการจัดตารางเวลา ไม่ใช่คุณสมบัติของน้ำหนัก

ให้ถือว่า 13 โทเคนต่อวินาทีเป็นคำกล่าวอ้างเกี่ยวกับเทคนิค ไม่ใช่เกี่ยวกับเช็กพอยต์ สิ่งที่คุณตรวจสอบได้ในวันนี้คือเช็กพอยต์: จัดเก็บ 35.21B, จัดเส้นทางผู้เชี่ยวชาญ 8 จาก 256 รายต่อโทเคน, ใช้งานจริง ~2.44B ถึง ~4.01B ขึ้นอยู่กับว่าคุณนับอะไร, Apache-2.0, การควอนไทซ์ day-0 ใน GGUF, AWQ, GPTQ, int4 และ FP8 และรายชื่อผู้จำหน่ายชิปที่รองรับซึ่งรวมถึง Rockchip, Houmo, Intel, AMD และ Arm

สิ่งที่จำนวนที่ใช้งานกำหนดและไม่กำหนด

จำนวนพารามิเตอร์ที่ active เป็นตัวแทนเชิงการคำนวณ มันบอกคุณว่ามีการคูณเมทริกซ์เกิดขึ้นมากเพียงใดต่อโทเคน ซึ่งเทียบได้กับความเร็วที่การดีโค้ดที่ถูกจำกัดด้วย GPU ทำงาน มันไม่ได้บอกคุณว่าคุณต้องใช้หน่วยความจำเท่าใดในการเก็บโมเดล ซึ่งถูกกำหนดโดยจำนวนรวม — น้ำหนัก BF16 70.43 GB หรือประมาณหนึ่งในสี่ของจำนวนนั้นที่ 4-bit ก่อนที่คุณจะคำนึงถึง KV cache บนโมเดลที่รองรับบริบท 256K แคชนั้นก็ไม่ใช่ค่าที่เล็กจนมองข้ามได้เช่นกัน

• ความเร็วในการถอดรหัส — ถูกกำหนดโดยพารามิเตอร์ที่ใช้งานอยู่ (~2.44B–4.01B ที่นี่) นี่คือสิ่งที่คำกล่าวอ้าง 13 โทเคน/วินาทีหมายถึง

• หน่วยความจำที่คงอยู่ — ถูกกำหนดโดยจำนวนพารามิเตอร์ทั้งหมด (จัดเก็บไว้ 35.21B) จากนั้นถูกตัดทอนด้วยการควอนไทซ์และด้วยชุดผู้เชี่ยวชาญใดก็ตามที่ยังคงอยู่ในหน่วยความจำ

• การจัดเก็บและการโหลด — ถูกกำหนดโดยขนาดเต็ม 70.43 GB ที่ BF16 การกำหนดเส้นทางแบบสแปร์สไม่ได้ช่วยลดขนาดการดาวน์โหลด

• แบนด์วิดท์ ไม่ใช่ FLOPS — บนโทรศัพท์ ข้อจำกัดที่ผูกมัดคือการนำผู้เชี่ยวชาญผ่านบัสหน่วยความจำ ซึ่งเป็นเหตุผลว่าทำไมเทคนิคการจัดตารางเวลาจึงมีอยู่ และเป็นเหตุผลว่าทำไมการนับจำนวนที่ทำงานอยู่เพียงอย่างเดียวจึงไม่อาจทำนายความหน่วงบนมือถือได้เลย

ผลลัพธ์ในทางปฏิบัติ: ถ้าคุณมี GPU ที่มีหน่วยความจำมากพอจะเก็บน้ำหนักที่ควอนไทซ์แล้ว จำนวนที่ใช้งานอยู่จริง (active) คือสิ่งที่กำหนดอัตราการประมวลผลของคุณ และ "3B active" ก็เป็นเรื่องดี ถ้าคุณเป็นเหตุผลที่ทำให้วลี "รันบน iPhone" ปรากฏในโพสต์ จำนวนรวมคือตัวเลขที่ตัดสินความเป็นไปได้ และงานด้านการจัดตารางของผู้ขายคือส่วนที่ทำให้จำนวนรวมนั้นใช้งานได้จริง การตีความพาดหัวเดียวกันทั้งสองแบบนั้นถูกต้อง และมันไม่ใช่การตีความแบบเดียวกัน

การเปรียบเทียบในโพสต์นั้นต้องมีป้ายกำกับสองอัน ไม่ใช่หนึ่งอัน

กรอบความคิดที่ทำให้เรื่องนี้เป็นที่พูดถึงคือการเปรียบเทียบระหว่างฮาร์ดแวร์ในเครื่องกับฮาร์ดแวร์ราคาแพง: MiniCPM-V 4.7 35B-A3B ในฐานะโมเดลที่ให้ความสามารถเดียวกันโดยไม่ต้องใช้เครื่องสเปกสูง เทียบกับ Qwen3.8-27B ในฐานะโมเดลที่ฉลาดกว่าแต่ต้องใช้เครื่องสเปกสูง ครึ่งหนึ่งที่เกี่ยวกับความสามารถของเรื่องนั้นมาจากการ์ดโมเดลของ Qwen เอง และเป็นข้อมูลที่ผู้ขายรายงานเหมือนกับทุกอย่างในหน้านี้ ตัวเลขที่ Qwen เผยแพร่สำหรับ Qwen3.8-27B มี 90.3 บน LiveCodeBench v6, 89.2 บน GPQA Diamond, 84.3 บน OSWorld-Verified และ 79.0 บน QwenSWEBench และรายการในแคตตาล็อกของเราเองสำหรับโมเดลนี้ระบุว่าผลลัพธ์เหล่านั้นแข็งแกร่งเป็นพิเศษในด้านเอเจนต์และการเขียนโค้ดสำหรับโมเดลแบบ dense ขนาด 27B การที่มัน "ฉลาดกว่า Opus 4.6" เป็นข้ออ้างจากโพสต์โซเชียล และฉันไม่มีการประเมินอิสระใด ๆ ตรงหน้าฉันที่ยืนยันเรื่องนี้ได้ — ดังนั้นฉันจะไม่พูดซ้ำเป็นข้อเท็จจริง

ความแตกต่างเชิงโครงสร้างคือสิ่งที่ตรวจสอบได้จริง: Qwen3.8-27B เป็นแบบ dense ดังนั้นพารามิเตอร์ 27B ทั้งหมดจึงทำงานอยู่ และหน่วยความจำที่ใช้กับค่าใช้จ่ายในการคำนวณก็เป็นตัวเลขเดียวกัน ส่วน MiniCPM-V 4.7 35B-A3B แยกตัวเลขสองตัวนั้นออกจากกันประมาณเก้าเท่า นั่นคือข้อโต้แย้งเชิงสถาปัตยกรรมทั้งหมด และมันเป็นเรื่องจริง เพียงแต่มันไม่เหมือนกับการเปรียบเทียบ benchmark และโพสต์ที่ทำให้มันโด่งดังก็ผสมสองสิ่งนี้เข้าด้วยกัน

จุดที่เราเตอร์เปลี่ยนการตัดสินใจ และจุดที่มันไม่เปลี่ยน

มีสองสิ่งที่จริงอยู่ในนี้และคุ้มค่าที่จะแยกออกจากกัน เพราะมันชี้ไปในทิศทางที่ตรงข้ามกัน

ประการแรกก็คือ เราไม่ได้ให้บริการ MiniCPM-V 4.7 มันไม่อยู่ในแค็ตตาล็อกของเรา หากคุณต้องการมัน เส้นทางก็คือฮาร์ดแวร์ของคุณเอง — ซึ่งเป็นสิ่งที่รุ่นนี้ถูกออกแบบมาสำหรับพอดี โดยมีเวต การควอนไทซ์ และคู่มือการปรับใช้บนอุปกรณ์เผยแพร่มาพร้อมกับมัน ไม่มีส่วนใดของ API แบบโฮสต์ที่จะช่วยให้คุณรันโมเดลบนโทรศัพท์ได้ และการเสนอแนะเป็นอย่างอื่นจะเป็นการทำให้เข้าใจผิด

ประการที่สองคือ โมเดลที่ตัวนี้ถูกนำมาเปรียบเทียบด้วยไม่ได้อยู่ในตำแหน่งนั้น Qwen3.8-27B ใช้งานได้ผ่าน API ของเรา โดยโฮสต์เองบนโครงสร้างพื้นฐานของเราเอง ในราคา 0.33 ดอลลาร์ต่อโทเคนอินพุตหนึ่งล้านโทเคน และ 2.40 ดอลลาร์ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน หากคำถามที่คุณกำลังถามจริง ๆ คือ "ฉันจะแทนที่การเรียก Qwen3.8-27B ที่โฮสต์ไว้ด้วย MiniCPM-V 4.7 ที่ติดตั้งใช้งานในเครื่องดีไหม" คำตอบฉบับตรงไปตรงมาคือ คุณควรทดลองก่อนตัดสินใจ: ตัวเลขปริมาณงานบนอุปกรณ์นั้นยังไม่มีการทำซ้ำยืนยัน และการเปรียบเทียบขีดความสามารถก็เป็นเอกสารของอีกฝ่ายเอง นั่นคือสถานการณ์ที่ระบบ failover ถูกสร้างขึ้นมาเพื่อรองรับ — กำหนดเส้นทางให้ทราฟฟิกส่วนหนึ่งไปยังเส้นทางใหม่ เก็บเส้นทางที่พิสูจน์แล้วไว้ข้างหลัง และปล่อยให้สัปดาห์ที่ย่ำแย่มีค่าใช้จ่ายเพียงเศษเสี้ยวของภาระงาน ไม่ใช่ทั้งภาระงาน โมเดลที่บวกเพิ่ม 0% ยังทำให้การคำนวณซื่อตรงด้วย: เมื่อผู้ขายเปลี่ยนราคา ตัวเลขที่คุณจ่ายก็เปลี่ยนตามในวันเดียวกัน เพราะ ไม่มีชั้นกำไรคั่นอยู่ระหว่างราคาตามรายการของพวกเขากับใบแจ้งหนี้ของคุณ

สิ่งที่เราเตอร์ทำไม่ได้คือทำให้คำถามเรื่องโลคอลกับโฮสต์หายไป คำถามนี้ถูกตัดสินโดยฮาร์ดแวร์ของคุณ ข้อจำกัดด้านความเป็นส่วนตัวของคุณ และว่าการดาวน์โหลดขนาด 70 GB นั้นยอมรับได้หรือไม่ — และจำนวนพารามิเตอร์ที่ใช้งานอยู่ ไม่ว่าคุณจะปัดเศษอย่างไร ก็ไม่ได้เปลี่ยนทั้งสามข้อนี้

อะไรจะยุติเรื่องนี้ได้

สามสิ่ง โดยเรียงจากที่มีประโยชน์มากไปน้อย หนึ่ง ตัวเลข active-parameter ที่เผยแพร่โดย OpenBMB เพื่อให้ตัวเลขที่ทุกคนพูดซ้ำเลิกเป็นเพียงการคำนวณของบุคคลที่สาม — รวมทั้งของผมด้วย และของผมสามารถทำซ้ำได้จาก shard headers หากคุณไม่เห็นด้วยกับมัน สอง การวัด 13 tokens per second บนโทรศัพท์อย่างเป็นอิสระ พร้อมระบุการตั้งค่า quantisation เพราะตัวเลขที่ขึ้นกับ schedule โดยไม่มี settings ของมันไม่ถือเป็นข้อกำหนด สาม การประเมินจริงที่เปรียบเทียบ MiniCPM-V 4.7 35B-A3B กับ Qwen3.8-27B บนงานเดียวกัน เนื่องจากการเปรียบเทียบที่ทำให้โมเดลนี้เป็นที่จับตามอง ตอนนี้เป็นเพียงแผนภูมิของผู้จำหน่ายรายหนึ่งเทียบกับการ์ดของผู้จำหน่ายอีกรายหนึ่ง

จนถึงตอนนั้น สรุปที่ปลอดภัยก็ยังแคบกว่าโพสต์: เวตเป็นของจริง ความเบาบางเป็นของจริง ไฟล์ดาวน์โหลดมีขนาด 70.43 GB และต่อโทเคน โมเดลทำงานเทียบเท่าพารามิเตอร์ประมาณ 2.4 ถึง 4 พันล้านตัว ขึ้นอยู่กับว่าคุณนับส่วนที่คุณไม่สามารถกำหนดเส้นทางให้เลี่ยงได้อย่างไร นั่นเป็นผลลัพธ์ทางวิศวกรรมของแท้ แต่มันยังไม่ใช่ผลวัดบนมือถือจริง และยังไม่ใช่ชัยชนะในการเปรียบเทียบกับโมเดล dense 27B

ที่มา: พารามิเตอร์ จำนวนผู้เชี่ยวชาญ ประเภทเลเยอร์ ความยาวคอนเท็กซ์ และขนาดดาวน์โหลด ถูกอ่านโดยตรงจาก config.json และส่วนหัวของไฟล์ชาร์ด safetensors ของ openbmb/MiniCPM-V-4.7-35B-A3B เมื่อวันที่ 13 ตุลาคม 2026 ความเร็วบนอุปกรณ์ ตัวเลขหน่วยความจำ ผลการทดสอบ benchmark และตัวเลขการประเมินของ Qwen3.8-27B เป็นข้อมูลที่ผู้จำหน่ายรายงานและยังไม่มีการทำซ้ำ ข้อกล่าวอ้าง "3B active parameters" และ "smarter than Opus 4.6" มีต้นตอมาจากโพสต์โซเชียลของบุคคลที่สาม ไม่ได้มาจากผู้จำหน่ายฝ่ายใดเลย

ทั้งหมดนั้นไม่ใช่เรื่องสมมติ: ความล้มเหลวของ AI และเหตุการณ์ของเอเจนต์ที่ได้รับการบันทึกไว้ ซึ่งตัวเลขแบบนี้ถูกอ้างอิงถึง ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้งของตัวเอง