NVIDIA Nemotron Labs Dory 1.0 4B กับ LFM2.5 2.6B Base: ตัวหนึ่งเสร็จสมบูรณ์แล้ว ส่วนอีกตัวหนึ่งจงใจไม่ให้เสร็จ

NVIDIA Nemotron Labs Dory 1.0 4B และ LFM2.5-2.6B-Base ต่างก็เป็นโมเดลขนาดเล็ก ทั้งคู่รองรับเฉพาะข้อความ ทั้งคู่ดาวน์โหลดได้ในรูปแบบ GGUF และทั้งคู่เป็นโมเดลที่คุณรันเอง — และทั้งสองอยู่คนละสุดของไปป์ไลน์หลังการฝึก (post-training pipeline) Dory มาถึงแบบเสร็จสมบูรณ์แล้ว: ผ่าน supervised fine-tuning บนชุดข้อมูลที่ NVIDIA คัดสรร จากนั้นจึงทำ reinforcement learning แบบหลายสภาพแวดล้อมด้วย GRPO โดยเปิดการใช้เหตุผล (reasoning) ไว้ถาวรในเส้นทางการให้บริการ ส่วน LFM2.5-2.6B-Base มาถึงแบบจงใจให้ยังไม่เสร็จ ซึ่งระบุไว้ในคาร์ดของตัวเองว่าเป็นเช็กพอยต์พรีเทรนที่ "แนะนำเฉพาะสำหรับงานที่ต้อง fine-tune อย่างหนักเท่านั้น" Liquid AI ปล่อยเวอร์ชันสมบูรณ์ของโมเดลดังกล่าวแยกต่างหากในชื่อ LFM2.5-2.6B ซึ่งผ่าน post-training สำหรับงานเอเจนต์ ดังนั้นการวางกรอบอย่างตรงไปตรงมาจึงไม่ใช่ "โมเดลระดับ 4B ตัวไหนดีกว่า" เพราะเช็กพอยต์แบบ base กับโมเดลใช้เหตุผลที่เสร็จสมบูรณ์แล้วไม่ได้แข่งขันกันเพื่อตำแหน่งเดียวกันในสแต็กของคุณ คำถามที่มีประโยชน์คือคุณกำลังซื้อครึ่งไหนของไปป์ไลน์

แต่ละอาร์ติแฟกต์คืออะไรกันแน่

NVIDIA Nemotron Labs Dory 1.0 4B เป็นโมเดลแบบ dense ขนาด 4B ที่ NVIDIA เผยแพร่บน Hugging Face ในสี่รูปแบบการควอนไทซ์ — BF16, MXFP8, NVFP4 และไฟล์ส่งออก GGUF แบบ Q5_K_M — ภายใต้สัญญาอนุญาต OpenMDW 1.1 การ์ดของโมเดลประทับเวอร์ชันบิลด์ว่า "GA (10/16/2026)" และอธิบายสถาปัตยกรรมแบบ looped, latent-recurrent ว่าประกอบด้วยบล็อกอินพุต 8 เลเยอร์ บล็อกแบบ recurrent 20 เลเยอร์ที่ถูกนำมาใช้ซ้ำจำนวนครั้งแบบแปรผัน และบล็อกเอาต์พุต 8 เลเยอร์ พร้อมกลไก attention แบบไฮบริดที่สลับ sliding-window กับ full attention คอนเท็กซ์รองรับถึง 256K โทเค็น ภาษาใช้งานมีเฉพาะภาษาอังกฤษเท่านั้น และการเปิดตัวทั้งหมดนี้ถูกเผยแพร่ขึ้นโดยไม่มีประกาศใด ๆ จาก NVIDIA ประกอบ การ์ดระบุว่าโหมด reasoning เปิดอยู่เสมอในเส้นทางการให้บริการผ่าน vLLM ซึ่งเป็นข้อความที่บ่งบอกถึงเจตนาพอ ๆ กับกลไกการทำงาน: นี่ไม่ใช่ตัวทำนายข้อความดิบที่จะเติมต่อเอกสารของคุณให้สมบูรณ์ แต่เป็นโมเดลที่ตั้งค่าไว้ให้คิดก่อนตอบ

LFM2.5-2.6B-Base เป็นเช็กพอยต์พรีเทรนขนาด 2.69B ของ Liquid AI ซึ่งเผยแพร่ภายใต้สัญญาอนุญาต LFM ของบริษัทเอง (ติดแท็ก lfm1.0) และอัปเดตเมื่อกลางเดือนสิงหาคม 2026 มันเป็นเช็กพอยต์ดิบที่ส่วนที่เหลือของสาย 2.6B ถูกพัฒนามาจาก สถาปัตยกรรมเป็นการผสมผสานระหว่างบล็อก short-convolution แบบ double-gated จำนวน 22 บล็อก และเลเยอร์ grouped-query attention จำนวน 8 เลเยอร์ ฝึกบนโทเค็นราว 34 ล้านล้านโทเค็น โดยขยายบริบทระหว่างการฝึกไปถึง 128K บนคลังคำศัพท์ 128,000 โทเค็นและ 16 ภาษา การ์ดระบุกลุ่มเป้าหมายไว้อย่างชัดเจน: ผู้ช่วยเฉพาะโดเมน งานเฉพาะภาษา การฝึกบนข้อมูลที่เป็นกรรมสิทธิ์ ไม่มีพฤติกรรมเทมเพลตแชตให้พูดถึง เพราะไม่มีการปรับแต่งตามคำสั่งอยู่ในตัวมัน

ทั้งคู่เป็นแบบข้อความเข้า-ข้อความออก นั่นคือจุดที่ความคล้ายคลึงกันสิ้นสุดลงโดยประมาณ

การเปรียบเทียบข้อมูลจำเพาะ แบบเคียงข้างกัน

• พารามิเตอร์ — Dory 1.0 4B เป็นสแต็กแบบ dense ขนาด 4B ส่วน LFM2.5-2.6B-Base มีขนาด 2.69B ช่องว่างระหว่างทั้งสองเล็กกว่าที่ชื่อบ่งชี้ และทั้งคู่ก็รันได้อย่างสบายบนตัวเร่งความเร็วระดับผู้บริโภคเพียงตัวเดียวด้วยการควอนไทซ์ที่สมเหตุสมผล

• Post-training — Dory มี SFT บวก RL หลายสภาพแวดล้อม ครอบคลุมคณิตศาสตร์ โค้ด วิทยาศาสตร์ การปฏิบัติตามคำสั่ง การใช้เครื่องมือ และเอาต์พุตแบบมีโครงสร้าง LFM2.5-2.6B-Base ไม่มีเลย โดยการออกแบบ หากคุณต้องการโมเดลที่ปฏิบัติตามคำสั่งได้ทันที หนึ่งในนี้คือตัวเลือกที่ผิด และไม่ใช่ตัวที่มีพารามิเตอร์น้อยกว่า

• บริบท — Dory เข้าถึง 256K โทเค็น โดยมี 262,144 ตำแหน่งที่ผ่านการตรวจสอบใน vLLM ภายใต้คำสั่ง launch ที่ N​VIDIA จัดส่งมา LFM2.5-2.6B-Base รองรับ 131,072 โทเค็น ซึ่งเข้าถึงได้ผ่านการขยายความยาวระหว่างการฝึก หน้าต่างของ Dory นั้นใหญ่เป็นประมาณสองเท่า; ว่าคุณจะสามารถเติมมันให้เต็มได้หรือไม่นั้น ขึ้นอยู่กับพฤติกรรมของ KV-cache ที่จะกล่าวถึงด้านล่าง

• ภาษา — Dory รองรับเฉพาะภาษาอังกฤษ โดยมีข้อมูลพรีเทรนที่ครอบคลุมภาษาโปรแกรมมิ่ง 43 ภาษา LFM2.5-2.6B-Base ครอบคลุมภาษาธรรมชาติ 16 ภาษา ได้แก่ อังกฤษ อาหรับ จีน ฝรั่งเศส เยอรมัน อิตาลี ญี่ปุ่น เกาหลี โปรตุเกส สเปน เวียดนาม ไทย อินโดนีเซีย ฮินดี รัสเซีย และโปแลนด์ สำหรับสิ่งใดก็ตามที่อยู่นอกเหนือจากภาษาอังกฤษ มิตินี้จะตัดสินด้วยตัวเอง

• สถาปัตยกรรม — ไฮบริดแบบ short-convolution-plus-attention ทางฝั่ง Liquid; normalized-G​PT แบบ latent-recurrent ที่วนซ้ำพร้อม attention แบบ sliding-window ที่แทรกสลับทางฝั่ง N​VIDIA ทั้งสองเป็นการเบี่ยงเบนจากสแต็ก transformer ธรรมดา และเบี่ยงเบนไปในทิศทางที่ต่างกัน

• พฤติกรรมการคำนวณ — ความลึกของ Dory เป็นพารามิเตอร์ขณะรันไทม์ จำนวนลูป 1, 2 หรือ 4 จะแลกพลังการประมวลผลกับความแม่นยำโดยไม่ต้องมีเช็กพอยต์ที่สอง และ NVIDIA แนะนำให้ใช้ 2 เป็นค่าเริ่มต้น LFM2.5-2.6B-Base มีความลึกคงที่ คันโยกด้านต้นทุนของมันคือการควอนไทซ์ และในตระกูลที่กว้างขึ้น คือ speculative drafter

• สัญญาอนุญาต — OpenMDW 1.1 สำหรับ Dory และสัญญาอนุญาต LFM สำหรับเช็กพอยต์ Liquid ทั้งสองอนุญาตให้ใช้เชิงพาณิชย์ได้ สัญญาอนุญาต Liquid เป็นของบริษัทเอง ไม่ใช่ข้อความโอเพนซอร์สมาตรฐาน จึงควรอ่านด้วยตนเองมากกว่าจะสันนิษฐานเอา

• รูปแบบที่เผยแพร่ — Dory: BF16, MXFP8, NVFP4, GGUF. LFM2.5-2.6B-Base: น้ำหนัก BF16 บน Hub พร้อมบิลด์ GGUF, ONNX และ MLX ที่มีให้ใช้งานที่อื่นในตระกูลเดียวกัน ระบบนิเวศของ Liquid ครอบคลุมกว้างขวางกว่าในจุดนี้ ส่วนคลังของ Dory เพิ่งมีอายุเพียงไม่กี่ชั่วโมง

การปรับจูนละเอียดคือแกนที่แยกพวกเขาออกจากกัน

หากเหตุผลที่คุณกำลังพิจารณา LFM2.5-2.6B-Base คือคุณตั้งใจจะนำไปเทรนต่อ — ไม่ว่าจะเป็นผู้ช่วยเฉพาะโดเมน คลังข้อมูลเฉพาะองค์กร หรือภาษาที่โมเดลฐานพูดได้อยู่แล้ว — ถ้าอย่างนั้น Dory 1.0 4B ก็เป็นตัวแทนที่ด้อยกว่า ด้วยเหตุผลที่ไม่เกี่ยวกับคุณภาพเลย การ fine-tune โมเดล reasoning ที่ผ่าน post-training มาครบถ้วนให้ทำงานแคบ ๆ มักยากกว่าการ fine-tune checkpoint ฐาน เพราะคุณต้องต่อสู้กับพฤติกรรมที่ขั้นตอน RL ติดตั้งไว้ แทนที่จะปั้นตัวทำนายที่ยังว่างเปล่า การ์ดของ Liquid แนะนำให้ใช้ checkpoint ฐานสำหรับงานเฉพาะโดเมนและเฉพาะภาษา ด้วยเหตุผลนี้เอง และโทเคนก่อนการฝึก 34 ล้านล้านโทเคนครอบคลุม 16 ภาษาก็เป็นจุดเริ่มต้นที่กว้างกว่าโมเดลที่รองรับแค่ภาษาอังกฤษเท่านั้น

แต่การ์ดของ Dory กลับเงียบเรื่องการปรับแต่งละเอียด (fine-tuning) ในแบบที่ความเงียบนั้นเองก็ให้ข้อมูลบางอย่าง มันบันทึกไปป์ไลน์การฝึก เผยแพร่รูปแบบข้อมูล และให้คำแนะนำในการเสิร์ฟสำหรับสองเอนจิน แต่ไม่เอ่ยถึงอะแดปเตอร์ การรองรับ LoRA หรือสูตรการปรับแต่งละเอียดเลย นั่นคือลักษณะเฉพาะของเช็กพอยต์ที่เผยแพร่เพื่อนำไปเสิร์ฟ ไม่ใช่เพื่อนำไปฝึกต่อ การตีความว่าการไม่มีหลักฐานคือหลักฐานย่อมเป็นความผิดพลาด แต่ความไม่สมมาตรนี้ก็ควรค่าแก่การเอ่ยถึง: การ์ดใบหนึ่งนำเสนอตัวเองต่อนักปรับแต่งละเอียด ส่วนอีกใบนำเสนอตัวเองต่อผู้ที่นำไปติดตั้งใช้งาน

หมายเหตุความซื่อสัตย์อีกข้อเกี่ยวกับตัวเลข Liquid เผยแพร่ตารางการประเมินฉบับเต็มสำหรับ โมเดลที่ผ่านการฝึกภายหลัง (post-trained) LFM2.5-2.6B เทียบกับ Gemma 4 E2B และ E4B กับ Qwen3.5-4B และ 9B และตารางนั้นไม่สามารถนำไปใช้กับเช็กพอยต์ฐานได้ — โมเดลฐานที่ได้คะแนนจากเกณฑ์มาตรฐานการทำตามคำสั่ง ย่อมวัดสิ่งที่แตกต่างจากโมเดลที่ผ่านการฝึกภายหลังซึ่งได้คะแนนจากเกณฑ์มาตรฐานเดียวกัน NVIDIA เผยแพร่ตารางเกณฑ์มาตรฐานสำหรับ Dory เทียบกับ Qwen3.5-4B, Qwen3.5-9B, Gemma 4 26B A4B และ Qwen3.6-35B-A3B โดยวัดบนชุดทดสอบของตัวเอง ไม่มีการทำซ้ำอย่างอิสระ ไม่มีผลลัพธ์จากชุดทดสอบร่วมกันสำหรับ Dory กับเช็กพอยต์ LFM ไม่ว่าจะตัวใด และไม่มีการเผยแพร่การเทียบแบบตัวต่อตัวเลย

รันมันบนฮาร์ดแวร์จริง

เรื่องราวของ edge คือจุดที่ทั้งสองแตกต่างกันอย่างชัดเจนที่สุดในทางปฏิบัติ และ Liquid ชนะอย่างชัดเจน ตระกูล LFM2.5 ถูกสร้างขึ้นสำหรับการติดตั้งใช้งานบนอุปกรณ์ — รุ่น instruct ขนาด 2.6B ที่เป็นรุ่นพี่น้องมีผลทดสอบที่ 220 โทเคนต่อวินาทีบน Apple M5 Max และ 113 บน Ryzen AI Max+ 395 ภายใต้หน่วยความจำไม่ถึง 2.5 GB โดยอ้างว่ามีตัวเลขระดับโทรศัพท์อยู่ที่ประมาณ 30 โทเคนต่อวินาที ในตระกูลนี้มีบิลด์ ONNX และ MLX รวมถึงตัวร่างแบบ speculative ขนาด 328M ชื่อ DSpark ซึ่งบริษัทกล่าวว่าถอดรหัสได้เร็วขึ้นราว 2.6 เท่า โดยได้ผลลัพธ์เหมือนเดิม หากเป้าหมายของคุณคือแล็ปท็อป มินิพีซี หรือโทรศัพท์ LFM2.5-2.6B-Base อยู่ฝั่งที่ถูกต้องของเส้นแบ่งนี้ และเห็นได้ชัดว่า Dory ไม่ได้ออกแบบมาสำหรับมัน

เส้นทางการให้บริการของ Dory แคบกว่าและใหม่กว่า การรองรับ vLLM อยู่ระหว่างการตรวจสอบใน pull request ที่เปิดอยู่ และจนกว่าจะ merge การ์ดจะบอกให้คุณติดตั้ง vLLM จากสาขานั้นด้วยแฟล็ก precompiled-kernel จากนั้นให้เสิร์ฟด้วย overrides ที่กำหนดจำนวนลูปและโหมด KV-cache การรองรับ llama.cpp อยู่ใน pull request ที่เปิดอยู่ตัวที่สอง พร้อม commit ที่ปักหมุดไว้และคำแนะนำในการ build ที่มุ่งเป้าไปที่ ARM64 macOS แบบเนทีฟบน Apple Silicon ตัวเลขความเร็วที่ NVIDIA เผยแพร่เป็นความเร็วที่เพิ่มขึ้นจากการควอนไทซ์บน DGX Spark ไม่ใช่ throughput: 1.69× และ 1.84× สำหรับ MXFP8 เทียบกับ BF16 ขึ้นอยู่กับสัดส่วนความยาวอินพุต/เอาต์พุต, 2.17× และ 2.44× สำหรับ NVFP4

สิ่งที่ถ่วงดุลนั้น และเป็นของแท้ด้วย ก็คือการออกแบบหน่วยความจำ การวนซ้ำแบบมาตรฐานจะเก็บ KV cache แยกต่างหากสำหรับแต่ละรอบการวน ดังนั้นหน่วยความจำจึงเพิ่มขึ้นทุกครั้งที่เพิ่มรอบ ซึ่งเป็นเหตุผลปกติที่ทำให้สถาปัตยกรรมแบบเกิดซ้ำนั้นให้บริการได้ยาก Dory รองรับโหมด last-loop KV-caching ที่เก็บแคชเดียวต่อเลเยอร์ recurrent attention และเขียนทับในแต่ละรอบ ทำให้ขนาดหน่วยความจำคงอยู่ที่ประมาณขนาดของหนึ่งรอบไม่ว่าจะวนกี่รอบ N​VIDIA กล่าวว่าความแม่นยำยังใกล้เคียงกับโหมดแยกต่อรอบ โดยความยาวเอาต์พุตแทบไม่เปลี่ยน ข้อกล่าวอ้างนั้นเป็นสิ่งที่คุ้มค่าที่สุดในบัตรสเปกของ Dory ที่ควรตรวจสอบ เพราะถ้ามันเป็นจริง หน้าต่าง 256K ก็จ่ายไหวเมื่อวนมากกว่าหนึ่งรอบ และถ้าไม่เป็นจริง ฟีเจอร์ elastic-depth ก็มีประโยชน์น้อยกว่าที่ฟังดูมาก

สิ่งที่เราเตอร์ทำและไม่ทำในที่นี้

ไม่มีโมเดลใดอยู่ในแค็ตตาล็อกของ OrcaRouter เลย NVIDIA Nemotron Labs Dory 1.0 4B เป็นโมเดลที่ให้มาเฉพาะเวต โดยไม่มีปลายทางแบบโฮสต์ที่ใดที่เรายืนยันได้ และ LFM2.5-2.6B-Base ก็เป็นเช็คพอยต์สำหรับ fine-tuning ที่ไม่มีแพลตฟอร์มใดจะให้บริการตามสภาพเดิมอย่างสมเหตุสมผล — รุ่นที่ผ่านการเทรนต่อ (post-trained) ของมันต่างหากที่ควรอยู่เบื้องหลัง API และในแค็ตตาล็อกของเราก็ไม่มีโมเดล LFM2.5 แบบโฮสต์เช่นกัน ดังนั้นคำกล่าวที่ถูกต้องคือคำกล่าวที่เรียบง่ายน่าเบื่อแบบนี้: สำหรับการเปรียบเทียบนี้ ทุกอย่างรันบนฮาร์ดแวร์ของคุณเอง

ซึ่งเป็นจังหวะที่ชั้นการกำหนดเส้นทางหยุดเป็นเพียงระบบพื้นฐานเสริมที่เลือกได้ และเริ่มกลายเป็นเครื่องมือสำหรับการทดสอบ การรันการทดลอง fine-tuning บน base checkpoint และการทดลองเสิร์ฟโมเดลบน 4B ที่ทำ looping หมายถึงสแตกภายในเครื่องสองชุด ชุด quantization สองชุด ชุดแฟล็กสำหรับเสิร์ฟสองชุด และไม่มีวิธีที่สะอาดในการเปรียบเทียบสิ่งเหล่านั้นกับโมเดลที่โฮสต์ไว้ซึ่งเป็น baseline จริงของแอปพลิเคชันของคุณ OrcaRouter มีอยู่สำหรับครึ่งหลังนั้น: API key เพียงตัวเดียวเข้าถึงโมเดลที่โฮสต์ไว้ซึ่งคุณจะใช้เป็นตัวเปรียบเทียบได้ ในราคาตามที่ผู้ให้บริการระบุโดยบวกเพิ่ม 0% ดังนั้นกลุ่มควบคุมจึงไม่จำเป็นต้องมี SDK ของตัวเองหรือสัญญาของตัวเอง ภาษา DSL สำหรับ routing ทำให้ endpoint ที่โฮสต์เองและ endpoint ที่โฮสต์โดยผู้อื่นอยู่เบื้องหลังการเรียกเพียงครั้งเดียว และการ failover อัตโนมัติช่วยให้การรันประเมินผลแบบยาวยังดำเนินต่อไปได้เมื่อ GPU pool ภายในเครื่องไม่ว่าง มันจะไม่บอกคุณว่า base checkpoint ของ Liquid ทำ fine-tune ได้ดีกว่าโมเดลสำเร็จรูปของ N​VIDIA ที่เสิร์ฟอยู่หรือไม่ แต่ช่วยตัดค่าใช้จ่ายในการตั้งค่าออกไปจากการหาคำตอบนั้น

การเลือกระหว่างพวกมัน

เลือก LFM2.5-2.6B-Base หากคุณกำลังมองหาจุดเริ่มต้นแทนที่จะเป็นคำตอบ: คุณมีข้อมูลการฝึก คุณต้องการภาษาที่ Dory ไม่พูด คุณต้องการรันบน Apple Silicon หรือ NPU หรือคุณต้องการเส้นทางการถอดรหัสแบบคาดการณ์และบิลด์ ONNX และ MLX ที่มาพร้อมกับตระกูลนี้ มันเป็นสิ่งประดิษฐ์ที่เล็กกว่า เร็วกว่า รองรับหลายภาษามากกว่า และเชื่อมต่อกับระบบนิเวศมากกว่า และมันซื่อสัตย์เกี่ยวกับการที่ยังไม่เสร็จสมบูรณ์

เลือก NVIDIA Nemotron Labs Dory 1.0 4B ถ้าคุณกำลังซื้อพฤติกรรมที่พร้อมใช้งานจริง: คุณต้องการโมเดล reasoning ที่เสร็จสมบูรณ์ซึ่งมีการฝึก tool-calling และ structured-output ฝังมาให้แล้ว, คุณใช้ภาษาอังกฤษเท่านั้น, context ของคุณยาว, และคุณยินดีที่จะ build vLLM หรือ llama.cpp จาก branch ใดสาขาหนึ่งในวันนี้ เพื่อแลกกับปุ่มปรับ compute ที่โมเดล dense ทั่วไปให้คุณไม่ได้ ยอมรับว่าคุณจะเป็นหนึ่งในคนกลุ่มแรกนอก NVIDIA ที่ได้รันมัน, ว่าตัวเลขทุกตัวบนการ์ดสเปกของมันคือตัวเลขที่ผู้ขายอ้าง, และว่าข้ออ้างเรื่อง KV-cache ในลูปสุดท้าย — ฟีเจอร์เดียวที่ทำให้ดีไซน์ทั้งหมดใช้งานได้จริง — ยังไม่ได้รับการยืนยัน

การเปรียบเทียบที่จะให้ข้อมูลจริง ๆ คือ Dory 1.0 4B กับ LFM2.5-2.6B ที่ผ่านการฝึกในขั้นหลัง และยังไม่มีใครเผยแพร่ผลออกมา ถ้าโมเดล instruct 2.6B ของ Liquid กับ 4B elastic-depth ของ NVIDIA ให้ผลออกมาห่างกันเพียงไม่กี่จุดบนเวิร์กโหลดของคุณ ปัจจัยชี้ขาดก็จะกลายเป็นความแตกต่างด้านหน่วยความจำระหว่าง 2.69B กับ 4B และช่องว่างด้านความสมบูรณ์ ไม่ใช่สถาปัตยกรรม นั่นคือการทดลองที่คุ้มค่าจะทำ และตอนนี้ทำได้ถูกกว่าสัปดาห์ที่แล้ว

ไม่มีสิ่งใดในนั้นที่เป็นเพียงข้อสันนิษฐาน: ความล้มเหลวของ AI และเหตุการณ์ที่เกี่ยวข้องกับเอเจนต์ซึ่งได้รับการบันทึกไว้ ที่อยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง ระดับความเชื่อมั่น และสถานะข้อโต้แย้งของตนเอง