การ์ดชื่อเรื่องที่สร้างขึ้นสำหรับ Nemotron-Labs-Sigma-distill-8B-nfe4 โดยระบุว่าเปิดตัวเมื่อวันที่ 12 พฤศจิกายน 2026 มีพารามิเตอร์ 8 พันล้าน การประเมินการลดสัญญาณรบกวนแบบคงที่ 4 ครั้งต่อบล็อก 32 โทเคน ยอดดาวน์โหลด 5 ครั้งและถูกใจ 0 ครั้งในเดือนที่ผ่านมา และส่วนท้ายระบุว่าตัวเลขทั้งหมดมาจากการ์ดโมเดลของ NVIDIA และไม่ได้ผ่านการตรวจสอบอย่างอิสระ
Engineering & Research

Nemotron-Labs-Sigma-distill-8B-nfe4 เปิดตัวโดยไม่มีการประกาศและมียอดดาวน์โหลดเพียงห้าครั้ง

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

Hugging Face นับจำนวนดาวน์โหลดของ nvidia/Nemotron-Labs-Sigma-distill-8B-nfe4 ได้ห้าครั้งในสามสิบวันล่าสุด และมีไลก์เป็นศูนย์ ณ เวลาที่เขียนบทความนี้เมื่อวันที่ 17 พฤศจิกายน 2026 นั่นคือการตอบรับทั้งหมดที่มีต่อโมเดลภาษาขนาด 8 พันล้านพารามิเตอร์ที่ NVIDIA เผยแพร่เมื่อหกวันก่อนหน้านั้น ไม่มีบล็อกโพสต์ ไม่มีรายการบน build.nvidia.com ไม่มีกระทู้เปิดตัว และไม่มีตารางเบนช์มาร์กในข่าวประชาสัมพันธ์ การ์ดของเช็กพอยต์เองระบุวันที่เผยแพร่ว่า 11/12/2026 คอมมิตแรกของรีพอซิทอรีคือวันที่ 9 พฤศจิกายน เวลา 05:47 UTC และการแก้ไขครั้งล่าสุดคือวันที่ 16 พฤศจิกายน ซึ่งเขียนการแปลงใหม่เพื่อรักษาเทนเซอร์เรขาคณิตแบบ fp32 ไว้ ทุกอย่างด้านล่างนี้อ่านมาจากรีพอซิทอรีดังกล่าว ไฟล์การกำหนดค่า และรายงานทางเทคนิคที่มันอ้างถึง และส่วนใดที่ยังไม่ได้รับการยืนยันจะถูกระบุว่าเป็นเช่นนั้นแทนที่จะเติมข้อมูลลงไป

รีโพซิทอรีเป็นแหล่งข้อมูลหลักเพียงแห่งเดียว และมีความชัดเจนอย่างผิดปกติ

การเปิดตัวแบบเงียบส่วนใหญ่จะทิ้ง stub card ไว้เพียงใบเดียว แต่ครั้งนี้ไม่ใช่เช่นนั้น มันมาพร้อมไฟล์แสดงที่มา แมนิเฟสต์ความสมบูรณ์ของเช็กพอยต์ที่มี SHA-256 แฮชความสมบูรณ์สำหรับ tokenizer ซับการ์ดของ Model Card++ จำนวนสี่ใบ และคอนฟิกการสร้างที่ล็อก sampler ไว้ การบันทึกรายละเอียดระดับนั้นคือสิ่งที่คุณจะได้เมื่อโมเดลหนึ่งผ่านกระบวนการเปิดตัวภายในแล้วจากนั้นก็ simplement ไม่ถูกประกาศ — อะติแฟกต์ที่โพสต์เปิดตัวจะสรุปไว้มีอยู่ครบ ขาดแค่ตัวโพสต์เท่านั้น

งานวิจัยที่อยู่เบื้องหลังเรื่องนี้มีอยู่จริงและระบุวันที่ไว้: arXiv:2610.02665, Large Language Continuous Diffusion Models ซึ่งเป็นบทความของ NVIDIA ที่มีผู้เขียนสิบเจ็ดคน โดยเวอร์ชัน v2 เผยแพร่เมื่อวันที่ 12 พฤศจิกายน ซึ่งตรงกับวันที่การ์ดระบุว่าน้ำหนักโมเดลได้เผยแพร่ บทความนี้อธิบายว่า Nemotron-Labs-Sigma เป็นตระกูลแรกของโมเดลภาษาการแพร่แบบต่อเนื่องขนาดใหญ่ที่ขนาด 3B และ 8B ส่วนหมวดการประเมินของการ์ดให้เครดิตตัวเลขของตนกับ "สถิติสิบซีด หกงานที่ผ่านการตรวจสอบแล้วจากการส่งต่อแบบจำกัดการเผยแพร่เมื่อวันที่ 10 พฤศจิกายน" — ประโยคที่บอกคุณว่าไฟล์นี้ถูกหมุนเวียนแบบส่วนตัวมาอย่างน้อยสองวันก่อนที่รีโปสาธารณะจะถูกเปิดใช้งาน

Screenshot of the Hugging Face model card for nvidia/Nemotron-Labs-Sigma-distill-8B-nfe4, showing the model overview describing an 8-billion-parameter continuous diffusion language model distilled with Phased Distribution Matching Distillation, the native 4-NFE 32-token block generation contract, the NVIDIA Nemotron Open Model License, and the release date line reading Hugging Face 11/12/2026.

จริง ๆ แล้วข้างในเช็กพอยต์มีอะไรกันแน่

ตัดข้อความบรรยายออกไป แล้วสเปกชีตก็สั้น แต่ละบรรทัดด้านล่างมาจาก config.json, generation_config.json หรือการ์ด:

• Backbone — transformer แบบ decoder-only สไตล์ Ministral: 34 เลเยอร์, hidden size 4,096, FFN 14,336, query head 32 หัว และ key-value head 8 หัวที่ head dimension 128, SwiGLU, RoPE พร้อมบล็อกการสเกล YaRN ใน config

• Generation head — diffusion head แบบต่อเนื่องขนาด 16 มิติสำหรับ token embedding โดยเก็บ readout head แบบ autoregressive เสริมไว้ใน checkpoint แทนที่จะตัดออก

• จำนวนพารามิเตอร์ — 8.0B ตามการตั้งชื่อบนการ์ด, 9.03B ตามการสำรวจ safetensors (เทนเซอร์ BF16 จำนวน 9,026,818,048 ตัว บวก F32 จำนวน 2,097,186 ตัว), 18.06 GB กระจายอยู่ในสี่ชาร์ด ส่วนต่างระหว่างตัวเลขทั้งสองคือ auxiliary head

• สัญญาการถอดรหัส — บล็อกขนาด 32 โทเคน ประเมินฟังก์ชันดีนอยซิงพอดี 4 ครั้ง บวกกับการอ่านค่าหนึ่งครั้ง ดังนั้นจึงมีการเรียกตัวดีนอยเซอร์ 5 ครั้งต่อบล็อก ซึ่งเท่ากับ 6.4 โทเคนที่สร้างขึ้นต่อหนึ่ง forward pass

• Sampler — เส้นทาง fresh_x0 แบบเนทีฟพร้อม self-conditioning ที่ส่งต่อระหว่างขั้นตอน โดย classifier-free guidance ถูกตรึงไว้ที่ 1 และ score temperature ถูกตรึงไว้ที่ 1

• บริบท — 4,096 โทเคนสำหรับพรอมต์และการสร้างข้อความ ภาษาอังกฤษเท่านั้น ไม่มีการหยุดด้วย EOS แบบ token-ID; คุณจะหยุดเมื่อเจอสตริงหรือเมื่อถึงงบประมาณโทเคน

• Runtime — PyTorch 2.4 หรือใหม่กว่า, Transformers 4.55 หรือใหม่กว่า, trust_remote_code, GPU CUDA ที่ใช้ bfloat16 โดยไม่รองรับ CPU อย่างชัดเจน และการ์ดระบุเหตุผลว่า: sampler มีความแม่นยำเชิงตัวเลขลดลงบน CPU และให้ผลลัพธ์ที่ใช้งานไม่ได้

• ใบอนุญาต — NVIDIA Nemotron Open Model License ซึ่งการ์ดโมเดลระบุว่าอนุญาตให้ใช้เชิงพาณิชย์และไม่ใช่เชิงพาณิชย์ การ์ดโมเดลยังระบุในส่วนกรณีการใช้งานว่าโมเดลทำงานแบบออฟไลน์บนฮาร์ดแวร์ของคุณ และ NVIDIA ไม่ได้ให้บริการโฮสต์ใด ๆ

บรรทัดสุดท้ายนั้นสำคัญสำหรับใครก็ตามที่คิดว่ามี Sigma endpoint อยู่ที่ไหนสักแห่ง มันไม่มีอยู่จริง ไม่มีรายการ Nemotron-Labs-Sigma บน build.nvidia.com และโมเดลนี้ก็ไม่อยู่ในแคตตาล็อกของ OrcaRouter เช่นเดียวกับผลิตภัณฑ์ Nemotron อื่น ๆ — ดังนั้นวันนี้จึงไม่มีอะไรให้เรียกใช้ มีเพียงอะไรให้ดาวน์โหลดเท่านั้น

สี่เช็กพอยต์ สี่โมเดลที่แตกต่างกัน

การตั้งชื่อทำให้ตัวแปรเหล่านี้ดูเหมือนเป็นโมเดลเดียวที่มีสี่การตั้งค่า แต่ไม่ใช่: ค่า NFE แต่ละค่าเป็น student ที่ถูก distill แยกกัน และการ์ดก็ระบุตรง ๆ ว่าจำนวนสเต็ปถูกกำหนดตายตัวไว้ “ตัวแปรนี้ถูกฝึกสำหรับ NFE=4 เท่านั้น และโค้ด inference ที่มาพร้อมกันไม่ได้ตั้งใจให้ override จำนวนสเต็ปแบบกำหนดเองได้” — เพราะจำนวนสเต็ปอื่นจะไปประเมินจุดสิ้นสุดของเฟสที่ student ไม่เคยถูกฝึกด้วย ดังนั้นคุณไม่ปรับ nfe4 ลงเหลือสองสเต็ปตอน inference; คุณดาวน์โหลด nfe2

ค่าเฉลี่ยจากหกงานที่เผยแพร่ ซึ่งมาจากสิบซีดทั้งหมดพร้อมค่าคลาดเคลื่อนมาตรฐานสองค่า ทำให้ข้อแลกเปลี่ยนนี้มองเห็นได้ชัดเป็นครั้งแรกในตระกูลนี้:

• NFE 2 — GSM8K 80.17, MATH 55.72, HumanEval 48.17, MBPP 37.52; ค่าเฉลี่ยของหกงาน 53.02 การเรียกตัวขจัดสัญญาณรบกวน 3 ครั้งต่อบล็อก, 10.7 โทเค็นต่อการเรียก

• NFE 4 — GSM8K 86.86, MATH 61.52, HumanEval 60.61, MBPP 57.50; ค่าเฉลี่ยของหกงาน 66.36 เรียก 5 ครั้งต่อบล็อก, 6.4 โทเคนต่อการเรียก

• NFE 8 — GSM8K 88.44, MATH 64.40, HumanEval 65.18, MBPP 62.60; ค่าเฉลี่ยของทั้งหกงาน 70.34 การเรียก 9 ครั้งต่อบล็อก, 3.6 โทเค็นต่อการเรียก

• NFE 16 — GSM8K 89.61, HumanEval 67.68, MBPP 66.20 ค่าเฉลี่ยสามงาน 74.50 มีการเรียก 17 ครั้งต่อบล็อก และ 1.9 โทเคนต่อการเรียก และมีข้อควรระวังที่อีกสามรายการไม่มี: checkpoint นี้ถูกทำเครื่องหมายเป็น pending_ten_seed_six_task_validation ตัวเลขของมันมาจากการรันครั้งเดียวที่ seed 42 บนสามงาน และการ์ดระบุให้ถือว่าเป็นค่าชั่วคราวและไม่สามารถเปรียบเทียบได้โดยตรง

รูปร่างของบันไดขั้นนั้นคือส่วนที่น่าสนใจ การเพิ่มจำนวนสเต็ปเป็นสองเท่าจาก 2 เป็น 4 ให้คะแนนเพิ่ม 13.3 จุดในค่าเฉลี่ยของหกงาน การเพิ่มเป็นสองเท่าอีกครั้งเป็น 8 ให้เพิ่ม 4.0 การไปถึง 16 ให้เพิ่มอีกประมาณ ~4 ในสามงานที่รัน — จากการประเมินที่แตกต่างและอ่อนกว่า กล่าวอีกนัยหนึ่ง เส้นโค้งการกลั่นแบนราบลงอย่างมากตรงจุดที่โมเดลเริ่มแข่งขันได้ และเช็กพอยต์ nfe4 อยู่เลยจุดหักงอไปเล็กน้อย

A generated bar chart of the Nemotron-Labs-Sigma-distill-8B checkpoints, plotting six-task mean accuracy against denoising evaluations per 32-token block: NFE 2 at 53.02, NFE 4 at 66.36 and NFE 8 at 70.34 as ten-seed figures, with NFE 16 shown separately at a three-task mean of 74.50 and marked as a single seed-42 run pending validation.

ตัวเลขเหล่านั้นมาจากไหน และไปสิ้นสุดที่ไหน

ตัวเลขทุกตัวข้างต้นเป็นของ NVIDIA สร้างโดย NVIDIA บนชุดทดสอบการประเมินของ NVIDIA เอง และรายงานด้วยจำนวน seed ที่ทำให้ดูเป็นอิสระมากกว่าที่เป็นจริง การใช้สิบ seed พร้อมค่าคลาดเคลื่อนมาตรฐานสองเท่าเป็นโปรโตคอลที่จริงจัง — มันบอกคุณว่าคะแนน HumanEval ของ nfe4 ที่ 60.61 มีช่วง ±1.43 ซึ่งกว้างพอที่คุณไม่ควรตีความช่องว่างสองจุดเมื่อเทียบกับสิ่งใดว่าจริง แต่สิบ seed จากชุดทดสอบเดียวกันไม่ใช่สิบห้องแล็บ

สิ่งที่ไม่มีอยู่ ณ วันที่ 17 พฤศจิกายน: หน้า Artificial Analysis สำหรับโมเดล Sigma ใด ๆ รายการใด ๆ ในแค็ตตาล็อกราคาโมเดลสาธารณะ การรองรับ vLLM หรือ SGLang ใด ๆ และการทำซ้ำโดยบุคคลที่สามใด ๆ การตรวจสอบนั้นรวดเร็วและผลลัพธ์ออกมาว่างเปล่า ทะเบียนโมเดลของ vLLM บน main ไม่มีสถาปัตยกรรม nemotron_labs_sigma พูลรีเควสต์ของ SGLang ที่กล่าวถึง Nemotron diffusion เป็นของสายตระกูล Nemotron-Labs-Diffusion-8B รุ่นเก่าและยังเปิดอยู่ Transformers ไม่มีโมดูล nemotron_labs_sigma แบบเนทีฟ ซึ่งเป็นเหตุผลที่การ์ดบอกให้คุณโหลดด้วย trust_remote_code และนำไฟล์ modelling ขนาด 40 KB ของรีโพซิทอรีไปพร้อมกับน้ำหนัก

ดังนั้นสถานะตามความเป็นจริงก็คือ: เช็กพอยต์ที่เผยแพร่แล้วพร้อมโปรโตคอลการประเมินที่ตีพิมพ์เผยแพร่ และไม่มีการตรวจสอบจากภายนอกเลย นั่นคือสภาวะปกติของโมเดลภาษาแบบดิฟฟิวชันในเดือนพฤศจิกายน 2026 และนี่ไม่ใช่การวิจารณ์ตัวโมเดล — แต่เป็นคำอธิบายว่าคุณสามารถใช้ส่วนใดของโมเดลการ์ดเป็นฐานในการวางแผนได้บ้าง

การรันมันเป็นสคริปต์ Python ไม่ใช่สแตกสำหรับให้บริการ

คู่มือเริ่มต้นอย่างรวดเร็วของการ์ดมีสิบเอ็ดบรรทัด: โหลด tokenizer และโมเดลด้วย remote code แปลงเป็น bfloat16 เรียก generate ด้วยจำนวนโทเคนสูงสุดและ stop strings ที่ไม่บังคับ แล้วอ่านค่าจำนวน NFE ที่โมเดลรายงานกลับมา ในที่เก็บนี้ไม่มี chat template ไม่มี system prompt ไม่มี tool calling ไม่มี JSON mode — การ์ดระบุ plainly ว่าเป็นการ prompting แบบ benchmark และโมเดลนี้เป็นนักเรียนแบบ distilled ของ base checkpoint ไม่ใช่ผู้ช่วย หากต้องการสนทนา คอลเลกชันมี instruct variant ของโมเดลแม่ที่บริบท 8,192 โทเคน

รายละเอียดเชิงปฏิบัติสองอย่างจะทำให้ใครก็ตามที่อ่านผ่าน ๆ ต้องเจอปัญหา ประการแรก การหยุด: ไม่มีการหยุดด้วย EOS ตาม token-ID ดังนั้นคำขอที่ไม่เคยสร้างสตริงหยุดของคุณจะทำงานไปจนถึงงบโทเค็น และงบดังกล่าวใช้ร่วมกับพรอมป์ต์ภายในหน้าต่างขนาด 4,096 โทเค็น ประการที่สอง หน่วยความจำ: น้ำหนัก bfloat16 จำนวน 18 GB ก่อนจะมี KV cache ใด ๆ บนโมเดลที่เส้นทางเดียวที่รองรับคือโค้ด PyTorch แบบ eager จากตัวรีโพซิทอรีเอง — ไม่มี paged attention ไม่มี continuous batching และไม่มีบิลด์แบบควอนไทซ์ในคอลเล็กชัน การรันคำขอเดียวบน GPU หนึ่งตัวคือคอนฟิกูเรชันที่รองรับในปัจจุบัน

Throughput คือตัวเลขที่ผู้คนจะต้องการ และการ์ดไม่ได้ให้ค่าดังกล่าวสำหรับ checkpoint นี้ การ์ดของโมเดลแม่รายงานว่าประมาณ 120–140 โทเคนต่อวินาที สำหรับการสร้าง 256 โทเคนบน H100 หนึ่งตัว โดยใช้ตัวสุ่มตัวอย่าง DDPM ที่ 32 ขั้นต่อบล็อก 64 โทเคน ส่วน nfe4 แบบดิสทิลทำ 5 การเรียกต่อ 32 โทเคน แทนที่จะเป็น 33 การเรียกต่อ 64 โทเคน ซึ่งเมื่อนับตามจำนวนการเรียกแล้ว ถือว่ามี forward pass ต่อโทเคนน้อยลงเล็กน้อยเกินสี่เท่า — แต่นั่นเป็นการคำนวณจากจำนวนขั้น ไม่ใช่การวัดค่า checkpoint นี้ และการ์ดไม่ได้เผยแพร่ตัวเลขโทเคนต่อวินาทีสำหรับ checkpoint นี้

สิ่งที่ไม่ได้รับการยืนยัน

สามสิ่งที่โพสต์เปิดตัวจะช่วยทำให้กระจ่างได้ แต่รีลีสนี้ไม่ได้ทำ:

• NVIDIA ตั้งใจให้สิ่งนี้เป็นผลิตภัณฑ์หรือผลงานวิจัยกันแน่ ใบอนุญาตอนุญาตให้ใช้ในเชิงพาณิชย์ และการ์ดเขียนด้วยภาษาที่ใช้กับผลิตภัณฑ์ แต่ไม่มีเอนด์พอยต์ที่โฮสต์ไว้ ไม่มีคำแถลงการสนับสนุน และไม่มีการกล่าวถึงในโพสต์บล็อกใด ๆ ของ NVIDIA จนถึงวันที่ 16 พฤศจิกายน

• คุณค่าของครูอยู่ตรงไหน การ์ดระบุว่านักเรียนถูกกลั่นมาจากครู "MS-SUSReg-8B" ในตระกูลสถาปัตยกรรมเดียวกัน และไฟล์แหล่งที่มาระบุชื่อรัน 8b_ms_susreg_n4_20261109 ที่สเต็ปนักเรียน 1200 ส่วนฐาน Nemotron-Labs-Sigma-8B ที่เผยแพร่ถูกอธิบายว่าอยู่ในสายเลือดเดียวกัน — แต่การ์ดของฐานไม่เผยแพร่ตัวเลขใด ๆ เลย มีเพียงตัวชี้ไปยังบทความ ดังนั้นจึงไม่สามารถอ่านค่าความสูญเสียจากการกลั่นจากสองการ์ดเทียบกันได้

Screenshot of the nvidia/nemotron-labs-sigma collection page on Hugging Face, listing fourteen repositories: the 3B and 8B base and instruct models, distill variants at NFE 2, 4, 8 and 16 for both sizes, and self-speculative distill checkpoints for 3B and 8B, with the collection description reading continuous diffusion language models, base, instruct, few-step distilled and self-speculative variants.

• ประเด็นว่า {{1}}เช็กพอยต์ nfe16{{/1}} เป็นตัวที่ดีที่สุดในตระกูล หรือเป็นเพียงผลพวงจากการประเมินที่ยังไม่เสร็จสิ้น ตัวเลขของมันสูงที่สุดบนการ์ดและน่าเชื่อถือน้อยที่สุด และการ์ดเองก็บอกเช่นนั้น ซึ่งตรงไปตรงมากว่าที่บันทึกการเปิดตัวส่วนใหญ่ทำได้

ทำไมการเปิดตัวแบบเงียบ ๆ ถึงเป็นเรื่องที่ต้องจับตา

NVIDIA ได้เปิดตัวผลงานออกมามากมายในฤดูใบไม้ร่วงนี้ — Bolt, Super VL, Transcribe และสายผลิตภัณฑ์ Dory ซึ่งทั้งหมดมีบล็อกโพสต์และหน้า build.nvidia.com ส่วน Sigma กลับมาโดยไม่มีสิ่งเหล่านั้นเลย ทั้งที่มาจากองค์กรเดียวกัน พร้อมเปเปอร์ ใบอนุญาต ซับการ์ด Model Card++ สี่รายการ และตัวนับการดาวน์โหลดที่แสดงห้าครั้ง การตีความที่น่าจะเป็นไปได้มากที่สุดคือ นี่เป็นการเผยแพร่ผลงานวิจัยที่จงใจกันออกจากพื้นผิวผลิตภัณฑ์: การใช้งานที่ตั้งใจไว้ของการ์ดคือ 'การวิจัยด้านการสร้างที่ไวต่อความหน่วง การศึกษาเกี่ยวกับการถอดรหัสแบบคาดการณ์และการถอดรหัสแบบขนาน' ซึ่งเป็นถ้อยคำของผลงานจากห้องแล็บ

สำหรับผู้อ่านที่กำลังตัดสินใจว่าจะใส่ใจเรื่องนี้หรือไม่ คำถามในทางปฏิบัติไม่ใช่่ว่าโมเดลนี้ดีในเชิงนามธรรมหรือไม่ — แต่คือว่า continuous diffusion LM แบบ 4-NFE ที่บริบท 4K และไม่มี serving stack จะเอาชนะ autoregressive model ที่มีอยู่ในไปป์ไลน์ของคุณอยู่แล้วได้หรือไม่ การตอบคำถามนั้นต้องรันมันจริง และเลขคณิตที่ทำให้มันคุ้มค่ากับ GPU หนึ่งชั่วโมงนั้นง่ายมาก: 6.4 tokens ต่อ forward pass เทียบกับหนึ่ง token สำหรับ standard decoder ว่าเรื่องนั้นจะยังคงอยู่เมื่อเจอ workload ของคุณจริงหรือไม่ คือสิ่งที่ independent benchmark ที่ขาดไปจะบอกคุณได้พอดี

OrcaRouter ไม่ได้ให้บริการเช็กพอยต์นี้ และเช็กพอยต์นี้จะยังไม่ปรากฏภายใต้ราคาต่อโทเคนจนกว่าจะมีคนสร้างเส้นทางการให้บริการสำหรับสถาปัตยกรรมแบบ block-diffusion ที่มีจำนวนขั้นตอนคงที่ — โมเดลต้นทุนไม่ได้แมปกับโทเคนอินพุตและเอาต์พุตแบบที่ API แบบ autoregressive ทำ สิ่งที่เปิดใช้งานอยู่ที่ OrcaRouter คือชุดเปรียบเทียบ: โมเดล autoregressive มากกว่า 200 ตัว ภายใต้คีย์เดียวในราคาตามรายการของผู้ให้บริการ โดยไม่มีการบวกเพิ่ม ดังนั้นคำถามเกี่ยวกับ Sigma จึงตอบได้โดยเทียบกับฐานอ้างอิงจริงแทนที่จะเทียบกับข้อมูลบนการ์ด การกำหนดเส้นทางทั้งสองแบบผ่านปลายทางเดียวก็เป็นวิธีที่ประหยัดที่สุดในการแยกการทดลองออกจากพาธโปรดักชันของคุณระหว่างที่คุณตัดสินใจ

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube