UserRepGen-4B กับ Qwen 3.8: ไฟน์จูน 4B วัยเจ็ดเดือนปะทะเรือธงปัจจุบันของ Alibaba

เริ่มจากข้อเท็จจริงที่ทำให้การจับคู่นี้ดูแปลกmicrosoft/UserRepGen-4B ซึ่งอัปโหลดเมื่อวันที่ 14 ตุลาคม 2026 โดยไม่มีการประกาศใด ๆ เป็นโมเดล fine-tune ของ Qwen3.5-4B — เช็กพอยต์จากเดือนกุมภาพันธ์ 2026 ล้าหลังโมเดลที่ถูกนำมาเปรียบเทียบในที่นี้ไปหนึ่งเจนเนอเรชันเต็ม ๆ Qwen 3.8 คือเจนเนอเรชันเดือนสิงหาคม 2026 ของ Alibaba และสมาชิกที่ให้บริการ ได้แก่ Qwen3.8-Max ซึ่งเป็นเรือธงในราคา 2.00 ดอลลาร์ต่ออินพุตหนึ่งล้านโทเคน และ 6.00 ดอลลาร์ต่อเอาต์พุตหนึ่งล้านโทเคน บนบริบทหนึ่งล้านโทเคน Qwen3.8-27B ในราคา 0.33 และ 2.40 ดอลลาร์บน 262,144 ตำแหน่ง และ Qwen3.8-Flash ในราคา 0.15 และ 0.47 ดอลลาร์ Microsoft มองไปที่ตระกูลนั้นแล้วย้อนกลับไปหนึ่งเจนเนอเรชันเพื่อเอาเป็นฐานขนาด 4B จากนั้นก็เผยแพร่ตารางที่แสดงให้เห็นว่าโมเดลที่ได้มาชนะ GPT-5.5 ในสิ่งเดียวที่มันทำได้ การผสมผสานนั้นคือเนื้อหาทั้งหมดของบทความนี้: สิ่งที่การ fine-tune แบบเจาะจงซื้อให้คุณได้ ซึ่งเรือธงที่ใหม่กว่าให้ไม่ได้ และสิ่งที่คุณต้องจ่ายเพื่อให้ได้มา

ก่อนอื่น "Qwen 3.8" เป็นชื่อของอะไร

สิ่งที่ควรทำให้กระจ่างก่อนการเปรียบเทียบใด ๆ เพราะชื่อตระกูลนี้ครอบคลุมอาร์ติแฟกต์ที่แตกต่างกันมากหลายแบบ และราคาก็กว้างกว่าสิบสามเท่า สมาชิกที่มีให้บริการสามรายการคือสิ่งที่สำคัญต่อการตัดสินใจ:

• Qwen3.8-Max — เรือธงที่เป็นมัลติโมดัลแบบเนทีฟครอบคลุมทั้งข้อความ รูปภาพ และวิดีโอ มีบริบท 1 ล้านโทเคน ให้บริการในรูปแบบการรับส่งข้อมูลสามแบบ รวมถึงแบบที่เข้ากันได้กับ Anthropic เป็นระดับพรีเมียม สำหรับเวลาที่ความถูกต้องในปัญหายาก ๆ สำคัญกว่าค่าใช้จ่าย

• Qwen3.8-27B — โมเดล dense แบบ open-weight ภายใต้ Apache 2.0, คอนเท็กซ์ 262,144 โทเคน, รับข้อความ รูปภาพ และวิดีโอเป็นอินพุต การ์ดข้อมูลของ Alibaba เองรายงานว่าได้ 90.3 บน LiveCodeBench v6, 89.2 บน GPQA Diamond, 84.3 บน OSWorld-Verified และ 79.0 บน QwenSWEBench — เป็นตัวเลขที่ผู้ขายรายงานเอง ไม่ได้ผ่านการตรวจสอบซ้ำโดยอิสระ

• Qwen3.8-Flash — เลนสำหรับปริมาณงานสูง, คอนเท็กซ์ 1M โทเคน, ตั้งราคาไว้สำหรับงานสั้นที่รันเป็นล้านครั้ง นอกจากนี้ยังมี Qwen3.8-Max (0902) สแนปช็อตที่ระบุวันที่ในแค็ตตาล็อกที่อัตราเดียวกัน ซึ่งคุณปักหมุดไว้เมื่อคุณต้องการพฤติกรรมที่ทำซ้ำได้ แทนที่จะเป็นความล้ำสมัยที่เคลื่อนไป

ไม่มีอะไรในนั้นที่เป็นข่าว และหน้านี้ไม่ได้รายงานการเปิดตัว Qwen เจนเนอเรชันนี้มีอายุห้าเดือนแล้ว มันอยู่ตรงนี้เพราะมันเป็นฝั่งที่ใหม่กว่า ใหญ่กว่า และมีผลเบนช์มาร์กที่ดีกว่าในการเปรียบเทียบ และเพราะข้ออ้างที่น่าสนใจนั้นจะสมเหตุสมผลได้ก็ต่อเมื่อเทียบกับสิ่งที่แข็งแกร่งขนาดนั้น

ข้อกล่าวอ้างที่ระบุไว้อย่างแม่นยำ

การ์ดโมเดลของ Microsoft รายงานการประเมินความเที่ยงตรงจากบทสนทนาที่กันไว้ 700 รายการ ซึ่งได้คะแนนตั้งแต่ 1 ถึง 10 โดยผู้ตัดสิน LLM โดยที่ตัวสร้าง representation ทุกตัวถูกต่อเข้ากับลูปการจำลองเดียวกัน:

• Qwen3.5-4B, แกนหลักที่ไม่ถูกแตะต้อง — 3.41 best-of-1, 4.42 best-of-3

• GPT-5.5 ซึ่งเมื่อป้อนพรอมต์แบบสำเร็จรูปเพื่อบรรยายผู้ใช้ — 3.90 และ 4.90

• UserRepGen-4B หลังจากทำ supervised fine-tuning แบบออนไลน์ผ่าน hindsight distillation — 4.95 และ 6.02

ตัวเลขทุกตัวเป็นของ Microsoft เอง ตัดสินโดย GPT-5.4 mini และยังไม่มีส่วนใดถูกทำซ้ำนอกห้องแล็บ จงอ่านมันเป็นข้ออ้างเชิงทิศทางมากกว่าผลลัพธ์ที่ยุติแล้ว แต่ทิศทางนั้นชัดเจน และไม่เกี่ยวกับจำนวนพารามิเตอร์: วิธีการฝึกทำให้แบ็กโบนขยับ 1.54 คะแนน best-of-1 และระหว่างทางมันก็แซงหน้าโมเดลอเนกประสงค์ระดับแนวหน้าไปด้วย การตีความที่ตั้งใจไม่ใช่ "โมเดลเล็กชนะโมเดลใหญ่" — แต่คือว่าโมเดลฐานขนาด 4B จากเดือนกุมภาพันธ์ ซึ่งถูกไฟน์ทูนอย่างหนักกับพฤติกรรมแคบ ๆ เพียงอย่างเดียว สามารถเอาชนะโมเดลที่ใหญ่กว่ามากซึ่งเพียงแค่ ถูกขอให้แสดงพฤติกรรมนั้น

Qwen3.8-Max ไม่ได้อยู่ในตารางนั้น มันน่าจะทำได้ดีกว่าที่ GPT-5.5 ทำได้ เพราะมันเป็นโมเดลทั่วไปที่ทรงพลังกว่า แต่มันก็ยังคงต้องคาดเดาพฤติกรรมอยู่ดี เพราะไม่มีสิ่งใดในการฝึกของมันที่ถูกปรับให้เหมาะกับเรื่องนี้

ทำไมฐานอายุเจ็ดเดือนถึงเป็นการเลือกที่ถูกต้อง

ช่องว่างระหว่างรุ่นดูเหมือนเป็นความผิดพลาด จนกว่าคุณจะเข้าใจว่า fine-tune ต้องการอะไรจริง ๆ จาก backbone ของมัน มันต้องการโมเดลที่คล่องพอประมาณ รันได้ถูก และเสถียรพอที่ LoRA rank-64 จะขยับมันได้โดยไม่ทำลายมัน มันไม่ต้องการการให้เหตุผลระดับ frontier เพราะงานนี้ไม่ใช่การให้เหตุผล — แต่เป็นการบรรยายบทสนทนาที่ถูกส่งมาให้มัน

รายละเอียดสองอย่างในการ์ดยืนยันการตีความนั้น อย่างแรกคือเพดานเอาต์พุต: 1,024 โทเคนสำหรับการแทนค่า เทียบกับ 8,192 โทเคนสำหรับบทสนทนา อย่างที่สองคืองบประมาณการฝึก — กรกฎาคมถึงสิงหาคม 2026 สองเดือน — และข้อเท็จจริงที่ว่าวิธีที่หนักกว่าทั้งสองวิธีต่างก็แพ้ OPSD ได้คะแนน 4.46/5.60 และ GRPO ได้ 3.57/4.59 ทั้งคู่ต่ำกว่าการปรับละเอียดแบบมีผู้สอนแบบธรรมดาที่ 4.64/5.68 เมื่อวิธีราคาถูกเอาชนะวิธีราคาแพงได้สองวิธี คอขวดไม่เคยเป็นความสามารถของแบ็กโบนเลย การไปใช้ฐานระดับเรือธงปี 2026 จะได้โมเดลที่ต้องจ่ายแพงขึ้นต่อการประมวลผลหนึ่งครั้ง เพื่อทำงานเดิมด้วยเพดานเดิม

มีต้นทุนสำหรับทางเลือกนั้น และการ์ดก็เปิดเผยเรื่องนี้อย่างตรงไปตรงมาแทนที่จะปิดบัง เนื่องจาก vision tower มาพร้อมกับ checkpoint ต้นทาง โมเดลจึงโหลดผ่าน AutoModelForImageTextToText และมีเส้นทางโค้ดสำหรับรูปภาพและวิดีโอที่มันไม่เคยใช้ — อินพุตรูปภาพและวิดีโอไม่ได้รับการสนับสนุนอย่างชัดเจนในเวอร์ชันนี้ คุณได้รับภาระพ่วงของสถาปัตยกรรมมาพร้อมกับความคล่องแคล่วของมัน

การคำนวณต้นทุน ซึ่งไม่เป็นไปอย่างที่ผู้คนคาดคิด

ปฏิกิริยาตอบสนองโดยสัญชาตญาณคือการอนุมานภายในเครื่องนั้นถูกกว่า ในระดับที่โมเดลนี้ออกแบบมาเพื่อรองรับ โดยปกติแล้วมันไม่ถูกกว่า และการคำนวณตัวเลขอย่างตรงไปตรงมาจะเปลี่ยนการตัดสินใจ ลองพิจารณาชุดการสนทนา 700 รายการ — ขนาดเดียวกับการประเมินของ Microsoft เอง — ที่ประมาณ 2,000 โทเคนพรอมป์ต์และ 400 โทเคนเอาต์พุตต่อการเรียกหนึ่งครั้ง

• ผ่าน Qwen3.8-27B ที่ราคา $0.33 และ $2.40 ต่อล้านโทเค็น: ค่าใช้จ่ายโทเค็นรวมประมาณ $1.13 สำหรับแบตช์ทั้งหมด

• ผ่าน Qwen3.8-Max ที่ราคา $2.00 และ $6.00: ประมาณ $4.48

ในทางกลับกัน UserRepGen-4B ต้องเสียค่าดาวน์โหลด 9.1 GB, GPU ที่มีหน่วยความจำมากพอจะเก็บมันไว้ในรูปแบบ bfloat16 และงานด้านวิศวกรรมเพื่อเชื่อมต่อคลาส Python เข้ากับระบบ Microsoft รายงานว่าโมเดลนี้ให้บริการด้วย vLLM บนฮาร์ดแวร์ H100, A100, RTX A6000 และ B200 และระบุว่าการอนุมานบน CPU ต้องใช้ float32 และ "หน่วยความจำมากกว่าขนาดไฟล์น้ำหนักประมาณ 9.1 GB อย่างมาก" หากพิจารณาเพียงราคาต่อโทเค็น การเข้าถึงผ่าน API ของโมเดลที่แข็งแกร่งกว่าจะชนะที่ปริมาณนี้ และไม่ได้สูสีกันเลย

ซึ่งหมายความว่าเหตุผลที่แท้จริงในการรัน UserRepGen-4B ด้วยตัวเอง คือเหตุผลที่ไม่ปรากฏบนตารางราคา: บทสนทนาที่คุณป้อนให้มัน การ์ดของมันเองระบุให้ประมวลผลเฉพาะบทสนทนาที่คุณได้รับอนุญาตให้ประมวลผลเท่านั้น ให้ลดข้อมูลที่ใช้ระบุตัวตนให้เหลือน้อยที่สุดก่อน และการแทนข้อมูล (representations) ไม่ใช่ข้อมูลนิรนาม — คำอธิบายพฤติกรรมของโมเดลระบุตัวบุคคลจากผู้สมัครสี่คนได้ 51.02% ของเวลา ดีกว่าบทสนทนาดิบที่มันสรุปซึ่งทำได้ 44.22% องค์ประกอบที่เปลี่ยนบทสนทนาให้เป็นโปรไฟล์ที่มนุษย์อ่านได้และพกพาไปได้ เป็นสิ่งที่คุณอาจต้องการเก็บไว้ภายในเครือข่ายของคุณเอง ไม่ว่าการเรียก API จะมีค่าใช้จ่ายเท่าใด

ตำแหน่งที่เลเยอร์การกำหนดเส้นทางเหมาะสมในไปป์ไลน์แบบนี้

โดยส่วนใหญ่แล้ว นี่เป็นรูปแบบที่มีสองโมเดลมากกว่าที่จะเป็นโมเดลเดียว: ตัวสร้าง representation บนฮาร์ดแวร์ของคุณเอง กับโมเดลทั่วไปที่รับหน้าที่ฝั่งผู้ช่วย การตัดสิน หรือวงจรการประเมินผลโดยรอบ ส่วนครึ่งหลังคือส่วนที่ทำงานผ่าน API

สมาชิก Qwen 3.8 ที่ให้บริการทั้งสามรุ่นอยู่บน OrcaRouter ในราคาตามที่ผู้ให้บริการกำหนด โดยไม่มีค่าใช้จ่ายเพิ่มเติม — $2.00 และ $6.00 สำหรับ Max, $0.33 และ $2.40 สำหรับ 27B, $0.15 และ $0.47 สำหรับ Flash — ใช้คีย์เดียว พร้อมการสลับไปยังผู้ให้บริการรายอื่นอัตโนมัติเมื่อเกิดปัญหา เพื่อให้การเรียก judge ในลูปการประเมินไม่ล้มตายไปพร้อมกับ upstream เพียงรายเดียว หากคุณกำลังกวาดบทสนทนาหลายร้อยรายการผ่าน simulator และ judge หลายตัว ความสามารถในการสลับผู้ให้บริการอัตโนมัตินั้นสำคัญกว่าอัตราค่าบริการต่อโทเคน เพราะการรันที่ล้มตายตอนบทสนทนาที่ 400 ย่อมทำให้ 399 รายการก่อนหน้าสูญเปล่า routing DSL ช่วยให้คุณประกอบ assistant และ judge เข้าเป็นการเรียกเดียว แทนที่จะต้องเชื่อมต่อกันสองครั้ง สิ่งที่เราไม่ได้ทำคือการให้บริการ UserRepGen-4B: แคตตาล็อกของเราไม่มีรายการสำหรับโมเดลนี้ และไม่มีข้อความใดในที่นี้ที่ควรตีความเป็นข้ออ้างเรื่องความพร้อมให้บริการสำหรับ checkpoint ของ Microsoft

การตัดสินใจ โดยไม่มีข้อแม้

หากคุณต้องการโมเดลทั่วไปที่สามารถให้เหตุผล เขียนโค้ด อ่านรูปภาพ และรองรับโทเค็นได้หนึ่งล้านโทเค็น ไม่มีอะไรในบทความนี้โต้แย้งกับ Qwen3.8-Max — UserRepGen-4B ไม่สามารถทำสิ่งใดในนั้นได้ และการเปรียบเทียบกับเรือธงไม่ใช่สิ่งที่มันเข้าไปเกี่ยวข้อง หากคุณต้องการตัวจำลองผู้ใช้ที่ปรับตามพฤติกรรมการสนทนาจริง ไม่มีสมาชิก Qwen 3.8 คนใดได้รับการฝึกฝนสำหรับสิ่งนั้นเช่นกัน และทางเลือกคือระหว่างการปรับแต่งขนาดเล็กในเครื่องที่มีข้อได้เปรียบที่วัดได้ กับโมเดล API ขนาดใหญ่ที่ไม่มีข้อได้เปรียบเลย

คำถามที่ยังเปิดอยู่ก็เป็นคำถามเดียวกันที่แขวนอยู่เหนือการเปิดตัวทั้งหมด: ไม่มีเปเปอร์ การ์ดระบุว่าการอ้างอิงยัง "รอการยืนยัน" ข้อความเกี่ยวกับที่เก็บโค้ดว่าเป็นส่วนตัวยังคงอยู่ในส่วนการใช้งานหลังจากที่ที่เก็บโค้ดเปิดเป็นสาธารณะแล้ว และตัวเลขทุกตัวในตาราง fidelity ล้วนย้อนกลับไปยังผู้ตัดสินของห้องแล็บแห่งหนึ่งเอง Microsoft สร้างโมเดลที่เอาชนะ baseline ที่แข็งแกร่งที่สุดที่มันทดสอบด้วยได้ ไม่ว่ามันจะเอาชนะ baseline ของคุณได้หรือไม่ เป็นสิ่งที่การประเมินที่คุณรันเองเท่านั้นจึงจะตอบได้

โมเดลที่ผ่านการปรับแต่ง (fine-tune) อายุเจ็ดเดือนซึ่งนำมาเทียบกับโมเดลเรือธงรุ่นปัจจุบันก็เป็นจุดที่ดีในการถามว่าอะไรเคยล้มเหลวมาก่อน: เหตุการณ์ด้าน AI และความล้มเหลวของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งเกี่ยวข้องกับโมเดลในคลาสนี้ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง ระดับความเชื่อมั่น และธงข้อโต้แย้งของตัวเอง