NVIDIA เปิดตัวโมเดลเปิด Nemotron 3.5 Lightning และเปิดซอร์ส NeMo Switchyard

เมื่อวันที่ 11 สิงหาคม พ.ศ. 2569 NVIDIA ประกาศบนบล็อกทางการเปิดตัวโมเดลแบบเปิด Nemotron 3.5 Lightning พร้อมกับเปิดซอร์สไลบรารีเราต์ติ้งโมเดล NeMo Switchyard บน GitHub ในวันเดียวกัน ตัวโมเดลเป็นสถาปัตยกรรม MoE แบบผสม มีพารามิเตอร์รวม 30B และพารามิเตอร์ที่ทำงานจริง 3B โดยสลับชั้น Mamba-2 กับชั้น MoE และมีชั้น Attention จำนวนไม่มาก ใช้เทคนิค speculative decoding และการควอนไทซ์ มีเช็คพอยต์ทั้งแบบ NVFP4 และ BF16 องค์กรสามารถดาวน์โหลดน้ำหนักโมเดลจาก Hugging Face และ ModelScope และเรียกใช้โดยตรงผ่าน OpenRouter และ NIM microservice บน build.nvidia.com ใช้งานและแก้ไขได้โดยไม่ต้องขออนุญาตหรือจ่ายเงินให้ NVIDIA พร้อมกันนี้ยังปล่อยชุดข้อมูลหลังการฝึก Nemotron-RL-Agentic-Terminal-Pivot ด้วย

ตัวเลขที่ผู้ผลิตรายงานเอง และฮาร์ดแวร์ที่รองรับ

NVIDIA รายงานเองสามตัวเลข ได้แก่ ความเร็วเอาต์พุตสูงสุดเป็น 4 เท่าของโมเดลระดับเดียวกัน งานเอเจนต์เสร็จเร็วขึ้น 30% และทำคะแนนความแม่นยำระดับแนวหน้าบน PinchBench ทั้งสามตัวเลขเป็นข้อมูลจากผู้ผลิตเอง ยังไม่มีบุคคลที่สามทำซ้ำผลลัพธ์ จุดที่น่าสนใจกว่าคือเกณฑ์ฮาร์ดแวร์ เพราะรันได้ตั้งแต่เครื่อง RTX PC ที่มี GPU ใบเดียว DGX Spark, DGX Station, อุปกรณ์ Jetson และเวิร์กสเตชัน RTX PRO ไปจนถึงศูนย์ข้อมูลและคลาวด์ NVIDIA วางตำแหน่งเป็นโมเดลประสิทธิภาพสูงระดับเดียวกัน สำหรับงานเอเจนต์ที่ทำงานต่อเนื่องเป็นเวลานาน ตัวอย่างการใช้งาน เช่น รีวิวโค้ด เรียกใช้เครื่องมือ เฝ้าการแจ้งเตือนด้านความปลอดภัย และตอบคำถามงานบัญชี

Switchyard แก้ปัญหาการใช้หลายโมเดลพร้อมกัน

Switchyard เป็นไลบรารีเราต์ติ้งที่ส่งแต่ละคำขอไปยังโมเดลที่เหมาะสมที่สุด โดยไม่ต้องเขียนแอปพลิเคชันใหม่ NVIDIA อ้างผลทดสอบภายในว่าลดต้นทุนการทำงานให้เหลือราวหนึ่งในสามของการใช้ Opus 4.8 เพียงตัวเดียว ขณะที่ยังคงความแม่นยำระดับแนวหน้า ตัวเลขนี้ต้องอ่านอย่างระวังสองชั้น

• ชั้นแรก เป็นข้อมูลที่ผู้ผลิตรายงานเอง ยังไม่มีการตรวจสอบจากภายนอก
• ชั้นที่สอง กลุ่มเปรียบเทียบเป็นโมเดลของคู่แข่งโดยตรง ซึ่งเอื้อต่อผู้ประกาศอยู่แล้ว

ปัจจุบัน Switchyard อยู่บน GitHub ส่วนแพลตฟอร์มพันธมิตรจะตามมาภายหลัง

ความหมายสำหรับผู้บริหาร

ประเด็นสำคัญไม่ใช่การมีโมเดลเพิ่มอีกหนึ่งตัว แต่คือการที่การรันโมเดลขนาดเล็กบนเครื่องขององค์กรเองกลายเป็นเรื่องปฏิบัติได้จริงมากขึ้น ข้อมูลไม่ต้องออกนอกประเทศ และต้นทุนคาดการณ์ได้ สำหรับผู้ประกอบการไต้หวันและธุรกิจขนาดกลางและเล็กในไทย แทนที่จะรอสมองกลที่ทำได้ทุกอย่าง ควรเลือกงานซ้ำซากหนึ่งอย่างในกระบวนการ เช่น ตรวจใบส่งของประจำวันหรือเฝ้าการแจ้งเตือนความปลอดภัย แล้วมอบให้โมเดลเล็กทำเป็นตำแหน่งงานประจำ ไม่ใช่ที่ปรึกษาที่ทำได้ทุกเรื่อง