/สัปดาห์
ถ้าคุณเคยใช้เครื่องมือ AI มาบ้าง โดยเฉพาะฝั่ง API คุณน่าจะเคยเจอคำอย่าง temperature, top-p, tokens, context window, RLHF และอีกสารพัด เอกสารส่วนใหญ่อธิบายโดยสมมติว่าคุณพอรู้อยู่แล้วครึ่งหนึ่ง คู่มือนี้คือสิ่งที่ผมอยากมีตั้งแต่วันแรก: คำจำกัดความที่เข้าใจง่าย บอกว่าแต่ละคำสำคัญอย่างไร และคุณจะแตะมันเมื่อไหร่
แบ่งเป็น 5 หมวด — เลือกอ่านเฉพาะส่วนที่ต้องการ หรือจะอ่านตั้งแต่ต้นจนจบก็ได้
- 1. Tokens & บริบท — สิ่งที่ AI อ่านและเขียนจริงๆ
- 2. ปุ่มปรับ Sampling — temperature, top-p, top-k และเพื่อนๆ
- 3. โมเดลคิดอย่างไร — สถาปัตยกรรมและ inference
- 4. การเทรนและ Alignment — โมเดลกลายเป็นเครื่องมือที่มีประโยชน์ได้อย่างไร
- 5. นำโมเดลไปใช้งานจริง — RAG, agents, tools, streaming
1. Tokens & บริบท
ก่อนจะพูดถึงการตั้งค่าใดๆ คุณต้องรู้จักคำศัพท์พื้นฐานก่อนว่าโมเดลกำลังรับและส่งออกอะไร
Token
หน่วยพื้นฐานที่โมเดลภาษาใช้อ่านและเขียน token หนึ่งตัวมักเป็นชุดอักขระไม่กี่ตัว — บางทีเป็นคำสั้นๆ ทั้งคำ ("cat") บางทีเป็นส่วนหนึ่งของคำ ("ing", "tion") บางทีเป็นอักขระเดี่ยวหรือแม้แต่ไบต์เดียว สำหรับภาษาอังกฤษ กฎเบื้องต้นคือ 1 token ≈ 4 ตัวอักษร ≈ ¾ ของคำหนึ่งคำ ดังนั้น 1,000 tokens จึงประมาณ 750 คำ การคิดราคามักคิดต่อ token (แยกระหว่าง input และ output)
Tokenizer
ฟังก์ชันที่แปลงข้อความให้เป็น tokens ก่อนที่โมเดลจะมองเห็น โมเดลแต่ละตระกูลใช้ tokenizer ต่างกัน นั่นคือเหตุผลที่ย่อหน้าเดียวกันอาจมีจำนวน token ต่างกันเล็กน้อยบนแต่ละแพลตฟอร์ม
Context window (หรือ context length)
จำนวน token สูงสุดที่โมเดลสามารถ "คิดถึง" ได้พร้อมกัน — รวมทั้ง prompt ของคุณ คำสั่ง system การสนทนาก่อนหน้า และการตอบที่กำลังสร้าง โมเดลชั้นนำรุ่นใหม่รองรับ context window 200K–1M token ส่วนโมเดลเก่าหรือราคาถูกกว่ารองรับ 8K–32K หากเกินขีดจำกัด เนื้อหาเก่าสุดจะถูกตัดทิ้งหรือการเรียก API จะล้มเหลว
Input tokens กับ Output tokens
Input tokens คือสิ่งที่คุณส่งไป (prompt, system message, ประวัติการสนทนา, เอกสารที่แนบ) ส่วน Output tokens คือสิ่งที่โมเดลสร้างกลับมา Output tokens มักแพงกว่า Input tokens 3–5 เท่า เพราะการสร้างข้อความยากกว่าการอ่าน
Max tokens (max_output_tokens)
จำนวน token สูงสุดที่โมเดลอนุญาตให้สร้างได้ต่อคำขอหนึ่งๆ ก่อนหยุด ตั้งค่าเพื่อควบคุมค่าใช้จ่ายและความเร็ว API หลายตัวมีค่าเริ่มต้นที่หลักพัน เพิ่มค่านี้สำหรับ output ที่ยาว ลดเพื่อให้การตอบกระชับขึ้น
2. ปุ่มปรับ Sampling
เมื่อโมเดลเลือก token ถัดไป มันจะมีการกระจายความน่าจะเป็นครอบคลุมทุก token ที่เป็นไปได้ ปุ่มปรับ sampling ทำหน้าที่กำหนดว่าการกระจายนั้นจะกลายเป็นตัวเลือกเดียวได้อย่างไร นี่คือปุ่มที่คนส่วนใหญ่แตะผ่าน API
Temperature
ควบคุมความสุ่มโดยรวม Temperature ต่ำ (0–0.3) ทำให้โมเดลเลือก token ที่น่าจะเป็นไปได้มากที่สุดแทบทุกครั้ง — แน่นอน ซ้ำซาก "ปลอดภัย" Temperature สูง (1.0 ขึ้นไป) ทำให้การกระจายความน่าจะเป็นแบนราบลง ทำให้ token ที่น่าจะเป็นน้อยกลายเป็นตัวเลือกที่ทำได้ — สร้างสรรค์มากขึ้น น่าแปลกใจมากขึ้น แต่ผิดพลาดได้มากขึ้น ค่าเริ่มต้นที่ดีสำหรับ chat ทั่วไปคือ 0.7 ลดเป็น 0.0–0.2 สำหรับโค้ด คณิตศาสตร์ หรือการสกัดข้อเท็จจริง เพิ่มเป็น 1.0 ขึ้นไปสำหรับการเขียนเชิงสร้างสรรค์หรือระดมความคิด
Top-P (nucleus sampling)
แทนที่จะพิจารณา token ทั้งหมด top-p บอกว่า: "พิจารณาเฉพาะกลุ่ม token ที่เล็กที่สุดซึ่งมีความน่าจะเป็นรวมกันอย่างน้อย P" ดังนั้นที่ top-p = 0.9 โมเดลจะสุ่มจาก token ที่ครอบคลุม 90% ของมวลความน่าจะเป็น — ตัดส่วนหางยาวออก เป็นทางเลือกที่ฉลาดและยืดหยุ่นกว่า top-k ค่าเริ่มต้นทั่วไป: 0.9 หรือ 1.0 (ปิด)
Top-K
พิจารณาเฉพาะ K token ที่น่าจะเป็นมากที่สุด แล้วสุ่มในกลุ่มนั้น top-k = 1 คือ greedy decoding (เลือก token ที่น่าจะเป็นมากที่สุดเสมอ); top-k = 40 เก็บ 40 ตัวเลือกอันดับต้น API สมัยใหม่ (OpenAI, Anthropic) มักไม่เปิดให้ปรับ top-k โดยตรงเพราะ top-p ทำงานได้ดีกว่า แต่เป็นมาตรฐานในโมเดล open-source
Frequency penalty
ลงโทษ token ที่ถูกสร้างไปแล้วในการตอบ ตามสัดส่วนที่ปรากฏบ่อยแค่ไหน ช่วยลดการซ้ำตามตัวอักษร ช่วงค่าปกติ -2.0 ถึง +2.0; ค่าเริ่มต้น 0
Presence penalty
คล้าย frequency penalty แต่แบบ binary: ลงโทษ token ที่ปรากฏไม่ว่าจะกี่ครั้ง ผลักดันให้โมเดลแนะนำหัวข้อหรือคำใหม่ๆ ช่วงค่าและค่าเริ่มต้นเหมือนกัน
Stop sequences
สตริงที่บังคับให้โมเดลหยุดสร้างข้อความเมื่อสร้างออกมา มีประโยชน์สำหรับ output ที่มีโครงสร้าง ("หยุดเมื่อสร้าง ###") หรือเพื่อให้การตอบอยู่ในรูปแบบที่กำหนด
Seed
จำนวนเต็มที่ตรึงตัวสร้างตัวเลขสุ่ม prompt เดิม + seed เดิม + โมเดลเวอร์ชันเดิม มักให้ผลลัพธ์เหมือนกัน ซึ่งสำคัญมากสำหรับการทำซ้ำได้ การประเมิน และการ debug หมายเหตุ: ผู้ให้บริการส่วนใหญ่อธิบายว่าเป็น "best-effort" — ความแน่นอนสมบูรณ์แบบไม่ได้รับประกันข้ามโครงสร้างพื้นฐาน
เปรียบเทียบเร็ว: temperature กับ top-p กับ top-k
ปุ่มปรับ sampling ทั้งสามเปรียบเทียบกัน
| ปุ่มปรับ | สิ่งที่ทำ | ช่วงค่าทั่วไป | เพิ่มค่า | ลดค่า |
|---|---|---|---|---|
| Temperature | ทำให้กราฟความน่าจะเป็นแหลมขึ้นหรือแบนลง | 0.0 – 2.0 (ค่าเริ่มต้น ~0.7) | สร้างสรรค์และสุ่มมากขึ้น | แน่นอนและซ้ำซากมากขึ้น |
| Top-P | เก็บเฉพาะ token ที่ครอบคลุม P% ของมวลความน่าจะเป็น | 0.0 – 1.0 (ค่าเริ่มต้น 0.9 – 1.0) | ความหลากหลายของคำเพิ่มขึ้น | ผลลัพธ์แน่นและปลอดภัยขึ้น |
| Top-K | เก็บเฉพาะ K token ที่น่าจะเป็นมากที่สุด | 1 – ∞ (มักปิดใน API สมัยใหม่) | ความหลากหลายเพิ่มขึ้น | แน่นขึ้น; K=1 = greedy |
ข้อผิดพลาดที่พบบ่อย: ปรับทั้งสามพร้อมกัน เลือกอย่างเดียว — ปกติใช้ temperature สำหรับควบคุมความสร้างสรรค์ หรือ top-p สำหรับปรับความหลากหลาย — แล้วปล่อยตัวอื่นไว้ที่ค่าเริ่มต้น การซ้อน penalty บน temperature ต่ำคือต้นเหตุของรายงาน "output แปลกๆ" ส่วนใหญ่
3. โมเดลคิดอย่างไร
คุณไม่จำเป็นต้องเป็น ML engineer เพื่อใช้เครื่องมือ AI แต่มีคำศัพท์สถาปัตยกรรมไม่กี่คำที่โผล่ขึ้นมาเสมอในการเปรียบเทียบผลิตภัณฑ์
Parameters
ตัวเลขภายในโมเดลที่ถูกปรับจูนระหว่างการเทรน "โมเดล 70B" มีพารามิเตอร์ 70,000 ล้านตัว โดยทั่วไปยิ่งใหญ่ยิ่งฉลาดและแพงขึ้น แต่ความสัมพันธ์นี้เริ่มไม่เป็นเส้นตรงแล้วเมื่อสถาปัตยกรรมพัฒนาขึ้น โมเดลขนาดเล็กที่เทรนดีอาจเอาชนะโมเดลขนาดใหญ่แต่เก่ากว่าได้
Embedding
เวกเตอร์ (รายการตัวเลข) ที่แทนความหมายของข้อความในพื้นที่หลายมิติ ข้อความที่มีความหมายใกล้เคียงกันจะอยู่ใกล้กัน Embeddings ขับเคลื่อน semantic search, RAG, การแยกซ้ำ, การจำแนกประเภท และการแนะนำ ต่างจากโมเดล chat — embedding models มีขนาดเล็กกว่าและเชี่ยวชาญเฉพาะด้าน
Attention
กลไกที่ให้โมเดลตัดสินใจได้ว่าเมื่อสร้าง token ใหม่แต่ละตัว ควร "มองที่" token ก่อนหน้าตัวไหนมากที่สุด เป็นนวัตกรรมหลักของ transformers คุณแทบไม่ต้องแตะมันโดยตรง แต่นี่คือเหตุผลที่ context windows สำคัญมาก
Transformer
สถาปัตยกรรม neural network ที่อยู่เบื้องหลังโมเดลภาษาขนาดใหญ่ยุคใหม่แทบทุกตัวตั้งแต่ปี 2017 เมื่อใครพูดถึง "LLM" พวกเขาแทบทุกครั้งหมายถึง transformer
Mixture of Experts (MoE)
สถาปัตยกรรมที่แบ่งโมเดลออกเป็น "expert" subnetwork หลายอัน โดยมีเพียงบางส่วนเท่านั้นที่ทำงานสำหรับแต่ละ token ซึ่งหมายความว่าโมเดลอาจมีพารามิเตอร์รวม 400B แต่ใช้เพียง 30B ต่อ token — ได้ความรู้ระดับโมเดลใหญ่ด้วยความเร็วระดับโมเดลเล็ก โมเดลชั้นนำหลายตัวใช้ MoE อยู่เบื้องหลัง
Reasoning model
โมเดลที่เทรนให้ใช้การคำนวณเพิ่มขึ้นในการ "คิด" — สร้างขั้นตอนการให้เหตุผลภายใน — ก่อนให้คำตอบสุดท้าย สิ่งนี้ปรับปรุงประสิทธิภาพด้านคณิตศาสตร์ การเขียนโค้ด และงานที่ต้องใช้เหตุผลซับซ้อนได้อย่างมาก แต่เพิ่ม latency และค่าใช้จ่ายด้าน token Reasoning models คือหมวดหมู่โมเดลชั้นนำที่ครองตลาดในปี 2026
Chain-of-thought (CoT)
ไม่ว่าจะเป็นเทคนิคการ prompt ("คิดทีละขั้นตอน") หรือพฤติกรรมในตัวของ reasoning models ที่โมเดลสร้างการให้เหตุผลขั้นกลางก่อนคำตอบสุดท้าย ขั้นตอนการให้เหตุผลบางครั้งถูกซ่อนไม่ให้ผู้ใช้เห็น แต่กับ reasoning models คุณมักต้องจ่ายค่า output tokens สำหรับส่วนนั้นอยู่ดี
Quantization
การลดความแม่นยำเชิงตัวเลขของพารามิเตอร์โมเดล (เช่น จาก float 16 บิตเป็น integer 4 บิต) เพื่อลดขนาดและเพิ่มความเร็ว โดยมักแลกกับคุณภาพเล็กน้อย เป็นที่นิยมมากในโลก open-source แต่มองเห็นได้น้อยกว่าเมื่อใช้โมเดลผ่าน closed API
4. การเทรนและ Alignment
ข้อความจำนวนมหาศาลกลายมาเป็นโมเดลที่ตอบคำถามคุณอย่างสุภาพได้อย่างไร
Pretraining
ขั้นตอนแรกและแพงที่สุดของการเทรน ที่โมเดลเรียนรู้ภาษาทั่วไปและความรู้เกี่ยวกับโลกโดยการทำนาย token ถัดไปจากข้อความจำนวนมหาศาล นี่คือแหล่งที่มาของ "สติปัญญา" ส่วนใหญ่
Fine-tuning
ขั้นตอนการเทรนที่สอง ปรับโมเดลที่ผ่าน pretraining มาแล้วให้เชี่ยวชาญงานหรือสไตล์ที่แคบลง โดยใช้ชุดข้อมูลขนาดเล็กกว่ามาก ใช้สำหรับการเชี่ยวชาญเฉพาะด้าน (การแพทย์ กฎหมาย การเขียนโค้ด) หรือปรับโทนและพฤติกรรมให้เหมาะกับแบรนด์เฉพาะ
RLHF (Reinforcement Learning from Human Feedback)
เทคนิค alignment ที่เปลี่ยนโมเดลภาษาดิบให้กลายเป็น assistant ที่มีประโยชน์ มนุษย์ให้คะแนน output ของโมเดล จากนั้นเทรน reward model บนคะแนนเหล่านั้น แล้วใช้ reinforcement learning ปรับโมเดลภาษาให้สร้าง output ที่ reward model ชอบ RLHF คือสิ่งที่ทำให้ ChatGPT และ Claude ปฏิเสธคำขอที่เป็นอันตราย ปฏิบัติตามคำสั่งอย่างสุภาพ และไม่ออกนอกเรื่อง RLAIF (ที่ใช้ AI ให้ฟีดแบ็ก) เป็นเทคนิคที่เกี่ยวข้องซึ่งใช้กันในระดับใหญ่ตอนนี้
System prompt
คำสั่งระดับบนสุดที่กำหนดบทบาท โทน ข้อจำกัด และบุคลิกของโมเดลสำหรับการสนทนาทั้งหมด ผู้ให้บริการส่วนใหญ่ถือว่ามีความสำคัญกว่าข้อความของผู้ใช้ นี่คือที่ที่คุณบอกโมเดลว่ามันคืออะไร ก่อนมอบหมายงานใดๆ
Hallucination
เมื่อโมเดลสร้างคำตอบที่ฟังดูมั่นใจแต่ผิดข้อเท็จจริงหรือแต่งขึ้นมา เกิดจากหลายสาเหตุรวมกัน ได้แก่ ช่องว่างในข้อมูลเทรน แนวโน้มของโมเดลที่จะสร้างข้อความที่ฟังดูสมเหตุสมผลมากกว่าการตรวจสอบข้อเท็จจริง และการใช้ถ้อยคำที่มั่นใจเกินไป วิธีแก้: ลด temperature ใช้ RAG (ให้แหล่งข้อมูลจริงแก่มัน) คำสั่งชัดเจน "บอกว่าไม่รู้ถ้าไม่รู้" และตรวจสอบสิ่งสำคัญเสมอ
Prompt engineering
การเขียน prompt ที่สร้าง output ตามที่ต้องการได้อย่างสม่ำเสมอ ครอบคลุมเทคนิคต่างๆ เช่น การกำหนดบทบาท ("คุณคือ...") ตัวอย่างแบบ few-shot ตัวกระตุ้น chain-of-thought และคำสั่งสำหรับ structured output เมื่อโมเดลทำตามคำสั่งได้ดีขึ้น prompt engineering จึงเปลี่ยนจากเคล็ดลับลึกลับมาเป็นเพียงการเขียนที่ชัดเจน
5. นำโมเดลไปใช้งานจริง
คำศัพท์ที่คุณจะได้ยินในการสนทนาเรื่องผลิตภัณฑ์และวิศวกรรม ไม่ใช่เรื่องการเทรน
Inference
การรันโมเดลที่เทรนแล้ว — กล่าวคือ การสร้าง output สำหรับ input ที่ให้มา แตกต่างจากการเทรน ค่าใช้จ่าย inference คือสิ่งที่ราคา API อิงจาก และ latency ของ inference คือสิ่งที่ผู้ใช้รู้สึก
RAG (Retrieval-Augmented Generation)
ก่อนตอบคำถาม ดึงเอกสารที่เกี่ยวข้องจากฐานความรู้แยกต่างหาก (มักผ่าน embedding similarity search) แล้วยัดเข้าไปใน prompt เป็น context RAG ให้โมเดลขนาดเล็กหรือทั่วไปตอบได้อย่างถูกต้องเกี่ยวกับเอกสารส่วนตัว เหตุการณ์ปัจจุบัน หรือสิ่งที่อยู่นอกข้อมูลเทรน เป็น pattern หลักสำหรับ "AI ที่รู้เรื่องของฉัน"
Tool use / function calling
ให้โมเดลเรียกใช้ฟังก์ชันหรือ API ภายนอกเป็นส่วนหนึ่งของการตอบ เช่น "ดูสภาพอากาศ" "query ฐานข้อมูล" "ส่งอีเมล" โมเดลส่งคำขอที่มีโครงสร้าง โค้ดของคุณดำเนินการ แล้วส่งผลลัพธ์กลับ นี่คือสิ่งที่เปลี่ยน LLM ให้เป็นบางอย่างที่ลงมือทำได้ ไม่ใช่แค่พูด
Agent
วงวนที่โมเดลใช้ tools และตัดสินใจเองหลายขั้นตอนเพื่อบรรลุเป้าหมาย เช่น ท่องเว็บ แก้ไขไฟล์ หรือรัน workflow หลายขั้นตอน Agent สมัยใหม่โดยพื้นฐานคือ "reasoning model + tools + iteration loop" เป็นคำที่ขอบเขตไม่ชัดซึ่งหมายความได้ตั้งแต่ bot ดูแลลูกค้าไปจนถึง coding assistant อัตโนมัติ
Multimodal
โมเดลที่รองรับมากกว่าแค่ข้อความ — ส่วนใหญ่คือรูปภาพและข้อความร่วมกัน (vision) และเพิ่มเติมด้านเสียงและวิดีโอมากขึ้น "Multimodal" มักหมายถึงโมเดลเดียวที่เข้าใจหลาย modality ได้แบบ native ไม่ใช่ pipeline ของโมเดลแยกหลายตัว
Vision (หรือ VLM — Vision-Language Model)
กรณีเฉพาะของ multimodal: โมเดลสามารถรับรูปภาพเป็น input ควบคู่กับข้อความ ใช้สำหรับ OCR การทำความเข้าใจแผนภาพ การ debug screenshot การวิเคราะห์เอกสาร และทุกอย่างที่ "แสดงให้เห็นดีกว่าบอก"
Streaming
โมเดลส่งการตอบทีละ token ขณะที่สร้าง แทนที่จะรอให้คำตอบเสร็จสมบูรณ์ก่อน สำคัญมากสำหรับ UX ของ chat — ผู้ใช้เห็นการตอบค่อยๆ ปรากฏแทนที่จะจ้องดูวงหมุนโหลด ส่วนใหญ่ implement เป็น server-sent events บน API ต่างๆ
Time to first token (TTFT)
เวลาตั้งแต่ส่งคำขอจนได้รับ token แรกของการตอบ คือ latency ที่ผู้ใช้รับรู้จริงๆ Reasoning models มี TTFT สูงกว่าเพราะต้องคิดก่อนพูด ส่วนโมเดลที่ไม่ใช่ reasoning มักส่ง token แรกภายในเสี้ยววินาที
Tokens per second
ปริมาณงานหลังจากเริ่มสร้างข้อความ โมเดลที่รวดเร็วในยุคปัจจุบันอาจสร้างได้ 80–200 token ขึ้นไปต่อวินาที ส่วน reasoning models มักรันช้ากว่าเพราะต้องสร้าง (และจ่ายค่า) hidden reasoning tokens
สรุปย่อที่สั้นที่สุดเท่าที่จะทำได้
ถ้าจำได้แค่นี้ก็พอ:
- Token = ¾ ของคำหนึ่งคำ ราคาคิดต่อ token
- Context window = ปริมาณข้อความที่โมเดลมองเห็นได้พร้อมกัน
- Temperature = ปุ่มปรับความสร้างสรรค์ ต่ำสำหรับข้อเท็จจริง/โค้ด สูงสำหรับไอเดีย
- Top-P = ทางเลือกที่ฉลาดกว่าและทันสมัยกว่า top-k ปล่อยไว้ที่ค่าเริ่มต้นถ้าไม่มีเหตุผล
- System prompt = บุคลิกและกฎสำหรับการสนทนาทั้งหมด
- RAG = วิธีทำให้โมเดลรู้เรื่องข้อมูลส่วนตัวของคุณ
- Reasoning model = ช้าลง แพงขึ้น ฉลาดขึ้นมากสำหรับปัญหายาก
- Hallucination = คำตอบที่ผิดแต่ฟังดูมั่นใจ ตรวจสอบเสมอ
นั่นคือสิ่งที่คุณจะพบในชีวิตประจำวันเป็นส่วนใหญ่ ส่วนที่เหลือในคู่มือนี้มีไว้สำหรับเมื่อคำใดคำหนึ่งโผล่ขึ้นในเอกสาร บทความ หรือ model card และคุณต้องการจุดยึดอ้างอิงอย่างรวดเร็ว
