LOCAL LLM FIELD GUIDE

เลือก Local LLM ตามงาน: ภาษาไทย, chatbot, agent, coding และ workflow

อย่าเริ่มจากการมองหา โมเดลที่ดีที่สุดในโลก แต่ให้คิดเหมือนการ เลือกคนเข้าทำงาน ให้ตรงกับตำแหน่ง: ประเมินความเข้ากันได้ของภาษาไทย, ความแม่นยำในการเรียกใช้เครื่องมือ (Tool Calling), ทักษะการเขียนโค้ด (Coding), การส่งออกข้อมูลโครงสร้าง (Structured JSON), ความยาวบริบท (Context), และเพดานแรม (Memory Floor) ที่การ์ดจอของคุณรับไหว จากนั้นทดสอบด้วยชุดข้อสอบจริงขององค์กรคุณเอง

WORKLOAD PROFILE

เปรียบเทียบ candidate ด้วย scorecard เดียวกัน

ภาษาไทย: domain, grounding, tone
Agent: tool schema, recovery, planning
Coding: patch, tests, stack
Workflow: JSON schema, retry

แผนภาพสรุปสรุปกลไกสำหรับใช้เทียบกับค่าใน calculator

ใช้กับงานจริง

ใช้ scorecard เดียวกับทุก candidate

ชื่อ model ไม่ตอบว่าเหมาะกับงานของคุณหรือไม่ สร้างชุดทดสอบเล็กที่สะท้อน prompt, tool, เอกสาร และข้อผิดพลาดที่ผู้ใช้พบจริง

ให้ candidate ผ่านเกณฑ์คุณภาพก่อน แล้วจึงเทียบ memory และ tok/s ใน runtime เดียวกัน วิธีนี้ทำให้การเลือก model อธิบายย้อนหลังได้

งาน	เกณฑ์ผ่าน	failure case ที่ต้องมี
ภาษาไทย	คำสั่ง, tone และศัพท์โดเมนถูกต้อง	ตอบนอกเอกสารหรือแปลคำเฉพาะผิด
chatbot	ตอบต่อเนื่องและอ้างอิง context	หลุด topic ในหลาย turn
agent	tool call ตรง schema	tool error แล้วไปต่อไม่ได้
coding	patch ผ่าน test ที่เกี่ยวข้อง	แก้ส่วนอื่นจน regression
workflow	JSON ตรง schema และ retry ได้	field หายหรือ type ไม่ตรง

ชุด eval ขั้นต่ำที่เริ่มได้

10 prompt ภาษาไทยจากงานจริง
conversation หลาย turn ที่มีเอกสารอ้างอิง
tool result ที่ผิดรูปแบบหนึ่งชุด
งานแก้ code พร้อม test feedback
structured output ที่มี invalid JSON และ retry

ตัวอย่าง contract สำหรับ structured output

{
  "ticket_id": "string",
  "category": "billing | support | security",
  "needs_human": true
}

ภาษาไทย

การเลือกโมเดลสำหรับงานภาษาไทย ต้องเริ่มจากการทดสอบกับโจทย์งานจริงของคุณเอง ไม่ใช่แค่ดูว่าโมเดลพิมพ์ภาษาไทยออกเป็นประโยคได้หรือไม่:

Instruction Following ภาษาไทย: ตรวจสอบว่าโมเดลเข้าใจคำสั่งที่มีเงื่อนไขซับซ้อนในภาษาไทยได้ถูกต้อง ไม่หลุดกรอบ หรือแปลคำสั่งกลับไปเป็นภาษาอังกฤษ
Retrieval Grounding (RAG): ทดสอบว่าเมื่อป้อนเอกสารอ้างอิงภาษาไทยเข้าไป โมเดลสามารถตอบคำถามโดยยึดตามข้อเท็จจริงในเอกสารได้แม่นยำ ไม่แต่งเรื่องขึ้นมาเอง (Hallucination)
นโยบายความสุภาพและศัพท์เฉพาะทาง (Policy Tone & Domain Terms): ตรวจสอบระดับภาษา (เป็นทางการ, กึ่งทางการ) และความถูกต้องของศัพท์เฉพาะทางกฎหมาย การแพทย์ หรือการเงิน
แหล่งข้อมูลและ Benchmark: Model Card เช่น ThaiLLM-8B เป็นจุดเริ่มต้นที่ดีในการดูสเปกและสถาปัตยกรรม แต่ไม่สามารถใช้แทนการทดสอบกับ Workload ประจำวันของทีมคุณได้

Chatbot และ agent

การแยกระหว่างงาน Chatbot ทั่วไป กับงาน AI Agent ช่วยให้เลือกขนาดและความสามารถของโมเดลได้ตรงจุด:

Chatbot (ระบบสนทนา): สิ่งสำคัญคือความเป็นธรรมชาติของบทสนทนา, ความสุภาพ, การรักษาความปลอดภัย (Safety & Guardrails) และความสามารถในการจดจำบริบทของการคุยย้อนหลังหลายรอบ (Multi-turn Context Retention) โดยไม่ลืมสิ่งที่เคยคุยไว้
AI Agent (ระบบสั่งการอัตโนมัติ): สิ่งสำคัญสูงสุดคือ **Tool Calling / Function Calling** โมเดลต้องสามารถแกะคำสั่งของผู้ใช้แล้วสร้างเป็น Argument ในฟอร์แมต JSON Schema เพื่อเรียกใช้ API หรือฐานข้อมูลได้อย่างถูกต้อง 100%
การกู้คืนข้อผิดพลาด (Error Recovery): เมื่อเครื่องมือภายนอกส่ง Error กลับมา ตัว Agent ต้องเข้าใจข้อความ Error แล้วคิดวิธีลองใหม่ได้โดยไม่ติดลูปหรือหยุดทำงานไปดื้อๆ

การทดสอบโมเดล Agent ต้องเน้นทดสอบเคสที่ยากและเคสที่เครื่องมือพัง (Failure Cases) ไม่ใช่ทดสอบเพียงแค่การตอบคำถามสั้นๆ ประโยคเดียว

Coding และ structured workflow

งานสายเทคนิคต้องการความแม่นยำของโครงสร้างและตรรกะระดับสูง:

งานเขียนโค้ด (Coding): โมเดลต้องเข้าใจภาษาและเทคโนโลยีที่ทีมของคุณใช้งานจริง (เช่น Python, TypeScript, Go, SQL), สามารถสร้าง Patch หรือฟังก์ชันที่นำไปรันผ่าน Unit Tests ได้จริง และสามารถนำ Error จาก Compiler/Test มาแก้ไขโค้ดตัวเองได้อย่างถูกต้อง
งานข้อมูลโครงสร้าง (Structured Workflows): ระบบอัตโนมัติส่วนใหญ่อยู่บนพื้นฐานของ JSON Schema, XML หรือการสกัดข้อมูล (Data Extraction) ลงฐานข้อมูล
ความถูกต้องของฟอร์แมต (Schema Validity): โมเดลที่ดีสำหรับงาน Workflow ต้องปิดปีกกา {} ครบถ้วน, กำหนด Data Type ของแต่ละ Field ได้ถูกต้อง และรองรับระบบ Retry แบบ Deterministic

โปรดจำไว้ว่า: โมเดลที่คุยเก่งหรือเขียนบทความสละสลวย อาจไม่ใช่โมเดลที่ส่งออกข้อมูล JSON ได้เสถียรที่สุด!

Memory floor และ deployability

โมเดลที่ฉลาดที่สุดในโลกจะไม่มีประโยชน์เลยถ้ามันไม่สามารถเปิดใช้งานจริงบนฮาร์ดแวร์ของคุณได้ (Not Deployable):

คำนวณ Memory Floor: ตรวจสอบขนาด VRAM ขั้นต่ำที่ต้องใช้ โดยนำขนาด Weights (ตามระดับ Quantization) มารวมกับ KV Cache สำหรับความยาว Context และจำนวนผู้ใช้ที่คุณต้องการรองรับจริง
คัดเลือกตัวเก็ง (Shortlist Candidates): เลือกโมเดลตัวเก็ง 2-4 ตัวที่ขนาดพอดีกับการ์ดจอของคุณ เช่น หากใช้การ์ด 24 GB อาจเลือกระหว่าง โมเดล 14B-32B แบบ 8-bit/4-bit หรือโมเดลขนาดเล็กที่มีคะแนนด้าน Coding สูงเป็นพิเศษ
เปรียบเทียบด้วยเครื่องมือ: ใช้ LLM VRAM Calculator และชุดข้อสอบ (Eval Suite) เดียวกัน เพื่อเปรียบเทียบความคุ้มค่าระหว่างต้นทุนฮาร์ดแวร์, ความเร็ว (tok/s) และคุณภาพคำตอบก่อนตัดสินใจนำขึ้นระบบจริง

แหล่งอ้างอิง

ThaiLLM-8B model card

ลองกับ configuration ของคุณ

นำ model, quantization, context, framework และ hardware ที่คิดไว้ไปลองใน calculator จากนั้นยืนยันด้วย benchmark ที่ใกล้ production

เปิดเครื่องคำนวณ