เราแกะ Qwen3.8-27B-Fable-5-Coding-Distilled ว่าโมเดล "เช็กก่อนแก้" ตัวนี้จริงแค่ไหน

โดย Nokka (นก-กา) | 9 ตุลาคม 2026

บทความนี้เขียนโดย AI (deepseek-v4.1-flash) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์ - Nokka (นก-กา)

ช่วงนี้มีโมเดลหนึ่งวนอยู่ในกลุ่มคนที่รัน AI บนเครื่องตัวเอง หลายคนแชร์กันพร้อมคำชมว่าเป็นคู่แข่งตัวจริงของโมเดลสายเขียนโค้ด

ชื่อของมันยาวว่า Qwen3.8-27B-Fable-5-Coding-Distilled หน้าตาคุ้นเหมือนไฟล์ GGUF ทั่วไปที่โหลดมาใส่ Ollama หรือ LM Studio ได้เลย

แต่มีจุดหนึ่งที่คนแชร์มักข้ามไป นั่นคือคำว่า Fable 5 ไม่ได้มาจากทีม Qwen

ใครทำอะไรในงานชิ้นนี้

ถ้าถอดชื่อออกมาดู จะเห็นว่างานชิ้นนี้ผ่านมือสามทีม

ชั้นแรกคือ Qwen3.8-27B โมเดลฐานของ Alibaba ประกาศ Apache 2.0 เมื่อต้นเดือนสิงหาคม 2026 เป็นโมเดลแบบ dense ขนาดราว 27,000 ล้านพารามิเตอร์ที่รับได้ทั้งข้อความและภาพ[1]

ชั้นที่สองคือ khazarai ทีมที่นำโมเดลฐานไปฝึกต่อ (fine-tune) ให้ถนัดสายเขียนโค้ดและแก้บั๊กแบบ agentic[2]

ชั้นที่สามคือ mradermacher คนที่แปลงผลลัพธ์เป็นไฟล์ GGUF ให้คนทั่วไปโหลดไปรันกับเครื่องมือสาย Local ได้สะดวก[3]

เพราะฉะนั้นถ้าเห็นใครบอกว่า "Qwen ปล่อยโมเดล GGUF ตัวใหม่" คำตอบคือไม่ใช่ ตัวนี้เป็นงานต่อยอดที่ชุมชนทำขึ้น บนฐานของ Qwen

จุดนี้สำคัญเพราะมันบอกว่าเราไม่ควรคาดหวังคุณภาพเท่ากับโมเดลที่ทีมเจ้าของดูแลเอง และไม่ควรคาดหวังว่าเขาจะมีผลทดสอบครบเหมือนโมเดลทางการ

ความต่างระหว่างเดากับเปิดดูของจริง

ไฮไลต์จริงของงานชิ้นนี้ไม่ได้อยู่ที่เลข 27B แต่อยู่ที่เป้าหมายการฝึก

หน้าโมเดลเขียนไว้ตรง ๆ ว่าอยากดึงโมเดลฐานให้เลื่อนจากพฤติกรรม "เดาแล้วเขียนยาว" ไปสู่ "อ่านของจริงก่อน แล้วค่อยเสนอวิธีแก้"[2]

คำที่หน้าโมเดลใช้คือ grounded reasoning คือการอ่านไฟล์จริง ตรวจสมมติฐานกับสภาพจริงของโปรเจกต์ แทนการปล่อยสายคิดยาว ๆ ที่คิดไปเรื่อยโดยไม่เคยเปิดดูอะไรเลย

เจ้าของงานยกตัวอย่างเทียบให้เห็นภาพ เป็นเคสงานดีบั๊กสคริปต์ bash ใน CI ที่มีปัญหาวงเล็บคำพูด

เวอร์ชันที่ฝึกแล้วจะเปิดดูไฟล์โปรเจกต์จริงก่อน ทั้งไฟล์ทดสอบและสคริปต์เป้าหมาย แล้วค่อยเสนอการแก้ที่สั้นและอ้างสภาพจริงได้

ส่วนโมเดลฐานจะเขียนคร่ำเคร่งว่าสคริปต์ อาจ มีอะไร ยอมรับเป็นระยะว่ายังไม่เห็นไฟล์ แล้วสุดท้ายก็เสนอวิธีแก้จากการเดา ไม่เรียกเครื่องมือเลย

ความต่างนี้แหละที่เจ้าของงานบอกว่าเป็นสัญญาณหลักที่ชุดข้อมูล 195 ล้านโทเคนถูกสร้างขึ้นมาเพื่อตอกย้ำ[2]

ตัวเลขและที่มาของข้อมูล

ชุดข้อมูลที่ใช้ฝึกอ้างถึงคือชุดที่รวบรวมบทสนทนาและร่องรอยการทำงานของเอเจนต์ ระบุว่ามี 2,380 trajectories และ 12,490 training rows[4]

แยกตามหมวดแล้ว กลุ่มใหญ่สุดคือการเรียกใช้เครื่องมือ 694 trajectories รองลงมาคือการทำตามคำสั่ง 559 และการสร้างระบบ 312 ส่วนงานดีบั๊กโดยตรงมี 280[4]

เรื่องที่ต้องอ่านให้ครบคือที่มาของข้อมูล ผู้เผยแพร่ระบุชัดในหน้าเมทาดาทาว่าเป็น machine-generated คือสร้างโดยเครื่อง ไม่ใช่บันทึกการทำงานจริงของนักพัฒนามนุษย์[4]

ถ้อยในหน้าเดียวกันเขียนว่าเป็นเซสชันของ Claude Fable 5 ที่เก็บมาแบบครบกระบวนการ ตั้งแต่การสำรวจปัญหา ถกเถียงกับเครื่องมือ จนถึงคำตอบสุดท้าย

ประเด็นที่ต้องแยกให้ออกคือ "เซสชันของโมเดลที่เก็บจากของจริง" กับ "บันทึกบั๊กจริงจากนักพัฒนา" สองอันนี้คนละเรื่องกัน

ผู้เผยแพร่ยังบอกขั้นตอนตรวจรับไว้ด้วย คือเซสชันสายเขียนโค้ดต้องผ่านการทดสอบที่กำหนดผลได้ และผ่านการตรวจไฟล์ที่ห้ามแตะ ส่วนเซสชันสายทำตามคำสั่งต้องผ่านการตรวจการเรียกเครื่องมือและข้อจำกัดของคำตอบ[4]

ยังมีกลไกถอยระดับความพยายามคิดอีกชั้น ถ้ารอบที่คิดหนักไม่ผ่านการตรวจ ก็จะถอยลงมาที่ระดับกลางและระดับเบา แล้วเก็บรอบที่ผ่านเป็นอันแรกไว้[4]

ทั้งหมดนี้ทำให้คำว่า "ผ่านการตรวจ" มีน้ำหนักขึ้นจริง แต่ก็ต้องเข้าใจตรงกันว่ามันคือการผ่านเกณฑ์ของผู้จัดทำชุดข้อมูล ไม่ใช่การรับรองผลว่าคำตอบนั้นถูกต้องร้อยเปอร์เซ็นต์

ขนาดไฟล์จริงทั้งสิบเอ็ดระดับ

ตัวเลขที่คนถามถึงมากที่สุดคือขนาดไฟล์ เพราะมันตัดสินว่าเครื่องของเรารันได้หรือไม่

คลัง GGUF มีไฟล์ให้เลือกทั้งหมดสิบเอ็ดระดับ ตั้งแต่ Q2_K ที่เล็กสุด ไปจนถึง Q8_0[3]

• Q2_K 10.86 กิกะไบต์
• Q3_K_S 12.26 กิกะไบต์
• Q3_K_M 13.50 กิกะไบต์
• Q3_K_L 14.56 กิกะไบต์
• IQ4_XS 15.42 กิกะไบต์
• Q4_K_S 15.83 กิกะไบต์
• Q4_K_M 16.81 กิกะไบต์
• Q5_K_S 18.97 กิกะไบต์
• Q5_K_M 19.54 กิกะไบต์
• Q6_K 22.43 กิกะไบต์
• Q8_0 29.05 กิกะไบต์

ในคลังเดียวกันยังมีไฟล์ mmproj อีกสองไฟล์ คือ f16 ขนาด 0.93 กิกะไบต์ และ Q8_0 ขนาด 0.63 กิกะไบต์[3]

การมีไฟล์ mmproj อยู่ด้วยเป็นเบาะแสว่าโมเดลฐานรับภาพได้ ไม่ใช่โมเดลข้อความล้วน ตรงกับที่โมเดลฐานระบุว่าตัวเองเป็น image-text-to-text[1]

ทีม khazarai เองก็ปล่อยคลัง GGUF ของตัวเอง แต่มีแค่ระดับ Q8_0 ขนาด 28.60 กิกะไบต์[5] ส่วนคนที่อยากได้แบบ imatrix ก็มีคลังแยกให้เลือกเช่นกัน

ขนาดไฟล์ไม่ได้เท่ากับแรมที่ต้องใช้

ทำไม Q2_K ถึงไม่ใช่ 2 บิตจริง ๆ

KV cache ก้อนที่คนมักลืมนับ

นี่คือจุดที่ผมเห็นคนเข้าใจผิดบ่อยที่สุดในเรื่องนี้

ลองคำนวณย้อนดูว่าไฟล์ Q2_K ขนาด 10.86 กิกะไบต์ควรกินบิตต่อน้ำหนักเท่าไร

params   = 27e9          # พารามิเตอร์ของโมเดลฐาน
file_gb  = 10.86         # ขนาดไฟล์ Q2_K จริง
bits_per_weight = file_gb * 8 * 1e9 / params
print(bits_per_weight)   # ได้ราว 3.22 บิต

ชื่อไฟล์บอกว่า 2 บิต แต่คำนวณจากไฟล์จริงได้ราว 3.2 บิต หมายความว่าไม่ใช่ทุกชั้นถูกบีบเท่ากัน

ชั้นที่ไวต่อคุณภาพอย่าง embedding และ output layer มักถูกเก็บไว้ที่ความละเอียดสูงกว่า ขณะที่ชั้น Attention กับ Feed Forward ถูกบีบหนักกว่า ทำให้ไฟล์รวมใหญ่กว่าที่ชื่อบอก[3]

เพราะฉะนั้นคนที่คิดว่า "Q2_K เล็กกว่า 11 กิกะไบต์ ใส่การ์ด 12 กิกะไบต์ได้" ควรเผื่อเมทริกซ์น้ำหนักที่ถูกเก็บละเอียดไว้ก้อนนี้ด้วย

และที่ต้องบวกเพิ่มอีกก้อนคือ KV cache หรือหน่วยความจำที่ใช้เก็บบริบทระหว่างที่โมเดลกำลังคิด

ก้อนนี้คิดไม่เหมือนโมเดลทั่วไป เพราะ Qwen3.8-27B ไม่ได้ใช้ Attention แบบเต็มทุกชั้น ไฟล์ config ของโมเดลระบุว่ามี 64 ชั้น โดยแบ่งเป็นชั้น full attention 16 ชั้น และชั้น linear attention 48 ชั้น[1]

ชั้น full attention เป็นแบบที่ต้องเก็บค่า Key และ Value ของทุกโทเคนก่อนหน้า หน่วยความจำจึงโตตามความยาวบริบท

ส่วนชั้น linear attention เก็บสถานะแบบคงที่ ไม่โตตามบริบทเลย

ลองคำนวณจากค่าจริงใน config คือ 16 ชั้น full attention มี 4 หัวแบบ Key-Value และหัวละ 256 มิติ[1]

full_layers, kv_heads, head_dim = 16, 4, 256
per_tok = 2 * full_layers * kv_heads * head_dim * 2   # K และ V ที่ 2 ไบต์
print(per_tok * 1000 / 1e6)   # 65.5 MB ต่อ 1,000 โทเคน
for ctx in (8192, 32768, 131072):
    print(ctx, round(per_tok * ctx / 1e9, 2), "GB")
8192 -> 0.54 GB | 32768 -> 2.15 GB | 131072 -> 8.59 GB

ส่วน 48 ชั้น linear attention ยังมีสถานะของตัวเองอีกก้อน แต่เป็นก้อนคงรูปที่ไม่โตตามความยาวบริบทเลย และเล็กกว่าหน่วยความจำที่ชั้น full attention เก็บไว้มาก[1]

ตัวเลขนี้ยังไม่นับพื้นที่สำหรับระบบปฏิบัติการและโปรแกรมสั่งรันโมเดล

ยกตัวอย่างให้เห็นชัด ถ้าใช้ Q4_K_M ขนาด 16.81 กิกะไบต์ แล้วตั้งบริบท 32,768 โทเคน ต้องเผื่อแรมรวมราว 19 กิกะไบต์ขึ้นไป

การ์ด 16 กิกะไบต์ยังรันได้สบายถ้าเลือกไฟล์เล็กลงหนึ่งขั้น อย่าง Q3_K_M ขนาด 13.50 กิกะไบต์ บวก KV cache ที่บริบท 8,192 โทเคนอีกราว 0.54 กิกะไบต์ รวมประมาณ 14 กิกะไบต์

แต่ถ้าอยากใช้บริบทยาวระดับหลายหมื่นโทเคนขึ้นไป หรือใช้ไฟล์ความละเอียดสูงอย่าง Q6_K คู่กับบริบทยาว การ์ด 16 กิกะไบต์จะเริ่มตึง ต้องขยับไปเครื่องที่แรมมากกว่านั้น

จุดที่หน้าโมเดลยังไม่พร้อม

ช่องที่ยังค้างให้ยืนยัน

ไม่มีผลทดสอบของตัวเอง

ตรงนี้คือส่วนที่ต้องพูดตรง ๆ เพราะมันอยู่ในหน้าโมเดลเอง

หน้าโมเดลของงานชิ้นนี้ยังมีข้อความเตือนให้เติมข้อมูลก่อนเผยแพร่ค้างอยู่ ระบุให้ยืนยันเรื่องการสืบทอดไลเซนส์จากโมเดลฐาน องค์ประกอบและที่มาของชุดข้อมูล ค่าพารามิเตอร์ตอนฝึก และฮาร์ดแวร์ที่ใช้[2]

บางช่องก็เขียนกำกับไว้เองว่ายังต้องยืนยัน เช่นช่องความยาวบริบทที่เขียนว่า inherit จากโมเดลฐาน แล้ววงเล็บต่อท้ายว่าขอให้ยืนยันค่าจริง

ช่องวิธีฝึกเองก็ยังค้างอยู่ ไม่ได้ระบุว่าเป็น SFT หรือ LoRA ให้ชัด

ที่สำคัญคือหน้าโมเดลนี้ ไม่มีผลทดสอบของตัวเองเลย ไม่มีตาราง benchmark เทียบกับโมเดลฐานหรือโมเดลอื่น

ตัวเลขที่ผมเห็นคนพูดถึงกัน เช่น คะแนน 61.7 บน SWE-bench Pro หรือ 90.3 บน LiveCodeBench[6] ล้วนเป็นคะแนนของ โมเดลฐาน Qwen3.8-27B ไม่ใช่ของเวอร์ชันที่ฝึกต่อตัวนี้

ตรงนี้ต้องแยกให้ออก ไม่งั้นเราจะเผลอให้เครดิตงานฝึกต่อด้วยคะแนนที่เขาไม่ได้ทำ

แม้แต่คนที่ลองใช้จริงแล้วชอบก็ยังพูดตรง ๆ ว่าไม่มีผลทดสอบในมือ

เสียงจากคนที่ลองจริง

สองรายงานจากผู้ใช้

หน้าโมเดลมีเธรดสนทนาที่ผู้ใช้เข้ามารายงานผลไว้สองราย ซึ่งนับเป็นข้อมูลที่มีค่าที่สุด เพราะมาจากคนที่รันจริง ไม่ใช่การคาดเดา

รายแรกใช้ชื่อว่า xmesaj2 เล่าไว้เมื่อปลายเดือนกันยายนว่าโมเดลใช้เวลาวิเคราะห์ให้ดีก่อนลงมือแก้ และเห็นความต่างชัดในเรื่องจำนวนรอบที่ลดลง เพราะโมเดลไม่เริ่มแก้ก่อนจะเข้าใจงาน[7]

เขาระบุด้วยว่าเวอร์ชันนี้เปิดอ่านเอกสารบ่อยกว่าโมเดลอื่น และยังไม่เจออาการวนซ้ำ

เครื่องที่เขาใช้คือการ์ด Mi50 ขนาด 32 กิกะไบต์ รันผ่าน mx-llama.cpp กับ ROCm เวอร์ชันทดสอบ ที่บริบท 65,000 โทเคน บนไฟล์ Q6_K[7]

เขาสรุปว่านี่คือตัวเลือกสายเขียนโค้ดที่เขาชอบที่สุดในบรรดาโมเดลที่ต่อยอดจาก Qwen3.8-27B ด้วยกัน

แต่ก็ย้ำเองว่าไม่มีผลทดสอบ มีแค่การเทียบกับเวอร์ชันอื่นที่เขาลองมา

รายที่สองใช้ชื่อว่า newbieai2025 รายงานเมื่อปลายเดือนกันยายนเช่นกันว่าได้ลองงานยาวต่อเนื่องราว 60 ล้านโทเคน นานเกิน 3 ชั่วโมง แล้วโมเดลยังทำงานได้ดี ไม่วนซ้ำ ไม่คิดวน และตรวจผลของตัวเองอย่างระมัดระวัง[8]

ข้อติของเขาคือเวอร์ชันที่เขาใช้เป็น BF16 ซึ่งหนักเกินไปสำหรับการรันทั่วไป จึงขอให้ทีมทำเวอร์ชัน FP8 ให้ด้วย

จุดน่าสังเกตคือทั้งสองรายงานเป็นประสบการณ์เชิงบวก แต่ก็เป็นตัวอย่างจากผู้ใช้สองคนบนฮาร์ดแวร์เฉพาะ ยังไม่ใช่หลักฐานทางสถิติที่บอกได้ว่าโมเดลนี้ดีกว่าโมเดลอื่นอย่างเป็นระบบ

สามเรื่องที่ต้องรู้ก่อนตัดสินใจ

หนึ่ง ที่มาของชุดข้อมูลยังกำกวม

สอง ชุดข้อมูลคู่ที่บอกอะไรบางอย่าง

สาม บริบทอุตสาหกรรมที่ควรรู้

เรื่องแรก: ที่มาของชุดข้อมูลมีจุดกำกวม

หน้าโมเดลอ้างว่าฝึกด้วยชุดข้อมูลชื่อ DSFFGFG456/fable-5-coding-and-debugging-traces[2] แต่เมื่อเปิดหน้า README ของชุดข้อมูลนั้น กลับพบว่าส่วน citation ชี้ไปที่อีกบัญชีหนึ่ง คือ greghavens/fable-5-coding-and-debugging-traces[4]

เมื่อลองเปิดที่อยู่ของ greghavens ตรง ๆ ณ เวลาที่เขียน หน้าเว็บตอบกลับว่าต้องเข้าสู่ระบบ ไม่ได้เปิดให้อ่านแบบสาธารณะ[9]

สรุปคือชุดข้อมูลที่ยังเปิดอ่านได้จริงคือชุดที่อยู่ใต้บัญชี DSFFGFG456 ส่วนต้นทางที่ถูกอ้างถึงยังตรวจไม่พบว่าเข้าถึงได้ในตอนนี้

เรื่องที่สอง: มีชุดข้อมูลคู่ที่บอกอะไรบางอย่าง

ในบัญชีของผู้จัดทำชุดข้อมูล มีอีกชุดหนึ่งชื่อต่อท้ายว่า synthetic-corrections[10] ซึ่งอธิบายตัวเองว่าเป็นร่องรอยที่ถูกแก้ให้ถูกต้องแบบสังเคราะห์ แล้วนำไปตรวจใหม่ และเป็นร่องรอยที่ ไม่เคยผ่านเกณฑ์ในชุดข้อมูลต้นทาง

ชุดนี้มีขนาดเล็กมากในตอนนี้ คือ 1 trajectory กับ 2 แถวข้อมูล และผู้จัดทำระบุว่าเป็นชุดที่ยังโตอยู่

การมีอยู่ของชุดนี้บอกเราว่า 2,380 trajectories ที่เราเห็นไม่ใช่ทั้งหมดที่ถูกสร้างขึ้น แต่เป็นส่วนที่ผ่านเกณฑ์แล้ว ของที่ไม่ผ่านถูกแยกออกและมีกระบวนการตามหลัง

เรื่องที่สาม: บริบทของอุตสาหกรรมที่ควรรู้

ชุดข้อมูลนี้สร้างจากเซสชันของ Claude Fable 5 ซึ่งเป็นโมเดลของ Anthropic

ประเด็นนี้ไม่ใช่การกล่าวหางานชิ้นนี้ เพราะผู้จัดทำเปิดเผยที่มาชัดเจนในเมทาดาทาและการอ้างอิง แต่เป็นการวางบริบทว่าการนำผลลัพธ์ของโมเดลหนึ่งไปฝึกอีกโมเดลหนึ่ง เป็นเรื่องที่ถูกจับตาในวงการ

Anthropic เองประกาศเมื่อเดือนกุมภาพันธ์ 2026 ว่าพบการดึงความสามารถออกจาก Claude ในระดับอุตสาหกรรม โดยระบุว่ามีการสร้างบทสนทนากว่า 16 ล้านครั้งผ่านบัญชีปลอมราว 24,000 บัญชี ซึ่งผิดข้อกำหนดการใช้บริการ[11]

ต่อมาในเดือนกันยายน 2026 มีรายงานว่าในช่วง 10 วัน มีคำขอเกือบ 300,000 ครั้งถูกส่งไปยัง Claude ผ่านเครือข่ายบัญชีราว 5,000 บัญชี โดยเล็งไปที่โมเดล Opus เป็นหลัก[12]

ตัวเลขเหล่านี้เป็นของบริษัทอื่น ไม่ใช่ของงานชิ้นนี้ แต่เป็นเหตุผลว่าทำไมการสืบทอดไลเซนส์ของงานที่กลั่นจากโมเดลอื่น จึงเป็นช่องที่ผู้จัดทำเองก็ยังไม่กล้าฟันธง และยังค้างไว้ให้ยืนยันในหน้าโมเดล[2]

แล้วควรลองไหม

วิธีเลือกไฟล์ให้เหมาะกับเครื่อง

ถ้าโจทย์ของเราคือให้ AI ช่วยอ่านคลังโค้ด ไล่หาสาเหตุของบั๊ก แก้ชุดทดสอบ หรือทำเอเจนต์เขียนโค้ดที่อยากให้โค้ดอยู่ในเครื่องตัวเอง ไม่ต้องส่งออกไปที่ไหน โมเดลตัวนี้น่าลอง

จุดที่ต้องคิดให้ดีคือเลือกไฟล์ GGUF ให้เหมาะกับเครื่อง อย่าดูแค่ขนาดไฟล์ ให้เผื่อ KV cache และหน่วยความจำระบบด้วย

อย่างที่คำนวณไว้ข้างต้น การ์ด 16 กิกะไบต์ยังพอไหวถ้าเลือกไฟล์ให้เหมาะกับบริบทที่ใช้ แต่ถ้าอยากใช้บริบทยาวระดับหลายหมื่นโทเคน ต้องขยับไปเครื่องที่แรมเยอะกว่านั้น หรือเลือกไฟล์เล็กลงแล้วยอมรับคุณภาพที่ลดลง

และขอฝากไว้อย่างหนึ่งคืออย่าเพิ่งเชื่อคำชมที่บอกว่าเป็นคิงสายเขียนโค้ด จนกว่าจะได้ลองกับโปรเจกต์ของเราเอง เพราะผลทดสอบทางการยังไม่มี และเสียงชมที่มีก็มาจากผู้ใช้เพียงไม่กี่รายบนฮาร์ดแวร์เฉพาะ

ถ้าคุณอยากรู้ว่าโมเดลนี้เหมาะกับงานของคุณจริงไหม วิธีที่ตรงที่สุดคือหยิบงานจริงในโปรเจกต์ตัวเองมาลองสักสองสามอย่าง แล้ววัดผลเทียบกับตัวที่ใช้อยู่ตอนนี้

แล้วคุณล่ะ เวลาเจอโมเดลใหม่ที่ชื่อยาวจนอ่านไม่หมดแบบนี้ คุณมีวิธีเช็กก่อนโหลดลงเครื่องหรือยัง?

AI เขียนโค้ดได้ครับ แต่คนที่ต้องรีวิวและรับผิดชอบโค้ดที่ merge เข้าไปนั้นยังเป็นคนเสมอ

แหล่งอ้างอิง

[1] Qwen, "Qwen3.8-27B" (รวมไฟล์ config.json: 64 ชั้น · full attention 16 · linear attention 48 · 4 KV heads · head_dim 256 · บริบท 262,144), Hugging Face, 2026. https://huggingface.co/Qwen/Qwen3.8-27B
[2] khazarai, "Qwen3.8-27B-Coding-Distilled", Hugging Face, 2026. https://huggingface.co/khazarai/Qwen3.8-27B-Fable-5-Coding-Distilled
[3] mradermacher, "Qwen3.8-27B-Fable-5-Coding-Distilled-GGUF", Hugging Face, 2026. https://huggingface.co/mradermacher/Qwen3.8-27B-Fable-5-Coding-Distilled-GGUF
[4] DSFFGFG456, "Claude Fable 5 Agent Traces", Hugging Face, สิงหาคม 2026. https://huggingface.co/datasets/DSFFGFG456/fable-5-coding-and-debugging-traces
[5] khazarai, "Qwen3.8-27B-Fable-5-Coding-Distilled-GGUF", Hugging Face, 2026. https://huggingface.co/khazarai/Qwen3.8-27B-Fable-5-Coding-Distilled-GGUF
[6] Carl Franzen, "Qwen3.8-27B runs frontier-class coding agents", VentureBeat, 17 สิงหาคม 2026. https://venturebeat.com/technology/qwen3-8-27b-runs-frontier-class-coding-agents-and-reasoning-locally-no-cloud-api-required
[7] xmesaj2, เธรดผู้ใช้ "My new favorite!", หน้าโมเดล khazarai, 24 กันยายน 2026. https://huggingface.co/khazarai/Qwen3.8-27B-Fable-5-Coding-Distilled/discussions/1
[8] newbieai2025, เธรดผู้ใช้ "Excellent model", หน้าโมเดล khazarai, 29 กันยายน 2026. https://huggingface.co/khazarai/Qwen3.8-27B-Fable-5-Coding-Distilled/discussions/2
[9] greghavens, "fable-5-coding-and-debugging-traces", Hugging Face, 2026 (ต้องเข้าสู่ระบบ). https://huggingface.co/datasets/greghavens/fable-5-coding-and-debugging-traces
[10] greghavens, "fable-5-coding-and-debugging-traces-synthetic-corrections", Hugging Face, 2026. https://huggingface.co/datasets/greghavens/fable-5-coding-and-debugging-traces-synthetic-corrections
[11] Anthropic, "Detecting and preventing distillation attacks", 23 กุมภาพันธ์ 2026. https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks
[12] TechCrunch, "Anthropic details distillation campaigns from Alibaba, Moonshot AI, and DeepSeek", 10 กันยายน 2026. https://techcrunch.com/2026/09/10/anthropic-details-distillation-campaigns-from-alibaba-moonshot-ai-and-deepseek/