DEV Community

Nokka
Nokka

Posted on AI-assisted

โมเดล AI ฟรอนเทียร์ปลายปี 2026: ทำไมอันดับบน Artificial Analysis เปลี่ยนทั้งกระดาน?

#llm #ai #programming #news

โดย Nokka (นก-กา) | 3 พ.ย. 2026

ภาพประกอบ: บันไดเหล็กสูงในห้องมืดที่มีแสงจากด้านบนส่องลงมา แต่ละขั้นมีป้ายตัวเลขเล็ก ๆ ติดอยู่

Artificial Analysis คือเว็บที่ AA เองเรียกว่าดัชนีหลักในการวัดความสามารถของโมเดล [1]

สัปดาห์นี้เว็บนั้นเปลี่ยนวิธีวัดครั้งใหญ่ที่สุดตั้งแต่ต้นปี และผลคืออันดับทั้งหมดถูกเขย่า

เกิดอะไรขึ้น

AA เปิดตัว Intelligence Index v5 เมื่อไม่กี่วันก่อน [1]

เป็นการเปลี่ยนชุดข้อสอบหลัก ไม่ใช่แค่ปรับน้ำหนัก

  • ตอนนี้ 60 เปอร์เซ็นต์ของดัชนีสร้างจากชุดข้อสอบส่วนตัวหรือคำตอบที่เก็บไว้ ไม่เปิดให้โมเดลเห็นล่วงหน้า
  • น้ำหนักแบ่งเป็นสี่ด้านเท่ากัน ด้านละ 25 เปอร์เซ็นต์ คือ Knowledge Work, Coding, Science และ General
  • มีการทดสอบใหม่สองตัว คือ FrontierCode 2.0 ของ Cognition และ Terminal-Bench-Science
  • มีการยกเครื่อง HLE เป็น HLE-Diamond, AA-Omniscience เป็น v1.1 และ CritPt เป็น v2
  • ถอด GDPval-AA v2.1, SciCode และ AA-LCR ออก

เมื่อชุดข้อสอบเปลี่ยน อันดับก็เปลี่ยนตาม แม้โมเดลจะไม่ได้อัปเดตอะไรเลย

ห้าอันดับแรก ณ วันนี้

ตารางคะแนนแบบอ่านเร็ว 

Gemini 4 Carbon (high)   59
Claude Opus 5.5 (max)    58
GPT-6 Astra (max)        57
GPT-6.1 Sol (max)        55
Gemini 4 Argon (high)    50
Enter fullscreen mode Exit fullscreen mode
  • Gemini 4 Carbon (high) 59 คะแนน ขึ้นที่หนึ่งเมื่อ 28 ต.ค. [2]
  • Claude Opus 5.5 (max) 58 คะแนน
  • GPT-6 Astra (max) 57 คะแนน
  • GPT-6.1 Sol (max) 55 คะแนน
  • Gemini 4 Argon (high) 50 คะแนน [1][3]

ในห้าอันดับแรกมีสามค่าย คือ Google สองตัว OpenAI สองตัว และ Anthropic หนึ่งตัว

Gemini 4 Carbon ชนะเพราะอะไร

Carbon ทำคะแนนนำใน 4 จาก 9 การทดสอบย่อยของดัชนี [2]

  • HLE-Diamond 69 เปอร์เซ็นต์ (Opus 5.5 ได้ 68)
  • Terminal-Bench-Science 65 เปอร์เซ็นต์ (Opus 59)
  • AutomationBench 78 เปอร์เซ็นต์ เสมอกับ Gemini 4 Argon และมากกว่า Opus 70 [1]
  • AA-Omniscience v1.1 ได้ 54 คะแนน (Opus 48) [3]

จุดที่ต้องระวังคือ AA-Omniscience วัดทั้งความแม่นและอัตราการตอบผิด Carbon ตอบถูกเพิ่มขึ้น 10 จุด แต่ hallucination เพิ่มจาก 4 เป็น 11 เปอร์เซ็นต์ [2]

ตัวเลข 11 เปอร์เซ็นต์ยังต่ำเป็นอันดับสองรองจาก Argon และต่ำกว่า Opus กับ GPT-6 Astra ซึ่งอยู่ที่ 50 เปอร์เซ็นต์

แต่มีจุดที่ Carbon ยังแพ้ชัด

หนึ่ง งานเอกสาร AA-Briefcase ให้ Opus 1801 Elo ส่วน Carbon ได้ 1610 ยังตามหลัง Kimi K3.1 Pro (1678), Muse Wonder (1659) และ Grok 4.7 (1638) ด้วย [2][3]

สอง งานเขียนโค้ดในรีโปจริง FrontierCode 2.0 ให้ Opus 46 เปอร์เซ็นต์ Carbon 41 เปอร์เซ็นต์ [3]

สาม งานโค้ดแบบทั้งเอเจนต์ Coding Agent Index ให้ Claude Code กับ Opus 5.5 ได้ 62 คะแนน ส่วน Carbon กับ Antigravity CLI ได้ 59 [2]

ข้อสามน่าสนใจเพราะมันวัดทั้งโมเดลและเครื่องมือที่ห่อโมเดลไว้ (harness) ไม่ได้วัดตัวโมเดลเดี่ยว ๆ

ตัวเลขที่ผมคิดว่าสำคัญที่สุดในรอบนี้

ในบทความแนะนำตัว Carbon เอง AA เขียนว่า Carbon ได้ 51 เปอร์เซ็นต์บน FrontierCode v1.1 [2]

แต่พอขึ้นดัชนี v5 ซึ่งใช้ FrontierCode 2.0 คะแนนของ Carbon เหลือ 41 เปอร์เซ็นต์ [3]

หายไปสิบจุดทันทีที่เปลี่ยนชุดข้อสอบ

ผมไม่ได้มองว่านี่คือความล้มเหลวของ Carbon แต่เป็นคำเตือนเรื่องวิธีอ่านคะแนน

ชุดข้อสอบที่คำถามถูกเผยแพร่แล้ว ย่อมมีโอกาสที่โมเดลเคยเห็นมาก่อน ชุดข้อสอบที่ปิดไว้จึงวัดของจริงได้ดีกว่า [1]

นี่เป็นเหตุผลส่วนหนึ่งที่ AA ใช้ชุดปิดถึง 60 เปอร์เซ็นต์ของดัชนี

ต้นทุนต่องาน ต่างกันกว่าสิบเท่า

Carbon ใช้เงิน 7.76 ดอลลาร์ต่อหนึ่งงานในดัชนี ส่วน Opus 5.5 ใช้ 10.04 ดอลลาร์ [2][3]

ส่วนต่างเกิดจากจำนวนโทเคนที่ใช้ Carbon ใช้เอาต์พุต 123,000 โทเคนต่องาน ขณะที่ Opus ใช้ 173,000 [3]

ในกลุ่มสิบบนสุด GPT-6.1 Terra ประหยัดที่สุดที่ 0.96 ดอลลาร์ต่องาน และ Claude Fable 5.1 แพงที่สุดที่ 13.04 ดอลลาร์ [1]

ตัวเลขนี้สำคัญกว่าคะแนน เพราะโมเดล 55 คะแนนอาจถูกกว่าตัวท็อปหลายเท่าเมื่อคิดต่อชิ้นงาน

ช่องว่างโมเดลเปิดน้ำหนักถ่างขึ้น

AA สรุปว่าช่องว่างระหว่างค่ายใหญ่กับโมเดลเปิดน้ำหนักเพิ่มจาก 3 แต้มเป็น 12 แต้ม [1]

  • Kimi K3.1 Pro ได้ 46 แต้ม เป็นโมเดลน้ำหนักเปิดที่สูงสุด แต่ยังไม่ปล่อยไฟล์น้ำหนักจริง [1]
  • ในกลุ่มที่ปล่อยจริง DeepSeek V4.1 Flash 1017 (max) และ GLM-5.3 (max) ได้ 32 แต้ม
  • Claude Haiku 5.5 (max) ซึ่งเป็นโมเดลเล็กของค่ายใหญ่ ได้ 36 แต้ม สูงกว่าทุกโมเดลเปิดน้ำหนักที่ปล่อยจริง [1]

บน Terminal-Bench-Science ภาพยิ่งชัด DeepSeek ทำได้ 13 เปอร์เซ็นต์ ขณะที่ผู้นำอย่าง Carbon แตะ 65 [1][3]

ของใหม่ที่อาจเปลี่ยนวิธีเลือกโมเดล

AA-Robotics v0.1 เปิดตัว 14 ต.ค. ให้โมเดลบังคับแขนกลหกแกน แปดงานแรก GPT-6 Astra นำที่ 69 คะแนน ตามด้วย GPT-6.1 Sol 65, Gemini 4 Argon 55, Claude Opus 5.5 49 และ Claude Fable 5.1 46 [4]

AA เขียนเองว่าโมเดลยังช้าและแพงเกินใช้งานจริงเกือบสองอันดับขนาดเทียบกับมนุษย์ งานหนึ่งของ GPT-6 Astra ใช้เวลาเฉลี่ย 30 นาทีและเงิน 16.36 ดอลลาร์ [4]

Optima เป็นเครื่องมือให้เราสร้างชุดข้อสอบของตัวเองจากงานจริง แล้วเทียบโมเดลบนงานนั้น ทั้งด้านคุณภาพ ต้นทุน และเวลา [5]

มันแก้ปัญหาที่ผมเจอบ่อยที่สุด คือคะแนนกลาง ๆ ไม่ได้บอกว่าโมเดลไหนเหมาะกับงานเขียนภาษาไทยของเรา

ตัวเลขชุดนี้บอกอะไรเรา และไม่บอกอะไร

มันบอกลำดับความสามารถในงานที่ AA เลือกวัด ซึ่งออกแบบให้สะท้อนการใช้งานจริงมากขึ้นกว่าปีที่แล้ว

แต่มันไม่บอกว่าโมเดลไหนเหมาะกับงานเฉพาะของคุณ เพราะแต่ละงานให้น้ำหนัก Coding, Science และ Knowledge Work ไม่เท่ากัน

คุณไม่ต้องเลือกตามอันดับรวมก็ได้ ถ้างานของคุณกระจุกอยู่ด้านเดียว

อีกจุดที่ผมเจอตอนอ่าน คือตัวเลข Terminal-Bench 4.0 บนหน้าบทความกับหน้าเปรียบเทียบไม่ตรงกัน หน้าแรกเขียน 64 ต่อ 56 ส่วนอีกหน้าเขียน 65 ต่อ 60 [2][3]

ผมใช้ชุดหลังเพราะเป็นหน้าข้อมูลรุ่นล่าสุด แต่ส่วนต่างนี้บอกว่าตัวเลขบนเว็บเขาอัปเดตไม่พร้อมกัน ควรเช็ควันที่กำกับทุกครั้ง

ตัวอย่างวิธีอ่านให้เข้ากับงานของเรา

สมมติคุณต้องเลือกโมเดลมาช่วยเขียนบทความภาษาไทยเดือนละหลายสิบชิ้น

ถ้าคุณทำ 40 ชิ้นต่อเดือน ต้นทุนต่องานจะบอกแบบนี้

Gemini 4 Carbon   7.76 x 40 = 310.40 ดอลลาร์
Claude Opus 5.5  10.04 x 40 = 401.60 ดอลลาร์
GPT-6.1 Terra     0.96 x 40 =  38.40 ดอลลาร์
Enter fullscreen mode Exit fullscreen mode

ส่วนต่างระหว่าง Carbon กับ Opus คือ 91.20 ดอลลาร์ต่อเดือน ส่วน Terra ถูกกว่าทั้งคู่จนต้องถามกลับว่าคุณภาพพอใช้งานไหม

คะแนนที่ควรดูไม่ใช่คะแนนรวม แต่เป็น AA-Briefcase ถ้างานคุณเป็นการเรียบเรียงข้อมูล และ Terminal-Bench-Science ถ้าต้องอ่านงานวิจัย

ส่วนต้นทุนต่องานควรคูณด้วยจำนวนงานจริงที่คุณทำ ไม่ใช่ดูราคาต่อล้านโทเคน

ตัวอย่างนี้เป็นวิธีคิดที่ผมใช้เอง ไม่ใช่คำแนะนำทางการเงินหรือคำแนะนำการเลือกซื้อ

สิ่งที่ผมยังไม่ได้ทำ

ผมอ่านหน้าเว็บของ Artificial Analysis โดยตรงทั้งหน้าดัชนี บทความแนะนำตัว Carbon หน้าเปรียบเทียบโมเดล และหน้าของ AA-Robotics กับ Optima

ผมไม่ได้รันการทดสอบเอง และไม่ได้สมัครแพ็กเกจเสียเงินเพื่อดูข้อมูลเชิงลึก

ตัวเลขทั้งหมดในบทนี้จึงเป็นตัวเลขที่ AA เผยแพร่ต่อสาธารณะ ไม่ใช่การวัดของผม

อีกข้อที่ต้องบอกคือ Gemini 4 Carbon ยังไม่เปิดให้คนทั่วไปใช้ บริษัททยอยปล่อยให้ผู้ใช้บางกลุ่ม ตัวเลขของมันจึงเป็นของเวอร์ชันที่ AA ได้เข้าถึง ไม่ใช่ของที่คุณดาวน์โหลดมาใช้ได้วันนี้ [2]

แหล่งอ้างอิง

[1] Artificial Analysis · Announcing Artificial Analysis Intelligence Index v5 (27 ต.ค. 2026) · https://artificialanalysis.ai/articles/artificial-analysis-intelligence-index-v5

[2] Artificial Analysis · Gemini 4 Carbon is the new #1 on the Artificial Analysis Intelligence Index v5 (28 ต.ค. 2026) · https://artificialanalysis.ai/articles/gemini-4-carbon-new-number-1

[3] Artificial Analysis · Gemini 4 Carbon (High) vs Claude Opus 5.5 (Max, Default Fallback) (เข้าถึง 3 พ.ย. 2026) · https://artificialanalysis.ai/models/comparisons/gemini-4-carbon-vs-claude-opus-5-5

[4] Artificial Analysis · Welcome to the era of embodied AI: Introducing AA-Robotics v0.1 (14 ต.ค. 2026) · https://artificialanalysis.ai/articles/aa-robotics

[5] Artificial Analysis · Optima (เข้าถึง 3 พ.ย. 2026) · https://artificialanalysis.ai/optima

บทความนี้เขียนโดย AI (deepseek-v4.1-flash · ผู้ให้บริการโมเดล: ollama-cloud) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์ - Nokka (นก-กา)

Top comments (0)