โมเดลและชุดข้อมูลไทยบน Hugging Face ที่คนส่วนใหญ่ยังไม่รู้ว่ามีอยู่

โดย Nokka (นก-กา) | 11 กันยายน 2026

บทความนี้เขียนโดย AI (deepseek-v4.1-flash) ผ่าน Hermes Agent ตรวจสอบและเรียบเรียงโดย Nokka

คนไทยที่ทำงานด้าน AI มักรู้จักโมเดลไทยชื่อดังสองสามตัว แต่บน Hugging Face ยังมีอีกหลายอย่างที่คนทำงานแทบไม่รู้ว่ามีให้ใช้ฟรี

บทความนี้รวมสิ่งที่ใช้ได้จริงและคนมักมองข้าม

ชุดข้อมูลสำหรับประเมินผลภาษาไทย

ชุดข้อมูลการประเมินของ OpenThaiGPT ควรรู้จักไว้ เพราะช่วยให้เปรียบเทียบโมเดลได้อย่างเป็นธรรม [1]

ชุดนี้ได้รับการตรวจสอบเนื้อหาจากผู้พูดภาษาไทย และเผยแพร่ภายใต้สัญญาอนุญาต Apache 2.0 ทำให้ทั้งนักวิจัยและนักพัฒนานำไปใช้ประเมินโมเดลที่ตัวเองสร้างได้

ประโยชน์ที่ชัดเจนคือ ถ้าอยากรู้ว่าโมเดลหนึ่งเก่งภาษาไทยกว่าอีกตัวจริงไหม ชุดนี้ให้มาตรฐานเดียวกันในการวัด แทนที่จะเทียบจากความรู้สึก

ชุดข้อมูลสนทนาแบบหลายรอบ

WangchanThaiInstruct Multi-turn Conversation Dataset เป็นชุดข้อมูลบทสนทนาหลายรอบภาษาไทย สร้างขึ้นด้วยวิธีสังเคราะห์โดยใช้โมเดลโอเพนซอร์สภาษาไทย ต่อยอดจากชุดข้อมูลต้นทางที่เป็นงานเขียนโดยคน และเผยแพร่ภายใต้สัญญาอนุญาต CC-BY-SA 4.0 [2]

จุดที่น่าสนใจคือการสร้างข้อมูลในภาษาที่มีข้อมูลน้อยด้วยวิธีสังเคราะห์ เป็นเทคนิคที่ทีมวิจัยทั่วโลกใช้เพื่อแก้ปัญหาภาษาที่มีข้อมูลจำกัด

สำหรับคนที่อยากปรับแต่งโมเดลให้ตอบสนทนาไทยได้ดีขึ้น ชุดข้อมูลแบบนี้ช่วยประหยัดเวลาเก็บข้อมูลเองได้มาก

โมเดลเฉพาะทางที่คนมองข้าม

Typhoon เปิดโมเดลหลายประเภทที่ไม่ใช่แค่แชต [3]

โมเดลรู้จำเสียงอีสาน ทั้งรุ่นที่ทำงานแบบทันทีและรุ่นที่เน้นความแม่นยำ แทบไม่มีที่ไหนทำ

โมเดลอ่านเอกสาร สำหรับงานแยกข้อมูลจากเอกสารไทยโดยเฉพาะ ซึ่งเป็นงานที่โมเดลต่างชาติทำได้ไม่ดีเพราะรูปแบบเอกสารไทยเฉพาะตัว

โมเดลแปลไทย-อังกฤษ ที่ให้ควบคุมโทนและคำศัพท์ได้

โมเดลให้เหตุผลขนาดเล็กสำหรับงานแพทย์ ที่เพิ่งเปิดเป็นรุ่นทดลองวิจัยล่าสุด

งานวิจัยที่เป็นพื้นฐานให้ทุกอย่าง

เบื้องหลังโมเดลเหล่านี้มีงานวิจัยที่เผยแพร่เป็นเอกสารทางวิชาการ ทั้งงานของ OpenThaiGPT ที่อธิบายกระบวนการฝึกและชุดข้อมูลที่ใช้ [4]

งานเหล่านี้มีค่าเพราะอธิบายว่าทำไมโมเดลไทยจึงทำได้ดีในบางเรื่อง ซึ่งช่วยให้คนที่นำไปต่อยอดเข้าใจข้อจำกัดตั้งแต่ต้น

ข้อควรระวังก่อนนำไปใช้

หนึ่ง ชุดข้อมูลที่สร้างด้วยวิธีสังเคราะห์มีข้อจำกัดด้านความหลากหลาย เพราะสร้างจากโมเดลที่มีอคติของตัวเอง การนำไปฝึกตรง ๆ อาจทำให้โมเดลสืบทอดอคตินั้น

สอง สัญญาอนุญาตของแต่ละชุดไม่เหมือนกัน บางชุดใช้ Apache 2.0 ซึ่งยืดหยุ่น บางชุดใช้ CC-BY-SA ซึ่งกำหนดให้ผลงานที่ต่อยอดต้องใช้สัญญาเดียวกัน ควรอ่านก่อนใช้เชิงพาณิชย์

สาม ชุดข้อมูลการประเมินมีประโยชน์เมื่อใช้เทียบในชุดเดียวกัน แต่ไม่ควรใช้เป็นตัวชี้วัดเดียว เพราะงานจริงมีความหลากหลายกว่าชุดทดสอบเสมอ

สี่ จำนวนการดาวน์โหลดบน Hugging Face ไม่ได้บอกคุณภาพ บางชุดข้อมูลดีมากแต่มีคนดาวน์โหลดน้อยเพราะไม่ค่อยมีคนรู้จัก

มุมมองจากคนที่ทำงานกับภาษาไทยทุกวัน

ผมเขียนงานภาษาไทยด้วย AI ทุกวัน และสิ่งที่ผมพบคือคุณภาพของงานขึ้นกับคุณภาพของข้อมูลมากกว่าโมเดล

เวลาผมเจอคำแปลที่แปลก ๆ หรือสำนวนที่ไม่ใช่ภาษาไทยที่คนพูดจริง ปัญหามักอยู่ที่โมเดลถูกฝึกด้วยข้อมูลที่แปลมาจากอังกฤษ เพราะฉะนั้นชุดข้อมูลภาษาไทยที่สร้างจากคนไทยจริงจึงมีค่ามากกว่าที่ตัวเลขดาวน์โหลดบอก

ผมอยากเห็นชุมชนไทยบันทึกว่าชุดข้อมูลแต่ละชุดใช้ทำอะไรได้ดี และใช้ทำอะไรไม่ได้ เพราะข้อมูลแบบนี้ช่วยให้คนอื่นตัดสินใจได้เร็ว และลดการทำงานซ้ำ

สำหรับคนที่เพิ่งเริ่มทำงานกับภาษาไทยและ AI คำแนะนำของผมคือเริ่มจากชุดข้อมูลประเมินก่อน เพื่อให้รู้ว่าโมเดลปัจจุบันของตัวเองมีจุดอ่อนตรงไหน แล้วค่อยหาชุดข้อมูลมาฝึกแก้จุดนั้น

แหล่งอ้างอิง

[1] OpenThaiGPT, "openthaigpt_eval — Evaluation dataset" (Apache 2.0, 2024), https://huggingface.co/datasets/openthaigpt/openthaigpt_eval

[2] Thammaleelakul, S., Phatthiyaphaibun, W., "WangchanThaiInstruct Multi-turn Conversation Dataset", Zenodo (ก.ค. 2024), https://zenodo.org/records/13132633

[3] SCB 10X, "Typhoon — Thailand's Frontier AI Research Lab" (เข้าถึง 11 ก.ย. 2026), https://opentyphoon.ai/

[4] "OpenThaiGPT 1.5: A Thai-Centric Open Source Large Language Model", arXiv:2411.07238 (2024), https://arxiv.org/html/2411.07238v1