OpenJAI-v1.0-14B โมเดลไทยจากทีมเดียวกับ JaiTTS ที่เปิดฟรี

โดย Nokka (นก-กา) | 15 กันยายน 2026

บทความนี้เขียนโดย AI (โมเดล deepseek-v4.1-flash ของผู้ให้บริการ ollama-cloud) ผ่าน Hermes Agent จาก Nous Research ตรวจสอบและเรียบเรียงโดย Nokka

ผมเขียนถึง JaiTTS ไปแล้วตอนที่ 1 ของซีรีส์นี้ เป็นโมเดลที่โคลนเสียงไทยได้แม่นกว่าคนในชุดทดสอบของทีมเอง

ระหว่างตรวจของทีมนั้น ผมเจอว่า JTS ยังมีอีกโมเดลหนึ่ง ที่ยังไม่มีใครเขียนถึงในแวดวงไทยเท่าไหร่

OpenJAI-v1.0-14B โมเดลภาษาขนาด 14 พันล้านพารามิเตอร์ ที่ทีมเปิดเผยโค้ดและสัญญาอนุญาต Apache 2.0 [1]

OpenJAI คืออะไร

Jasmine Technology Solution (JTS) เผยแพร่ OpenJAI-v1.0 โดยใช้ Qwen3-14B เป็นฐาน แล้วฝึกต่อเพื่อเสริมความสามารถสามด้านที่ทีมเลือกเอง [1]

ทีมระบุผลงานสามด้านที่โฟกัส [1]

• ทำตามคำสั่ง (instruction following)
• เข้าใจบริบทยาว (long-context)
• เรียกใช้เครื่องมือ (tool calling)

และทีมย้ำจุดที่สำคัญ การฝึกต่อครั้งนี้ทำได้ โดยไม่ทำให้ความรู้พื้นฐานของโมเดลฐานเสื่อมลง ซึ่งทีมเรียกว่าเป็นการหลีกเลี่ยง catastrophic forgetting [1]

งานวิจัยเผยแพร่บน arXiv ในชื่อ "OpenJAI-v1.0: An Open Thai Large Language Model" [1][2]

ตารางคะแนน

ตารางนี้มี 5 คอลัมน์ และมีทั้งตัวเลขที่ ยิ่งสูงยิ่งดี กับ ตัวเลขที่ผมต้องอ่านให้ถูกคอลัมน์ ผมจึงระบุชื่อคอลัมน์ตรง ๆ ก่อน [1]

ตัวเลขทุกตัวในตารางนี้ ยิ่งสูงยิ่งดี (เป็นคะแนนความสามารถ ไม่ใช่ค่าความผิดพลาด) [1]

ชุดทดสอบ	OpenJAI-14B	Qwen3-14B (ฐาน)	Typhoon2.1-gemma3-12b	OpenThaiGPT1.5-14b	GPT-4.1-nano
IFBench-EN	32.4	29.7	27.4	30.6	28.3
IFBench-TH	39.4	38.1	36.5	35.4	34.9
MT-Bench-EN	8.4	8.4	8.3	7.8	8.5
MT-Bench-TH	8.1	8.0	8.1	6.9	8.0
MRCR	18.9	18.3	16.9	16.9	16.2
LongBench-v2	33.6	32.4	29.2	33.6	28.8
BFCL-v3-EN	60.5	59.2	52.2	52.9	53.1
BFCL-v3-TH	47.0	46.0	45.0	44.9	41.1
MMLU-ProX-lite-EN	66.0	66.6	55.1	64.3	36.3
MMLU-ProX-lite-TH	54.7	57.5	45.2	49.3	39.8

และนี่คือส่วนที่ผมต้องรายงานตามจริง ไม่ใช่ตามที่ทีมอยากให้อ่าน

หนึ่ง: OpenJAI ชนะ Qwen3-14B ที่เป็นโมเดลฐานใน 7 จาก 10 ชุดทดสอบ [1]

สอง: แต่ใน 2 ชุดที่เหลือ โมเดลฐานยังชนะ คือ MMLU-ProX-lite-EN (66.0 เทียบ 66.6) และ MMLU-ProX-lite-TH (54.7 เทียบ 57.5) [1]

นั่นคือความหมายของคำว่า "ไม่เสื่อมลง" ของทีม ไม่ได้หมายความว่าชนะทุกด้าน แต่หมายความว่ายังรักษาความรู้ทั่วไปไว้ได้ในระดับใกล้เคียง [1]

สาม: มีหนึ่งชุดที่เสมอกัน คือ MT-Bench-EN ที่ทั้งคู่ได้ 8.4 เท่ากัน [1]

สี่: GPT-4.1-nano ชนะ MT-Bench-EN ที่ 8.5 เทียบกับ 8.4 [1]

สรุปการเทียบกับโมเดลฐานให้เห็นภาพ [1]

ผลการเทียบกับ Qwen3-14B	จำนวนชุดทดสอบ
OpenJAI ชนะ	7
โมเดลฐานชนะ	2 (MMLU-ProX-lite ทั้ง EN และ TH)
เสมอกัน	1 (MT-Bench-EN)
รวมทั้งหมด	10

สิ่งที่น่าสนใจที่สุด: การเรียกเครื่องมือ

ถ้าผมต้องเลือกตัวเลขเดียวจากตารางนี้ ผมจะเลือก BFCL-v3-TH ที่ 47.0 [1]

เพราะการเรียกใช้เครื่องมือ (tool calling) ภาษาไทยเป็นจุดที่โมเดลส่วนใหญ่ยังอ่อน โมเดลต่างประเทศมักทำได้ดีในภาษาอังกฤษ แต่พอต้องเรียกฟังก์ชันจากคำสั่งภาษาไทยที่ผสมคำอังกฤษ ความแม่นมักตกลง [1]

ตัวเลขในตารางแสดงให้เห็นว่าทีมให้ความสำคัญกับเรื่องนี้จริง เพราะเป็น 1 ใน 3 ด้านที่ทีมเลือกโฟกัส [1]

และทีมเปิดโค้ดตัวอย่างการใช้กับ MCP (Model Context Protocol) ไว้ด้วย ซึ่งรวมตัวอย่างการต่อกับ Qwen-Agent และตั้งค่า MCP server [1]

โมเดลนี้ถูกปรับให้เหมาะกับ โหมดไม่คิด (non-thinking mode) ส่วนโหมดคิดของโมเดลฐานอาจเข้าถึงได้ แต่ทีม ไม่รับประกันประสิทธิภาพ [1]

ประโยคนี้ผมคิดว่าสำคัญมากสำหรับคนที่จะเอาไปใช้จริง ถ้าคุณเคยใช้ Qwen3 แล้วชอบโหมดคิด โมเดลนี้ไม่ได้ออกแบบมาสำหรับสิ่งนั้น [1]

บริบทยาว 120,000 โทเคน และเงื่อนไข

ทีมระบุว่า OpenJAI-v1.0 ถูกฝึกให้ทำงานได้ดีกับ บริบทยาวถึง 120,000 โทเคน [1]

แต่มีรายละเอียดที่ผมคิดว่าหลายคนอ่านข้าม ทีมระบุว่าโมเดล ทำงานได้ดีที่สุดในช่วง 32,768 โทเคนตามธรรมชาติของมัน [1]

ถ้าจะใช้เกินนั้น ต้องเปิดเทคนิคขยายบริบทเพิ่ม เช่น YaRN หรือ Dynamic RoPE scaling [1]

และทีมให้คำสั่งพร้อมใช้สำหรับ vLLM และ SGLang ไว้ด้วย เช่น [1]

vllm serve ... --rope-scaling '{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}' --max-model-len 131072

และมีคำเตือนที่ผมคิดว่าซื่อตรงมากจากทีม

ทุกเฟรมเวิร์กโอเพนซอร์สใช้ static YaRN ซึ่งหมายความว่าค่าขยายคงที่โดยไม่สนใจความยาวจริงของอินพุต และอาจกระทบประสิทธิภาพกับข้อความสั้น [1]

ผมอ่านประโยคนี้แล้วคิดว่าทีมไม่ได้ขายของ เพราะเป็นการบอกว่าถ้าเปิดฟีเจอร์นี้ ข้อความสั้นของคุณอาจแย่ลง [1]

สัญญาอนุญาตและลิขสิทธิ์ของโมเดลฐาน

OpenJAI-v1.0 ใช้สัญญาอนุญาต Apache 2.0 [1]

แต่มีรายละเอียดที่ผมคิดว่าคนนำไปใช้ควรรู้ หน้าโมเดลระบุ base_model: Qwen/Qwen3-14B และลิงก์สัญญาอนุญาตไปที่ LICENSE ของ Qwen3-14B เอง [1]

ผมจึงไม่สรุปแทนว่าการใช้เชิงพาณิชย์ไม่มีเงื่อนไขใด ๆ สิ่งที่ยืนยันได้คือ ทั้ง OpenJAI และโมเดลฐานต่างใช้ Apache 2.0 [1]

ขนาดที่รันได้บนเครื่องจริง

14B พารามิเตอร์เป็นขนาดที่รันบนเครื่องส่วนตัวได้ ถ้าใช้ quantization

ผมไม่มีตัวเลข VRAM ของโมเดลนี้ที่ทีมระบุไว้ในหน้าโมเดล จึงไม่ใส่ตัวเลขคาดเดา [1]

สิ่งที่ผมยืนยันได้คือ โมเดลนี้อยู่บน Hugging Face และมี 589 downloads กับ 4 likes ณ วันที่ผมเขียน [1][3]

ตัวเลขนี้ผมดึงจาก Hugging Face API โดยตรง และมันน้อยกว่าโมเดลอย่าง biodatlab/whisper-th-medium-combined ที่มี 4,405 downloads พอสมควร [3][4]

ทีมเดียวกันทำทั้งเสียงและภาษา

จุดที่น่าสนใจที่สุดของซีรีส์นี้ ทั้ง JaiTTS (เสียง) และ OpenJAI (ภาษา) มาจากทีม JTS เดียวกัน [1][5]

และทั้งคู่เลือกใช้สัญญาอนุญาตแบบเปิดที่ใช้เชิงพาณิชย์ได้ [1][5]

นี่เป็นรูปแบบที่น่าจับตา ทีมเล็กที่เลือกทำทั้งสองด้านของภาษาไทย เปิดข้อมูลผลการทดสอบ และเปิดให้ใช้เชิงพาณิชย์ แทนที่เลือกเก็บไว้เอง [1]

ลองใช้ได้อย่างไร

ผมแนะนำให้ลองแบบนี้ครับ ถ้าคุณกำลังเลือกโมเดลไทยสำหรับงานที่ ต้องเรียกฟังก์ชันหรือต่อ MCP ให้ลองเทียบ OpenJAI กับโมเดลที่คุณใช้อยู่บน คำสั่งภาษาไทยจริงของคุณ 20 ข้อ

เพราะจุดที่ทีมลงทุนชัดที่สุดคือ BFCL-v3-TH ซึ่งวัดตรงกับงานนี้ที่สุด และคะแนนในตารางบอกได้แค่ว่าทีมทำได้แค่ไหนในชุดทดสอบของเขา ไม่ได้บอกว่ามันจะทำงานกับข้อมูลของคุณหรือไม่ [1]

ตัวเลข 589 downloads บอกอะไรได้อย่างหนึ่ง คนยังรู้จักโมเดลนี้น้อย และอาจเป็นเพราะยังไม่มีคนเขียนถึงในภาษาไทยมากนัก [3]

ข้อควรระวัง

หนึ่ง ผมไม่ได้ติดตั้งหรือรันโมเดลนี้ ทั้งหมดเป็นการรายงานจากหน้าโมเดลและเปเปอร์ [1][2]

สอง ตัวเลขทุกตัวในตารางเป็นชุดทดสอบที่ทีมเลือกเอง และเป็นการเทียบกับโมเดลที่ทีมเลือกมา ไม่ใช่ benchmark อิสระ [1]

สาม ผมไม่พบวันที่เปิดตัวโมเดลที่ชัดเจน หน้า Hugging Face ระบุ lastModified: 2025-10-10 ซึ่งเป็นวันแก้ไขล่าสุด ไม่ใช่วันเปิดตัว และผมไม่นำมาใช้เป็นวันเปิดตัว [1]

สี่ ผมไม่ได้ตรวจสัญญาอนุญาตของ Qwen3-14B ฉบับเต็ม สิ่งที่ยืนยันได้คือหน้าโมเดลของ OpenJAI ระบุ Apache 2.0 และลิงก์ไปที่สัญญาของโมเดลฐาน [1]

ห้า ทีมไม่รับประกันประสิทธิภาพโหมดคิด ผู้ที่ต้องการความสามารถนี้ควรทดสอบเองก่อนตัดสินใจ [1]

หก ผมทำงานบนระบบที่ใช้โมเดล AI และเขียนบทความนี้ด้วยความช่วยเหลือของ AI [6]

เริ่มจากอะไรได้พรุ่งนี้

ลองดาวน์โหลดไปทดสอบกับงานจริงของคุณดูครับ ถ้าคุณมีงานที่ต้องเรียกฟังก์ชันจากคำสั่งภาษาไทย หรือต้องอ่านเอกสารยาวเกิน 32K โมเดลนี้คือหนึ่งในไม่กี่ตัวที่ทีมไทยทำและเปิดฟรี

บทความที่เกี่ยวข้อง

นี่คือตอนที่ 3 ปิดซีรีส์ "AI ไทยที่คนไทยไม่รู้จัก"

• ตอนที่ 1: JaiTTS โคลนเสียงไทยที่คะแนนแม่นกว่ามนุษย์
• ตอนที่ 2: Thonburian Whisper ถอดเสียงไทยในเครื่องฟรี
• ตอนที่ 3: OpenJAI-v1.0-14B (บทความนี้)

แหล่งอ้างอิง

[1] "OpenJAI-v1.0-14B" การ์ดโมเดลอย่างเป็นทางการ, JTS-AI บน Hugging Face (เข้าถึง ก.ย. 2026), https://huggingface.co/JTS-AI/OpenJAI-v1.0-14B

[2] "OpenJAI-v1.0: An Open Thai Large Language Model", arXiv:2510.06847 (2025), https://arxiv.org/abs/2510.06847

[3] "JTS-AI" โมเดลทั้งหมดของทีม, Hugging Face (เข้าถึง ก.ย. 2026), https://huggingface.co/JTS-AI

[4] "whisper-th-medium-combined" โมเดลเทียบยอดดาวน์โหลด, Hugging Face (เข้าถึง ก.ย. 2026), https://huggingface.co/biodatlab/whisper-th-medium-combined

[5] "JaiTTS" เปเปอร์โมเดลเสียงจากทีมเดียวกัน, arXiv:2604.27607 (30 เม.ย. 2026), https://arxiv.org/abs/2604.27607

[6] การเปิดเผยของผู้เขียน: บทความนี้เขียนโดยใช้ AI