เลือกโมเดลขนาดเล็กที่มีประสิทธิภาพ

Rachel Lee Nabors

เผยแพร่: 10 พฤศจิกายน 2025

เมื่ออ่านเกี่ยวกับ AI ที่เหมาะสมแล้ว คุณจะทราบว่า โมเดลขนาดเล็กมีความยั่งยืนมากกว่าโมเดลพื้นฐาน โดยใช้พลังงานน้อยกว่า และยังสามารถเรียกใช้ในอุปกรณ์ของผู้ใช้ได้ด้วย ซึ่งจะช่วยลดเวลาในการตอบสนองและมอบประสบการณ์ที่มีประสิทธิภาพมากขึ้น

คุณต้องตั้งใจและเลือกโมเดลที่เหมาะกับกรณีการใช้งานของคุณ

แต่คุณจะทราบได้อย่างไรว่าต้องใช้โมเดลใด วิธีหนึ่งคือการกำหนด เมตริกความสำเร็จสำหรับแอปพลิเคชัน แล้วสร้างต้นแบบด้วยโมเดลพื้นฐาน แม้ว่าโมเดลพื้นฐานหลายๆ โมเดลที่ปรากฏในข่าวเมื่อเร็วๆ นี้จะเป็นโมเดลภาษาขนาดใหญ่ (LLM) แต่โมเดลพื้นฐานยังรวมถึง AI เชิงคาดการณ์ด้วย ซึ่งมีความเฉพาะเจาะจงและอาจเหมาะกับกรณีการใช้งานของคุณมากกว่า

เมื่อตรวจสอบเมตริกความสําเร็จแล้ว ให้ติดตั้งใช้งานด้วยโมเดลขนาดเล็กและทดสอบ จนกว่าจะพบโมเดลที่เล็กที่สุดเท่าที่จะเป็นไปได้ซึ่งให้ผลลัพธ์ที่เป็นไปตาม เกณฑ์ความสําเร็จ

สร้างต้นแบบขนาดใหญ่ ทดสอบขนาดเล็ก

หากต้องการเลือกรุ่นที่เหมาะสม ให้ทำตามขั้นตอนต่อไปนี้

1. พิสูจน์ว่างานของคุณเป็นไปได้ ทดสอบว่าสิ่งที่คุณพยายามทำนั้นเป็นไปได้หรือไม่โดยใช้โมเดลที่ใหญ่ที่สุดเท่าที่จะเป็นไปได้ ซึ่งอาจเป็นโมเดลภาษาขนาดใหญ่ เช่น Gemini 2.5 Pro หรือโมเดลพื้นฐานอื่นๆ
2. กำหนดเกณฑ์ความสำเร็จ รวบรวมชุดอินพุตและเอาต์พุตที่ต้องการ เช่น แอปพลิเคชันแปลอาจมีอินพุตเป็นวลีภาษาอังกฤษ และเอาต์พุตเป็นวลีเหล่านั้นที่แปลเป็นภาษาสเปนอย่างถูกต้อง
3. ทดสอบจากเล็กไปใหญ่ เปรียบเทียบเอาต์พุตของโมเดลขนาดเล็กกับ เกณฑ์การทดสอบ ค่อยๆ ไต่ระดับจากโมเดลที่เล็กที่สุด การออกแบบพรอมต์ช่วยให้คุณได้รับ ผลลัพธ์ที่ดีขึ้น นอกจากนี้ คุณยังใช้โมเดลขนาดใหญ่ขึ้นเพื่อเปรียบเทียบเอาต์พุตได้ด้วย เพื่อช่วยให้ได้ผลลัพธ์ที่ดีขึ้นจากโมเดลขนาดเล็ก
4. เลือกโมเดลที่เล็กที่สุดซึ่งให้คำตอบที่ยอมรับได้สำหรับกรณีการใช้งานของคุณ เช่น โมเดลที่เล็กที่สุดซึ่งแสดงผลคำแปลได้อย่างถูกต้อง

ไม่ว่าโมเดลจะโฮสต์อยู่ที่ใด หากมีขนาดเล็กพอที่จะอยู่ในอุปกรณ์หรือยังต้องโฮสต์ในเซิร์ฟเวอร์ การใช้โมเดลขนาดเล็กจะมีประสิทธิภาพมากกว่าโมเดลขนาดใหญ่

ประเภทโมเดล

ฉันได้จัดหมวดหมู่โมเดลตามข้อมูลที่ประมวลผล ได้แก่ ภาพ เสียง และข้อความ เราจะแสดงตัวอย่าง กรณีการใช้งานและโมเดลบางส่วนที่มีให้

การประมวลผลภาพ

การประมวลผลภาพอาจเป็นการประเมินภาพนิ่งหรือวิดีโอ

• การจัดหมวดหมู่รูปภาพ: ใช้สำหรับทุกอย่างตั้งแต่การสร้างข้อความแสดงแทนเพื่อ การปฏิบัติตามข้อกำหนดด้านการช่วยเหลือพิเศษไปจนถึงการคัดกรองเนื้อหาเพื่อกรองรูปภาพที่ไม่เหมาะสม ก่อนที่จะแสดงต่อผู้ใช้ เลือกการแยกประเภทรูปภาพนี้เมื่อต้องการ ทำความเข้าใจสิ่งที่อยู่ในรูปภาพโดยไม่ต้องมีการตรวจสอบจากเจ้าหน้าที่

  โมเดล MobileNet, ResNeXt และ ConvNeXt

• การตรวจหาออบเจ็กต์: ติดแท็กออบเจ็กต์ที่เฉพาะเจาะจงในรูปภาพหรือสตรีมวิดีโอ สร้าง ประสบการณ์ AR แบบอินเทอร์แอกทีฟที่ตอบสนองต่อออบเจ็กต์ในโลกแห่งความเป็นจริง หรือสร้าง ระบบการจัดการพื้นที่โฆษณาที่ระบุและนับรายการได้ เลือกการตรวจจับวัตถุ เมื่อมีรูปภาพหรือวิดีโอของวัตถุที่ไม่มีชีวิต

  โมเดล โมเดลการตรวจหาวัตถุ เช่น YOLOv8 และ DETR

• การตรวจจับท่าทางของร่างกาย: ใช้สำหรับการควบคุมอินเทอร์เฟซด้วยท่าทางหรือการเคลื่อนไหวของร่างกาย ประสบการณ์การลองเสมือนจริงสำหรับเสื้อผ้า และแพลตฟอร์มการดูแลสุขภาพทางไกล ที่ตรวจสอบการเคลื่อนไหวของผู้ป่วยและความคืบหน้าในการฟื้นฟู เลือกการตรวจจับท่าทางของร่างกายเมื่อประเมินรูปภาพหรือวิดีโอของร่างกายบุคคล

  โมเดล โมเดลการประมาณท่าทาง เช่น MoveNet และ BlazePose

• การตรวจจับจุดสำคัญของใบหน้า: ใช้สำหรับระบบการตรวจสอบสิทธิ์ด้วยใบหน้าที่ปลอดภัย การตรวจจับอารมณ์เพื่อปรับเปลี่ยนประสบการณ์ของผู้ใช้ในแบบเฉพาะบุคคล การติดตามการเคลื่อนไหวของดวงตาสำหรับ การควบคุมที่เข้าถึงได้ และฟิลเตอร์รูปภาพหรือแอปพลิเคชันความงามแบบเรียลไทม์ เลือกโมเดลนี้เมื่อประเมินรูปภาพหรือวิดีโอใบหน้าของบุคคล

  โมเดล MediaPipe FaceMesh และ OpenPose

• โมเดลการตรวจจับท่าทางมือ: ใช้โมเดลเหล่านี้สำหรับการควบคุมอินเทอร์เฟซแบบไม่ต้องสัมผัส ซึ่งผู้ใช้จะไปยังส่วนต่างๆ ด้วยท่าทางมือ แอปพลิเคชันแปลภาษามือ เพื่อการช่วยเหลือพิเศษ และเครื่องมือสร้างสรรค์ที่ตอบสนองต่อการเคลื่อนไหวของมือ สำหรับการวาดหรือออกแบบ นอกจากนี้ ให้พิจารณาใช้ฟีเจอร์เหล่านี้ในสภาพแวดล้อม ที่การสัมผัสหน้าจอไม่สะดวก (การแพทย์ บริการอาหาร) หรือเมื่อผู้ใช้ อยู่ห่างจากตัวควบคุม เช่น การนำเสนอที่ผู้พูดควบคุม สไลด์ด้วยท่าทางสัมผัส

  โมเดล โมเดลการประมาณท่าทางมือ เช่น MediaPipe Hands

• การจดจำลายมือ: ใช้เพื่อแปลงโน้ตที่เขียนด้วยลายมือเป็นข้อความดิจิทัลที่ค้นหาได้ ประมวลผลอินพุตสไตลัสสำหรับแอปพลิเคชันจดบันทึก และ แปลงแบบฟอร์มหรือเอกสารที่ผู้ใช้อัปโหลดให้เป็นดิจิทัล

  โมเดลการรู้จำอักขระด้วยภาพ (OCR) เช่น MiniCPM-o, H2OVL-Mississippi และ Surya

• โมเดลการแบ่งกลุ่มรูปภาพ: เลือกเมื่อต้องการให้พื้นหลังของรูปภาพสอดคล้องกัน หรือต้องมีการแก้ไขรูปภาพ เช่น คุณสามารถใช้เครื่องมือเหล่านี้เพื่อ นำพื้นหลังออกได้อย่างแม่นยำ คัดกรองเนื้อหาขั้นสูงเพื่อระบุ จุดที่น่ากังวลในรูปภาพ และใช้เครื่องมือแก้ไขรูปภาพที่ซับซ้อนเพื่อ แยกองค์ประกอบที่ต้องการ เช่น รูปโปรไฟล์และรูปผลิตภัณฑ์

  โมเดล Segment Anything (SAM), Mask R-CNN

• การสร้างรูปภาพ: ใช้เพื่อสร้างรูปภาพใหม่ตามต้องการโดยไม่ต้องขออนุญาต โมเดลเหล่านี้สามารถใช้สร้างอวตารที่ปรับเปลี่ยนในแบบของคุณสำหรับโปรไฟล์ผู้ใช้ รูปภาพผลิตภัณฑ์ที่หลากหลายสำหรับแคตตาล็อกอีคอมเมิร์ซ และภาพที่กำหนดเองสำหรับ เวิร์กโฟลว์การตลาดหรือการสร้างเนื้อหา

  โมเดล โมเดล Diffusion เช่น Nano Banana, Flux และ Qwen Image

การประมวลผลเสียง

เลือกโมเดลการประมวลผลเสียงสำหรับไฟล์เสียง

• การจัดประเภทเสียง: ใช้เมื่อต้องระบุและอธิบายเสียง โดยไม่ต้องมีการตรวจสอบจากเจ้าหน้าที่ เช่น การระบุเพลงพื้นหลัง เสียงแวดล้อม หรือเนื้อหาที่พูดในสื่อที่อัปโหลดแบบเรียลไทม์ การติดแท็กเนื้อหาอัตโนมัติสำหรับคลังเสียง และการควบคุมอินเทอร์เฟซผู้ใช้ตามเสียง

  โมเดล Wav2Vec2 และ AudioMAE

• การสร้างเสียง: สร้างเนื้อหาเสียงได้ตามต้องการโดยไม่ต้องขออนุญาต ตัวอย่างเช่น คุณสามารถใช้ฟีเจอร์นี้เพื่อสร้างซาวด์เอฟเฟกต์ที่กำหนดเองสำหรับประสบการณ์บนเว็บแบบอินเทอร์แอกทีฟ สร้างเพลงประกอบจากค่ากำหนดหรือเนื้อหาของผู้ใช้ และสร้างองค์ประกอบการสร้างแบรนด์ด้วยเสียง เช่น เสียงการแจ้งเตือนหรือความคิดเห็นของอินเทอร์เฟซ

  โมเดล มีโมเดลการสร้างเสียงเฉพาะทางอยู่หลายแบบ ซึ่งมักจะมีความเฉพาะเจาะจงมาก ดังนั้นฉันจึงจะไม่แสดงรายการโมเดล

• การอ่านออกเสียงข้อความ (TTS): แปลงเนื้อหาที่เป็นลายลักษณ์อักษรเป็นคำพูดที่สอดคล้องกัน และฟังดูเป็นธรรมชาติเพื่อให้เป็นไปตามข้อกำหนดด้านการช่วยเหลือพิเศษ สร้างคำบรรยายเสียง สำหรับเนื้อหาเพื่อการศึกษาหรือบทแนะนำ และสร้างอินเทอร์เฟซหลายภาษา ที่อ่านข้อความเป็นภาษาที่ผู้ใช้ต้องการ

  โมเดล Orpheus และ Sesame CSM

• การแปลงเสียงเป็นข้อความ (STT): ถอดเสียงที่บันทึกจากคำพูดของมนุษย์ เช่น การถอดเสียงแบบเรียลไทม์สำหรับกิจกรรมหรือการประชุมแบบสด ฟังก์ชันการนำทางและการค้นหาที่ควบคุมด้วยเสียง และการใส่คำบรรยายแทนเสียงอัตโนมัติเพื่อการเข้าถึงเนื้อหาวิดีโอ

  โมเดล Whisper Web Turbo, NVIDIA Canary และ Kyutai

การประมวลผลข้อความ

• การแยกประเภทภาษาธรรมชาติ (NLP): ใช้เพื่อจัดเรียงและกำหนดเส้นทางข้อความจำนวนมาก ระบบการติดแท็ก และระบบการกลั่นกรองโดยอัตโนมัติ ข้อความอาจเป็นข้อความของผู้ใช้หรือคำขอแจ้งปัญหา การตรวจจับความรู้สึกในความคิดเห็นของลูกค้า หรือการกล่าวถึงบนโซเชียลมีเดีย และการกรองสแปมหรือเนื้อหาที่ไม่เหมาะสมก่อน ที่จะส่งถึงผู้ใช้รายอื่น

  โมเดล BERT, DistilBERT และ RoBERTa

• AI แบบสนทนา: สร้างอินเทอร์เฟซแชทและระบบการสนทนา แชทบ็อตฝ่ายสนับสนุนลูกค้า ผู้ช่วย AI ส่วนตัว และการโต้ตอบแบบสนทนาที่คล้ายกันเป็นกรณีการใช้งานที่ดีที่สุดบางส่วนสำหรับ LLM โชคดีที่มีโมเดลภาษาที่มีขนาดเล็กพอที่จะติดตั้งในอุปกรณ์ของคุณ ซึ่งใช้พลังงานน้อยกว่ามากในการฝึกและพรอมต์

  โมเดล Gemma 2 27B, Llama 3.1 และ Qwen2.5

• โมเดลการแปล ใช้เพื่อรองรับหลายภาษาในแอปพลิเคชัน โมเดลภาษาท้องถิ่นสามารถจัดการการแปลภาษาแบบเรียลไทม์ แปลงเนื้อหาที่ผู้ใช้สร้างขึ้นในหลายภาษาสำหรับแพลตฟอร์มระดับโลก และเปิดใช้การแปลเอกสารส่วนตัวที่เก็บเนื้อหาที่ละเอียดอ่อนไว้ในอุปกรณ์ของผู้ใช้

  โมเดล SLM เช่น Gemma Nano, Granite 1.5B, GSmolLM3 และ Qwen 3.4B

อ่านฉลากโภชนาการ

โมเดลต่างๆ จะใช้ทรัพยากรเหล่านี้ในปริมาณที่แตกต่างกันเมื่อทำงานบน ฮาร์ดแวร์ที่แตกต่างกันในสถานที่ต่างๆ ปัจจุบันยังไม่มีมาตรฐาน การวัดผลเพื่อใช้เปรียบเทียบ แต่ก็มีความพยายามที่จะนำข้อมูลนี้ ไปใส่ไว้ใน "ฉลากโภชนาการ" ของ AI

การ์ดโมเดลซึ่งเปิดตัวโดย Margaret Mitchell และเพื่อนร่วมงานที่ Google ในปี 2018 เป็นแนวทางที่ได้มาตรฐานในการ รายงานการใช้งานที่ตั้งใจไว้ ข้อจำกัด ข้อควรพิจารณาด้านจริยธรรม และ ประสิทธิภาพของโมเดล ปัจจุบันบริษัทหลายแห่งใช้รูปแบบการ์ดโมเดล ซึ่งรวมถึง Hugging Face, Meta และ Microsoft

เอกสารข้อเท็จจริงเกี่ยวกับ AI ของ IBM ซึ่งครอบคลุมวงจร ความรับผิดชอบ การกำกับดูแล การปฏิบัติตามข้อกำหนด เป็นที่นิยมมากกว่า ในสภาพแวดล้อมระดับองค์กร กรอบการกำกับดูแล เช่น กฎหมาย AI ของสหภาพยุโรป กรอบการจัดการความเสี่ยงด้าน AI ของ NIST และ ISO 42001 กำหนดให้ต้องมีเอกสารนี้

Google เรียกร้องให้ความโปร่งใสของต้นทุนการอนุมานทั่วทั้งอุตสาหกรรม คุณอาจเพิ่มตัวเลขเหล่านี้ลงในการ์ดโมเดลและเอกสารข้อเท็จจริง Hugging Face ได้ เพิ่มต้นทุนคาร์บอนลงในการ์ดโมเดล และได้พยายามสร้างมาตรฐานการวัดประสิทธิภาพการใช้พลังงานด้วย โครงการริเริ่มคะแนนพลังงาน AI

สนับสนุน AI ที่มีขนาดเหมาะสม

AI ที่เหมาะสมคือตัวเลือกที่ยั่งยืน มีประสิทธิภาพ และใช้งานได้จริงสำหรับ ลูกค้าและธุรกิจของคุณ

คุณสามารถขับเคลื่อนอุตสาหกรรมให้ก้าวหน้าได้โดยกำหนดให้โมเดลที่โฮสต์ซึ่งบริษัทของคุณใช้ต้องเปิดเผยข้อกำหนดด้านทรัพยากรสำหรับการฝึกพื้นฐานและการอนุมาน หากลูกค้าจำนวนมากต้องการความโปร่งใส ผู้ให้บริการก็มีแนวโน้มที่จะเปิดเผยรายละเอียดเหล่านั้นมากขึ้น