LLM คืออะไร อธิบายโมเดลภาษาขนาดใหญ่ (2026)

โมเดลภาษาขนาดใหญ่ (LLM) คือโครงข่ายประสาทเทียมที่ถูกฝึกด้วยข้อความจำนวนมหาศาลเพื่อทำนายโทเคนถัดไปในลำดับ เป้าหมายเพียงข้อเดียวนี้เป็นที่มาของทุกสิ่งที่แชตบอตทำได้ ไม่ว่าจะเป็นการตอบคำถาม เขียนโค้ด สรุปเอกสาร หรือแปลภาษา เครื่องมืออย่าง ChatGPT, Claude และ Gemini ล้วนสร้างขึ้นบนโมเดลประเภทนี้

คู่มือนี้จะอธิบายองค์ประกอบพื้นฐานตามลำดับ ได้แก่ โทเคน การฝึกสอน พารามิเตอร์ หน้าต่างบริบท อาการเพ้อข้อมูล และความแตกต่างระหว่างโมเดลแบบเปิดกับแบบปิด ชื่อโมเดล ราคา และขีดจำกัดมีการเปลี่ยนแปลงอย่างรวดเร็ว ตัวเลขในบทความจึงมีวันที่กำกับ โปรดตรวจสอบเอกสารของผู้ให้บริการเพื่อดูข้อมูลล่าสุด

LLM คืออะไร และอะไรทำให้มัน “ใหญ่”?

คำว่า “ใหญ่” หมายถึงสองสิ่ง สิ่งแรกคือปริมาณข้อมูลที่ใช้ฝึก สิ่งที่สองคือจำนวนค่าภายในที่ปรับได้ เรียกว่าพารามิเตอร์ เพื่อให้เห็นขนาดของข้อมูล Meta ระบุในเดือนเมษายน 2024 ว่า Llama 3 ถูกฝึกด้วยโทเคนมากกว่า 15 ล้านล้านโทเคน

LLM สมัยใหม่เกือบทั้งหมดสร้างบนสถาปัตยกรรม Transformer ซึ่งนักวิจัยของ Google นำเสนอในงานวิจัย “Attention Is All You Need” เมื่อเดือนมิถุนายน 2017 แนวคิดหลักคือ self-attention ที่ทำให้โมเดลประเมินว่าส่วนอื่นทุกส่วนของข้อความเกี่ยวข้องกับแต่ละส่วนมากน้อยเพียงใดขณะประมวลผล

โทเคนใน LLM คืออะไร?

โมเดลไม่ได้อ่านเป็นคำ แต่อ่านเป็นโทเคน ซึ่งเป็นชิ้นส่วนย่อยของคำที่สร้างขึ้นด้วยอัลกอริทึม เช่น byte-pair encoding (BPE) คำที่พบบ่อยอาจเป็นโทเคนเดียว ส่วนคำที่พบไม่บ่อยจะถูกแบ่งเป็นหลายชิ้น

กฎคร่าวๆ ของ OpenAI สำหรับภาษาอังกฤษคือ หนึ่งโทเคนมีประมาณสี่ตัวอักษร หรือราวสามในสี่ของหนึ่งคำ ดังนั้น 100 โทเคนจึงเท่ากับประมาณ 75 คำ

อัตราส่วนนี้แตกต่างกันตามภาษา ภาษาที่ใช้การต่อหน่วยคำ เช่น ภาษาตุรกี ซึ่งคำยาวถูกสร้างจากการเติมปัจจัยจำนวนมาก มักถูกแบ่งเป็นโทเคนมากกว่าข้อความภาษาอังกฤษที่มีความหมายเดียวกัน งานวิจัยอย่าง Petrov และคณะ (2023) ได้บันทึกความไม่เท่าเทียมของตัวตัดโทเคนระหว่างภาษาลักษณะนี้ แม้ตัวตัดโทเคนรุ่นใหม่จะช่วยลดช่องว่างลงแล้ว

โทเคนมีความสำคัญเพราะการใช้ API มักคิดค่าใช้จ่ายตามจำนวนโทเคนอินพุตและเอาต์พุตต่อหนึ่งล้านโทเคน โดยเอาต์พุตมีราคาสูงกว่าอินพุต โทเคนที่มากขึ้นหมายถึงค่าใช้จ่ายที่สูงขึ้น และหน้าต่างบริบทที่เต็มเร็วขึ้น ราคามีการเปลี่ยนแปลงบ่อย จึงควรตรวจสอบหน้าราคาของ OpenAI, Anthropic หรือ Google เพื่อดูอัตราล่าสุด

โมเดลภาษาขนาดใหญ่ถูกฝึกอย่างไร?

การฝึกมักแบ่งเป็นหลายขั้นตอน ขั้นแรกคือ pre-training โดยโมเดลเรียนรู้จากการทำนายโทเคนถัดไปในข้อความจากเว็บ หนังสือ และโค้ดนับล้านล้านโทเคน ซึ่งเป็นวิธีที่เรียกว่า self-supervised learning ผลลัพธ์คือโมเดลเข้าใจภาษา แต่ยังไม่ทำตัวเหมือนผู้ช่วย

ขั้นต่อมาคือ fine-tuning หรือ instruction tuning ซึ่งแสดงตัวอย่างคำตอบที่ดีให้โมเดลเรียนรู้ จากนั้นคือการจัดแนว (alignment) วิธีที่รู้จักมากที่สุดคือ reinforcement learning from human feedback (RLHF) ที่ได้รับความนิยมจากงานวิจัย InstructGPT ของ OpenAI ในปี 2022 ส่วน Constitutional AI ของ Anthropic ซึ่งเผยแพร่ในปี 2022 เช่นกัน เป็นรูปแบบหนึ่งของแนวทางนี้

ตั้งแต่ประมาณปลายปี 2024 โมเดลแบบให้เหตุผลก็เข้ามาในระบบด้วย ตัวอย่างเช่น OpenAI o1 และ DeepSeek-R1 ที่เปิดตัวในเดือนมกราคม 2025 โมเดลเหล่านี้ถูกฝึกด้วย reinforcement learning ให้ไล่แก้ปัญหาก่อนตอบ และใช้การคำนวณเพิ่มขึ้นในขั้นตอนการตอบ

ต้นทุนการฝึกประเมินได้ยาก มีรายงานว่าการฝึกโมเดลระดับแนวหน้าใช้เงินหลายสิบถึงหลายร้อยล้านดอลลาร์ แต่นั่นเป็นการประมาณการ ไม่ใช่ตัวเลขทางการ ตัวเลขประมาณ 5.6 ล้านดอลลาร์สหรัฐสำหรับ DeepSeek V3 ที่มักถูกอ้างถึงนั้นครอบคลุมเพียงชั่วโมง GPU ของการฝึกรอบสุดท้าย ไม่ใช่ต้นทุนรวม และยังเป็นที่โต้แย้ง

พารามิเตอร์คืออะไร และยิ่งใหญ่ยิ่งดีหรือไม่?

พารามิเตอร์คือค่าน้ำหนักเชิงตัวเลขที่โมเดลเรียนรู้ระหว่างการฝึก ตัวอย่างอ้างอิงได้แก่ GPT-2 ที่มี 1.5 พันล้านพารามิเตอร์ในปี 2019 และ GPT-3 ที่มี 175 พันล้านพารามิเตอร์ในปี 2020 ส่วน Llama 3.1 ของ Meta ที่เปิดตัวในเดือนกรกฎาคม 2024 มีขนาด 8B, 70B และ 405B

โมเดลบางตัวใช้การออกแบบแบบ Mixture-of-Experts (MoE) ซึ่งในแต่ละโทเคนจะทำงานเฉพาะบางส่วนของโครงข่าย DeepSeek-V3 มีพารามิเตอร์รวม 671 พันล้าน แต่ทำงานจริงเพียงประมาณ 37 พันล้านต่อโทเคน

OpenAI, Anthropic และ Google ไม่เปิดเผยจำนวนพารามิเตอร์ของโมเดลธงของตน ตัวเลขอย่าง “GPT-4 มี 1.76 ล้านล้านพารามิเตอร์” เป็นข้อมูลที่รั่วไหลซึ่งยังไม่ได้รับการยืนยัน

ขนาดก็ไม่ใช่ทุกสิ่ง เพราะคุณภาพข้อมูลและวิธีการฝึกมีความสำคัญมาก งานวิจัย “Chinchilla” ในปี 2022 พบว่าการฝึกที่เหมาะสมกับการคำนวณใช้ประมาณ 20 โทเคนต่อพารามิเตอร์หนึ่งตัว โมเดลปัจจุบันถูกฝึกเกินอัตราส่วนนี้มาก โดยตั้งใจ

หน้าต่างบริบทคืออะไร?

หน้าต่างบริบทคือจำนวนโทเคนสูงสุดที่โมเดลพิจารณาพร้อมกันได้ ซึ่งรวมถึงพรอมต์ของคุณ บทสนทนาก่อนหน้า และคำตอบของโมเดล ควรคิดว่าเป็นหน่วยความจำชั่วคราวในการทำงาน ไม่ใช่หน่วยความจำระยะยาว

หน้าต่างบริบทขยายตัวอย่างรวดเร็ว GPT-3 รองรับ 2,048 โทเคน ส่วน GPT-4 รุ่นแรกมีเวอร์ชัน 8K และ 32K รุ่นต่อมาประกาศ 200K สำหรับ Claude (บางเวอร์ชันถึง 1M), 1–2 ล้านสำหรับ Gemini 1.5 และ 2.x และ 1 ล้านสำหรับ GPT-4.1 ในเดือนเมษายน 2025 Meta อ้างว่า Llama 4 Scout รองรับ 10 ล้านโทเคน ตัวเลขเหล่านี้เปลี่ยนไปทุกครั้งที่มีรุ่นใหม่ จึงควรตรวจสอบเอกสารล่าสุด

หน้าต่างที่โฆษณาว่าใหญ่ไม่ได้รับประกันว่าโมเดลจะใช้ทั้งหมดได้ดี งานวิจัย “Lost in the Middle” ปี 2023 โดย Liu และคณะ พบว่าความแม่นยำอาจลดลงสำหรับข้อมูลที่อยู่กลางอินพุตยาวๆ

ทำไม LLM ถึงเพ้อข้อมูล?

อาการเพ้อข้อมูล (hallucination) คือเอาต์พุตที่ฟังดูลื่นไหลแต่ไม่จริงหรือถูกสร้างขึ้น เช่น การอ้างอิงปลอม ข้อเท็จจริงผิด หรือคดีความที่ไม่มีอยู่จริง เกิดขึ้นเพราะโมเดลสร้างข้อความที่น่าจะเป็นไปได้ แทนที่จะค้นหาข้อเท็จจริงมายืนยัน เอกสารของ OpenAI เมื่อเดือนกันยายน 2025 ระบุว่าการฝึกและการประเมินผลให้รางวัลกับการเดามากกว่าการยอมรับว่าไม่แน่ใจ

กรณีที่รู้จักกันดีคือ Mata v. Avianca (สหรัฐฯ, 2023) ทนายความในคดีนั้นถูกลงโทษเพราะยื่นการอ้างอิงคดีที่ ChatGPT สร้างขึ้นเอง และหลังจากนั้นเหตุการณ์ในลักษณะเดียวกันก็เกิดขึ้นอีกหลายครั้ง

การสร้างโดยเสริมการค้นคืนข้อมูล (RAG) การอ้างอิงจากการค้นเว็บ การอ้างแหล่งที่มา และโมเดลแบบให้เหตุผล ช่วยลดปัญหาได้ แต่ไม่มีวิธีใดกำจัดได้ทั้งหมด System card ของ OpenAI สำหรับ o3 และ o4-mini เมื่อเดือนเมษายน 2025 ยังรายงานอัตราการเพ้อข้อมูลที่สูงขึ้นในโมเดลแบบให้เหตุผลบางตัวในการทดสอบ PersonQA อัตรานี้แตกต่างกันตามชุดทดสอบและยังเป็นที่โต้แย้ง จึงควรระวังเมื่อเห็นการอ้างตัวเลขเพียงตัวเดียว

LLM แบบเปิดกับแบบปิดต่างกันอย่างไร?

โมเดลแบบปิดหรือแบบเป็นกรรมสิทธิ์ ไม่เปิดเผยค่าน้ำหนัก ดังนั้นคุณใช้งานได้เฉพาะผ่านแอปหรือ API ตัวอย่างได้แก่ซีรีส์ GPT ของ OpenAI, Claude ของ Anthropic, Gemini ของ Google และ Grok ของ xAI อย่างไรก็ตาม xAI เคยเปิดเผยค่าน้ำหนักของ Grok รุ่นเก่าบางรุ่น

โมเดลแบบเปิดน้ำหนัก สามารถดาวน์โหลด รันบนเครื่องของตนเอง และปรับแต่งได้ ตัวอย่างได้แก่ Llama ของ Meta, Mistral, DeepSeek, Qwen ของ Alibaba, Gemma ของ Google และ gpt-oss ของ OpenAI ที่เปิดตัวในเดือนสิงหาคม 2025 ภายใต้ใบอนุญาต Apache 2.0

แบบเปิดน้ำหนักไม่เท่ากับโอเพนซอร์ส Open Source AI Definition 1.0 ของ Open Source Initiative (OSI) ที่เผยแพร่เมื่อเดือนตุลาคม 2024 กำหนดให้เปิดกว้างกว่ามาก รวมถึงข้อมูลการฝึกด้วย OSI ระบุว่าใบอนุญาตของ Llama ไม่ถือเป็นโอเพนซอร์ส

ในทางปฏิบัติ โมเดลแบบเปิดน้ำหนักให้ความเป็นส่วนตัว การควบคุมบนเครื่องของตนเอง และการปรับแต่งได้ ส่วนโมเดลแบบปิดมักนำในด้านความสามารถดิบ แม้ช่องว่างจะแคบลงในช่วงปี 2025 กระดานจัดอันดับอย่าง LMArena มีการเปลี่ยนลำดับทุกเดือน

การกำกับดูแลก็กำลังตามทัน ภายใต้ EU AI Act ข้อผูกพันสำหรับโมเดล AI ทั่วไปมีผลบังคับใช้ตั้งแต่วันที่ 2 สิงหาคม 2025 กฎหมายคุ้มครองข้อมูลส่วนบุคคล เช่น KVKK ของตุรกี ยังคงครอบคลุมข้อมูลส่วนบุคคลใดๆ ที่คุณวางลงในพรอมต์