[บันทึกภาคสนาม AI ในเครื่อง 01] บททดสอบถัดไปของ Strata: ทำให้โมเดลใหญ่มีประโยชน์บนพีซีของคุณ

การสาธิต AI ในเครื่องที่น่าสนใจที่สุด คือสิ่งที่คุณยังกลับมาใช้งานได้ในสัปดาห์หน้า โมเดลใหญ่ที่ตอบคำถามได้ชาญฉลาดบนพีซีเล่นเกมถือเป็นหมุดหมายสำคัญ แต่การเปิดบทสนทนาเดิมในวันพรุ่งนี้ หาไฟล์โมเดลเจอ และให้มันแก้ไขโครงการอย่างปลอดภัยได้ต่างหาก คือจุดเริ่มต้นของเครื่องมือที่มีประโยชน์

Strata ขยับเข้าใกล้กลุ่มหลังเมื่อออก 0.2.0-beta วันที่ 19 ตุลาคม 2026 พร้อมแอปเดสก์ท็อป อินเทอร์เฟซ Terminal และเอนจินที่แยกแพ็กเกจออกจากกัน ภายในวันที่ 23 ตุลาคม รุ่น 0.2.3 ก็ตามมาแล้ว ชื่อรุ่นเบตาที่ถูกต้องมีความสำคัญตอนเลือกดาวน์โหลด เพราะนี่คือสายรุ่น 0.2 ไม่ใช่การประกาศรุ่น 2.0 ในอนาคต รุ่นเบตา, รุ่นวันที่ 23 ตุลาคม

ตอนแรกของชุด “บันทึกภาคสนาม AI ในเครื่อง” จะสำรวจว่าความเปลี่ยนแปลงนี้ให้อะไรกับคนที่มีคอมพิวเตอร์อยู่แล้ว เราจะเชื่อมอินเทอร์เฟซใหม่เข้ากับตัวอย่างฮาร์ดแวร์ที่เผยแพร่สามชุด แยกตัวเลือกโมเดลออกจากความแตกต่างด้านสถาปัตยกรรม และพิจารณาพัฒนาการที่อาจทำให้การอนุมานในเครื่องกลายเป็นบริการที่พึ่งพาได้ทุกวัน

ภาพหน้าจอทางการของ Strata จากคลังโค้ดรุ่น 0.2.3 แสดงบทสนทนาเขียนโค้ดและตัวอย่าง HTML ภาพนี้ใช้แสดงอินเทอร์เฟซ ไม่ใช่ผลทดสอบที่ทำขึ้นสำหรับบทความนี้ © 2026 Niko1221 and the Strata contributors; แหล่งที่มา, สัญญาอนุญาต MIT.

รุ่นเบตาทำให้เอนจินกลายเป็นเครื่องมือที่กลับมาใช้งานต่อได้

แอปเดสก์ท็อปรวมการเลือกโมเดล การจัดการพื้นที่จัดเก็บ แชต การตรวจสอบฮาร์ดแวร์ และพื้นที่เขียนโค้ดไว้ด้วยกัน โหมดสิทธิ์ Manual จะถามก่อนเปลี่ยนแปลง ส่วนโหมด Bypass ที่อนุญาตมากกว่าจะให้อิสระแก่เอเจนต์มากขึ้น Terminal มีขั้นตอนแนะนำผ่าน strata launch และเชื่อมต่อกับไคลเอนต์เขียนโค้ดได้ ทั้งสองอินเทอร์เฟซใช้เอนจินพื้นฐานร่วมกัน บันทึกคุณสมบัติ 0.2.0-beta

สำหรับนักพัฒนา สิ่งนี้นำไปสู่ตัวอย่างการใช้งานที่ตรงไปตรงมา คือขอให้สร้างตัวแยกวิเคราะห์ขนาดเล็กในโครงการทดลอง ตรวจไฟล์ที่เสนอ รันชุดทดสอบ แล้วสนทนาต่อด้วยตัวอย่างที่ทำงานผิดพลาด สำหรับคนที่ทำงานกับเอกสารมาก งานแรกที่เทียบกันได้คือถามคำถามที่มีขอบเขตชัดเจนเกี่ยวกับข้อความที่ให้ไป แล้วขอข้อความอ้างอิงตรงตามต้นฉบับเพื่อสนับสนุนคำตอบ ทั้งสองสถานการณ์ไม่จำเป็นต้องเปลี่ยนโมเดลให้เป็นพนักงานที่ทำงานเองอย่างอิสระ

สิ่งที่ดีขึ้นในทางปฏิบัติคือความต่อเนื่อง หน้าจอเลือกโมเดลช่วยลดโอกาสเริ่มด้วยค่าที่เข้ากันไม่ได้ ตัวตรวจสอบฮาร์ดแวร์ช่วยอธิบายว่าทำไมแอปอื่นจึงกระทบประสิทธิภาพ และค่าตั้งล่วงหน้าที่บันทึกไว้ช่วยให้ทำการทดลองที่สำเร็จซ้ำได้ คุณสมบัติเหล่านี้ไม่ได้เพิ่มความสามารถในการให้เหตุผลของโมเดล แต่ลดงานระหว่างการมีความสามารถนั้นอยู่กับการนำมาใช้อย่างรับผิดชอบ

มุมมองของเราคือ การแข่งขันขั้นต่อไปของ AI ในเครื่องจะอยู่ที่ระยะห่างนี้ ประสบการณ์ที่ชนะจะทำให้เก็บค่าที่ใช้งานได้ดีไว้ได้ง่าย เข้าใจความผิดพลาดได้ง่าย และตรวจทานการกระทำที่เสี่ยงได้ง่าย

ระบบหน่วยความจำทั้งหมดของคอมพิวเตอร์กลายเป็นส่วนหนึ่งของโมเดล

เป้าหมายหลักของ Strata คือ Qwen3.8-Flash-Next ซึ่งมีแกนหลักขนาด 125 พันล้านพารามิเตอร์ กลยุทธ์การทำงานใช้หน่วยความจำ GPU สำหรับการคำนวณร่วมและผู้เชี่ยวชาญที่ต้องใช้บ่อย ใช้ RAM ระบบและ CPU กับผู้เชี่ยวชาญส่วนอื่น และเข้าถึง SSD เพื่อใช้ตารางค้นหา n-gram การ์ดจอที่ใหญ่ขึ้นช่วยได้ แต่ RAM และพื้นที่จัดเก็บของเครื่องยังคงเป็นส่วนหนึ่งของเส้นทางการอนุมาน ภาพรวมโครงการ, การออกแบบการทำงาน

ลองนึกว่าพีซีเป็นโรงงานที่มีโต๊ะทำงานหลายตัว โต๊ะที่เร็วที่สุดมีพื้นที่จำกัด รันไทม์จึงต้องตัดสินใจว่างานใดควรอยู่บนโต๊ะนั้นต่อ การตัดสินใจที่ดีขึ้นทำให้ฮาร์ดแวร์เดิมมีประโยชน์มากขึ้นได้ แต่ไม่อาจทำให้โต๊ะทุกตัวเร็วเท่ากัน

มีปริมาณสามอย่างที่ต้องพิจารณาแยกกัน ไฟล์ที่ดาวน์โหลดกินพื้นที่จัดเก็บ น้ำหนักโมเดลที่โหลดแล้วกับบัฟเฟอร์รันไทม์ใช้หน่วยความจำ ส่วนหน้าต่างบริบทจะเพิ่มสถานะการทำงานเมื่อบทสนทนายาวขึ้น ดังนั้นขนาดไฟล์อย่างเดียวจึงบอกไม่ได้ว่าต้องใช้ VRAM เท่าไร หรือคำตอบแรกจะปรากฏเร็วเพียงใด

คำแนะนำเริ่มต้นปัจจุบันของโครงการคือมี RAM และ VRAM รวมกันอย่างน้อย 32 GB พร้อม พื้นที่ดิสก์ว่างราว 80 GB สำหรับการตั้งค่าตามปกติ นี่เป็นแนวทางเริ่มต้น ไม่ใช่คำรับประกันว่าทุกโมเดล ทุกความยาวบริบท หรือทุกระบบปฏิบัติการจะอยู่ในงบนี้ได้ ไม่ควรถือว่าแล็ปท็อปพื้นฐาน 16 GB เทียบเท่าเดสก์ท็อปในตัวอย่างด้านล่าง ข้อกำหนดฮาร์ดแวร์

ชื่อโมเดลที่มากขึ้นไม่ได้แปลว่ามีสถาปัตยกรรมมากขึ้นเสมอไป

แผนภาพต้นฉบับที่กองบรรณาธิการจัดทำจากความสัมพันธ์ของโมเดลในเอกสาร ตรวจสอบวันที่ 23 ตุลาคม แขนงแสดงสายที่มาและการรองรับของรันไทม์ ไม่ได้หมายถึงคุณภาพเท่ากันหรือใช้ไฟล์แทนกันได้

Flash-Next ดั้งเดิม, Swift 1.5, Coder และ Gyro ตอบโจทย์ต่างกันภายใต้ตระกูลพื้นฐานเดียวกัน Swift เปลี่ยนพฤติกรรมด้วยการปรับจูน Coder ตัดผู้เชี่ยวชาญที่ถูกเลือกว่ามีประโยชน์น้อยกว่าสำหรับงานเขียนโค้ด ส่วน Gyro เปลี่ยนวิธีแทนน้ำหนักโมเดล การมองชื่อเหล่านี้เป็นโมเดลพื้นฐานสี่ตัวที่ไม่เกี่ยวข้องกันทำให้รายการดูหลากหลายกว่าความเป็นจริง คู่มือโมเดล

ความแตกต่างเหล่านี้มีผลจริง Coder เก็บผู้เชี่ยวชาญไว้ 256 จาก 512 ตัวในแต่ละชั้น และโครงการเตือนว่าประสิทธิภาพทั่วไปกับภาษาที่ไม่ใช่อังกฤษจะลดลง โมเดลที่เลือกเพราะพอดีกับเดสก์ท็อปสำหรับเขียนโค้ดจึงไม่ควรกลายเป็นค่าเริ่มต้นสำหรับถามเอกสารหลายภาษาโดยอัตโนมัติ การให้เหตุผลที่สั้นลงของ Swift อาจลดเวลารวมได้ โดยไม่ได้ทำให้ฮาร์ดแวร์สร้างแต่ละโทเค็นเร็วขึ้น ข้อแลกเปลี่ยนระหว่างรุ่น

Gyro-S ต้อง ดาวน์โหลด 58.5 GB แม้เอกสารระบุว่าหน่วยความจำสำหรับน้ำหนักโมเดลรวม RAM และ VRAM อยู่ที่ 27.6 GB ตาราง n-gram ยังอยู่บน SSD การประเมินของโครงการจัดคุณภาพไว้ต่ำกว่าตัวเลือกบิตต่ำที่มีขนาดใหญ่กว่า การใช้หน่วยความจำน้อยลงจึงมีสิ่งที่ต้องแลก เอกสาร Gyro

นอกจากนี้ยังมีโมเดลที่สองจริง ๆ คือ Qwen3.6-35B-A3B ซึ่งเป็นโมเดล mixture-of-experts ขนาด 35 พันล้านพารามิเตอร์ มีพารามิเตอร์ทำงาน 3 พันล้านตัว และใช้เส้นทางเอนจินแยกต่างหาก ตัวเลือกที่เอกสารระบุรวมถึงรูปภาพและคำขอพร้อมกันบนการตั้งค่า NVIDIA และ AMD ที่รองรับ ส่วนเอนจินบน Mac ไม่รันโมเดลนี้ ความแตกต่างนี้ทำให้เป็นทางเลือกที่ควรประเมิน เมื่อจำนวนพารามิเตอร์ที่ใหญ่ที่สุดในพาดหัวไม่ใช่ความต้องการจริงของคุณ การรองรับ Qwen3.6

เครื่องสามชุดที่เผยแพร่แสดงประโยชน์ใช้สอยสามแบบ

ตัวอย่างต่อไปนี้เผยแพร่โดยสมาชิกชุมชนหรือตัวโครงการเอง เป็นผลวัดจากการตั้งค่าเฉพาะ ไม่ใช่การทดสอบโดยตรงสำหรับบทความนี้ จุดประสงค์คือแสดงงานที่น่าจะทำได้และต้นทุนของมัน ไม่ใช่จัดอันดับคอมพิวเตอร์สามเครื่องด้วยพรอมป์ต์ที่เทียบกันไม่ได้

แหล่งที่มา: รายงาน RTX 3060, รายงาน RX 9060 XT, ผลวัดบน Mac รายงานเหล่านี้เก่ากว่าหรือแตกต่างจากแอปรุ่นที่ออกวันนี้

ตัวอย่าง RTX 3060 มีประโยชน์เพราะรวมช่วงรอก่อนมีเอาต์พุตด้วย อินเทอร์เฟซที่แสดงความเร็วประมาณ 43 โทเค็นต่อวินาทียังอาจหยุดรอขณะอ่านคำถาม รายงานยังบันทึกการลดความเร็วจากความร้อนและกิจกรรมเบื้องหลังที่ไม่ได้ควบคุม คุณค่าจึงอยู่ที่การบอกขอบเขตจริงของเครื่องหนึ่งเครื่อง แทนที่จะเป็นสเปก GPU ในอุดมคติ

สำหรับผู้ใช้ Radeon มีหลักฐานของกระบวนการทำงานที่เป็นรูปธรรมเกินกว่าการวนวัดความเร็ว ผู้ร่วมทดสอบรันงาน TypeScript สังเคราะห์สามงานผ่านไคลเอนต์เขียนโค้ด โดยทำงานละสามครั้งต่อโมเดล ทั้ง IQ2_XS และ IQ3_XXS ผ่านการรันงานทั้งเก้าครั้ง การตั้งค่า IQ2 ทำงานที่มีขอบเขตเหล่านั้นเสร็จเร็วกว่าและใช้หน่วยความจำเครื่องหลักน้อยกว่า ผลนี้สนับสนุนให้ลองงานเขียนโค้ดที่ทดสอบได้ แต่ไม่ได้ยืนยันคุณภาพเท่ากันบนคลังโค้ดที่ไม่คุ้นเคย การเปรียบเทียบงานเขียนโค้ดและชุดข้อมูลทดสอบ

ตัวอย่าง Mac ตอบอีกคำถามหนึ่งว่า ระบบ 32 GB ที่ค่อนข้างกะทัดรัดพอจะเข้าร่วมได้หรือไม่ คำตอบคือได้ ภายใต้การตั้งค่าสตรีมที่เผยแพร่ แต่พรอมป์ต์ IQ3_XXS อีกชุดที่ยาวประมาณ 30,000 โทเค็นในเอกสาร Mac ใช้เวลา 5.6 นาทีก่อนมีเอาต์พุตแรก งานแบตช์ที่รอได้กับผู้ช่วยที่สะดุดง่ายเมื่อถูกขัดจังหวะยอมรับความหน่วงได้ต่างกัน ผลวัดการสตรีมบน Mac

นี่คือทางเลือกที่ผู้อ่านควรนำกลับไปใช้ ใช้คำถามสั้นเพื่อดูพฤติกรรมการโต้ตอบ ใช้เอกสารยาวเพื่อดูต้นทุนของพรอมป์ต์ และใช้งานที่ตรวจสอบได้เพื่อดูว่าคำตอบมีประโยชน์หรือไม่ ตัวเลขเพียงตัวเดียวไม่อาจแทนทั้งสามด้านได้

การแก้ไขในเดือนตุลาคมแสดงว่าทำไมควรจดเลขรุ่นไว้ในบันทึกการตั้งค่า

รุ่นวันที่ 23 ตุลาคมรายงานว่า ความเร็วตอบเพิ่มขึ้น 6–19% บนเครื่องทดสอบ Windows Strix Halo ที่ใช้ IQ3_S โดยวัดสามรอบแบบจับคู่เทียบกับ 0.2.2 รุ่นนี้ยังมีแพ็กเกจเอนจิน Intel Arc Linux SYCL ซึ่งทดสอบด้วยการ์ด A750 การร่างด้วย DFlash2 มีเฉพาะ Terminal และต้องเลือกเปิดเอง ส่วน Auto ยังเลือก MTP เพราะทางเลือกใหม่ยังไม่ได้ชนะในทุกลักษณะงาน ผลวัดและข้อจำกัดของ 0.2.3

การปรับปรุงเหล่านี้มาคู่กับงานบำรุงรักษาซอฟต์แวร์ตามปกติ แท็ก v0.2.1.2 วันที่ 20 ตุลาคมแก้ปัญหาการเริ่ม Strix Halo บน Windows คู่มือฮาร์ดแวร์อธิบายปัญหาเดิมว่า การลงทะเบียนพื้นที่ผู้เชี่ยวชาญใช้หน่วยความจำ GPU ที่ว่างอยู่จนหมด จึงไม่มีช่องให้แคช ชิปที่รองรับกับตัวติดตั้งยังไม่เพียงพอ จนกว่าจะจัดการความรับผิดชอบในการใช้หน่วยความจำได้ถูกต้อง v0.2.1.2, คำอธิบายการเริ่ม Strix Halo

ปัจจุบันยังมีจุดติดขัดอยู่ด้วย Issue #3810 ซึ่งเปิดวันที่ 23 ตุลาคม รายงานว่าการตั้งค่า CUDA บน Windows ล้มเหลวจากปัญหาที่เกี่ยวกับเมทาดาทาการมองภาพในแพ็กเกจ ณ วันสิ้นสุดการค้นคว้าของบทความ นี่คือรายงานจากผู้ใช้ที่รอการแก้ไข ไม่ใช่หลักฐานว่าการติดตั้ง Windows ทุกครั้งจะล้มเหลว หากคุณใช้เส้นทางเดียวกัน ควรตรวจ issue และบันทึกรุ่นถัดไปก่อนใช้เวลาหลายชั่วโมงปรับโมเดลใหม่ รายงานการตั้งค่าบน Windows

การอัปเกรดก็ควรใส่ใจเช่นกัน บันทึกของ 0.2.3 แนะนำให้ผู้ใช้ 0.2.0-beta ถึง 0.2.1.2 รันตัวติดตั้ง Terminal อีกครั้ง เพราะรุ่นเหล่านั้นเปลี่ยนส่วนประกอบ Control เองไม่ได้ ตัวติดตั้งจะเก็บโมเดลและการตั้งค่าไว้ สำหรับ Mac ควรตรวจว่าแพ็กเกจที่ลงนามแล้วซึ่งต้องการปรากฏจริงหรือยัง เพราะหัวข้อข้อจำกัดที่ทราบของรุ่นเดียวกันระบุว่า ณ เวลาประกาศ บิลด์สำหรับ Mac ยังอยู่ระหว่างการลงนาม วิธีอัปเกรด

เริ่มจากงานที่มีประโยชน์หนึ่งอย่างและบริบทสั้น ๆ

คุณไม่จำเป็นต้องทำซ้ำการสาธิตที่ใช้บริบทมหาศาลเพื่อดูว่าคุ้มค่าหรือไม่ วงจรเล็ก ๆ ที่สำเร็จจะให้ค่าตั้งต้น รวมถึงความผิดพลาดและการแก้ไข ก่อนที่คุณจะจัดสรรพื้นที่เก็บข้อมูลเพิ่มหรือปล่อยให้เอเจนต์ทำงานกว้างขึ้น

1. เลือกเส้นทางที่เอกสารระบุสำหรับฮาร์ดแวร์ของคุณ เปิด หน้ารุ่นทางการ แล้วเลือกระบบปฏิบัติการและแพ็กเกจ GPU ให้ตรง จดรุ่นแอปกับรุ่นเอนจินแยกกัน เก็บชุดติดตั้งที่ใช้งานได้อยู่ไว้ขณะประเมินการอัปเกรด
2. เลือกโมเดลจากหน่วยความจำว่าง ภาษา และงาน ปิดแอปที่ใช้ทรัพยากรมากในครั้งแรก เริ่มจากขนาดที่แนะนำ บริบทราว 8K และคำขอพร้อมกันหนึ่งรายการ เก็บไฟล์โมเดลบน SSD ในเครื่อง
3. ใช้ขั้นตอนตั้งค่าที่มีคำแนะนำ หน้าจอเลือกโมเดลหรือ strata launch เปิดให้ตั้งค่าโมเดล พื้นที่จัดเก็บ บริบท รูปภาพ และการเข้าถึง คงการเข้าถึงเฉพาะในเครื่องและสิทธิ์ Manual ไว้สำหรับการฝึกเขียนโค้ดครั้งแรก คู่มือ Terminal
4. ถามสิ่งที่คุณตรวจสอบได้ ลองฟังก์ชันเล็กพร้อมชุดทดสอบ คำถามสามข้อเกี่ยวกับเอกสารที่ให้ไป หรือภาพหน้าจอที่มีป้ายกำกับซึ่งรู้คำตอบอยู่แล้ว บันทึกพรอมป์ต์และตรวจคำตอบกับแหล่งข้อมูลจริงหรือผลทดสอบ
5. วัดเวลารอทั้งหมด จดเวลาเริ่มต้น เวลาก่อนเอาต์พุตแรก เวลารวมของงาน การใช้หน่วยความจำสูงสุด และความถูกต้อง จากนั้นทำซ้ำหนึ่งครั้งด้วยคำถามต่อเนื่องที่ใช้แคช และอีกครั้งด้วยพรอมป์ต์ใหม่ คงการตั้งค่าการร่างและการให้เหตุผลระหว่างการเปรียบเทียบนี้
6. เพิ่มความซับซ้อนทีละตัวแปร เพิ่มบริบทเฉพาะเมื่องานจำเป็นต้องใช้ ประเมินรูปภาพ โมเดลอื่น หรือการเชื่อมต่อไคลเอนต์เขียนโค้ดแยกกัน เพื่อให้เมื่อเกิดการถดถอยจะระบุจุดตรวจสอบได้ชัดเจน

สำหรับรายงานประสิทธิภาพที่แบ่งปันได้ Strata มี strata bench run โปรโตคอลมาตรฐานของมันยังเป็น ฉบับร่างที่รอการตรวจสอบด้วยโครงการนำร่อง ณ วันที่ 23 ตุลาคม และแยกการโหลดโมเดลออกจากการอนุมานที่จับเวลาอย่างชัดเจน นิสัยสำคัญนี้มีประโยชน์ได้ทันที คือแนบฮาร์ดแวร์ การควอนไทซ์ ค่าที่มีผลจริง และผลลัพธ์ของงานไปกับตัวเลข โปรโตคอลเบนช์มาร์ก

แม้อนุมานในเครื่อง ก็ยังต้องตัดสินใจเรื่องการเชื่อมต่อรอบข้าง

เอกสารความเป็นส่วนตัวของ Strata ระบุว่าไม่มีเทเลเมทรีการใช้งาน และรันโมเดลที่ดาวน์โหลดแล้วแบบออฟไลน์ได้ การค้นหาเว็บ หน้าที่เปิด บริการโมเดลระยะไกล อุโมงค์เชื่อมต่อ และเครื่องมือที่ตั้งค่าไว้จะสร้างการเชื่อมต่อภายนอกเมื่อใช้งาน ดังนั้นบทสนทนากับโมเดลที่เป็นส่วนตัวจึงต้องมีกระบวนการทำงานรอบข้างที่เป็นส่วนตัวด้วย พฤติกรรมเครือข่ายและการดาวน์โหลด

เรื่องนี้เกี่ยวข้องโดยตรงกับตัวอย่างเอกสารและการเขียนโค้ด ผู้ช่วยที่อ่านไฟล์และรันคำสั่งได้มีความสามารถเกินกว่าการสร้างข้อความ ก่อนส่งข้อมูลลับให้ ควรตรวจโฟลเดอร์ทำงาน คำสั่งที่เสนออย่างละเอียด และปลายทางเครื่องมือภายนอกทุกจุด เก็บต้นฉบับและประวัติเวอร์ชันไว้เพื่อให้กู้คืนจากการแก้ไขที่ผิดพลาดได้

ตัวรับคำขออนุมานเริ่มต้นใช้ 127.0.0.1 การเปิดตัวรับคำขอบนเครือข่ายเปลี่ยนว่าใครบ้างเข้าถึงได้ Strata มีเอกสารเรื่องคีย์ API และตัวรับคำขอสำหรับแบ่งปันแยกต่างหาก แต่ผู้เปิดการเข้าถึงยังต้องรับผิดชอบการตัดสินใจนั้น API ที่เข้ากันได้ทำให้ต่อไคลเอนต์สะดวกขึ้น ไม่ได้ทำให้การตั้งค่าไคลเอนต์ทุกแบบเป็นส่วนตัว นโยบายความปลอดภัย

Project Maya แสดงว่าแนวคิดนี้ไปได้ไกลเพียงใดและต้องจ่ายอะไรบ้าง

พัฒนาการในภาพกว้างคือกลยุทธ์รันไทม์นี้กำลังถูกดัดแปลงให้ใช้กับโมเดลตระกูลอื่น Project Maya ให้เครดิต Strata อย่างชัดเจนว่าเป็นจุดเริ่มต้นของเอนจิน เซิร์ฟเวอร์ และแดชบอร์ด พร้อมงานเพิ่มเติมจำนวนมากเพื่อรองรับโมเดลของตน เป้าหมายที่เอกสารระบุได้แก่ GLM-5.3-Flash, 321B และ DeepSeek-V4.1-Flash-1017, 748B นี่คือโครงการแยกต่างหาก ไม่ใช่ตัวเลือกในเมนูโมเดลของ Strata โมเดลและเครดิตของ Maya

GLM Maya-S มีขนาดดาวน์โหลด 96.5 GB ส่วน DeepSeek Maya-S ใช้พื้นที่ 340 GB รวมตาราง Engram ตัวอย่างจากชุมชนจับคู่ RTX 5090 หนึ่งใบกับ Ryzen 9 7950X และ RAM 96 GB โดยรายงานว่า GLM Maya-M ทำได้มากกว่า 30 โทเค็นต่อวินาที เงื่อนไขเหล่านี้อธิบายว่าทำไมคำว่า “GPU ใบเดียว” จึงบอกการตั้งค่าฮาร์ดแวร์ทั่วไปได้ไม่ครบ ไฟล์ Maya และรายงานฮาร์ดแวร์

โอกาสนี้มีอยู่จริง เครื่องหนึ่งสามารถผสานหลายระดับของพื้นที่จัดเก็บและการคำนวณ เพื่อให้บริการโมเดลที่มีน้ำหนักทั้งหมดใหญ่กว่าหน่วยความจำของตัวเร่งได้ แต่ต้นทุนก็เติบโตด้วย การดาวน์โหลดหลายร้อยกิกะไบต์ เคอร์เนลเฉพาะโมเดล RAM ระบบที่ต้องเผื่อ และการรองรับแพลตฟอร์มเชิงทดลองล้วนเป็นภาระที่มีนัยสำคัญ การพอร์ตโมเดลใหญ่สำเร็จไม่ได้ยืนยันว่ามีตัวโหลดสากลสำหรับทุกสถาปัตยกรรม

สำหรับผู้อ่านส่วนใหญ่ Maya ยังเป็นพัฒนาการที่ควรติดตาม ก่อนจะเป็นตัวเลือกที่แนะนำให้เปลี่ยนไปใช้ คำถามที่มีประโยชน์คือโมเดลอื่นแก้งานที่โมเดลปัจจุบันทำไม่ได้หรือไม่ และให้ประโยชน์มากพอจะคุ้มฮาร์ดแวร์กับการดูแลเพิ่มหรือเปล่า จำนวนพารามิเตอร์อย่างเดียวตอบคำถามนี้ไม่ได้

หมุดหมายถัดไปคืองานที่พึ่งพาได้ และข้อเสนอสาธารณะชี้ไปทางนั้น

กรอบวิเคราะห์ต้นฉบับของกองบรรณาธิการ ลำดับด้านบนอธิบายเกณฑ์สำหรับนำมาใช้งาน ส่วนแถวด้านล่างระบุข้อเสนอสาธารณะที่ตรวจสอบวันที่ 23 ตุลาคม นี่ไม่ใช่กำหนดการออกเวอร์ชันที่รับปากไว้หรือการคาดการณ์ประสิทธิภาพ

Pull request ฉบับร่างที่ยังเปิดอยู่สองรายการให้สัญญาณเป็นรูปธรรมกว่าแผนรุ่น 2.0 ที่จินตนาการขึ้น #3806 เสนอการรองรับรูปแบบ trellis ของ Gyro-L ที่ปัจจุบันยังไม่รองรับ ส่วน #3800 เสนอการมาสก์โทเค็นสำหรับเอาต์พุต JSON ที่มีโครงสร้าง เพื่อให้การสร้างที่ไม่ถูกต้องต้องส่งคำขอใหม่ทั้งหมดน้อยครั้งลง ทั้งสองยังเป็นฉบับร่าง ณ วันที่ 23 ตุลาคม จึงยังไม่ควรอยู่ในรายการความสามารถที่ส่งมอบแล้ว ข้อเสนอ Gyro-L, ข้อเสนอเอาต์พุตมีโครงสร้าง

หากงานลักษณะนี้เข้าสู่รุ่นที่เชื่อถือได้ งานในเครื่องสองกลุ่มจะได้ประโยชน์ การรองรับรูปแบบที่ดีขึ้นให้วิธีแลกหน่วยความจำกับคุณภาพมากขึ้น ส่วนเอาต์พุตมีโครงสร้างที่น่าเชื่อถือขึ้นช่วยให้งานสกัดข้อมูลเอกสาร การติดป้ายกำกับ และการเรียกเครื่องมือสร้างข้อมูลที่โปรแกรมอื่นตรวจสอบได้อย่างปลอดภัย การปรับปรุงอย่างหลังอาจดูไม่หวือหวาในวิดีโอ แต่มีโอกาสสร้างคุณค่ามากกว่าในกระบวนการที่ทำซ้ำ

ความคาดหวังของเรามีเงื่อนไข การอนุมานส่วนบุคคลจะมีประโยชน์ขึ้นเมื่อรันไทม์เก็บค่าที่ใช้งานได้ ควบคุมการใช้หน่วยความจำให้อยู่ในขอบเขต และฟื้นตัวจากความผิดพลาดได้ การพอร์ตแบ็กเอนด์เพิ่มและการร่างที่ฉลาดขึ้นช่วยได้ก็ต่อเมื่อผู้อ่านเชื่อมสิ่งเหล่านั้นกับงานจริง โมเดลบนเดสก์ท็อปจะสมควรมีที่อยู่ได้ด้วยการสร้างงานที่คุณตรวจสอบและทำซ้ำได้

คำถามสำหรับคอมพิวเตอร์ AI ในเครื่องตัวถัดไปจึงเรียบง่าย พรุ่งนี้คุณจะมอบงานที่มีประโยชน์อย่างเดิมให้มันอีก แล้วเชื่อใจกระบวนการมากพอจะใช้ต่อได้หรือไม่?

แหล่งที่มาและบันทึกสำหรับอ่านต่อ

สิ้นสุดการค้นคว้า ณ 23 ตุลาคม 2026 สถานะรุ่น สถานะ issue และแพ็กเกจที่มีอาจเปลี่ยนหลังจากวันนั้น ผลวัดด้านบนคงวันที่เผยแพร่และการตั้งค่าดั้งเดิมไว้ ไม่มีการทำเบนช์มาร์กการอนุมานใหม่สำหรับบทความนี้

• Strata 0.2.0-beta, v0.2.1.2 และ บันทึกรุ่น 0.2.3
• คู่มือโมเดล Strata, การรองรับ Qwen3.6 และ เอกสาร Gyro
• ชุดเบนช์มาร์กจากชุมชน, เอกสาร Mac และ ร่างโปรโตคอลเบนช์มาร์ก
• Project Maya, ภาพหน้าจอ Strata ทางการ และ สัญญาอนุญาตของคลังโค้ด

เก็บการตัดสินใจเรื่อง AI ในเครื่องไว้คู่กับหลักฐาน

เมื่อเปรียบเทียบการตั้งค่า ให้เก็บลิงก์แหล่งข้อมูล ค่าฮาร์ดแวร์ ผลลัพธ์ของงาน และการแก้ไขไว้ด้วยกัน Telli.sh ช่วยจัดระเบียบบันทึกการค้นคว้าและบทสรุปเหล่านี้ได้ เมื่อการตั้งค่าของคุณเปลี่ยนไป สร้างบัญชี Telli.sh