MiniMax M3: โมเดลโอเพนเวต์ที่ท้าชน GPT-5.5 ด้านเขียนโค้ด

วงการโมเดลโอเพนเวต์ (open-weight — โมเดลที่เปิดให้ดาวน์โหลดน้ำหนักไปรันเองได้) มีตัวเล่นใหม่ที่น่าจับตา เมื่อสตาร์ทอัพจีน MiniMax เปิดตัวโมเดล M3 เมื่อ 1 มิถุนายน 2026 พร้อมคำเคลมที่ดุดัน — เป็นโมเดลเปิดน้ำหนักตัวแรกที่รวมความสามารถ “เขียนโค้ดระดับแนวหน้า + บริบท 1 ล้านโทเคน + ทำงานมัลติโมดัล” ไว้ในโมเดลเดียว

ที่ผ่านมาโลกโมเดลเปิดมักจะเก่งเป็นเรื่อง ๆ — บางตัวเก่งเหตุผล บางตัวเก่งโค้ด บางตัวรับบริบทยาว แต่หาตัวที่ทำได้ครบในก้อนเดียวยาก M3 จึงถูกพูดถึงเพราะมันพยายามจะเป็น “ตัวเดียวจบ” ในงานที่ก่อนหน้านี้ต้องพึ่งโมเดลปิดราคาแพงอย่าง GPT หรือ Claude

เก่งแค่ไหน

ไฮไลต์ที่ MiniMax ชูคือผลทดสอบ SWE-Bench Pro ซึ่งเป็นโจทย์เขียนโค้ดแก้บั๊กจากโลกจริงที่ขึ้นชื่อว่าโหดที่สุดชุดหนึ่ง:

• M3 ทำได้ 59.0% แซงหน้า GPT-5.5 ที่ 58.6% และเฉือน Gemini 3.1 Pro
• แต่ยังตามหลัง Claude Opus 4.8 ที่รายงานไว้ราว 69.2%

นอกจาก SWE-Bench แล้ว MiniMax ยังรายงานคะแนนในชุดทดสอบสาย “agent” (โมเดลที่ทำงานหลายขั้นตอน เรียกใช้เครื่องมือเอง) อีกหลายตัว เช่น Terminal Bench 2.1 ที่ 66.0% (งานสั่งงานผ่านเทอร์มินัล) และ MCP Atlas ที่ 74.2% (งานต่อกับเครื่องมือผ่านโปรโตคอล MCP) — สะท้อนว่าโมเดลถูกออกแบบมาเพื่องานยาว ๆ ที่ต้องคิดเป็นสเต็ป ไม่ใช่แค่ตอบคำถามครั้งเดียวจบ

จุดที่ทำให้คนตื่นเต้นไม่ใช่แค่คะแนน แต่คือ “โมเดลเปิด” ที่ไล่บี้โมเดลปิดราคาแพงได้ในงานจริง

เบื้องหลังสถาปัตยกรรม

ตัวโมเดลมีพารามิเตอร์รวมราว 428 พันล้าน แต่เป็นแบบ MoE (Mixture of Experts — เลือกเปิดใช้เฉพาะส่วนที่เกี่ยวข้อง) จึงเปิดใช้งานจริงต่อโทเคนเพียง ~23 พันล้าน ทำให้รันได้ประหยัดกว่าตัวเลขรวมจะบอกมาก

หัวใจของความเร็วคือเทคนิคใหม่ชื่อ MiniMax Sparse Attention (MSA) ที่เปลี่ยนวิธีโมเดล “อ่านบริบท” จากเดิมที่ต้องสนใจทุกคำเท่ากันหมด มาเป็นการเลือกเฉพาะบล็อกข้อมูลที่สำคัญ ผลคือ:

• ขั้น prefill (อ่านบริบทตั้งต้น) เร็วขึ้นราว 9 เท่า
• ที่ระดับบริบท 1 ล้านโทเคน ใช้พลังประมวลผลเพียงราว 1/20 เมื่อเทียบกับรุ่นก่อน

นี่สำคัญเพราะปัญหาใหญ่ของบริบทยาว ๆ คือยิ่งยาวยิ่งช้าและแพงแบบทวีคูณ การที่ MSA กดต้นทุนตรงนี้ลงได้ ทำให้งานอย่าง “อ่านโค้ดทั้งโปรเจกต์แล้วแก้” หรือ “วิเคราะห์เอกสารยาวเป็นร้อยหน้า” เป็นไปได้จริงในราคาที่จับต้องได้

ราคาและการเข้าถึง

แม้จะเป็นโมเดลเปิดน้ำหนัก แต่คนส่วนใหญ่จะเริ่มใช้ผ่าน API ก่อน ซึ่งราคาตั้งต้นถือว่าถูกเมื่อเทียบกับโมเดลปิดระดับเดียวกัน — ช่วงเปิดตัวอยู่ที่ราว 0.30 ดอลลาร์ต่อล้านโทเคนขาเข้า และ 1.20 ดอลลาร์ต่อล้านโทเคนขาออก (เป็นโปรโมชันลด 50% ช่วงแรก ราคาปกติประมาณเท่าตัว) และมีผู้ให้บริการหลายเจ้ารับโฮสต์ในราคาแข่งกัน

สำหรับสาย Local AI ตัวน้ำหนักโมเดลทยอยขึ้นบน Hugging Face แล้ว รวมถึงเวอร์ชัน GGUF ที่เอาไปรันผ่าน llama.cpp/Ollama แบบ local ได้ — แต่ต้องเข้าใจว่าโมเดลขนาด 428B นี้ไม่ใช่ของที่รันบนโน้ตบุ๊กทั่วไป ต้องใช้เครื่องที่มี VRAM/แรมระดับสูงหรือหลายการ์ดต่อกัน คนทั่วไปจึงน่าจะใช้ผ่าน API หรือผู้ให้บริการคลาวด์มากกว่ารันเองที่บ้าน

ข้อควรระวังก่อนเชื่อทั้งหมด

ข่าวนี้มีเงื่อนไขที่ควรอ่านด้วยใจเป็นกลาง:

• คะแนน benchmark เป็นตัวเลขที่ผู้ผลิตรันเอง ยังรอการทดสอบอิสระจากภายนอกยืนยัน ในอดีตมีหลายครั้งที่ตัวเลขจากผู้ผลิตสูงกว่าผลที่ผู้ใช้เจอจริง
• เงื่อนไขไลเซนส์ ตอนเปิดตัวยังไม่ชัดว่าเปิดให้ใช้เชิงพาณิชย์ได้เต็มที่แค่ไหน (รุ่นก่อนหน้าอย่าง M2.7 มีข้อจำกัดการใช้เชิงพาณิชย์โดยต้องขออนุญาตก่อน)
• ในฐานะบริษัทจีน MiniMax อยู่ภายใต้กฎหมายข่าวกรองแห่งชาติปี 2017 ซึ่งเป็นประเด็นที่ผู้ใช้องค์กรบางส่วน โดยเฉพาะในตะวันตก นำไปพิจารณาเรื่องความเชื่อมั่นด้านข้อมูล

ความหมายต่อสาย Local AI และนักพัฒนาไทย

เหนือกว่าตัวเลขคือสัญญาณของเทรนด์: ช่องว่างระหว่างโมเดล “เปิด” กับ “ปิด” ในงานเขียนโค้ดและงาน agent กำลังแคบลงเร็วกว่าที่หลายคนคาด เมื่อปีก่อนการจะได้โมเดลเขียนโค้ดเก่ง ๆ แทบต้องจ่ายค่า API ให้เจ้าใหญ่อย่างเดียว วันนี้เริ่มมีทางเลือกที่เอามารันเอง ปรับจูนเอง และคุมข้อมูลเองได้

สำหรับองค์กรหรือนักพัฒนาไทยที่ทำงานกับโค้ดหรือข้อมูลที่อ่อนไหว นี่หมายความว่าการสร้างผู้ช่วยเขียนโค้ดภายในองค์กร โดยไม่ต้องส่งซอร์สโค้ดออกไปข้างนอก เป็นเรื่องที่จับต้องได้มากขึ้นเรื่อย ๆ

ยุคนี้คำถามไม่ใช่ “โมเดลเปิดดีพอไหม” แต่เป็น “เราพร้อมจะดูแลและรันมันเองหรือยัง”

แม้จะต้องรอผลทดสอบอิสระมายืนยันคำเคลม แต่ทิศทางก็ชัด — โลกของโมเดลเปิดกำลังเดินเร็ว และผู้ใช้คือคนที่ได้ประโยชน์จากการแข่งขันรอบนี้มากที่สุด