Ollama อัปเดต MLX: รัน AI บนเครื่อง Mac เร็วขึ้น 20%

Ollama เครื่องมือยอดนิยมสำหรับ “รัน AI ในเครื่องตัวเอง” ปล่อยอัปเดตใหญ่ให้เครื่องยนต์ MLX บน Mac เมื่อ 11 มิถุนายน 2026 — รีดความเร็วขึ้นได้ถึง 20%, รองรับฟอร์แมตบีบอัดโมเดลแบบใหม่ที่คุณภาพหายน้อยลง (NVFP4) และเพิ่มระบบ “snapshot” ที่ออกแบบมาเพื่องาน AI agent โดยเฉพาะ พูดสั้น ๆ คือ คนใช้ MacBook รันโมเดลภาษาในเครื่องได้ เร็วขึ้น ฉลาดขึ้น และกินแรมน้อยลง โดยไม่ต้องเปลี่ยนฮาร์ดแวร์

นี่เป็นการต่อยอดจากต้นปีที่ Ollama เพิ่งย้ายมาใช้ MLX (เฟรมเวิร์กแมชชีนเลิร์นนิงของ Apple เอง) แทนเครื่องยนต์เดิม และเป็นสัญญาณชัดว่าการรัน AI บน Apple Silicon กำลังถูกรีดประสิทธิภาพกันอย่างจริงจัง — ซึ่งมีความหมายกับคนไทยที่ใช้ Mac ทำงานมากกว่าที่คิด

MLX คืออะไร ทำไมอัปเดตนี้ถึงสำคัญกับคนใช้ Mac

MLX คือเฟรมเวิร์กที่ Apple สร้างขึ้นเพื่อรันงาน AI บนชิป M-series ของตัวเองโดยเฉพาะ จุดเด่นคือมันใช้ประโยชน์จาก unified memory (สถาปัตยกรรมที่ CPU กับ GPU แชร์หน่วยความจำก้อนเดียวกัน) และเร่งงานผ่าน Metal ซึ่งเป็นเลเยอร์กราฟิก/คอมพิวต์ของ Apple ได้เต็มที่

ก่อนหน้านี้ Ollama รันโมเดลผ่านสาย GGUF/llama.cpp เป็นหลัก ซึ่งทำงานได้ทุกแพลตฟอร์มแต่ไม่ได้จูนมาเพื่อชิป Apple โดยตรง พอย้ายมาเดินบน MLX โมเดลจึง “ตอบเร็วขึ้น คุณภาพดีขึ้น และใช้แรมน้อยลง” บน Apple Silicon ตามที่ Ollama เคลม และอัปเดตรอบ 11 มิถุนายนนี้คือการรีดประสิทธิภาพของเส้นทาง MLX นั้นให้ไปอีกขั้น

ทำไมเรื่องนี้ถึงสำคัญ? เพราะ unified memory ของ Mac ทำให้รุ่นแรมเยอะ ๆ รันโมเดลใหญ่ได้เกินกว่าที่การ์ดจอ VRAM ขนาดเท่ากันจะทำได้ Mac จึงเป็นหนึ่งในเครื่องที่ “รัน AI ในเครื่อง” ได้คุ้มที่สุดอยู่แล้ว — และอัปเดตนี้ยิ่งดันข้อได้เปรียบนั้นให้ชัดขึ้น

มีอะไรใหม่ — 3 เสาหลักของอัปเดตนี้

อัปเดตรอบนี้สร้างขึ้นรอบสามเรื่องหลัก คือ ความเร็ว, คุณภาพการบีบอัดโมเดล และการรองรับงาน agent

1. เร็วขึ้นถึง 20% จากการรีดระดับ Metal

ความเร็วที่เพิ่มขึ้นมาจากการลงไปจูนระดับลึก: หลายปฏิบัติการที่เคยแยกกันถูก หลอมรวมเป็น Metal kernel เดียว ผ่านความสามารถ just-in-time compiler ของ MLX และส่วนการสุ่มผลลัพธ์ (sampling) ที่ทำงานบน GPU ก็ถูกเขียนใหม่ให้มีประสิทธิภาพกว่าเดิม

ผลลัพธ์ที่ Ollama วัดได้คือ ความเร็วในการสร้างข้อความ (output) เร็วขึ้นได้ถึงราว 20% โดยตัวเลขนี้มาจากการทดสอบฟอร์แมต NVFP4 ที่ทำงานเร็วกว่าการบีบอัดแบบ q4_K_M เดิมราว 20% วัดเฉลี่ยจาก 10 รอบ บนพรอมป์ขนาด 8,300 token

ที่ต้องเน้นคือ “ความเร็วขึ้น 20%” นี้เป็นตัวเลขจากการทดสอบเฉพาะกรณี งานจริงของแต่ละคน (ขนาดพรอมป์ โมเดล และรุ่นเครื่อง) อาจให้ผลต่างออกไป แต่ทิศทางชัดเจนว่าเร็วขึ้นจริงโดยไม่ต้องแตะฮาร์ดแวร์

2. NVFP4 — บีบโมเดลให้เล็กลงโดยคุณภาพหายน้อยลง

นี่อาจเป็นไฮไลต์ที่มีความหมายที่สุดสำหรับการรันโมเดลในเครื่อง ขออธิบายพื้นฐานก่อน: การรันโมเดลใหญ่บนเครื่องเล็กต้องอาศัย quantization (การบีบอัด) — ลดความละเอียดของตัวเลขใน weight ของโมเดลลง เพื่อให้กินแรมน้อยลงและรันเร็วขึ้น แต่ของแถมที่มากับมันคือ “คุณภาพหายไปบ้าง” ยิ่งบีบแรงคุณภาพยิ่งตก

NVFP4 เป็นฟอร์แมตบีบอัดแบบ 4-bit ของ NVIDIA ที่ออกแบบให้ ติดตามช่วงไดนามิก (dynamic range) ของ weight ได้ใกล้เคียงของจริงมากขึ้น ผลคือการสูญเสียคุณภาพจากการบีบอัดน้อยลง จากการทดสอบกับโมเดล Gemma 4 12B พบว่า NVFP4 ลดการสูญเสียคุณภาพลง ราวครึ่งหนึ่ง เมื่อเทียบกับการบีบอัด 4-bit แบบเดิม (q4_K_M) โดยที่ความเร็วไม่ตก

พูดง่าย ๆ คือคุณได้โมเดลที่ “เล็กพอจะรันบนแล็ปท็อป แต่ฉลาดใกล้เคียงตัวเต็มมากขึ้น” — เป็นการแก้จุดอ่อนคลาสสิกของ Local AI ที่ของเล็กมักโง่ลงอย่างเห็นได้ชัด

ของแถมอีกอย่าง: โมเดลที่ผู้พัฒนาออปติไมซ์มาเพื่อรันบน ดาต้าเซ็นเตอร์ (ในฟอร์แมต NVFP4) ตอนนี้เอามารันบนเครื่องยนต์ MLX ของ Ollama ได้ตรง ๆ โดยไม่ต้อง build แยกเวอร์ชัน ทดลองโมเดลตัวใหม่ได้เลย เช่นสั่ง ollama run gemma4:12b-mlx

3. ระบบ snapshot สำหรับงาน AI agent

เสาที่สามตอบโจทย์เทรนด์ใหญ่ของปีนี้คือ AI agent — โปรแกรมที่ให้โมเดลทำงานหลายขั้น เรียกเครื่องมือ แตกงานเป็นซับทาสก์ และวนแก้เมื่อทำพลาด งานแบบนี้มักต้องประมวลผล context เดิมซ้ำไปซ้ำมา ซึ่งเปลืองทั้งเวลาและหน่วยความจำ

ระบบ snapshot ใหม่แก้ตรงนี้ด้วยการ บันทึกสถานะของโมเดลไว้ ณ จุดที่บทสนทนาแตกกิ่ง แล้วกลับมาทำต่อจากจุดนั้นได้เลย โดยไม่ต้องประมวลผล context ทั้งก้อนใหม่ มันรองรับสถานการณ์ซับซ้อนของงาน agent ทั้งการส่งงานต่อระหว่าง subagent, การรันหลายเซสชันขนานกัน, การจัดการ token การคิด (reasoning) ของโมเดลคิดได้ และการสั่งให้สร้างคำตอบใหม่ (regenerate)

Ollama ระบุว่าออกแบบ snapshot ให้ทำงานแบบ “เลือกเฉพาะส่วนและเพิ่มทีละนิด” (selective + incremental) เพื่อ เหลือหน่วยความจำไว้ให้ตัวโมเดลมากที่สุด — สำคัญมากบนเครื่องที่แรมจำกัด

ชิป M5 ได้เปรียบเป็นพิเศษ

Ollama ระบุว่าทดสอบอัปเดตนี้บน MacBook Pro M5 Max ซึ่งชิป ตระกูล M5 มาพร้อม GPU Neural Accelerator ในตัว ช่วยเร่งทั้งเวลาเริ่มตอบ (time-to-first-token) และความเร็วในการพ่นข้อความ (token ต่อวินาที) ได้มากเป็นพิเศษ

แต่ข่าวดีคือคนใช้ Mac รุ่นก่อนหน้า (M1–M4) ก็ได้ประโยชน์จากการจูน Metal kernel และการรื้อ sampler เช่นกัน เพียงแต่เครื่อง M5 จะรีดผลได้มากที่สุด ใครกำลังคิดอัปเกรด Mac เพื่อรัน AI ในเครื่อง นี่เป็นอีกเหตุผลให้มอง M5

ข้อควรรู้ก่อนตื่นเต้น

• เฉพาะ Mac (Apple Silicon) เท่านั้น — MLX เป็นเฟรมเวิร์กของ Apple คนใช้ Windows/Linux ไม่ได้สเปกความเร็วชุดนี้ (ยังเดินบนสาย llama.cpp/CUDA ตามเดิม)
• ตัวเลข 20% มาจากเทสต์เฉพาะ (พรอมป์ยาว 8,300 token, เฉลี่ย 10 รอบ) งานสั้น ๆ หรือโมเดลอื่นอาจได้ไม่เท่ากัน
• ผล NVFP4 โชว์บน Gemma 4 12B เป็นหลัก โมเดลอื่นอาจให้ผลต่างไป ควรทดสอบกับงานของตัวเอง
• โมเดลใหญ่ยังต้องการแรมเยอะอยู่ดี — อัปเดตนี้ช่วยให้เร็วและประหยัดขึ้น แต่ไม่ได้เสกให้เครื่องแรมน้อยรันโมเดลยักษ์ได้

วิเคราะห์: กระทบเรายังไง ต้องเตรียมตัวอะไร

สำหรับผู้ใช้ Mac และนักพัฒนาทั่วไป

ข้อความสำคัญของอัปเดตนี้คือ “คุณได้ของดีขึ้นฟรี ๆ แค่กดอัปเดต” ไม่ต้องซื้อเครื่องใหม่ ไม่ต้องตั้งค่าอะไรซับซ้อน โมเดลเดิมบนเครื่องเดิมก็เร็วขึ้นและกินแรมน้อยลงทันที แรมที่เหลือมากขึ้นยังแปลว่าอาจขยับไปรันโมเดลใหญ่กว่าเดิมได้บนเครื่องตัวเดียวกัน

NVFP4 คือพระเอกเงียบสำหรับงานบนแล็ปท็อป เพราะมันลดช่องว่างระหว่าง “โมเดลเล็กที่รันไหว” กับ “โมเดลเต็มที่ฉลาดกว่า” ทำให้คุณภาพงานที่รันในเครื่องเข้าใกล้ของจริงมากขึ้น ส่วนระบบ snapshot จะมีค่ามากสำหรับคนที่กำลังสร้าง AI agent หรือ coding assistant แบบรันในเครื่อง — งานที่เคยอืดเพราะต้องประมวลผล context ซ้ำจะลื่นขึ้นชัดเจน

สำหรับคนไทยและองค์กรไทยโดยเฉพาะ

จุดที่ตรงกับบริบทไทยมากคือ Mac เป็นเครื่องทำงานยอดนิยมในกลุ่มดีไซเนอร์ นักพัฒนา ครีเอเตอร์ และสตาร์ทอัพไทย จำนวนมาก คนเหล่านี้มี MacBook อยู่ในมือแล้ว การที่รัน AI ในเครื่องได้เร็วขึ้นและฟรี (ไม่มีค่า API ต่อการเรียกใช้) แปลว่าต้นทุนการทดลองและสร้างงาน AI แทบเป็นศูนย์ ใช้ฮาร์ดแวร์ที่มีอยู่แล้วได้เลย

ในมุมข้อมูล การรันในเครื่องหมายความว่าข้อมูล ไม่ต้องวิ่งออกนอกแมชชีน — ตรงกับข้อกำหนดของ พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล (PDPA) เรื่อง data residency โดยตรง งานที่เกี่ยวกับเอกสารลูกค้า ข้อมูลภายใน หรือข้อมูลอ่อนไหว สามารถประมวลผลบน MacBook ของตัวเองได้โดยไม่ต้องส่งขึ้นคลาวด์ต่างประเทศ และไม่ต้องนั่งอ่านสัญญาผู้ให้บริการว่าเก็บข้อมูลที่ประเทศไหน

ด้านงานภาษาไทย NVFP4 ที่คุณภาพหายน้อยลงช่วยให้โมเดลขนาดกลางที่รันในเครื่อง (เช่น Gemma 4 12B หรือโมเดลสายไทยอย่าง Typhoon ที่ต่อยอดจาก Gemma) ให้ผลภาษาไทยที่ดีขึ้นโดยไม่ต้องใช้เครื่องแรง — เป็นข่าวดีสำหรับทีมเล็กและ SME ที่อยากใช้ AI กับงานภาษาไทยแต่งบจำกัด

ควรเตรียมหรือปรับตัวอะไร

• มี Mac M-series อยู่แล้ว? อัปเดต Ollama เป็นเวอร์ชันล่าสุด แล้วลองเรียกโมเดลเวอร์ชัน MLX (ลงท้าย -mlx) เทียบความเร็วกับของเดิม
• ลองฟอร์แมต NVFP4 กับงานจริง — เทียบทั้งคุณภาพและความเร็วกับ q4 แบบเดิม ดูว่าคุ้มที่จะย้ายไหมสำหรับเคสของคุณ
• แยกข้อมูลตามความอ่อนไหว — งานลูกค้า/ความลับธุรกิจ รันในเครื่องบน Mac; งานทั่วไปที่อยากได้คุณภาพสูงสุด ใช้ API คลาวด์ควบคู่ได้
• คนทำ agent / coding assistant ในเครื่อง จับตาระบบ snapshot — ช่วยลดต้นทุนการประมวลผล context ซ้ำได้จริง
• กำลังจะซื้อ Mac ใหม่เพื่อรัน AI? ให้น้ำหนักกับขนาด unified memory (แรม) เป็นอันดับแรก ส่วนชิป M5 จะได้เปรียบเรื่องความเร็วเพิ่มเข้ามา

โดยรวม อัปเดต MLX รอบนี้ไม่ใช่ฟีเจอร์หวือหวา แต่เป็นการ “รีดของที่มีอยู่ให้ดีขึ้นทุกด้าน” พร้อมกัน — เร็วขึ้น คุณภาพดีขึ้น ประหยัดแรมขึ้น และรองรับงาน agent ดีขึ้น สำหรับคนไทยที่ใช้ Mac อยู่แล้ว นี่คือการอัปเกรดความสามารถ AI ในเครื่องตัวเองแบบไม่มีค่าใช้จ่ายเพิ่ม และเป็นอีกหมุดหมายที่ตอกย้ำว่า การรัน AI เองบนเครื่องส่วนตัวกำลังกลายเป็นทางเลือกหลักที่ใช้งานได้จริง