CoolFace
Modelpublic

openthaigpt/openthaigpt-thaillm-8b-instruct-v0.7.2-research-preview

sourceHugging Faceapache-2.0updated 9mo agoView on Hugging Face
1likes84downloads
Model Card

OpenThaiGPT-ThaiLLM-8b-instruct-v0.7.2-research-preview

โมเดลภาษาไทย ทดลอง ขนาด 8 พันล้านพารามิเตอร์ พัฒนาต่อยอดจาก ThaiLLM-8B โดยทีม OpenThaiGPT ร่วมกับ ThaiLLM มุ่งเน้นการตอบคำถามเกี่ยวกับความรู้ไทย ประวัติศาสตร์ วัฒนธรรม และหน่วยงานภาครัฐ


รายละเอียดโมเดล

รายการข้อมูล
ชื่อโมเดลOpenThaiGPT-ThaiLLM-8b-instruct-v0.7.2-research-preview
โมเดลพื้นฐานThaiLLM/ThaiLLM-8B และ Qwen/Qwen3-8B
จำนวนพารามิเตอร์8 พันล้าน (8B)
ภาษาที่รองรับไทย, อังกฤษ
ประเภทงานText Generation, Question Answering, Thai FAQ
LicenseApache 2.0

คำอธิบายโมเดล

โมเดลภาษาไทย ทดลอง ขนาด 8 พันล้านพารามิเตอร์ พัฒนาต่อยอดจาก ThaiLLM-8B โดยทีม OpenThaiGPT ร่วมกับ ThaiLLM มุ่งเน้นการตอบคำถามเกี่ยวกับความรู้ไทย ประวัติศาสตร์ วัฒนธรรม และหน่วยงานภาครัฐ ผ่านกระบวนการ Supervised Fine-tuning บนชุดข้อมูลคุณภาพสูงที่มี Chain-of-Thought Reasoning ในรูปแบบ <think>...</think> พร้อมเทคนิค Paraphrase Augmentation เพื่อให้โมเดลสามารถเข้าใจคำถามได้หลากหลายรูปแบบ โมเดลนี้เหมาะสำหรับงาน Thai FAQ และการตอบคำถามเกี่ยวกับบริบทไทยโดยเฉพาะ

Model Description (English)

An experimental 8-billion parameter Thai language model, fine-tuned from Qwen3-8B by OpenThaiGPT in collaboration with ThaiLLM. Specializes in Thai knowledge Q&A, including history, culture, and government information. Trained using Supervised Fine-tuning with high-quality Chain-of-Thought reasoning data (<think>...</think> format) and Paraphrase Augmentation technique to ensure robust understanding across diverse question phrasings. Optimized for Thai FAQ and Thai context question-answering tasks.


จุดเด่นของโมเดล

  • —ความรู้ไทยเชิงลึก: ตอบคำถามเกี่ยวกับประวัติศาสตร์ วัฒนธรรม หน่วยงานภาครัฐ และบริบทไทยได้อย่างแม่นยำ
  • —Chain-of-Thought Reasoning: รองรับการคิดวิเคราะห์แบบเป็นขั้นตอนในรูปแบบ <think>...</think>
  • —Paraphrase Robust: เข้าใจคำถามได้หลากหลายรูปแบบ ไม่จำกัดเฉพาะประโยคที่ตรงเป๊ะ
  • —สองภาษา: รองรับทั้งภาษาไทยและอังกฤษ
  • —IFEval สูง: ปฏิบัติตามคำสั่งได้อย่างแม่นยำ (IFEval 87.6%) และ (IFEval-TH สูงถึง 75.5%)

ผลการทดสอบ (Benchmark Results)

BenchmarkOTG-ThaiLLM v7.2Qwen3-8B-Instructหมายเหตุ
AIME240.33330.6667คณิตศาสตร์แข่งขัน
AIME24-TH0.06670.6667คณิตศาสตร์แข่งขัน (ไทย)
Language Accuracy0.9860.974ตอบถูกภาษา
LiveCodeBench0.5750.87การเขียนโค้ด
LiveCodeBench-TH0.21250.2312การเขียนโค้ด (ไทย)
MATH5000.850.926คณิตศาสตร์ทั่วไป
MATH500-TH0.4960.63คณิตศาสตร์ทั่วไป (ไทย)
OpenThaiEval0.69640.7541ความรู้ภาษาไทย
HellaSwag0.7060.6853Common Sense
HellaSwag-TH0.49930.5387Common Sense (ไทย)
IFEval0.8760.9197การปฏิบัติตามคำสั่ง
IFEval-TH0.7550.8512การปฏิบัติตามคำสั่ง (ไทย)
AVERAGE0.58770.7261ค่าเฉลี่ยรวม

หมายเหตุ: โมเดลนี้ถูกออกแบบมาเพื่องาน Thai FAQ และความรู้ไทยโดยเฉพาะ ไม่ได้มุ่งเน้นคณิตศาสตร์แข่งขันหรือการเขียนโค้ด


รายละเอียดทางเทคนิค

พารามิเตอร์ค่า
Base ModelQwen3-v5IFEval-SLERP Merged
Training TypeFull SFT (Supervised Fine-tuning)
Learning Rate5e-7
Epochs3
Max Length8,192 tokens
Batch Size2 per GPU
Gradient Accumulation4
Hardware8x NVIDIA H100 80GB
Frameworkms-swift
DeepSpeedZeRO Stage 3

การใช้งาน

ติดตั้ง Dependencies

bash
pip install transformers torch accelerate

ใช้งานกับ Transformers

python
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "openthaigpt/openthaigpt-thaillm-8b-instruct-v0.7.2-research-preview"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

messages = [
    {"role": "user", "content": "OpenThaiGPT คืออะไร"}
]

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=2048,
    do_sample=True,
    temperature=0.7,
    top_p=0.9
)

response = tokenizer.batch_decode(
    generated_ids[:, model_inputs.input_ids.shape[-1]:],
    skip_special_tokens=True
)[0]

print(response)

ใช้งานกับ vLLM

python
from vllm import LLM, SamplingParams

llm = LLM(
    model="openthaigpt/openthaigpt-thaillm-8b-instruct-v0.7.2-research-preview",
    tensor_parallel_size=1,
    trust_remote_code=True
)

sampling_params = SamplingParams(
    temperature=0.7,
    top_p=0.9,
    max_tokens=2048
)

prompts = ["OpenThaiGPT คืออะไร"]
outputs = llm.generate(prompts, sampling_params)

for output in outputs:
    print(output.outputs[0].text)

ใช้งานกับ Ollama

bash
# สร้าง Modelfile
cat > Modelfile << 'EOF'
FROM openthaigpt/openthaigpt-thaillm-8b-instruct-v0.7.2-research-preview

PARAMETER temperature 0.7
PARAMETER top_p 0.9

SYSTEM "คุณคือ OpenThaiGPT ผู้ช่วย AI ภาษาไทยที่พัฒนาโดยทีม OpenThaiGPT"
EOF

# สร้างโมเดล
ollama create openthaigpt -f Modelfile

# ใช้งาน
ollama run openthaigpt "OpenThaiGPT คืออะไร"

ตัวอย่างการใช้งาน

คำถามเกี่ยวกับ OpenThaiGPT

คำถาม: OpenThaiGPT คืออะไร

คำตอบ:

<think>
ผู้ใช้ถามเกี่ยวกับ OpenThaiGPT ซึ่งเป็นโครงการที่ฉันเป็นส่วนหนึ่ง
ฉันควรอธิบายว่า OpenThaiGPT คืออะไร ใครพัฒนา และมีจุดประสงค์อะไร
</think>

OpenThaiGPT เป็นโครงการพัฒนาโมเดลภาษาไทยขนาดใหญ่ (Large Language Model)
แบบโอเพ่นซอร์ส พัฒนาโดยสมาคมปัญญาประดิษฐ์แห่งประเทศไทย (AIEAT)
ร่วมกับ iApp Technology และพันธมิตร มีเป้าหมายเพื่อสร้างโมเดล AI
ที่เข้าใจและสื่อสารภาษาไทยได้อย่างเป็นธรรมชาติ
พร้อมเผยแพร่ให้ชุมชนนักพัฒนาไทยนำไปใช้และต่อยอดได้ฟรี

คำถามเกี่ยวกับหน่วยงานภาครัฐ

คำถาม: กระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคม มีหน้าที่อะไร

คำตอบ:

<think>
ผู้ใช้ถามเกี่ยวกับกระทรวง DE ซึ่งเป็นหน่วยงานภาครัฐที่ดูแลด้านดิจิทัล
ฉันควรอธิบายภารกิจหลักและขอบเขตงานของกระทรวง
</think>

กระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคม (Ministry of Digital Economy and Society)
หรือ กระทรวง DE มีภารกิจหลักในการ:

1. กำหนดนโยบายและแผนด้านดิจิทัลเพื่อเศรษฐกิจและสังคม
2. พัฒนาโครงสร้างพื้นฐานดิจิทัลของประเทศ
3. ส่งเสริมการใช้เทคโนโลยีดิจิทัลในภาคธุรกิจและประชาชน
4. กำกับดูแลกิจการโทรคมนาคมและการสื่อสาร
5. พัฒนาทักษะดิจิทัลของประชาชน

ข้อจำกัด

  1. 1.ไม่เหมาะกับคณิตศาสตร์ขั้นสูง: โมเดลไม่ได้ถูกออกแบบมาสำหรับโจทย์คณิตศาสตร์แข่งขันระดับ AIME
  2. 2.การเขียนโค้ดจำกัด: ความสามารถด้านการเขียนโค้ดต่ำกว่าโมเดลที่เน้นด้านนี้โดยเฉพาะ
  3. 3.ความรู้มีขอบเขต: ความรู้ถูกจำกัดตามข้อมูลที่ใช้ฝึกสอน อาจไม่ครอบคลุมข้อมูลล่าสุด
  4. 4.Hallucination: อาจสร้างข้อมูลที่ไม่ถูกต้องในบางกรณี โปรดตรวจสอบข้อมูลสำคัญเสมอ ---

ประวัติเวอร์ชัน

เวอร์ชันวันที่การเปลี่ยนแปลงหลัก
v113 ธ.ค. 2567LoRA SFT ครั้งแรก (Thai instruction only)
v214 ธ.ค. 2567Full SFT + Math/Code datasets
v315 ธ.ค. 2567Thinking-only datasets
v416 ธ.ค. 2567Balanced Thai:English (2:1)
v517 ธ.ค. 2567GRPO Math + Coding + IFEval
v618 ธ.ค. 2567IFEval-focused + DPO Final
v720 ธ.ค. 2567Thai Knowledge SFT on SLERP Merge
v7.121 ธ.ค. 2567100x Identity Repetition
v7.222 ธ.ค. 2567Paraphrase Augmentation (Current)

ผู้พัฒนา

  • —OpenThaiGPT - สมาคมปัญญาประดิษฐ์แห่งประเทศไทย (AIEAT)
  • —ThaiLLM - โครงการพัฒนาโมเดลภาษาไทย
  • —Siam AI Corperation - ผู้สนับสนุนทรัพยากรและโครงสร้างพื้นฐาน
  • —iApp Technology Co., Ltd. - ผู้ร่วมพัฒนา ---

ลิงก์ที่เกี่ยวข้อง

รายการลิงก์
OpenThaiGPT Projecthttps://openthaigpt.aieat.or.th/
ThaiLLM HuggingFacehttps://huggingface.co/ThaiLLM
Base Model (ThaiLLM-8B)https://huggingface.co/ThaiLLM/ThaiLLM-8B
AIEAThttps://aieat.or.th/
iApp Technologyhttps://iapp.co.th/

การอ้างอิง

หากนำโมเดลนี้ไปใช้ในงานวิจัยหรือโครงการ กรุณาอ้างอิงดังนี้:

bibtex
@misc{openthaigpt-thaillm-8b-v7p2-research-preview,
  author = {OpenThaiGPT and ThaiLLM Team},
  title = {OpenThaiGPT-ThaiLLM-8B-v7.2-Research-Preview: A Thai Knowledge-focused Language Model},
  year = {2025},
  publisher = {HuggingFace},
  howpublished = {\url{https://huggingface.co/openthaigpt/openthaigpt-thaillm-8b-instruct-v0.7.2-research-preview}}
}

License

โมเดลนี้เผยแพร่ภายใต้ Apache License 2.0


อัปเดตล่าสุด: 23 ธันวาคม 2567