เปรียบเทียบ Llama 3.2 vs OpenThai Chinda 4B: ใครเหมาะกับ AI Agent ภาษาไทยบน Ollama?

เคยสงสัยไหมว่าถ้าเราอยากสร้าง AI Agent ที่สามารถเรียกฟังก์ชัน (Function Calling) หรือทำ RAG ภาษาไทยได้ โดยไม่ส่งข้อมูลออกไปยัง Cloud เลย เราจะทำได้จริงไหม? ด้วยพลังของ Ollama ที่ช่วยให้เรารัน LLM บนเครื่องตัวเอง (On-prem) ได้ง่ายๆ ทำให้ความเป็นไปได้นี้ใกล้ตัวมากขึ้น แต่ปัญหาต่อมาคือ... โมเดลไหนที่เล็กพอจะรันได้บนแล็ปท็อปทั่วไป แต่ก็ฉลาดพอจะเข้าใจภาษาไทย?

วันนี้เราจะมาเปรียบเทียบสองโมเดลยอดนิยมในวงการ AI ภาษาไทยแบบออน-พราม์ นั่นคือ Llama 3.2 (ขนาด 3B) และ OpenThai Chinda 4B เพื่อดูว่าใครจะเหมาะกับการเป็นสมองของ AI Agent ของคุณมากกว่ากัน

พาไปรู้จักสองโมเดลนี้กันก่อน

Llama 3.2 (3B)

Llama 3.2 จาก Meta เป็นโมเดลมัลติภาษาที่รองรับภาษาไทยได้ดีในระดับหนึ่ง ด้วยขนาด 3 พารามิเตอร์ ทำให้มันเบาและเร็วมาก สามารถรันได้บนเครื่องที่มี RAM แค่ 4-8 GB เท่านั้น จุดเด่นคือมันถูกฝึกมาให้รองรับการทำ Tool Use หรือ Function Calling ได้ตั้งแต่ในตัว ทำให้เหมาะมากกับการทำ Agent

OpenThai Chinda 4B

ผลงานจากไทยโดยสมาคมส่งเสริมเทคโนโลยี (ไทย-ญี่ปุ่น) หรือ TSRI โมเดลนี้ถูกพัฒนาต่อยอดจาก Qwen 2.5 และถูก Fine-tune ด้วยชุดข้อมูลภาษาไทยคุณภาพสูง ด้วยขนาด 4 พารามิเตอร์ มันเข้าใจบริบทและวัฒนธรรมไทยได้ดีกว่าโมเดลทั่วไป แต่การจะนำมาทำ Agent อาจต้องอาศัยการห่อหุ้ม (Wrapper) หรือ Prompt Engineering เพิ่มขึ้นมาอีกนิด

การติดตั้งและรันบน Ollama

การรันทั้งสองโมเดลบน Ollama ทำได้ง่ายมาก เพียงแค่เปิด Terminal แล้วพิมพ์คำสั่ง:

# สำหรับ Llama 3.2 (3B)
ollama run llama3.2

# สำหรับ OpenThai Chinda 4B (อาจต้องใช้ชื่อที่ community สร้างไว้หรือ import model file)
ollama run chinda:4b

หากคุณมี GPU เช่น NVIDIA RTX 3060 หรือ Macbook M-series ทั้งสองโมเดลจะโหลดเข้า VRAM ได้หมด ทำให้ความเร็วในการตอบสนอง (Token/s) สูงมาก แต่ถ้ารันบน CPU ก็ยังทำได้แค่ต้องแลกกับความเร็วที่ลดลง

มาดูประสิทธิภาพและความสามารถกัน

1. ความเร็วและการกินทรัพยากร

ด้วยขนาดที่ใกล้เคียงกัน ทั้งคู่กิน RAM/VRAM ประมาณ 2.5 - 3 GB (เมื่อ Quantize เป็น 4-bit) แต่ Llama 3.2 มีแนวโน้มเร็วกว่าเล็กน้อยเพราะมีพารามิเตอร์น้อยกว่าและโครงสร้างโมเดลถูกออกแบบมาให้ประหยัดทรัพยากร อย่างไรก็ตาม บนเครื่อง Macbook M1 8GB ทั้งสองโมเดลสามารถสร้างคำตอบได้เร็วพอใช้งานแบบ Real-time ได้สบายๆ

2. ความเข้าใจภาษาไทยและการให้เหตุผล

นี่คือจุดที่ OpenThai Chinda 4B เด่นมาก เมื่อให้ทั้งสองโมเดลตอบคำถามที่ต้องใช้ความรู้ท้องถิ่นหรือสำนวนไทย Chinda สามารถตอบได้อย่างเป็นธรรมชาติ ไม่มีกลิ่นแปลกของการแปลจากภาษาอังกฤษ ในขณะที่ Llama 3.2 บางครั้งอาจใช้คำได้แข็งไปสักนิด แต่ในแง่ของการให้เหตุผลเชิงตรรกะ (Logical reasoning) Llama 3.2 กลับทำได้ดีกว่าในหลายสถานการณ์

3. ความสามารถในการทำ AI Agent (Function Calling)

ในการสร้าง AI Agent เราต้องการให้โมเดลตัดสินใจว่าจะเรียกใช้ Tool ใด เช่น ค้นหาข้อมูลจากเว็บ หรือดึงข้อมูลจากฐานข้อมูล

• Llama 3.2: รองรับ Function Calling ได้ตั้งแต่ในตัว (Native) คุณสามารถส่ง Schema ของฟังก์ชันไปได้เลย โมเดลจะตอบกลับมาเป็น JSON ที่พร้อมใช้งานทันที ลดภาระการเขียนโค้ดฝั่ง Developer
• OpenThai Chinda 4B: แม้จะเก่งภาษาไทย แต่การทำ Function Calling อาจไม่ได้ดั่งใจ 100% คุณอาจต้องใช้เทคนิค ReAct Prompting (ให้โมเดลคิดทีละขั้นตอน) และดึงคำสั่งออกมาด้วย Regex หรือใช้ Library อย่าง LangChain ช่วยจัดการ

ตัวอย่างการเรียกใช้งานผ่าน Python

นี่คือตัวอย่างโค้ด Python ที่เรียกใช้ Llama 3.2 ผ่าน Ollama เพื่อทำ Function Calling อย่างง่าย:

import requests
import json

url = "http://localhost:11434/api/chat"
payload = {
    "model": "llama3.2",
    "messages": [
        {"role": "user", "content": "อุณหภูมิที่กรุงเทพฯ วันนี้เท่าไหร่?"}
    ],
    "tools": [{
        "type": "function",
        "function": {
            "name": "get_weather",
            "parameters": {"city": "string"}
        }
    }],
    "stream": False
}

response = requests.post(url, json=payload)
data = response.json()
print(json.dumps(data.get("message", {}).get("tool_calls", []), indent=2, ensure_ascii=False))

หากใช้ Llama 3.2 โมเดลจะส่ง tool_calls กลับมาเป็น JSON ที่สวยงาม แต่ถ้าใช้ Chinda คุณอาจต้องดักจับ Text Response แล้วแปลงเป็น JSON เอง

สรุป: เลือกโมเดลไหนดี?

การเลือกใช้งานขึ้นอยู่กับวัตถุประสงค์หลักของคุณ:

• เลือก Llama 3.2 (3B) หากคุณต้องการสร้าง AI Agent ที่ซับซ้อน ต้องการความเสถียรในการเรียกใช้ Tool และต้องการความเร็วที่สม่ำเสมอ ภาษาไทยที่ใช้เป็นภาษาทางการก็เพียงพอแล้ว
• เลือก OpenThai Chinda 4B หากงานของคุณคือการสร้าง Chatbot ที่ต้องพูดคุยกับผู้ใช้ทั่วไป ต้องการความเป็นธรรมชาติในภาษาไทย หรือต้องทำ RAG กับเอกสารภาษาไทยที่มีศัพท์เฉพาะทาง

ทั้งสองโมเดลต่างก็มีจุดเด่นที่น่าทึ่ง และที่สำคัญคือพวกมันให้อิสรภาพแก่เราในการรัน AI บนเครื่องของเราเองโดยไม่ต้องกังวลเรื่องความเป็นส่วนตัวของข้อมูล

พร้อมลองสร้าง AI Agent ของตัวเองหรือยัง?

ลองดาวน์โหลด Ollama แล้วรันโมเดลทั้งสองตัวนี้ดูสิครับ แล้วมาแชร์กันในคอมเมนต์ว่าคุณชอบโมเดลไหนมากกว่ากัน หรือมีโมเดลไหนที่อยากแนะนำเพิ่มเติม? อย่าลืมติดตามบทความหน้าที่จะพาไปเจาะลึกการทำ RAG กับ Ollama แบบเต็มรูปแบบกันนะ!