โมเดลแชท AI สามารถเพิ่มค่าใช้จ่ายผ่านการพูดที่ไม่มีจุดหมาย

โมเดลแชท AI ที่ได้รับความนิยมลับหลังใช้เวลาทำงานที่ไร้ประโยชน์จำนวนมากโดยใช้โทเค็นแบบเสียเปล่า โมเดลที่ได้รับผลกระทบจริงๆ รู้ว่าพวกมันทำเช่นนี้ แต่ไม่สามารถหยุดตัวเองได้

โมเดลการให้เหตุผลขนาดใหญ่ (LRMs) เช่น ChatGPT-5 และ Google Gemini มีค่าใช้จ่ายมากกว่าสำหรับการให้เหตุผล – การเดินผ่านปัญหาอย่างเป็นขั้นตอน ซึ่งใช้พลังการประมวลผลมากกว่าการคาดเดา คำถัดไป โดยกระบวนการให้เหตุผลจำลองใช้เวลานานกว่าและต้องเสียค่าใช้จ่ายมากกว่าในการดำเนินการ ดังนั้นผู้ใช้จึงต้องจ่ายค่า “เวลาคิดเพิ่มเติม” นั้น

อย่างไรก็ตาม หากคุณใช้โมเดลภาษาขนาดใหญ่ (LLM) รุ่นล่าสุดเมื่อเร็วๆ นี้ คุณอาจสังเกตเห็นว่าการจัดสรรโทเค็นของคุณมักจะถูกใช้ไปกับการพูดที่ไม่มีจุดหมายและของเสียมากกว่าที่จะเน้นไปที่การแก้ปัญหาที่คุณนำเสนอให้กับโมเดล ซึ่งอาจอยู่ในรูปแบบของ การเอาใจใส่มากเกินไป คำตอบที่ ยาวและซ้ำซ้อน หรือแม้กระทั่ง “การพูดที่ไม่มีจุดหมาย” เช่นเดียวกับ AI ที่ถูกจับได้และพยายามพูดเพื่อหลบเลี่ยงสถานการณ์ที่ไม่สบายใจ

ตามปกติ เราจะต้องการให้ LLM ของเรายอมรับความพ่ายแพ้ ทำตามหรือเสนอทางเลือกอื่น หรือขอความชัดเจน แต่การทำให้ AI ประเภทนี้ยอมรับว่าพวกมันไม่ทราบคำตอบก็เป็น ความท้าทายที่สำคัญ โดยตัวมันเอง

ในระหว่างนี้ ผู้ใช้ที่มีการสมัครสมาชิกระดับต่ำหรือฟรีสามารถพบว่าตัวเองใช้โทเค็นไปอย่างรวดเร็ว ไม่ว่าการสอบถามและปฏิสัมพันธ์ของพวกเขาจะมุ่งเน้นหรือประหยัดก็ตาม เนื่องจาก AI ตัวเองรักการพูด และในกรณีนี้ การพูดไม่ฟรี

สลัดคำ

เกี่ยวกับการ “พูดที่ไม่มีจุดหมาย” ที่กล่าวถึงข้างต้น การทำงานร่วมกันทางวิชาการใหม่กำลังให้เหตุผลและวิธีแก้ปัญหา โดยเสนอว่า LLM ที่มีความสามารถในการให้เหตุผลมีแนวโน้มที่จะใช้โทเค็นของคุณเมื่อพวกมันเข้าไปใน “วงจรสลัดคำ” – สภาวะที่กระบวนการให้เหตุผลสับสนในทางออกที่ไม่มีทางออก – คุณจ่ายค่าใช้จ่าย*

นักวิจัยที่อยู่เบื้องหลังเอกสารใหม่พบว่าส่วนสำคัญของโทเค็นที่ประมวลผลใน LLM ทั่วไปประกอบด้วยการซ้ำซ้อนและความซ้ำซ้อน – และโมเดลเอง ดูเหมือนว่าเข้าใจว่ามันกำลังเผชิญกับปัญหา แม้ว่าจะไม่สามารถหยุดการวนซ้ำที่มีค่าใช้จ่ายได้ก็ตาม

เอกสารระบุ:

‘เราพบว่าโทเค็นจำนวนมากที่ไม่มีประโยชน์นั้นเป็นการซ้ำซ้อนที่ไม่มีประโยชน์ – ซึ่งเรียกว่า “สลัดคำ” – ซึ่งใช้เวลาทำงานที่ไม่มีค่าโดยไม่เพิ่มคุณค่า ด้วยความสนใจ เราสังเกตเห็นว่า LRM ตระหนักถึงการถูกจับในวงจรเหล่านี้: สภาวะที่ซ่อนอยู่ของโทเค็นที่ตามหลังแต่ละส่วนของการให้เหตุผลแสดงรูปแบบที่ช่วยให้เราสามารถตรวจจับพฤติกรรมสลัดคำได้แบบเรียลไทม์ผ่านตัวจำแนกเชิงเส้นระดับเดียว’

‘เมื่อตรวจพบแล้ว การตัดที่ง่ายๆ โดยการเพิ่มคำสั่งสร้างใหม่ที่ตรงไปตรงมาจะให้ผลการประหยัดความยาวที่สำคัญพร้อมกับการสูญเสียคุณภาพที่น้อยที่สุด’

วิธีแก้ปัญหาที่นำเสนอโดยงานใหม่นี้คือการแทรกแซงที่สามารถตัดกระบวนการวนซ้ำของ LRM ที่ผิดปกติได้แบบเรียลไทม์ โดยไม่ต้องมีการแทรกแซงในการฝึกอบรมหรือการแก้ไขแบบจำลองหรือการกำหนดค่าอื่นๆ ที่อาจเกิดขึ้นได้ แฟรมเวิร์กที่เรียกว่า WordSaladChopper ได้รับการเผยแพร่สาธารณะที่ GitHub

แม้ว่างานเริ่มต้นจะเน้นไปที่ DeepSeek เช่น Qwen และ Llama แต่เอกสารระบุว่าพฤติกรรมที่ไม่พึงประสงค์น่าจะใช้ได้กับโมเดลการให้เหตุผลที่มีโครงสร้างคล้ายกันจำนวนมาก (รวมถึงการเสนอบริการ API เท่านั้น เช่น ChatGPT และ Google Gemini)

ตามที่เอกสารระบุ การเสนอขายก่อนหน้านี้ เช่น การทำให้การให้เหตุผลแบบ Chain-of-Thought ที่ยาวนานใน LLM สะดวกขึ้น และ โมเดลขนาดเล็กต่อสู้ที่จะเรียนรู้จากผู้ให้เหตุผลที่แข็งแกร่ง ใช้จำนวนเล็กน้อยของโมเดลการให้เหตุผลแบบ Chain-of-Thought (CoT) ที่มีอยู่สาธารณะเพื่อตั้งประเด็นกว้างขึ้นในหมวดหมู่นี้^†:

‘[LRM] มีแนวโน้มที่จะสูญเสียงบประมาณการประมวลผลไปอย่างมาก โดยการซ้ำซ้อนคำตอบของตนเอง verbatim โดยมีการเปลี่ยนแปลงเล็กน้อย หรือมีส่วนร่วมในการเรียงลำดับกรณีจนกว่างบประมาณทั้งหมดจะถูกใช้จนหมด – เรียกว่า สลัดคำ ซึ่งเป็นคำที่ใช้ในการเยาะเย้ยผู้บรรยายสาธารณะที่ให้คำตอบที่ยาวและเต็มไปด้วยคำศัพท์ที่ไม่มีสาระหรือความหมายที่ชัดเจน’

‘คอลัมน์ “ดั้งเดิม” ใน [ตารางด้านล่าง] แสดงให้เห็นว่าเมื่อตอบ GPQA-Diamond เราจะสังเกตเห็นว่ามากกว่า 55% ของโทเค็นที่สร้างโดยโมเดล DeepSeek-R1-Distill มีเครื่องหมายว่า “โทเค็นสลัดคำ” ซึ่งไม่เพิ่มคุณค่าจากมุมมองเชิงсемантиค์’

ส่วนแบ่งของโทเค็นเอาต์พุตที่ระบุว่าซ้ำซ้อนเชิงсемантиค์เมื่อตอบ GPQA-Diamond WordSaladChopper ลดค่าใช้จ่ายนี้จากมากกว่า 55% เป็นน้อยกว่า 6% ในทุกระบบ DeepSeek-R1-Distill ที่ทดสอบ ผู้เขียนระบุ แหล่งที่มา

ผู้เขียนระบุว่าความพยายามในการย่อกระบวนการให้เหตุผลในขณะเดียวกันก็รักษาคุณภาพคำตอบไว้ได้กลายเป็นสายการวิจัยที่แข็งแกร่งในเอกสารวิชาการ โดยเฉพาะ ยาวไปสั้น (L2S) นอกจากนี้ยังระบุด้วยว่าแม้ว่าโครงการของพวกเขาจะมีเป้าหมายที่คล้ายคลึงกับโครงการก่อนหน้าบางโครงการ แต่โครงการของพวกเขาคือโครงการแรกที่นำเสนอการแก้ปัญหาแบบ แบบใช้เอง ที่ไม่ต้องมีการแทรกแซงในการฝึกอบรม โมเดลการแก้ไข หรือการกำหนดค่าอื่นๆ ที่อาจเกิดขึ้นได้ และในระดับที่พวกเขาคิดว่าวิธีการของพวกเขาควรจะแพร่หลายในระบบที่ใช้งานได้^†:

‘เราคิดว่าไม่ใช่เรื่องไกลตัวที่จะแย้งว่า [WordSaladChopper] – หรือส่วนประกอบที่คล้ายกัน – เป็นสิ่งจำเป็นสำหรับการใช้งาน LRM ทั้งหมดที่มีประสบการณ์ของผู้ใช้ในใจ

เอกสารใหม่ Word Salad Chopper: Reasoning Models Waste A Ton Of Decoding Budget On Useless Repetitions, Self-Knowingly มาจากนักวิจัยหกคนจากมหาวิทยาลัยมินนิโซตา มหาวิทยาลัยไรซ์ สถาบันเทคโนโลยี Stevens และ Lambda, Inc

การพิจารณาก่อนหน้า

เพื่อติดตามความโน้มเอียงของ LRM ที่จะซ้ำซ้อน ตัวเขียนแบ่งเอาต์พุตของโมเดลออกเป็นชิ้น ๆ ทุกที่ที่มีการขึ้นบรรทัดใหม่สองครั้ง แล้วตรวจสอบว่าแต่ละชิ้นมีความคล้ายคลึงกับชิ้นก่อนหน้ามากเพียงใด:

ส่วนแบ่งที่ประมาณการของชิ้นการให้เหตุผลที่ระบุว่าเป็นสลัดคำภายใต้อุณหภูมิการถอดรหัสสองอุณหภูมิ (τ = 0.0, 0.6) ตัวจำแนกจะระบุชิ้นว่า ‘สลัดคำ’ เมื่อมันคล้ายกับส่วนหนึ่งของเอาต์พุตของโมเดลก่อนหน้า ซึ่งบ่งบอกถึงการซ้ำซ้อนมากกว่าการก้าวหน้า

หากชิ้นหนึ่งคล้ายกับชิ้นก่อนหน้ามากเกินไป ก็จะถูกติดฉลากว่าเป็น “สลัดคำ” (โดยพื้นฐานแล้วเป็นการซ้ำซ้อนที่ไร้ประโยชน์)

นักวิจัยสังเกตว่าเมื่อโมเดลเข้าสู่ “โหมดสลัดคำ” มันไม่น่าจะหลุดออกจากมันโดยไม่มีการช่วยเหลือจากภายนอก และจะยังคงอยู่ในวงจรที่มีค่าใช้จ่ายสูงจนกว่างบประมาณการถอดรหัสของผู้ใช้จะหมด^††:

‘ไม่ต้องสงสัยเลยว่ามันเป็นปัญหาที่รุนแรงสำหรับผู้ใช้ เนื่องจากส่วนการคิดที่สั้นกว่ามากจะถูกขยายให้ใหญ่สุดด้วยการซ้ำซ้อนที่ไม่มีประโยชน์ ดังนั้นผู้ใช้จึงจ่ายค่าใช้จ่ายสูงสุดสำหรับ (อาจเป็น) คำตอบที่ไม่ถูกต้อง ในขณะเดียวกันก็ทนทุกข์กับความหน่วงเวลาสิ้นสุด-ถึง-สิ้นสุด’

ส่วนแบ่งของชิ้นสลัดคำที่ปรากฏก่อนและหลังจุดตัด (เช่น ช่วงเวลาที่เอาต์พุตซ้ำซ้อนเริ่มครอบงำ) ชิ้นส่วนส่วนใหญ่ปรากฏหลังจุดนี้ ซึ่งแสดงให้เห็นว่าเมื่อโมเดลเข้าสู่วงจรสลัดคำ มันจะหายากที่จะฟื้นตัวโดยไม่ต้องมีการแทรกแซง

นักวิจัยยังพูดถึงความประหลาดใจของพวกเขาเมื่อพวกเขาพบว่า LRM แสดงสัญญาณของการรับรู้ถึงสภาวะสลัดคำ^†††:

‘ความเบาสมองของตัวจำแนกเชิงเส้นนี้เปิดโอกาสให้สามารถตรวจจับได้แบบเรียลไทม์ ซึ่งเราสามารถแทรกแซงด้วยการดำเนินการที่แตกต่างกันเพื่อจัดการกับโมเดลที่ติดอยู่ในวงจรสลัดคำ’

วิธีการ

เพื่อตรวจจับการมีอยู่ของสลัดคำระหว่างการอนุมาน ตัวเขียนฝึก ตัวจำแนกเชิงเส้น ที่เรียบง่ายซึ่งทำงานบน ชั้นเชื่อมโยงแบบเต็ม ของโทเค็นใหม่แต่ละอัน

ชิ้นใดๆ ที่เกิดขึ้นหลังจากที่โมเดลเข้าสู่วงจรซ้ำจะถูกติดฉลากว่าเป็น “สลัดคำ” โดยมีการตัดนี้ (เรียกว่า จุดตัด) ใช้ในการระบุชุดข้อมูลฝึกอบรม หนึ่งพันลักษณะการให้เหตุผลถูกสร้างขึ้นโดยใช้ มาตรฐาน S1 และแต่ละลักษณะจะถูกแบ่งออกเป็นชิ้นโดยการขึ้นบรรทัดใหม่

โครงสร้างแนวคิดสำหรับ WordSaladChopper ในระหว่างการสร้าง ตัวจำแนกจะวิเคราะห์สภาวะที่ซ่อนอยู่ของแต่ละโทเค็นใหม่เพื่อตรวจจับเซ็กเมนต์ที่ซ้ำซ้อน เมื่อชิ้นสลัดคำสองชิ้นถูกติดฉลากติดต่อกัน การสร้างจะถูกหยุด การสร้างใหม่แบบง่ายๆ จะถูกติดท้าย ช่วยให้โมเดลสามารถดำเนินการต่อและตอบคำถามโดยไม่เกินงบประมาณ

หากชิ้นหนึ่งคล้ายกับชิ้นก่อนหน้ามากเกินไป ก็จะถูกติดฉลากว่าเป็น “สลัดคำ” เมื่อการซ้ำซ้อนที่ยั่งยืนครั้งแรกถูกระบุ ชิ้นทั้งหมดที่ตามมาจะถูกติดฉลากว่าเป็น “สลัดคำ” เพื่อสะท้อนถึงความยั่งยืนของวงจรเหล่านี้

ตัวจำแนกถูกนำไปใช้โดยใช้ ชั้นเชื่อมโยงแบบเต็ม เดียวและฝึกอบรมบน บล็อกทรานส์ฟอร์เมอร์ สุดท้าย ตัวจำแนกที่แยกจากกันถูกฝึกอบรมสำหรับแต่ละโมเดลโดยใช้ข้อมูลนี้ และไม่มีการปรับแต่งแบบละเอียดระหว่างการประเมิน

ข้อมูลและการทดสอบ

การฝึกอบรมและการอนุมานใช้ NVIDIA A100 สี่ตัว (80G VRAM) ภายใต้ ตัวปรับแต่ง Adam โดยมีอัตราการเรียนรู้ 1×10^-2 เป็นเวลา 50 ยุค

ชุดข้อมูลสำหรับการประเมิน ได้แก่ ‘คณิตศาสตร์ระดับโรงเรียน’ 8000 (GSM8K) GSM8K; MATH-500; GPQA-DIAMOND; และ AIME25 (2025)

โมเดลที่ทดสอบ ได้แก่ DeepSeek-R1-Distill-Qwen-1.5B; DeepSeek-R1-Distill-Qwen-7B; และ DeepSeek-R1-Distill-Llama-8B ทั้งหมดภายใต้ใบอนุญาต MIT

เมตริกที่ใช้คือ ความแม่นยำ และ AUROC

ความแม่นยำและ AUROC ของตัวจำแนกสลัดคำบน Qwen‑7B ทั่วชุดข้อมูลทดสอบสี่ชุดและอุณหภูมิการถอดรหัสสองอุณหภูมิ คะแนนสูงยืนยันว่าสามารถตรวจจับการเริ่มต้นของการซ้ำซ้อนได้อย่างน่าเชื่อถือจากสภาวะที่ซ่อนอยู่ของโทเค็นใหม่

จากผลลัพธ์ที่แสดงด้านล่าง ผู้เขียนแสดงความคิดเห็นว่า:

‘[ตารางผลลัพธ์ด้านบน] แสดงให้เห็นว่าตัวจำแนกเชิงเส้นมีความแม่นยำสูงมากในการตรวจจับชิ้นสลัดคำ; ในขณะที่ [ตารางผลลัพธ์ด้านล่าง] แสดงให้เห็นว่าคำสั่งสร้างใหม่ช่วยฟื้นฟูความแม่นยำของงานที่สูญเสียไปจากการตัดแบบดุดัน’

ความแม่นยำของ Qwen-7B บนแต่ละชุดข้อมูลที่อุณหภูมิ 0.6 โดยเปรียบเทียบการแสดงผลก่อนสลัดคำ (ดั้งเดิม) หลังการตัด (ตัด) และหลังการสร้างใหม่ (สร้างใหม่) การเพิ่มขึ้นจาก_regeneration นั้นค่อนข้างน้อยแต่สม่ำเสมอ โดยฟื้นฟูการแสดงผลก่อนวงจรในกรณีส่วนใหญ่

ในตารางผลลัพธ์ด้านล่าง เราจะเห็นว่า WordSaladChopper ปรับปรุงหรือรักษาความแม่นยำในขณะเดียวกันก็ลดความยาวของเอาต์พุตโมเดลลงอย่างมาก โดยมากถึง 57%:

เมื่อใช้ WordSaladChopper ที่การถอดรหัสแบบ Greedy (τ = 0) จะลดความยาวของเอาต์พุตโมเดล โดยบางครั้งลดลงมากกว่าครึ่งหนึ่ง ในขณะเดียวกันก็รักษาความแม่นยำไว้เท่าเดิมหรือดีขึ้นเล็กน้อย โดยการแสดงผลนี้ยังคงสม่ำเสมอในโมเดลและงานที่แตกต่างกัน (AIME25 ถูก省略เนื่องจากผลลัพธ์ที่ไม่เสถียรที่คาดไว้ในโหมดการถอดรหัสนี้)

ผลประโยชน์ที่ยิ่งใหญ่ที่สุดปรากฏในคำตอบที่ยาวกว่า โดยเฉพาะอย่างยิ่งบน GPQA-Diamond ซึ่งเกือบ ครึ่งหนึ่งของข้อความ ถูกลบออกโดยไม่ส่งผลกระทบต่อประสิทธิภาพ

ที่อุณหภูมิที่สูงกว่า (τ = 0.6) WordSaladChopper ยังคงย่อเอาต์พุตลง 10-30% โดยมีความแม่นยำที่ยังคงเสถียรหรือดีขึ้นเล็กน้อยทั่วทั้งโมเดลและชุดข้อมูลทดสอบ (ผลลัพธ์ของ AIME25 ถูกเฉลี่ยเพื่อลดความแปรปรวน)

ที่นี่ความแม่นยำยังคงเสถียร โดยมีการลดความยาวเอาต์พุตที่ได้รับ ในทุกกรณี ระบบยังคงทำงานแม้ว่าคำตอบของโมเดลจะซ้ำซ้อนมากขึ้น และผู้เขียนสังเกตว่าเนื่องจากตัวจำแนกตรวจสอบโทเค็นเพียงตัวเดียวต่อประโยค จึงทำงานได้อย่างรวดเร็วแม้จะใช้ระหว่างการสร้างแบบเรียลไทม์

เอกสารระบุว่ากลยุทธ์เสริมในอนาคตในแนวทางนี้อาจได้รับประโยชน์จากการให้โมเดลมีงบประมาณการสร้างใหม่เล็กๆ น้อยๆ หลังการแทรกแซง การใช้ WordSaladChopper ในลักษณะต่อเนื่องเหนือการสร้างใหม่ และการบังคับ “สิ้นสุดการคิด” โทเค็นบนโมเดลเพื่อต้องการคำตอบปัจจุบันที่ดีที่สุด

สุดท้าย นักวิจัยแสดงความคิดเห็นเกี่ยวกับคุณภาพของสถานะปัจจุบันในการประเมินโมเดลการให้เหตุผลด้วยน้ำเสียงวิพากษ์วิจารณ์^†:

‘เราเชื่ออย่างแท้จริงว่าวิธีการให้เหตุผลที่มีประสิทธิภาพหลายวิธีดูเหมือนจะมีประสิทธิภาพบางส่วน เนื่องจากชุดการประเมินการให้เหตุผลในปัจจุบันมีจุดอ่อนที่สำคัญ

‘หากเราพัฒนา ชุดการประเมิน ที่ครอบคลุมมากขึ้น – ซึ่งเราจะทำในอนาคต – เราคาดว่าจะเห็นว่าวิธีการให้เหตุผลที่มีประสิทธิภาพหลายวิธีจะล้มเหลว หรือมีพฤติกรรมที่แตกต่างไปจาก LRM รุ่นพื้นฐานมาก’

สรุป

ที่ระดับที่บรรลุโดยระบบชั้นนำ เช่น ChatGPT แม้แต่การเปลี่ยนแปลงเล็กๆ น้อยๆ ในการใช้ทรัพยากรของผู้ใช้ก็สามารถมีผลกระทบด้านโครงสร้างพื้นฐาน โลจิสติกส์ และต้นทุนได้มาก ซึ่งทำให้ประสิทธิภาพเป็นจุดเน้นร่วมกันสำหรับทั้งผู้ให้บริการและชุมชนการวิจัย

หากนำไปใช้ ระบบใหม่และเบาที่เสนอในเอกสาร (ซึ่งต้องได้รับการฝึกอบรมแบบกำหนดเองสำหรับโครงสร้างแบบจำลองใหม่ๆ) อาจป้องกันการเผาโทเค็นที่ไม่มีจุดหมาย – ซึ่งสามารถทำให้ผู้ใช้คิดว่าผู้ให้บริการกำลัง “กิน” การจัดสรรของตนอย่างฟุ่มเฟือยหรือหลอกลวง ในความเป็นจริง ผู้ให้บริการมีประโยชน์มากกว่าในการให้เอาต์พุตที่มีประโยชน์มากกว่าซ้ำซ้อน ซึ่งมีค่าใช้จ่ายเท่ากันในแง่ของการประมวลผล

* แม้ว่าเราจะไม่ขยายความที่นี่ แต่นี่ยังขยายไปถึงโมเดลที่โฮสต์แบบท้องถิ่นด้วย ซึ่งอาจเป็นองค์กรหรืองานอดิเรก และที่นั่น การสูญเสียไฟฟ้าและการสูญเสียประสิทธิภาพของสลัดคำอาจเป็นปัจจัยที่ต้องพิจารณา

^† ตามปกติ การเน้นย้ำเป็นของตัวเขียน ไม่ใช่ของฉัน โดยที่อ้างอิงแบบอินไลน์ของพวกเขาได้รับการแปลงเป็นลิงก์โดยฉัน

^†† ที่นี่เราต้องยอมรับว่าโครงสร้างและ API สามารถจัดสรร ‘งบประมาณย่อย’ ให้กับการสอบถาม เพื่อให้การสอบถามหนึ่งๆ ไม่จำเป็นต้องเผาโทเค็นทั้งวัน – แต่นี่ไม่ใช่แนวปฏิบัติทั่วไป หรือมีการอภิปรายทั่วไปในหมู่ผู้ให้บริการ API เท่านั้น

^††† ฉันไม่พร้อมที่จะใช้คำย่อ ‘LRM’ ตามที่ผู้เขียนใช้ เนื่องจากปัจจุบันไม่ใช่คำย่อที่ใช้กันอย่างแพร่หลาย ดังนั้นฉันจะใช้คำศัพท์อื่นในบทความนี้ตามความจำเป็น

เผยแพร่ครั้งแรกวันพฤหัสบดี 6 พฤศจิกายน 2025