มุมมองของ Anderson

ผลลัพธ์ “เชิงสร้างสรรค์” ของโมเดล AI กำลังคล้ายคลึงกันระหว่างผู้ให้บริการ

mm
เผยแพร่
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
AI-Generated article illustration (GPT Image 2): three overlapping white envelopes carry Shakespeare stamps labeled 'CLAUDE', 'CHATGPT' and 'GEMINI' in pink, green and blue, resting on a wooden surface. A yellow-and-black warning-style border surrounds the scene, reading 'AI FANTASY INSIDE' and 'REALITY OUTSIDE', with black arrows and striped corner markings.

การวิจัยใหม่ชี้ให้เห็นว่าโมเดล AI จากบริษัทคู่แข่งกำลังมีความคล้ายคลึงกันมากขึ้นในคำตอบเชิงสร้างสรรค์ ซึ่งอาจทำให้ช่วงของแนวคิดที่ผู้ใช้เจอแคบลง

 

การวิจัยใหม่จากสหรัฐอเมริกาพบว่าผลลัพธ์ “เชิงสร้างสรรค์” ของโมเดล AI ชั้นนำหลายรุ่นกำลังมีความคล้ายคลึงกันมากขึ้นตามกาลเวลา

ผู้เขียนจากมหาวิทยาลัย Duke ทำการทดสอบ 69 โมเดลจาก 12 ครอบครัวผู้ให้บริการ ครอบคลุมการปล่อยรุ่นตั้งแต่ปี 2023 ถึง 2026 และพบว่ามีการลดลงอย่างมีนัยสำคัญทางสถิติของความหลากหลายของผลลัพธ์ ทั้งในคำถามเปิด‑ended จริง ๆ และการทดสอบความคิดสร้างสรรค์มาตรฐาน – แสดงให้เห็นว่าความคิดที่คล้ายกันอาจถูกเสนอในคำขอ “เชิงสร้างสรรค์” มากขึ้นในผู้ให้บริการ LLM รายใหญ่ทั้งหมด

ครอบครัวผู้ให้บริการที่ถูกทดสอบได้แก่ Anthropic; Cohere; DeepSeek; Google; Meta; MiniMax; Mistral AI; Moonshot AI; OpenAI; Qwen; xAI; และ Z.ai*:

From the new paper - model releases used in the study, from มีนาคม 2023 to กรกฎาคม 2026. The chart covers 68 mode versions across 12 AI providers, demonstrating how the models tested were distributed across the three-year period, and showing increasingly frequent release schedules for some providers, which has to be accounted for in the authors' reckonings. Source - https://arxiv.org/pdf/2608.19437

จากเอกสารใหม่ – รุ่นโมเดลที่ใช้ในงานวิจัย ตั้งแต่เดือนมีนาคม 2023 ถึงกรกฎาคม 2026 แผนภูมินี้ครอบคลุม 69 รุ่นโมเดลจาก 12 ผู้ให้บริการ AI แสดงการกระจายของโมเดลที่ทดสอบตลอดช่วงสามปีและแสดงตารางการปล่อยรุ่นที่เพิ่มความถี่สำหรับบางผู้ให้บริการ ซึ่งต้องนำมาพิจารณาในการคำนวณของผู้เขียน แหล่งอ้างอิง

ผู้เขียนของ เอกสารใหม่ ระบุ**:

‘เราพบว่าการตอบสนองของ LLM ต่อคำสั่งเปิด‑ended ที่เราทดสอบได้กลายเป็นที่คล้ายคลึงกันมากขึ้นตามกาลเวลา.’

‘สิ่งนี้บ่งชี้ว่า LLM กำลังสูญเสียความคิดสร้างสรรค์ในงานที่ต้องสร้างคำตอบเปิด‑ended ซึ่งทำให้ต้องตรวจสอบความมีประโยชน์ในระยะยาวของพวกเขาในฐานะผู้ช่วยเชิงสร้างสรรค์’.

แม้ว่า ‘algorithmic monoculture’ จะเป็นแนวคิดที่ได้รับการศึกษาอย่างกว้างขวางแล้ว แต่การตรวจสอบแนวโน้มสู่ความเป็นเอกภาพของผลลัพธ์เชิงสร้างสรรค์ที่สร้างโดย AI ยังไม่เคยทำมาก่อน ผู้เขียนจึงอ้างว่าเป็นการสำรวจครั้งแรก

อย่างไรก็ตาม เหตุการณ์แยก ๆ ได้ชี้ให้เห็นถึงการบรรจบกันนี้มานานแล้ว รวมถึงกรณีแปลกประหลาดที่อธิบายไว้ใน การศึกษาในเดือนพฤษภาคม 20026 ของมหาวิทยาลัย Cornell ซึ่งพบว่าผู้ให้บริการ LLM หลากหลายแสดงความหลงใหลที่แปลกและทับซ้อนเกี่ยวกับ “ผู้ดูแลประภาคาร” และชื่อเก่า ๆ เช่น “Mara” และ “Elias”:

In May, Cornell University's new paper found strange similarities across LLM providers when given 'open prompts' – though no clues as to why have yet become apparent in the diverse training data fueling these models.

ในเดือนพฤษภาคม งานวิจัยใหม่ของมหาวิทยาลัย Cornell พบความคล้ายคลึงแปลก ๆ ระหว่างผู้ให้บริการ LLM เมื่อได้รับ “คำสั่งเปิด‑ended” – แม้ยังไม่มีสาเหตุที่ชัดเจนจากข้อมูลการฝึกที่หลากหลายของโมเดลเหล่านี้

การศึกษาใหม่ทำอย่างเป็นระบบมากขึ้น: ผู้เขียนทดสอบโมเดลตลอดสามปีโดยใช้ทั้งคำสั่งสร้างสรรค์จากโลกจริงและการทดสอบจิตวิทยาคลาสสิกที่เรียกร้องให้คิดการใช้สิ่งของประจำวันในแบบที่ไม่ธรรมดา จากนั้นวัดระยะห่างของความหมายระหว่างคำตอบของโมเดลต่าง ๆ เพื่อตรวจสอบว่าระยะห่างเหล่านั้นลดลงหรือไม่เมื่อรุ่นต่อเนื่องออกมา

ผู้เขียนของงานใหม่ที่ชื่อ Are LLMs becoming similarly creative? Evidence from three years of models ระบุ†:

‘ผลการวิจัยของเรา แม้จะอยู่ในขั้นต้น แต่ทำให้เกิดความกังวลเกี่ยวกับประโยชน์ระยะยาวของ LLM ในฐานะพันธมิตรเชิงสร้างสรรค์ แม้ว่าโมเดลจะทำงานได้ดีในงานสร้างสรรค์ การบรรจบกันของผลลัพธ์อาจจำกัดขอบเขตของความเป็นไปได้ที่ผู้ใช้ LLM จะได้พบ และทำให้ความคิดของพวกเขากระชับลง’.

‘หากการใช้ LLM ในงานสร้างสรรค์เช่นการเขียนเรียงความ ทำให้กิจกรรมของสมองลดลง การใช้ LLM ที่ค่อย ๆ สูญเสียความคิดสร้างสรรค์ – แนวโน้มที่งานวิจัยของเราชี้ให้เห็น – อาจทำให้ผลกระทบต่อความคิดสร้างสรรค์ของมนุษย์แย่ลงตามที่งานวิจัยนี้และ งานอื่น ๆ ได้สังเกตไว้?’

คุณลักษณะหลากหลายของข้อความที่สร้างโดย LLM ได้กลายเป็น หัวข้อมุขตลกในวงการอินเทอร์เน็ต และตามที่เรารายงานในเดือนพฤษภาคมปีนี้ มีผู้เขียนคนหนึ่งได้ตีพิมพ์หนังสือด้วยตนเอง ที่ดูเหมือนจะเน้นเรื่อง “ประภาคาร” ซึ่งพบได้บ่อยในโมเดลหลักหลายรุ่น

ดังนั้น ในสภาพแวดล้อมที่สำนักพิมพ์ กำลังถอนหนังสือออกเรื่อย ๆ ที่สงสัยว่าเขียนโดย AI หรือได้รับความช่วยเหลือจาก AI โดยผู้จัดพิมพ์ งานวิจัยใหม่ดูเหมือนจะบ่งชี้ว่าเราจะเห็น “การบังเอิญของโครงเรื่อง” เพิ่มขึ้นในผลงานที่ดูเหมือนเขียนโดยมนุษย์ รวมถึงงานวิชาการที่นักเรียนส่ง

สำหรับแหล่งที่มาของการบรรจบกันนี้ ผู้เขียนตั้งสมมติฐานว่าข้อมูลการฝึกที่ทับซ้อนและเป้าหมายการปรับแต่งที่คล้ายคลึงกันมากขึ้นอาจผลักดันโมเดลให้สร้างการแทนความคิดและความสัมพันธ์เชิงความหมายภายในที่คล้ายกัน – สุดท้ายทำให้ได้คำตอบที่คล้ายคลึงกันมากขึ้น†:

‘[มัน] ยังคงไม่ชัดเจนว่าความเป็นเอกภาพนี้เป็นผลพลอยได้ชั่วคราวของเทคโนโลยีที่ยังอยู่ในขั้นพัฒนา หรือเป็นคุณลักษณะที่หลีกเลี่ยงไม่ได้ – อาจ ทวีความรุนแรง ของโมเดลภาษาเชิงสถิติ’.

‘แรงผลักดันที่เป็นไปได้ชี้ไปในสองทิศทาง งานวิจัยทางวิชาการจำนวนเพิ่มขึ้นชี้ว่าโมเดลเชิงสร้างสรรค์ที่ฝึกด้วยข้อมูลทับซ้อนและปรับให้บรรลุเป้าหมายคล้ายกันจะจัดระเบียบแนวคิดและความสัมพันธ์เชิงความหมาย ใน ที่ คล้ายกันมากขึ้น ส่งผลให้ผลลัพธ์คล้ายกัน’.

อย่างไรก็ตาม ผู้เขียนยังอ้างอิง งานวิจัย ที่บ่งชี้ว่าเมื่อโมเดลพัฒนาไปอาจแยกออกเป็นลักษณะเฉพาะของตนเองอีกครั้งในแง่ของผลลัพธ์เชิงสร้างสรรค์

วิธีการ

เพื่อสังเกตว่าโมเดล AI กำลังมีความคล้ายคลึงกันมากขึ้นหรือไม่ นักวิจัยเริ่มต้นด้วยการรวบรวมคำตอบจากคำถามเปิด‑ended ของรุ่นต่อรุ่นแต่ละรุ่น จากนั้นแปลงคำตอบแต่ละคำตอบเป็นตัวแทนเชิงตัวเลขของความหมาย ทำให้สามารถวัดความคล้ายหรือความแตกต่างของคำตอบได้

การวิเคราะห์การถดถอย ถูกนำมาใช้เพื่อกำหนดว่าความแตกต่างเหล่านี้กำลังหดลงเมื่อมีการปล่อยโมเดลใหม่หรือไม่:

The authors' schema for measuring whether AI outputs become more similar over time. Open-ended creative prompts are run across different model families, their answers mapped by meaning to measure the distance between them, with regression analysis tracking how those distances change across successive model generations.

แผนผังของผู้เขียนเพื่อวัดว่าผลลัพธ์ของ AI จะมีความคล้ายคลึงกันมากขึ้นตามกาลเวลาอย่างไร คำสั่งเชิงสร้างสรรค์แบบเปิด‑ended ถูกทดสอบบนครอบครัวโมเดลต่าง ๆ คำตอบของพวกเขาถูกแมปตามความหมายเพื่อวัดระยะห่างระหว่างกัน และการวิเคราะห์การถดถอยติดตามการเปลี่ยนแปลงของระยะห่างเหล่านั้นในรุ่นต่อรุ่น

มีการเลือกชุดคำสั่งสองชุดเพื่อทดสอบความคิดสร้างสรรค์จากมุมมองที่แตกต่างกัน ชุดแรกคือ งาน Alternate Uses Task (AUT) ซึ่งเป็นการทดสอบจิตวิทยามาตรฐานของการคิดแบบกระจาย (divergent thinking) โดยให้หาวิธีใช้สิ่งของธรรมดาในรูปแบบที่ไม่ธรรมดา งานนี้ใช้วัตถุเช่น หนังสือ, รองเท้า และ ค้อน รูปแบบคงที่ช่วยให้เปรียบเทียบแนวคิดที่โมเดลต่าง ๆ ผลิตได้อย่างควบคุม

อีก 100 คำสั่งถูกสกัดจาก Infinity-Chat100 ซึ่งเป็นการรวบรวมจากการสนทนาจริงกับโมเดลภาษา งานเหล่านี้ครอบคลุมภารกิจเชิงสร้างสรรค์ที่มีข้อจำกัดน้อยกว่า เช่น การสร้างเนื้อหา การแก้ปัญหา การระดมสมองและการสร้างแนวคิด – ภารกิจที่ให้เสรีภาพมากขึ้นในการตอบและวิธีการที่เลือก

ชุดคำสั่ง AUT และ Infinity-Chat100 ทั้งหมดถูกส่งให้โมเดลที่ปล่อยตั้งแต่เดือนมีนาคม 2023 ถึงกรกฎาคม 2026 ครอบคลุม 12 ผู้ให้บริการและระบบจาก Anthropic, Google, Meta, OpenAI, DeepSeek และ Mistral AI คำตอบทั้งหมดถูกรวบรวมผ่าน API ของ OpenRouter ภายใต้การตั้งค่าการสุ่มเดียวกัน โดย temperature (ระดับอิสระในการตอบเชิงสร้างสรรค์) และ top-p ถูกตั้งค่าเป็นหนึ่ง

โมเดลถูกจัดเรียงตามเดือนปล่อยเพื่อพิจารณาว่ารุ่นใหม่กว่าผลิตคำตอบที่คล้ายคลึงกันมากขึ้นหรือไม่

เนื่องจากวันที่ปล่อยไม่ได้สะท้อนการเปลี่ยนแปลงของข้อมูลการฝึก โครงสร้าง หรือการฝึกหลังการปล่อย ผู้เขียนจึงถือแนวโน้มนี้เป็นการเชื่อมโยงกับการพัฒนาโมเดล มากกว่าหลักฐานว่ากาลเวลาเองทำให้เกิดการบรรจบกัน

คำตอบของโมเดลถูกแปลงเป็น embeddings ด้วย all-MiniLM-L6-v2 sentence‑transformer แต่ละคำตอบจะแสดงเป็น เวกเตอร์เชิงตัวเลข ทำให้คำตอบที่มีความหมายคล้ายกันอยู่ในทิศทางเดียวกันและสามารถวัดระยะห่างเชิงความหมายได้

สำหรับ AUT การใช้ทั้งหมดที่เสนอสำหรับแต่ละวัตถุจะถือเป็นคำตอบเดียว ทำให้ได้สิบ embeddings ต่อโมเดล สำหรับ Infinity-Chat100 แต่ละคำตอบจะถูก embed แยกกัน ทำให้ได้ 100 embeddings ต่อโมเดล

เดือนปล่อย 27 เดือนถูกจัดเป็นช่วงเวลา 9 ช่วง และเปรียบเทียบเฉพาะโมเดลจากผู้ให้บริการที่แตกต่างกัน ระยะห่างเชิงความหมายระหว่างคำตอบของพวกเขาถูกวัดภายในแต่ละช่วง โดยระยะห่างที่สั้นลงแสดงถึงความคล้ายคลึงที่มากขึ้น

เพื่อป้องกันไม่ให้ผู้ให้บริการที่มีโมเดลมากเกินไปครอบงำผลลัพธ์ การวิเคราะห์ถูกทำซ้ำ 1,000 ครั้งโดยสุ่มตัวอย่างอย่างสมดุลจากแต่ละผู้ให้บริการ

ผลลัพธ์

การวิเคราะห์การถดถอยเชิงเส้นถูกใช้เพื่อติดตามระยะห่างเหล่านี้ตามกาลเวลา โดยความชันลบสม่ำเสมอแสดงว่าโมเดลจากผู้ให้บริการต่าง ๆ กำลังมีความคล้ายคลึงกันมากขึ้น:

Initial test results, showing whether creative responses from different AI providers became more similar over time. Semantic distances declined for both the Alternate Uses Task and Infinity-Chat100 prompts, while repeated balanced sampling produced consistently negative trends, indicating increasing similarity across model generations.

ผลการทดสอบเบื้องต้น แสดงว่าคำตอบเชิงสร้างสรรค์จากผู้ให้บริการ AI ต่าง ๆ มีแนวโน้มคล้ายคลึงกันมากขึ้นตามกาลเวลา ระยะห่างเชิงความหมายลดลงสำหรับทั้งงาน AUT และคำสั่ง Infinity-Chat100 ในขณะที่การสุ่มตัวอย่างอย่างสมดุลซ้ำหลายครั้งให้แนวโน้มลบสม่ำเสมอ แสดงถึงความคล้ายคลึงที่เพิ่มขึ้นในรุ่นต่อรุ่น

จากผลลัพธ์เหล่านี้ผู้เขียนเน้น:

‘สำหรับชุด AUT และ Infinity‑Chat เราเห็นการลดลงของระยะห่างของผลลัพธ์ระหว่างผู้ให้บริการตลอดช่วงการสังเกต’.

‘สิ่งนี้บ่งบอกถึงการลดลงของความหลากหลาย – หรือการเพิ่มความเป็นเอกภาพ – ของผลลัพธ์เชิงสร้างสรรค์ของ LLM ตามกาลเวลา’.

ความแตกต่างระหว่างโมเดลเก่าและใหม่ชัดเจนที่สุดในงาน AUT ระยะห่างเฉลี่ยระหว่างคำตอบของผู้ให้บริการต่าง ๆ ลดจากประมาณ 0.50 สำหรับโมเดลแรก ๆ ลงต่ำกว่า 0.40 สำหรับโมเดลใหม่ที่สุด หมายความว่าคำตอบของพวกเขากลายเป็นที่คล้ายคลึงกันอย่างมีนัยสำคัญ รูปแบบเดียวกันพบใน Infinity‑Chat100 แม้ว่าการเปลี่ยนแปลงจะเล็กกว่า โดยระยะห่างเฉลี่ยลดจากประมาณ 0.34 ลงเหลือเพียงเล็กน้อยเหนือ 0.32

Test results measuring how quickly answers from the different AI providers became more similar over time. The 'Alternate Uses' Task showed a much stronger decline in differences between models than Infinity-Chat, with both results remaining consistent across the researchers’ repeated sampling tests.

ผลการทดสอบวัดความเร็วที่คำตอบจากผู้ให้บริการ AI ต่าง ๆ มีความคล้ายคลึงกันมากขึ้นตามกาลเวลา งาน “Alternate Uses” แสดงการลดลงของความแตกต่างระหว่างโมเดลอย่างชัดเจนกว่าการทดสอบ Infinity‑Chat โดยผลลัพธ์ทั้งสองสอดคล้องกันในหลายครั้งของการสุ่มตัวอย่างของนักวิจัย

การค้นพบนี้ยังคงอยู่ในทุกการสุ่มตัวอย่างสมดุล 1,000 ครั้ง ในทุกกรณี โมเดลใหม่ให้คำตอบที่ใกล้เคียงกันมากกว่าโมเดลเก่า ขนาดของการลดลงเหล่านี้พร้อมช่วงความเชื่อมั่น 95 % ของนักวิจัยถูกแสดงในภาพด้านบน

เกี่ยวกับเรื่องนี้ เอกสารระบุ:

‘ขนาดของการลดลงใน AUT น่าสังเกตอย่างยิ่งเมื่อพิจารณาจากวัตถุประสงค์ของงาน งาน AUT ทดสอบการคิดแบบกระจายโดยสั่งให้โมเดลสร้างการใช้ที่เป็นต้นฉบับและไม่คาดคิดที่สุด ซึ่งเป็นสภาพแวดล้อมที่คาดว่าผลลัพธ์จะต่างกันมากที่สุด’.

ผลลัพธ์ของ Infinity‑Chat แสดงว่าแนวโน้มเดียวกันปรากฏในช่วงงานสร้างสรรค์ที่กว้างขวางยิ่งขึ้น คำสั่ง 100 รายการของมันขอให้โมเดลสร้างคำตอบเปิด‑ended หลากหลายรูปแบบ และ คำตอบเหล่านี้ก็มีแนวโน้มคล้ายคลึงกันมากขึ้นตามกาลเวลา.

การเปลี่ยนแปลงนี้เล็กกว่าในงาน AUT แต่ชัดเจนขึ้นในโมเดลที่ปล่อยตั้งแต่ปี 2025 เป็นต้นไป ผู้เขียนจึงเสนอว่าอาจเป็นสัญญาณเริ่มต้นที่ผลลัพธ์เชิงสร้างสรรค์จากผู้ให้บริการ AI ต่าง ๆ กำลังคล้ายคลึงกันโดยทั่วไป ไม่ได้จำกัดอยู่แค่การทดสอบประเภทเดียว

สรุป

ประเด็นเกี่ยวกับการบรรจบกันของ LLM และ VLM ยังคงเป็น แหล่งกังวลที่เพิ่มขึ้น ทั้งในชุมชนวิจัยและผู้ใช้โมเดลที่สืบเนื่องจากพวกมัน เรากำลังเข้าสู่ช่วงสุดท้ายของยุค “ข้อมูลบริสุทธิ์” รุ่นแรกและเดียวที่วงการวิจัยจะเข้าถึงได้; และการที่ผู้ให้บริการโมเดลมุ่งมั่น ขโมยข้อมูลของคู่แข่ง อย่างต่อเนื่องทำให้เกิดความเสี่ยงต่อการบรรจบกัน เนื่องจากข้อมูลกำลังกลายเป็นเอกสารเดียวกันและหลักการฝึกโมเดลก็คล้ายคลึงกันหรือแม้กระทั่งเหมือนกันระหว่างผู้ให้บริการ

ดังนั้น สิ่งที่ง่ายอย่างการ เปลี่ยนเครื่องหมายขีดยาว น่าจะไม่สามารถแก้ไขความคล้ายคลึงที่เพิ่มขึ้นของผลลัพธ์เชิงสร้างสรรค์ระหว่างกลุ่มโมเดลได้ และกรณีการทำซ้ำอาจปรากฏขึ้นในรูปแบบที่สาธารณะและน่าอับอายยิ่งขึ้น

 

* รายการโมเดลเต็มคือ Claude-3-Haiku; Claude-Fable-5; Claude-Opus-4; Claude-Opus-4.1; Claude-Opus-4.5; Claude-Opus-4.6; Claude-Opus-4.7; Claude-Opus-4.8; Command-A; Command-R-08-2024; DeepSeek-Chat; DeepSeek-V3.1-Terminus; DeepSeek-V3.2; DeepSeek-V4-Pro; Gemini-2.5-Pro; Gemini-3-Flash-Preview; Gemini-3.1-Pro-Preview; Gemini-3.5-Flash; Llama-3.1-70B-Instruct; Llama-3.2-3B-Instruct; Llama-3.3-70B-Instruct; Llama-4-Maverick; MiniMax-01; MiniMax-M1; MiniMax-M2; MiniMax-M2.1; MiniMax-M2.5; MiniMax-M2.7; MiniMax-M3; Mistral-Large; Mistral-Large-2407; Mistral-Large-2512; Mistral-Medium-3; Mistral-Medium-3.5; Mistral-Medium-3.1; Mistral-Small-24B-Instruct-2501; Mistral-Small-2603; Mistral-Small-3.1-24B-Instruct; Mistral-Small-3.2-24B-Instruct; Mixtral-8x22B-Instruct; Kimi-K2; Kimi-K2-0905; Kimi-K2.5; Kimi-K2.6; GPT-3.5-Turbo; GPT-4; GPT-4.1; GPT-4o; GPT-5; GPT-5.1; GPT-5.2; GPT-5.3-Chat; GPT-5.4; GPT-5.5; GPT-5.6-Sol; Qwen-2.5-72B-Instruct; Qwen3-Max; Qwen3.5-Plus-20260420; Qwen3.6-Max-Preview; Qwen3.7-Max; Grok-4.20; Grok-4.3; Grok-4.5; GLM-4.5; GLM-4.6; GLM-4.7; GLM-5; GLM-5.1; และ GLM-5.2

** การเน้นของผู้เขียน ไม่ได้เป็นของฉัน

† การแปลงการอ้างอิงในตัวของผู้เขียนเป็นลิงก์

เผยแพร่ครั้งแรกวันศุกร์ที่ 21 สิงหาคม 2026 .6-Sol; Qwen-2.5-72B-Instruct; Qwen3-Max; Qwen3.5-Plus-20260420; Qwen3.6-Max-Preview; Qwen3.7-Max; Grok-4.20; Grok-4.3; Grok-4.5; GLM-4.5; GLM-4.6; GLM-4.7; GLM-5; GLM-5.1; GLM-5.2 ** Authors’ emphases, not mine. † My conversion of the authors’ inline citations to hyperlinks. First published Friday, 21 สิงหาคม 2026

mm

นักเขียนเกี่ยวกับเครื่องมือการเรียนรู้ของเครื่อง และผู้เชี่ยวชาญด้านการสังเคราะห์ภาพมนุษย์ อดีตหัวหน้าเนื้อหาวิจัยที่ Metaphysic.ai จนกระทั่งถูกยุบเข้ากับ Brahma.ai ของ DNEG
Portfolio site: martinanderson.ai
Contact: martin@martinanderson.ai