โมเดลและแพลตฟอร์ม AI
LG AI Research เปิดให้ใช้ API ของโมเดล K-EXAONE 2.5 ได้ฟรี
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
LG AI Research ประกาศเปิดให้ใช้ K-EXAONE 2.5 ผ่าน API ได้ฟรีเมื่อวันที่ 9 พฤศจิกายน 2026 โดยเปิดให้ใช้งานโมเดลขนาด 750 พันล้านพารามิเตอร์ผ่าน EXAONE API Platform ในรูปแบบโฮสต์
นักพัฒนา สตาร์ตอัป บริษัท และสถาบันวิจัยสามารถขอรับคีย์ API เพื่อนำโมเดลไปใช้พัฒนาบริการและทำวิจัยได้ LG อธิบายว่า K-EXAONE 2.5 เป็นโมเดลสำหรับตรวจสอบความถูกต้องของเทคโนโลยี ซึ่งพัฒนาขึ้นด้วยการฝึกเพิ่มเติมจากเวอร์ชันที่เปิดตัวในเดือนสิงหาคม 2026 ส่วน บัตรข้อมูลโมเดล K-EXAONE 2.0 รุ่นก่อนหน้า ระบุว่าเป็นโมเดลแบบเปิดน้ำหนักภายใต้สัญญาอนุญาต Apache 2.0 ใช้สถาปัตยกรรม Mixture-of-Experts มีพารามิเตอร์ที่ทำงานอยู่ 37 พันล้านตัว และรองรับบริบทได้ 262,144 โทเค็น
ผลการทดสอบการทำงานแบบเอเจนต์ที่ผู้พัฒนารายงาน
LG ระบุว่าได้ทดสอบ K-EXAONE 2.5 ภายในองค์กรด้วยชุดข้อมูลแบบเปิด และพบว่ามีความสามารถในการแข่งขันกับโมเดลแบบเปิดน้ำหนักระดับแนวหน้าจากทั่วโลก เอกสารประกอบโมเดลแสดงการเปรียบเทียบกับโมเดลรุ่นก่อนและระบบภายนอกอีกสองระบบดังนี้:
| การทดสอบมาตรฐาน | K-EXAONE 2.5 | K-EXAONE 2.0 | DeepSeek-V4.1-Flash | GLM-5.3 |
|---|---|---|---|---|
| SWE-Bench Pro, การเขียนโค้ดแบบเอเจนต์ | 59.21 | 47.1 | 58.41 | 64.03 |
| BrowseComp, การค้นหาแบบเอเจนต์ | 78.0 | 50.87 | 75.8 | 79.0 |
| AutomationBench open-set, การใช้เครื่องมือแบบเอเจนต์ | 74.6 | 16.9 | 74.9 | 71.6 |
| Claw-Eval, การใช้เครื่องมือแบบเอเจนต์ | 77.29 | 62.11 | 75.78 | 77.64 |
การทดสอบเหล่านี้ครอบคลุมการพัฒนาและปรับแก้ซอฟต์แวร์ การค้นหาข้อมูลที่จำเป็นบนเว็บ การทำงานอัตโนมัติด้วยเครื่องมือ SaaS และการแก้ปัญหาของเอเจนต์ในสภาพแวดล้อมการทำงาน ตามตัวเลขที่ LG รายงาน K-EXAONE 2.5 ทำได้ดีกว่ารุ่นก่อนในทั้งสี่การทดสอบ โดยทำคะแนนได้สูงกว่า DeepSeek-V4.1-Flash ใน SWE-Bench Pro, BrowseComp และ Claw-Eval แต่ต่ำกว่าใน AutomationBench ส่วนเมื่อเทียบกับ GLM-5.3 โมเดลนี้ทำคะแนนได้สูงกว่าเฉพาะใน AutomationBench เท่านั้น
LG ระบุว่าการสร้างโค้ด การดีบัก การปรับโครงสร้างโค้ด และการเขียนโค้ดสำหรับทดสอบเป็นตัวอย่างการใช้งาน โดยวางให้การพัฒนาซอฟต์แวร์เป็นกรณีใช้งานหลัก ควบคู่ไปกับการค้นหาแบบเอเจนต์และการทำงานอัตโนมัติในที่ทำงาน
การออกแบบ API และการผสานรวมเอเจนต์
K-EXAONE 2.5 รองรับเฉพาะข้อความ และรองรับภาษาเกาหลีและภาษาอังกฤษ เอกสารระบุว่ามีพารามิเตอร์ที่ทำงานอยู่ 31 พันล้านตัว มีวันตัดข้อมูลความรู้ในเดือนมกราคม 2026 และรองรับฟีเจอร์ต่าง ๆ ได้แก่ แชต การเรียกใช้เครื่องมือ เอาต์พุตแบบมีโครงสร้าง การสร้างโค้ด และการสตรีม
เอกสารอ้างอิงเอนด์พอยต์ระบุว่าเป็นไปตามมาตรฐาน OpenAI POST /v1/chat/completions อินเทอร์เฟซที่ใช้ตัวระบุโมเดล k-exaone_v2.5. โทเค็นอินพุตรวมกับ max_tokens โควตาการสร้าง ซึ่งรวมการใช้เหตุผลไว้ด้วย ต้องมีจำนวนรวมไม่เกิน 524,288 โทเค็น คำขอที่เกินกว่านี้จะได้รับข้อผิดพลาด 400 การตอบกลับใช้ JSON รูปแบบมาตรฐานของ OpenAI หรือแบ่งเป็นส่วนในรูปแบบ server-sent event เมื่อเปิดใช้การสตรีม
สามารถกำหนดค่าการใช้เหตุผลได้โดยตรง reasoning_effort มีค่าเริ่มต้นเป็น max, ขณะที่ preserve_thinking สามารถแนบการใช้เหตุผลก่อนหน้าของผู้ช่วยไปกับคำขอแบบหลายรอบได้ คู่มือเอเจนต์ของ LG ระบุว่าการตั้งค่าความเข้มข้นของการใช้เหตุผลให้สูงขึ้นอาจเพิ่มเวลาตอบสนองและปริมาณโทเค็นที่ใช้ พร้อมแยกความพยายามในการใช้เหตุผลสำหรับคำตอบปัจจุบันออกจากการส่งต่อประวัติการใช้เหตุผลและการเรียกใช้เครื่องมือก่อนหน้า
คู่มือมีการตั้งค่าสำหรับเอเจนต์ทั่วไป Hermes และเอเจนต์เขียนโค้ด OpenCode ในขั้นตอนการทำงานที่อธิบายไว้ ตัวประสานงานภายนอกจะเรียกใช้เครื่องมือตามคำสั่งที่โมเดลส่งกลับ แล้วส่งผลลัพธ์กลับไป พร้อมจัดการส่วนต่าง ๆ ของข้อความ การใช้เหตุผล และการเรียกใช้เครื่องมือในรอบถัดไป ดังนั้น นักพัฒนาจึงได้รับข้อมูลการใช้เหตุผลและการตัดสินใจเรียกใช้เครื่องมือผ่าน API แต่เอเจนต์ที่ทำงานครอบ API ยังคงรับผิดชอบการดำเนินการและการจัดการลูปการทำงาน
การเปิดให้ใช้งานฟรีช่วยลดต้นทุนในการทดสอบผลด้านการเขียนโค้ดแบบเอเจนต์ของ LG ภายในเครื่องมือที่รองรับ OpenAI อยู่แล้ว คำถามสำคัญคือ ผลลัพธ์ที่ดีขึ้นจากการทดสอบภายในองค์กรจะนำไปใช้กับซอฟต์แวร์สำหรับการผลิตและขั้นตอนการทำงานทางธุรกิจได้มากน้อยเพียงใด เนื่องจากความลึกของการใช้เหตุผล การเรียกใช้เครื่องมือ และการจัดการบริบท ล้วนมีผลต่อคุณค่าในการใช้งานจริงของโมเดล
