โมเดลและแพลตฟอร์ม AI
Translated เปิดตัว Lara Mini โมเดลวิจัยที่รองรับ 45 ภาษา
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญLara Mini shares experts across languages rather than dedicating separate expert groups…
ดูเพิ่มเติม
- Lara Mini shares experts across languages rather than dedicating separate expert groups to each one.
- The model's efficiency advantage is strongest for a single user with long prompts and narrows under shared load.
- The release is a gated research base model without safety tuning or instruction-following capability.
เมื่อวันที่ 12 พฤศจิกายน 2026 Translated ประกาศเปิดตัว Lara Mini ซึ่งเป็นโมเดลวิจัยที่ฝึกตั้งแต่ต้นด้วยโทเคน 6 ล้านล้านโทเคน ครอบคลุมภาษาอังกฤษและภาษาอื่นอีก 44 ภาษา รวมถึงภาษาทางการทั้ง 24 ภาษาของสหภาพยุโรป ระบบนี้มีพารามิเตอร์ 7.2 พันล้านตัว แต่เปิดใช้งานเพียง 600 ล้านพารามิเตอร์ต่อโทเคน
สถาปัตยกรรมแบบผสมผู้เชี่ยวชาญจะเลือกใช้ผู้เชี่ยวชาญ 4 รายจากทั้งหมด 128 รายที่จัดสรรไว้สำหรับแต่ละโทเคน ขณะที่ยังคงเปิดใช้งานผู้เชี่ยวชาญร่วมอีก 1 ราย เลเยอร์ทั้ง 34 ชั้นประกอบด้วยเลเยอร์ความสนใจเชิงเส้น Gated DeltaNet 14 ชั้น เลเยอร์ความสนใจแบบหน้าต่างเลื่อน 13 ชั้น ซึ่งมีหน้าต่างขนาด 512 โทเคน และเลเยอร์ความสนใจทั่วทั้งลำดับ 7 ชั้น ช่วยจำกัดการเพิ่มขึ้นของสถานะระหว่างการอนุมานเมื่อเทียบกับการใช้ความสนใจเต็มรูปแบบ หลังการฝึกครั้งแรก ยังมีขั้นตอนแยกต่างหากที่ใช้โทเคน 100 พันล้านโทเคน เพื่อขยายหน้าต่างบริบทจาก 4,096 เป็น 131,072 โทเคน
Translated สร้างชุดข้อมูลจากแหล่งข้อมูลที่เผยแพร่แบบเปิด โดยคัดกรองและตัดข้อมูลซ้ำจนได้คลังข้อมูลขนาด 13.8 ล้านล้านโทเคน ในบรรดาโทเคนที่ใช้ฝึกครั้งแรก 97% เป็นการอ่านเอกสารเป็นครั้งแรก ภาษาอังกฤษมีสัดส่วน 2.49 ล้านล้านโทเคน หรือ 41.4% ส่วนภาษาอื่นอีก 44 ภาษามี 2.18 ล้านล้านโทเคน หรือ 36.4% โค้ด คณิตศาสตร์ และตัวอย่างที่จัดรูปแบบคล้ายข้อมูลสำหรับการปรับแต่งแบบมีผู้สอนเป็นส่วนที่เหลือ
ทดสอบการแทนที่ด้วยภาษาอังกฤษ
ในการทดสอบแยกต่างหาก นักวิจัยใช้จุดตรวจสอบเดียวกันสำหรับการฝึกช่วงปรับลดอัตราการเรียนรู้ 2 ครั้ง แต่ละครั้งใช้โทเคน 100 พันล้านโทเคน โดยช่วงนี้เป็นขั้นตอนสุดท้ายของการฝึกที่อัตราการเรียนรู้ลดลงจนเป็นศูนย์ การแทนที่สัดส่วนข้อมูลหลายภาษา 33% ด้วยภาษาอังกฤษทำให้สัดส่วนภาษาอังกฤษเพิ่มจาก 27% เป็น 60% รายงานทางเทคนิคระบุว่า ค่าเฉลี่ยของชุดพัฒนาภาษาอังกฤษเพิ่มขึ้นเพียง 0.3 จุด ขณะที่ค่าเฉลี่ยของชุดทดสอบหลายภาษาสำหรับภาษาที่รองรับลดลง 2.7 จุด
การทดลองนี้ครอบคลุมเฉพาะช่วงปรับลดอัตราการเรียนรู้ และไม่ได้วัดผลของสัดส่วนข้อมูลหลายภาษาในช่วงการฝึกล่วงหน้าหลัก การวิเคราะห์การจัดสรรผู้เชี่ยวชาญอีกส่วนหนึ่งพบว่า ภาษาต่าง ๆ ใช้ผู้เชี่ยวชาญร่วมกัน แทนที่จะแยกกลุ่มผู้เชี่ยวชาญให้แต่ละภาษา โดยภาษาที่เกี่ยวข้องกันมีรูปแบบการจัดสรรคล้ายกันในช่วงต้นของเครือข่าย และแทบจะเหมือนกันในเลเยอร์ช่วงกลาง ผู้เขียนเตือนว่า การจัดสรรผู้เชี่ยวชาญร่วมกันไม่ได้ยืนยันว่ามีการแทนความหมายร่วมกัน และการทดลองของพวกเขาก็ไม่ได้แสดงให้เห็นว่าการฝึกหลายภาษาช่วยพัฒนาความสามารถในการให้เหตุผลทั่วไปหรือประสิทธิภาพด้านภาษาอังกฤษ
คะแนนเกณฑ์ทดสอบและข้อจำกัด
Translated ประเมิน Lara Mini เทียบกับโมเดลพื้นฐานแบบเปิดอีก 56 โมเดล ด้วยเกณฑ์ทดสอบ 26 รายการ ครอบคลุมภาษาอังกฤษ หลายภาษา คณิตศาสตร์ และโค้ด โดยใช้พรอมป์ต์ การตั้งค่า และวิธีดึงคำตอบแบบเดียวกัน ในบรรดาโมเดล 36 รุ่นที่มีพารามิเตอร์ใช้งานได้ไม่เกิน 2 พันล้านตัว Lara Mini ได้คะแนนเฉลี่ยรวม 57.0 สูงกว่า granite-4.0-h-tiny ที่ได้ 53.9 และ Qwen3-1.7B ที่ได้ 53.8 ยอดรวมโทเคนที่รายงานว่าใช้ฝึกล่วงหน้าของทั้งสองโมเดลอยู่ที่ 22.5 ล้านล้านและ 36 ล้านล้านโทเคนตามลำดับ เทียบกับ 6 ล้านล้านโทเคนในการฝึกครั้งแรกของ Lara Mini
ผลการประเมินของ Translated ทำให้ Lara Mini อยู่ในอันดับหนึ่งของกลุ่มนี้ด้านความเข้าใจหลายภาษา ด้วยคะแนน 56.7 และด้านคณิตศาสตร์ ด้วยคะแนน 59.9 อยู่ในอันดับสองด้านภาษาอังกฤษ ด้วยคะแนน 66.4 และอันดับห้าด้านโค้ด ด้วยคะแนน 45.1 คะแนนรวมให้น้ำหนักค่าเฉลี่ยของทั้งสี่ด้านเท่ากัน และสำหรับโมเดลทุกตัว คะแนนจากเกณฑ์ทดสอบหลายภาษาจะคำนวณเฉลี่ยจากภาษาที่ไม่ใช่ภาษาอังกฤษซึ่ง Lara Mini รองรับ การเปรียบเทียบนี้ครอบคลุมโมเดลพื้นฐาน ไม่ใช่ระบบที่ปรับแต่งให้ทำตามคำสั่ง นอกจากนี้ คุณภาพยังแตกต่างกันไปในแต่ละภาษา โดยภาษาอาเซอร์ไบจานและภาษาเบงกอลเป็นสองภาษาในกลุ่มที่รองรับซึ่งได้คะแนนต่ำที่สุด เนื่องจากมีข้อมูลฝึกจำกัด
Translated วัดความเร็วของ Lara Mini ได้ประมาณ 1,100 อักขระที่สร้างขึ้นต่อวินาที สำหรับผู้ใช้หนึ่งคนบน GPU A100 โดยไม่ทำควอนไทซ์ โมเดลทุกตัวที่มีคะแนนเฉลี่ยรวมสูงกว่าในการเปรียบเทียบด้านความเร็วนี้สร้างข้อความได้ช้ากว่าอย่างน้อย 1.8 เท่า ข้อได้เปรียบนี้เด่นชัดที่สุดเมื่อมีผู้ใช้คนเดียวและพรอมป์ต์ยาว และจะลดลงเมื่อมีผู้ใช้จำนวนมากใช้ GPU ร่วมกัน
การเข้าถึงงานวิจัยและแผนผลิตภัณฑ์
สิ่งที่เผยแพร่คือโมเดลพื้นฐานสำหรับต่อเติมข้อความ ไม่ใช่ระบบที่ทำตามคำสั่งหรือระบบแชต และไม่มีการปรับแต่งด้านความปลอดภัย การ์ดข้อมูลโมเดลเตือนว่าโมเดลอาจสร้างข้อความที่ผิด มีอคติ หรือไม่เหมาะสม และไม่ควรนำไปใช้งานเป็นผู้ช่วยโดยไม่มีการฝึกเพิ่มเติม
การเข้าถึงน้ำหนักโมเดลมีข้อจำกัด โดย Translated จะตรวจสอบคำขอแต่ละรายการ น้ำหนักโมเดลอนุญาตให้ใช้ภายใต้สัญญาอนุญาต CC BY-NC-SA 4.0 สำหรับงานวิจัยและวัตถุประสงค์อื่นที่ไม่ใช่เชิงพาณิชย์ ส่วนโค้ดและตัวตัดคำใช้ Apache 2.0 Translated เสนอการอนุญาตให้ใช้เชิงพาณิชย์แยกต่างหาก และจะไม่เผยแพร่ข้อมูลฝึกพร้อมกับโมเดล
หน้าข้อมูลงานวิจัยของ Translated ระบุว่าลูกค้าองค์กรที่ได้รับคัดเลือกจะเข้าถึงโมเดลได้ด้วย และกล่าวถึงการปรับแต่งโมเดลสำหรับแอปพลิเคชันอธิปไตยเฉพาะทางว่าเป็นหนึ่งในเป้าหมายการใช้งาน Lara Mini เป็นส่วนหนึ่งของ Lara 4 ซึ่งเป็นตระกูลโมเดลพื้นฐานที่มุ่งใช้ขับเคลื่อน Lara Translate รุ่นถัดไป
ข้อมูลติดตามผลที่เผยแพร่เมื่อวันที่ 13 พฤศจิกายน 2026ระบุว่า Lara Mini ยังไม่พร้อมใช้งานใน Lara Translate บริษัทวางแผนใช้โมเดลนี้เป็นโมเดลพื้นฐานสำหรับการแปลข้อความแบบออฟไลน์ในแอป Lara Translate รุ่นถัดไป โดยประมวลผลบนโทรศัพท์เพื่อให้ข้อความอยู่ในอุปกรณ์ จำนวน 45 ภาษาหมายถึงขอบเขตภาษาที่ใช้ในการฝึก ส่วนภาษาที่จะรองรับในการเปิดตัวฟังก์ชันแปลแบบออฟไลน์ยังไม่ได้ระบุ
แอปที่วางแผนไว้นี้เชื่อมโยงงานวิจัยเข้ากับการทดสอบผลิตภัณฑ์ที่เป็นรูปธรรม นั่นคือการเปลี่ยนจุดตรวจสอบงานวิจัยที่มีข้อมูลเบาบางให้เป็นระบบแปลภาษาส่วนตัวที่ทำงานบนอุปกรณ์ พร้อมคงประสิทธิภาพและความสามารถด้านหลายภาษาตามที่รายงานไว้ในการประเมินของ Translated
