Agentic AI News 26 ตุลาคม 2026

เปิดตัว Nanbeige4.3-33B. Nanbeige LLM Lab เปิดตัว Nanbeige4.3-33B ภายใต้สัญญาอนุญาต Apache 2.0 เป็นโมเดลเขียนโค้ดแบบเอเจนติกขนาด 33B แบบ dense ที่มี context window 512K โดยครองที่หนึ่งใน 17 จาก 20 benchmark ในตารางของแล็บเมื่อเทียบกับโมเดลขนาดใกล้ 30B ทำคะแนน Terminal-Bench 2.1 ได้ดี แต่ได้คะแนนน้อยกว่าใน benchmark กลุ่ม SWE และงานทั่วไป ปัจจุบันมี GGUF quant จากคอมมิวนิตี้ให้ใช้ โดยแนะนำ AD-IQ4_XS ขนาด 20.3GB สำหรับ GPU 32GB

• Nanbeige Releases Nanbeige4.3-33B, a 33B Open Agentic Coding Model(เปิดในแท็บใหม่)
• Nanbeige4.3-33B Quantised GGUF(เปิดในแท็บใหม่)
• Nanbeige/Nanbeige4.3-33B · Hugging Face(เปิดในแท็บใหม่)

Microsoft เปิดซอร์ส Agensh. Microsoft Research เปิดซอร์ส Agensh ฮาร์เนสของเอเจนต์เขียนโค้ดแบบกระจายศูนย์ที่ตัด orchestrator ตัวกลางออก โดยเวิร์กเกอร์แต่ละตัวเลือกงานย่อยเอง แบ่งปันสิ่งที่ค้นพบ และ merge โค้ดร่วมกัน ในการทดสอบ ระบบขยายจาก 1 เอเจนต์ไปถึง 1,024 เอเจนต์ และคะแนนในโจทย์ ProgramBench ที่ยากที่สุดก็เพิ่มขึ้นตามจำนวนเอเจนต์

• Microsoft Open-Sources Agensh: A Multi-Agent Harness for 1,024 Agents(เปิดในแท็บใหม่)

Lure-TTS โมเดลเสียงขนาดเล็ก. นักพัฒนาคนเดียวเปิดตัว Lure-TTS และ Lure-Turbo โมเดลเสียงขนาด 600M พารามิเตอร์ที่ fine-tune ต่อจาก Qwen3-TTS เพื่อสังเคราะห์เสียงได้เร็วกว่าเวลาจริง รองรับแท็กแบบอินไลน์ การสั่งกำกับ และการโคลนเสียง มีรายงานว่าค่าเทรนไม่ถึง 200 ดอลลาร์ โดยใช้ RLVR, OPD และ multi-teacher distillation

• Lure-TTS and Lure-Turbo: 600M voice models to run 4x faster than real time, with inline (tags), direction, and voice cloning. Trained for under $200.(เปิดในแท็บใหม่)

OpenMobile-2 เอเจนต์มือถือ. นักวิจัยเปิดตัว OpenMobile-2 โมเดลเอเจนต์สมาร์ตโฟนโอเพนซอร์สที่สร้างบน Qwen3.5 และ Qwen3.6 (9B/27B) สภาพแวดล้อมการเทรนมีแอปจำลองกว่า 110 แอป ความหลากหลายของแอปช่วยให้ทำงานกับแอปที่ไม่เคยเห็นได้สำเร็จเพิ่มจาก 60.7 เป็น 67.5 ขณะที่โมเดลขนาดใหญ่กว่าทำได้ 59.6 บน SPA-Bench สูงสุดในกลุ่มโมเดลเปิด

• OpenMobile-2 proves open-source smartphone agents can rival proprietary models(เปิดในแท็บใหม่)

Carbon-X โมเดลภาษา DNA. Hugging Face เปิดตัว Carbon-X โมเดลภาษา DNA แบบเปิดขนาด 14.8B ที่อ่านลำดับ DNA ดิบแล้วตอบเป็นภาษาอังกฤษได้ โดยทำนายว่าผลการกลายพันธุ์ก่อโรคแค่ไหน ทำนายบริเวณ regulatory และเบสตัวถัดไป ทำคะแนนเฉลี่ย 66.7% จากห้า benchmark ด้าน DNA ดีที่สุดในบรรดาโมเดลเปิดที่ทดสอบ และรันได้บน GPU 80GB ตัวเดียว

• Hugging Face Releases Carbon-X, a 14B Open DNA Language Model that Brings DNA and Natural Language Together for the First Time(เปิดในแท็บใหม่)

TorchTPU สำหรับ PyTorch. Google และ Meta เปิดซอร์ส TorchTPU ในงาน PyTorch Conference 2026 เป็นแบ็กเอนด์ PyTorch แบบเนทีฟสำหรับ TPU เพื่อแทนที่ PyTorch/XLA การพอร์ตโค้ดจึงเหลือแค่เปลี่ยน model.to('cuda') เป็น model.to('tpu') และ Meta วางแผนรันงาน LLM ขนาดใหญ่ขึ้นบน TPU

• PyTorch Conference 2026: Google and Meta Open-Source TorchTPU for Native PyTorch on TPUs(เปิดในแท็บใหม่)

Google เปิดตัว ML Drift. Google เปิดตัว ML Drift เอนจินประมวลผล GPU ข้ามแพลตฟอร์มภายใต้ Apache 2.0 สำหรับการอินเฟอเรนซ์ AI บนอุปกรณ์ รองรับ OpenGL ES, OpenCL, Metal และ WebGPU เป็นเอนจินหลักเบื้องหลัง LiteRT และมีเป้าหมายเพื่อให้ generative AI บนอุปกรณ์เอดจ์พอร์ตง่ายขึ้นและเร็วขึ้น

• Google ML Drift Accelerates On-Device AI Inference Across Diverse GPUs(เปิดในแท็บใหม่)

Nvidia เปิดซอร์ส Flora. Nvidia เปิดซอร์ส Flora เอนจินข้อมูลที่ติดป้ายวิดีโอหุ่นยนต์เพื่อระบุคำอธิบายการกระทำ ระดับความคืบหน้า และความสำเร็จของงาน บริษัทอ้างว่าค่าติดป้ายอยู่ที่ชั่วโมงละ 72 เซนต์ เทียบกับ 88 ดอลลาร์ของ GPT-6 Astra และถูกใช้เทรน GR00T แล้วมากถึง 200,000 ชั่วโมงต่อวัน

• Nvidia open-sources Flora to make robot video labeling 125x cheaper than GPT-6 Astra(เปิดในแท็บใหม่)

Anthropic เปิด OSS Scanner. Anthropic เปิดตัว OSS Scanner เครื่องสแกนช่องโหว่แบบให้ใช้ฟรีที่ผู้ใช้ต้องเลือกเปิดเอง สำหรับโปรเจกต์โอเพนซอร์สสำคัญ โดยใช้โมเดลที่เก่งที่สุดของบริษัท ปัจจุบันรับโปรเจกต์แล้ว 114 โปรเจกต์ และรายงานช่องโหว่ระดับ critical 77 จุด ระดับ high 803 จุด โดย 88% ของสิ่งที่ตรวจพบผ่านเกณฑ์การเปิดเผย แต่ก็มีบางเคสที่ประเมินความรุนแรงเกินจริงและมีรายการซ้ำ

• Anthropic Launches OSS Scanner, a Free AI Vulnerability Scanner(เปิดในแท็บใหม่)

TokenGate ตัด token. Stanford และ UC Berkeley เปิดตัว TokenGate โมดูลตัดทอน token แบบเรียนรู้ที่เสียบใช้ได้ทันทีกับ LLM โดยข้าม token อินพุตที่ไม่เกี่ยวข้อง ผลคือ time-to-first-token เร็วขึ้น 1.4–11.3 เท่า และหน่วยความจำช่วง prefill ลดลง 1.5–3.4 เท่า โดยไม่เสียความแม่นยำในงานที่ทดสอบที่ context ยาวถึง 128k

• Researchers from Stanford and UC Berkeley Introduce TokenGate: Token-Gated Attention Makes Long-Context Prefill Up to 11.3x Faster(เปิดในแท็บใหม่)

FilmFlow เอเจนต์จัดกล้อง. FilmFlow เป็นเฟรมเวิร์กเอเจนติกที่เปลี่ยนคำสั่งภาษาธรรมชาติหรือวิดีโออ้างอิงให้เป็นเส้นทางการเคลื่อนกล้องที่ชัดเจนสำหรับฉาก 3D โดยมีเอเจนต์ Director วางแผนร่วมกับเอเจนต์ Interpreter, Scout และ Critic ขณะที่ CinemaBench มีโจทย์สั่งด้วยข้อความ 750 ข้อ และการประเมินจากวิดีโออ้างอิง

• FilmFlow: Agentic System for 3D Virtual Film Cinematography(เปิดในแท็บใหม่)

RouteWeaver รวม routing. RouteWeaver รวม routing แบบรอบเดียว แบบหลายรอบ และแบบเอเจนติกไว้ในนโยบาย LLM เดียว โดยเลือกโหมดการทำงานและโมเดลพร้อมกัน การเทรนด้วย COMET-GRPO แยกการเลือกโหมดออกจากการให้เครดิตผลลัพธ์ตอนทำงาน ช่วยให้ความแม่นยำดีขึ้นทั้งงานคณิตศาสตร์ การเขียนโค้ด และงานความรู้

• RouteWeaver: Weaving Mode Selection and Execution into Unified LLM Routing(เปิดในแท็บใหม่)

Anthropic ทาย RSI ปี 2027. Jack Clark ผู้ร่วมก่อตั้ง Anthropic เลื่อนคำทำนายเรื่อง recursive self-improvement ออกไปเป็นปี 2027 โดยอ้างอิงจาก benchmark TasteVal ที่ความสามารถด้าน “รสนิยมการวิจัย” ของ AI เพิ่มขึ้นราวสองเท่าทุกสามเดือน โมเดลที่ดีที่สุดทำได้เหนือผู้เชี่ยวชาญมนุษย์ 24 คน ในต้นทุนที่ต่ำกว่ามาก แต่ benchmark นี้ครอบคลุมงานวิทยาศาสตร์เพียงเสี้ยวเดียว

• Anthropic co-founder Jack Clark moves his prediction for self-improving AI forward to 2027(เปิดในแท็บใหม่)

OpenAI ตัดราคาแย่งลูกค้า. OpenAI เสนอส่วนลดสูงถึง 90% เพื่อดึงลูกค้ารายใหญ่ที่สุดของ Anthropic โดย Rippling, Replit และ DataCamp ย้ายการใช้จ่ายมาแล้ว งานเขียนโค้ดของ Rippling บน OpenAI เพิ่มจาก 16% เป็น 52% ขณะที่ Anthropic ลดจาก 57% เหลือ 18% ส่วน Replit ได้ส่วนลด 30% จากสัญญามูลค่ากว่า 100 ล้านดอลลาร์

• OpenAI offers discounts up to 90 percent to poach Anthropic's biggest customers(เปิดในแท็บใหม่)

Apollo ชี้ AI ยังไม่คุ้ม. Torsten Slok หัวหน้านักเศรษฐศาสตร์ของ Apollo กล่าวว่า AI ยังไม่สร้างผลตอบแทนทางการเงินใดๆ ให้บริษัทนอกกลุ่มเทคโนโลยีใน S&P 493 โดยอัตรากำไรและรายได้ต่อพนักงานยังทรงตัว เขาให้เหตุผลว่าความฉลาดทางธุรกิจส่วนใหญ่คือการใช้วิจารณญาณ และ AI ไม่เข้าใจความรับผิดชอบ ความไว้วางใจ วัฒนธรรม หรือความเป็นธรรม

• AI delivers ‘zero financial payoff’ to most companies, Apollo economist says(เปิดในแท็บใหม่)

AI Search กระทบสื่อออนไลน์. ฟีเจอร์ค้นหาด้วย AI ของ Google พลิกวงการสื่อออนไลน์จนแตกความสัมพันธ์แบบต่างตอบแทนที่ดำเนินมานาน โดยสำนักข่าวเคยได้ทราฟฟิกตอบแทนการให้เนื้อหา สื่อที่ใช้เวลาหลายปีปรับเนื้อหาให้ติดค้นหา ตอนนี้เห็นคลิกและการเข้าถึงหายไปเพราะคำตอบที่ AI สร้างขึ้น

• Google’s AI search changes upended online publishing(เปิดในแท็บใหม่)

จักรวรรดิ AI สหรัฐ-จีน. ในนิตยสาร Foreign Affairs Eric Schmidt, Niall Ferguson และ Lisa Klaassen มองว่าสหรัฐและจีนได้สร้างจักรวรรดิ AI ที่ทำให้ประเทศอื่นต้องพึ่งพา โดยวอชิงตันแลกระบบปิดกับความภักดีทางการเมือง ขณะที่ปักกิ่งแจกโมเดล open-weight เพื่อขยายมาตรฐานของตน ทั้งสามเห็นว่าความขัดแย้งที่อาจเกิดขึ้นเหนือไต้หวันและ TSMC คือความเสี่ยงใหญ่ที่สุดต่อห่วงโซ่อุปทาน AI

• Ex-Google CEO Eric Schmidt calls OpenAI and Anthropic modern colonial trading companies(เปิดในแท็บใหม่)

Anthropic แนะใช้เอเจนต์เดียว. Anthropic แนะนำให้บริษัทต่างๆ พิจารณารวม sub-agent หลายตัวเข้าเป็นเอเจนต์หลักตัวเดียวที่โหลด context ตามต้องการ เพราะโมเดลรุ่นใหม่จัดการแผนที่ซับซ้อนได้เองแล้ว ในการเปรียบเทียบครั้งหนึ่ง เอเจนต์เดี่ยวทำงานเร็วเป็นราวสองเท่าของ multi-agent และมี migration kit ให้ใช้บน GitHub

• Anthropic says one AI agent beats many subagents now that models can handle complexity alone(เปิดในแท็บใหม่)

Nvidia หวังรายได้ซอฟต์แวร์. กระทู้บน Reddit ชี้คำพูดของ Jensen Huang ที่ว่า NVIDIA กำลังเล็งตัวเลขรายได้ซอฟต์แวร์ปีละ 2,000 ดอลลาร์ต่อ GPU ซึ่งบ่งชี้ว่าบริษัทกำลังดันรายได้ซอฟต์แวร์ AI แบบ recurring ต่อยอดจากฮาร์ดแวร์

• SMH, seriously? -->> NVIDIA Eyes Software Revenue With a $2,000 per GPU Yearly Figure From Huang(เปิดในแท็บใหม่)

ความเสี่ยงไซเบอร์ open-weight. กระทู้บน Reddit โต้แย้งว่า เมื่อสหรัฐและจีนจำกัดโมเดล open-weight ที่มีความสามารถด้านไซเบอร์ การเข้าถึง AI ทั้งฝ่ายป้องกันและฝ่ายโจมตีจะกระจุกอยู่ในมือรัฐบาลและบริษัทใหญ่ ทำให้บุคคลทั่วไปและธุรกิจเล็กป้องกันระบบได้น้อยลง พร้อมตั้งคำถามว่าโมเดลที่คอมมิวนิตี้เทรนเองจะตามโมเดล frontier ทันหรือไม่

• Let’s talk about cyber capabilities and open weights as we move towards the future(เปิดในแท็บใหม่)

ช่องโหว่ใน llama.cpp. ช่องโหว่ CVE ในคอมโพเนนต์ Pocket-TTS ของ llama.cpp เปิดทางให้เขียนเกินขอบเขตหน่วยความจำผ่านไฟล์ mmproj ที่เป็นอันตราย โดยต้องเข้าถึงเครื่องในระดับโลคอลก่อน การอัปเกรดเป็น b11796 หรือ master ปัจจุบันจะตรวจจับและยกเลิกการโจมตีได้ แต่ PR ที่ออกแบบมาเพื่อแก้ยังเปิดค้างอยู่

• PSA: llama.cpp CVE-2026-116096(เปิดในแท็บใหม่)

เอเจนต์ Copilot ลบฐานข้อมูล. ผู้ใช้รายหนึ่งเล่าว่าเอเจนต์ของ VS Code Copilot ลบฐานข้อมูลทิ้งระหว่างการทดสอบ และถามว่าเหตุลบข้อมูลจำนวนมากโดยเอเจนต์ยังเกิดขึ้นอยู่ทั้งที่เทคโนโลยีพัฒนาขึ้นมากแล้ว เหตุการณ์นี้สอดคล้องกับรายงานที่เคยเป็นไวรัลก่อนหน้านี้ และตอกย้ำความจำเป็นของการมีแบ็กอัปและ sandbox

• Is the horror story about AI agent mass deleting your entire drive an old story or it still happen nowadays?(เปิดในแท็บใหม่)

Qwen3.8-Flash บนเครื่อง. ผู้ใช้เปรียบเทียบ Qwen3.8-Flash-Next กับ Swift-1.5 แล้วพบว่าตัวแรกทำงานได้ดีกว่า แต่ชอบคิดลึกเกินจำเป็นและใช้ token ไม่คุ้ม อีกเซตอัปรันโมเดล 125B ได้ราว 20 tok/s บน VRAM 16GB และ RAM 8GB ด้วยการออฟโหลดตรงจาก NVMe ผ่าน ExLlamaV3

• Qwen3.8-Flash-Next vs Swift-1.5-Qwen3.8-Flash-Next(เปิดในแท็บใหม่)
• Lean-QwenFlash: Qwen3.8-Flash-Next (125B) running at ~20 tok/s on 16gb vram and 8gb ram via direct nvme SSD offloading(เปิดในแท็บใหม่)

ปลดล็อก P2P บน RTX 3080. การปลดล็อกโดยคอมมิวนิตี้ทำให้ RTX 3080 20GB ใช้ P2P และ reBAR ได้ ส่งผลให้ความเร็วประมวลผลพรอมป์ต์แบบ tensor parallel เพิ่มขึ้นได้ถึง 70% โดยทดสอบกับการ์ดสองใบรัน Swift-1.5-Qwen3.8-27B AWQ INT4 บน vLLM

• RTX 3080 20GB got reBAR and P2P unlock! +70% prompt processing speed(เปิดในแท็บใหม่)

ISTA อ้าง IQ3_S เท่า BF16. กระทู้หนึ่งตั้งคำถามว่า quant IQ3_S ของ Qwen3.8-27B-GSQ-RCO-GGUF จาก ISTA-DASLab ให้ประสิทธิภาพเท่า BF16 อย่างที่อ้างจริงหรือไม่ เมื่อเทียบกับ UD Q4_K_XL ของ Unsloth โมเดลการ์ดโฆษณาว่าคุณภาพสูงแม้ใช้ quantization ต่ำลง แต่ยังไม่มีข้อสรุปจากการตรวจสอบของคอมมิวนิตี้

• Can ISTA-DASLab/Qwen3.8-27B-GSQ-RCO-GGUF compete with UD-Q4_K_XL?(เปิดในแท็บใหม่)

ผู้ใช้บ่นงานเขียน Gemma 4. ผู้ใช้รายงานว่า fine-tune ของ Gemma 4 26B ออกมาเหมือนกันหมด เขียนสำนวนเว่อร์เกิน และไม่สนใจตัวอย่างบทสนทนาที่ให้ไป ตัวละครยังพูดเหมือนกันในทุกโมเดล การจูนสไตล์จึงยังเป็นจุดเจ็บปวดของสถาปัตยกรรมนี้

• Gemma 4, creative writing(เปิดในแท็บใหม่)