Qwen3-235B: โมเดลที่ Gonka เคยให้บริการ

Qwen3-235B-A22B-Instruct-2507-FP8 คือโมเดลภาษาขนาดใหญ่ (LLM) ในตระกูล Qwen3 ซึ่งพัฒนาโดยทีม Qwen แห่ง Alibaba Cloud ชื่อเต็มสามารถถอดความได้ดังนี้: Qwen3 — รุ่นที่สามของซีรีส์, 235B — มีพารามิเตอร์ทั้งหมด 235 พันล้านตัว, A22B — มีพารามิเตอร์ที่ใช้งานอยู่ 22 พันล้านตัวต่อคำขอ, Instruct — เวอร์ชันที่ได้รับการฝึกฝนให้ปฏิบัติตามคำแนะนำ, 2507 — รุ่นที่ออกในเดือนกรกฎาคม 2025, FP8 — การควอนติเซชันแบบ 8 บิตเพื่อปรับปรุงหน่วยความจำ

คุณสมบัติทางสถาปัตยกรรมที่สำคัญคือ MoE (Mixture of Experts) แตกต่างจากโมเดลแบบ 'หนาแน่น' (GPT-5.5, Claude Sonnet 4.6) ที่ทุกโทเค็นผ่านพารามิเตอร์ทั้งหมดนั้น โมเดล MoE จะเปิดใช้งานเพียงส่วนย่อยของ 'ผู้เชี่ยวชาญ' — บล็อกโครงข่ายประสาทเทียมเฉพาะทางสำหรับแต่ละคำขอ ในกรณีของ Qwen3-235B จากพารามิเตอร์ 235 พันล้านตัว มีเพียง 22 พันล้านตัวเท่านั้นที่ถูกเปิดใช้งานต่อโทเค็น — น้อยกว่า 10% สิ่งนี้ให้คุณภาพของโมเดลที่มีพารามิเตอร์มากกว่า 200 พันล้านตัวในขณะที่ใช้ทรัพยากรการคำนวณของโมเดลที่มีพารามิเตอร์ 22 พันล้านตัว

ในทางปฏิบัติหมายความว่า: โมเดลนี้ฉลาดกว่าที่คาดไว้จากความเร็วในการทำงาน มันประมวลผลคำขอได้เร็วกว่าโมเดลหนาแน่นที่มีคุณภาพเทียบเท่ากันอย่างมาก และใช้ VRAM สำหรับการอนุมานน้อยกว่ามาก ด้วยเหตุนี้ MoE จึงกลายเป็นสถาปัตยกรรมที่โดดเด่นสำหรับโมเดลที่ใหญ่ที่สุดในปี 2025—2026

หน้าต่างบริบท (Context window) ของ Qwen3-235B มีขนาด 131,072 โทเค็น (ประมาณ 100,000 คำ) — ซึ่งเพียงพอสำหรับการวิเคราะห์หนังสือทั้งเล่ม ฐานโค้ด หรือเอกสารทางกฎหมายยาวๆ ในคำขอเดียว โมเดลรองรับ 119 ภาษา รวมถึงรัสเซีย อังกฤษ จีน อาหรับ ฮินดี และภาษาอื่นๆ อีกหลายสิบภาษา — ทำให้เป็นหนึ่งในโมเดลหลายภาษาที่แพร่หลายที่สุดในตลาด

Qwen3-235B แข่งขันได้กับโมเดลปิดและโมเดลเปิดที่ใหญ่ที่สุด นี่คือการเปรียบเทียบคุณสมบัติหลัก:

Qwen3-235B แสดงระดับคุณภาพที่เทียบเท่ากับ GPT-5.5 และ Claude Sonnet 4.6 ในเบนช์มาร์กส่วนใหญ่ ในขณะที่ในฐานะโมเดล MoE แบบ open-weights นั้นมีค่าใช้จ่ายถูกกว่าโมเดลปิดหลายเท่า: สถาปัตยกรรม MoE เปิดใช้เพียงบางส่วนของพารามิเตอร์ต่อคำขอและลดต้นทุนการประมวลผลลงอย่างมาก หลักการเดียวกันนี้คือ inference แบบกระจายศูนย์ที่มีต้นทุนต่ำ ซึ่งเครือข่าย Gonka นำมาใช้กับโมเดลที่ใช้งานอยู่ในปัจจุบัน — MiniMax M2.7, DeepSeek V4 Flash และ GLM-5.3 Flash ซึ่งเข้าถึงได้ผ่าน JoinGonka Gateway ในราคา $0.0062 ต่อ 1M โทเคน (ถูกกว่า GPT-5.5 และ Claude หลายร้อยถึงหลายพันเท่า)

ในเบนช์มาร์ก MMLU-Pro, HumanEval, MATH-500 และ GSM8K โมเดลนี้ติดอันดับหนึ่งในสามโมเดล open-source ที่ดีที่สุด เป็นรองเพียง DeepSeek-R1 ในงานด้านการให้เหตุผลทางคณิตศาสตร์ (reasoning) ในงานด้านการสร้างโค้ด การแปล และการปฏิบัติตามคำสั่ง Qwen3-235B เอาชนะ Llama 4 Maverick ได้อย่างสม่ำเสมอและเทียบเท่ากับ Claude Sonnet 4.6

เมื่อ Qwen3-235B เป็นโมเดลหลักของเครือข่าย มันทำงานในเครือข่าย Gonkaแบบกระจาย — ผ่านโปรโตคอล DiLoCo ที่ปรับใช้สำหรับ inference โมเดลเต็มรูปแบบในรูปแบบ FP8 ต้องใช้หน่วยความจำวิดีโอประมาณ 640 GB (VRAM) ซึ่งไม่สามารถใส่ใน GPU ตัวเดียวได้ — แม้แต่ H100 80GB หรือ H200 141GB ก็ยังไม่พอ ดังนั้นโมเดลจึงถูกแบ่งตามเลเยอร์ (tensor parallelism + pipeline parallelism) ระหว่าง ML-โหนดหลายตัว

ในทางปฏิบัติ Qwen3-235B ทำงานบนคลัสเตอร์ 8—16 GPU-โหนด โดยแต่ละโหนดมี VRAM อย่างน้อย 40 GB Transfer Agents จะกำหนดเส้นทางคำขอไปยังคลัสเตอร์ที่เหมาะสม vLLM บนแต่ละโหนดประมวลผลส่วนของโมเดลของตน ผลลัพธ์ถูกรวมเข้าด้วยกันและส่งกลับให้ผู้ใช้ กระบวนการทั้งหมดใช้เวลาไม่กี่ร้อยมิลลิวินาที — ผู้ใช้ไม่รู้สึกว่าคำขอของตนถูกประมวลผลโดย GPU หลายสิบตัวในจุดต่างๆ ทั่วโลก เครือข่ายยังคงใช้หลักการ inference แบบกระจายนี้อยู่ในปัจจุบัน — กับโมเดลที่ใช้งานอยู่

รายละเอียดทางเทคนิคที่สำคัญ: Gonka ใช้ vLLM เป็นเอนจินสำหรับ serving vLLM เป็นโปรเจกต์โอเพนซอร์สที่ให้การสร้างข้อความประสิทธิภาพสูงผ่าน PagedAttention — อัลกอริทึมที่ปรับการใช้หน่วยความจำวิดีโอให้เหมาะสมเมื่อประมวลผลคำขอจำนวนมากพร้อมกัน ซึ่งช่วยให้แต่ละโหนดประมวลผลคำขอหลายรายการพร้อมกันได้โดยไม่สูญเสียคุณภาพ

โมเดลรองรับ native tool calling — การเรียกใช้ฟังก์ชันและเครื่องมือโดยตรงจากคำตอบของโมเดล ความสามารถนี้ถูกเพิ่มเข้าใน Gonka ผ่าน PR #767 ด้วยเกณฑ์ 0.958 สำหรับการตรวจจับการเรียกใช้เครื่องมือ บน Qwen3-235B สิ่งนี้ช่วยให้นักพัฒนาสร้าง AI-agent ที่โต้ตอบกับ API ภายนอก ฐานข้อมูล และเครื่องมือต่างๆ — ทั้งหมดผ่านคำขอเดียว การรองรับ tool calling ยังคงมีอยู่ในโมเดลที่ใช้งานอยู่ในเครือข่าย

ปัจจุบันในเครือข่าย Gonka มี 1,293 GPU (H100, H200, B300 และอื่นๆ) หากก่อนหน้านี้พลังนี้มุ่งไปที่ Qwen3-235B วันนี้มันให้บริการโมเดลที่ใช้งานอยู่ในเครือข่าย — MiniMax M2.7, DeepSeek V4 Flash และ GLM-5.3 Flash

ตอบตรง ๆ: ผ่านเครือข่าย Gonka — ไม่มีอีกแล้ว Qwen3-235B ถูกถอดออกจากเครือข่าย ดังนั้นคุณจึงไม่สามารถเรียกใช้ผ่าน Gateway ของเราโดยใช้ ID qwen3-235b-a22b ได้อีกต่อไป เนื่องจากโมเดลนี้เป็นโอเพนซอร์ส (Apache 2.0) คุณยังสามารถรันเองได้ หรือเข้าถึงผ่านผู้ให้บริการโฮสต์โมเดล open-weights รายอื่น เช่น OpenRouter (ประมาณ $0.071/$0.100 ต่อ 1M โทเค็น)

แต่ถ้าคุณต้องการ inference แบบกระจายศูนย์ราคาถูกที่ทำให้คนมาใช้ Gonka — ยังมีอยู่ ไม่ได้หายไปไหน แค่ตอนนี้ทำงานบนโมเดลที่ใช้งานจริงของเครือข่าย ผ่าน JoinGonka API Gateway มี MiniMax M2.7, DeepSeek V4 Flash และ GLM-5.3 Flash ให้ใช้ผ่าน API ที่เข้ากันได้กับ OpenAI: โค้ดใดก็ตามที่เขียนสำหรับ OpenAI ใช้งานได้ทันทีโดยไม่ต้องแก้ไข — แค่เปลี่ยน URL, API key และชื่อโมเดล

ตัวอย่างการเรียกใช้โมเดลที่ใช้งานจริง:

curl https://gate.joingonka.ai/api/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMaxAI/MiniMax-M2.7",
    "messages": [{"role": "user", "content": "Explain the MoE architecture"}]
  }'

ค่าใช้จ่าย: $0.0062 ต่อ 1 ล้านโทเค็น — ถูกกว่า GPT-5.5 ($5.00/1M) ประมาณ 810 เท่า และถูกกว่า Claude Sonnet 4.6 ($3.00/1M) ประมาณ 490 เท่า เมื่อสมัครคุณจะได้รับโทเค็นฟรี 3M สำหรับทดลองใช้

Gateway เข้ากันได้กับเครื่องมือพัฒนายอดนิยม: Quick Start อธิบายการเชื่อมต่อผ่าน Python, Node.js และ curl นอกจากนี้ยังรองรับ IDE ต่าง ๆ — Cursor, Continue, Cline, Aider และ Claude Code — รวมถึงเฟรมเวิร์กสำหรับ AI agent: LangChain, n8n, LibreChat, Open WebUI

สำหรับการเริ่มต้นอย่างรวดเร็ว:

1. สมัครที่ gate.joingonka.ai (เชื่อมต่อกระเป๋าเงินหรือสร้างใหม่)
2. รับ API key ใน Dashboard
3. เปลี่ยน api.openai.com เป็น gate.joingonka.ai/api ในโค้ดของคุณ
4. ระบุโมเดลปัจจุบันของเครือข่าย — MiniMaxAI/MiniMax-M2.7, deepseek-ai/DeepSeek-V4-Flash-0731 หรือ zai-org/GLM-5.3-Flash (รายการเต็มอยู่ใน endpoint GET /v1/models)

inference แบบกระจายศูนย์ระดับ enterprise ในราคาโปรเจกต์งานอดิเรกยังอยู่ครบ — Qwen3-235B แค่หลีกทางให้โมเดลใหม่ ๆ ของเครือข่ายเท่านั้น สูตรราคาและคุณภาพแบบเดิมตอนนี้ทำงานบน MiniMax M2.7, DeepSeek V4 Flash และ GLM-5.3 Flash