การเลือก LLM ภาษาไทยขึ้นกับว่าคุณต้องการเริ่มเร็ว หรือต้องการเก็บข้อมูลไว้ในระบบขององค์กร ถ้าต้องการเริ่มเร็วและส่งข้อมูลไปประมวลผลที่ผู้ให้บริการได้ โมเดลระดับโลกผ่าน API คือทางที่ง่ายที่สุด ถ้าต้องติดตั้งเองหรือปรับแต่งลึก โมเดลไทยแบบเปิดอย่าง Typhoon, OpenThaiGPT (ปัจจุบันใช้ชื่อ OpenThai) หรือ ThaiLLM เป็นตัวเลือก แต่แต่ละรุ่นมีสัญญาอนุญาตและสถานะต่างกัน บางรุ่นเป็นโมเดลฐานที่ยังต้องปรับต่อก่อนใช้สนทนา
วิธีตัดสินที่เชื่อถือได้ที่สุดคือทดสอบกับคำถามจริงขององค์กร บทความนี้จึงไม่ใส่คะแนนเปรียบเทียบจากตารางสาธารณะ เพราะคะแนนเหล่านั้นอาจไม่สะท้อนงานเฉพาะของธุรกิจ
สรุปสั้น
- LLM (Large Language Model) คือโมเดล AI ที่ฝึกจากข้อความจำนวนมากเพื่อเข้าใจและสร้างภาษา ใช้เป็นแกนของแชทบอท ระบบค้นเอกสาร และ AI Agent
- โมเดลไทยแบบเปิดที่มีหน้าทางการให้ตรวจสอบ ได้แก่ Typhoon, OpenThai หรือเดิมชื่อ OpenThaiGPT, Pathumma LLM ของ NECTEC และ ThaiLLM (ข้อมูล ณ ตุลาคม 2026)
- ThaiLLM-8B ระบุในหน้าโมเดลว่าเป็นโมเดลฐานที่ฝึกต่อจาก Qwen3-8B-Base และต้องปรับต่อด้วย instruction ก่อนใช้งานตามความต้องการ ไม่ใช่โมเดลพร้อมสนทนา
- OpenThai ระบุในหน้าสัญญาอนุญาตว่าโมเดลและซอร์สโค้ดใช้ Apache 2.0 ซึ่งใช้เชิงพาณิชย์ได้โดยต้องอ้างอิงแหล่งที่มา ส่วนชุดข้อมูลใช้ CC BY-SA
- ชุดทดสอบ 50–100 คำถามจากงานจริง ให้คะแนนโดยพนักงานไทยแบบไม่รู้ว่าคำตอบมาจากโมเดลไหน สะท้อนงานเฉพาะขององค์กรได้ตรงกว่าตารางคะแนนสาธารณะ
ตัวเลือก LLM ภาษาไทย ณ ตุลาคม 2026
โมเดลระดับโลกผ่าน API เช่น GPT ของ OpenAI, Claude ของ Anthropic และ Gemini ของ Google รองรับภาษาไทยและใช้งานผ่าน API ได้ทันที ข้อที่ต้องคิดคือข้อมูลถูกส่งไปประมวลผลที่ผู้ให้บริการ และค่าใช้จ่ายแปรผันตามปริมาณการใช้
Typhoon โครงการโมเดลภาษาไทยแบบโอเพนซอร์สที่เริ่มพัฒนาโดย SCB 10X ในกลุ่ม SCBX ปัจจุบันเว็บไซต์ทางการระบุชื่อ SCB DataX นอกจากโมเดลข้อความยังมีโมเดลด้าน OCR การแปล และการรู้จำเสียง ดูที่ opentyphoon.ai
OpenThai (เดิมชื่อ OpenThaiGPT) ดำเนินการโดยสมาคมผู้ประกอบการปัญญาประดิษฐ์ประเทศไทย (AIEAT) ร่วมกับ iApp Technology และชุมชนนักพัฒนา ดูรุ่นโมเดลที่ openthai.ai และเงื่อนไขที่หน้าสัญญาอนุญาต
Pathumma LLM โมเดลจาก NECTEC มีทั้งโมเดลข้อความ ภาพ และเสียง เผยแพร่บน Hugging Face ของ NECTEC
ThaiLLM โครงการโมเดลภาษาไทยที่พัฒนาโดยสถาบันข้อมูลขนาดใหญ่ (BDI) ซึ่งกระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคมรายงานการแถลงข่าวโครงการเมื่อวันที่ 5 พฤษภาคม 2569 (ค.ศ. 2026) โมเดลเผยแพร่ที่ Hugging Face ของ ThaiLLM ก่อนนำรุ่น 8B หรือ 30B ไปใช้ ให้ตรวจหน้าโมเดลและสัญญาอนุญาตของรุ่นนั้น
รุ่นและเงื่อนไขของโมเดลเหล่านี้เปลี่ยนเร็ว ข้อมูลข้างต้นเป็นข้อมูล ณ ตุลาคม 2026
โมเดลฐานกับโมเดลพร้อมสนทนา ต่างกันอย่างไร
จุดที่ควรระวังเมื่อดาวน์โหลดโมเดลเปิดมาทดลอง คือหยิบโมเดลฐานมาใช้เป็นแชทบอทโดยตรง
- โมเดลฐาน (base model) ฝึกให้เดาข้อความถัดไปจากข้อมูลจำนวนมาก เข้าใจภาษาได้ดี แต่ไม่ได้ฝึกให้ทำตามคำสั่งหรือสนทนา ตัวอย่างเช่น ThaiLLM-8B ซึ่งหน้าโมเดลระบุว่าฝึกต่อจาก Qwen3-8B-Base และเหมาะเป็นฐานสำหรับปรับต่อ
- โมเดลพร้อมสนทนา (instruct หรือ chat model) คือโมเดลฐานที่ถูกปรับต่อด้วยตัวอย่างคำสั่งและคำตอบ จึงตอบคำถามและทำตามคำสั่งได้ มักมีคำว่า instruct หรือ it ในชื่อรุ่น
ก่อนเลือก ให้ตรวจสามเรื่องจากหน้าโมเดล คือ เป็นโมเดลฐานหรือพร้อมสนทนา สัญญาอนุญาตอนุญาตการใช้เชิงพาณิชย์หรือไม่ และสร้างต่อจากโมเดลใด เพราะโมเดลต้นทางอาจมีเงื่อนไขของตัวเอง
เกณฑ์เลือก LLM ภาษาไทยให้เหมาะกับงาน
| เกณฑ์ | โมเดลระดับโลกผ่าน API | โมเดลไทยแบบเปิด (ติดตั้งเอง) |
|---|---|---|
| เริ่มใช้งาน | เร็ว มีบัญชีและ API key ก็เริ่มได้ | ต้องเตรียมเซิร์ฟเวอร์ GPU หรือใช้ผู้ให้บริการโฮสต์ |
| ที่อยู่ของข้อมูล | ประมวลผลที่ผู้ให้บริการ | อยู่ในระบบที่องค์กรควบคุม |
| รูปแบบค่าใช้จ่าย | จ่ายตามปริมาณการใช้ | ค่าเซิร์ฟเวอร์ค่อนข้างคงที่ คุ้มเมื่อใช้ปริมาณสูงสม่ำเสมอ |
| การปรับแต่ง | ผ่าน prompt และ RAG เป็นหลัก | ปรับแต่ง (fine-tune) ได้ลึกกว่า ถ้าสัญญาอนุญาตเปิดให้ |
| การดูแลระยะยาว | ผู้ให้บริการอัปเดตและเลิกรุ่นเก่าตามรอบ | ทีมของคุณหรือผู้รับจ้างดูแลเอง |
ควรดูเพิ่มเรื่องความยาวบริบท (context length คือปริมาณข้อความที่โมเดลอ่านได้ในครั้งเดียว) ถ้างานต้องอ่านเอกสารยาว และการเรียกใช้เครื่องมือ (tool calling) ถ้าจะนำไปทำ AI Agent
ทดสอบด้วยงานจริง และอย่าลืมส่วนค้นหา
วิธีทดสอบที่ทีมธุรกิจทำร่วมกับทีมพัฒนาได้
- รวบรวมคำถามจริง 50–100 ข้อพร้อมคำตอบที่ถูก รวมกรณียาก เช่น ไทยปนอังกฤษ ศัพท์เฉพาะ วันที่แบบ พ.ศ. และคำถามที่ไม่มีคำตอบในเอกสาร
- ทดสอบทุกโมเดลด้วย prompt และเอกสารอ้างอิงชุดเดียวกัน
- ให้พนักงานไทยที่รู้งานให้คะแนนโดยไม่รู้ว่าคำตอบมาจากโมเดลไหน ดูทั้งความถูกต้อง ความเป็นธรรมชาติ และการยอมรับว่า "ไม่ทราบ"
- บันทึกต้นทุนและเวลาตอบของแต่ละโมเดล
ในระบบที่ตอบจากเอกสาร ความแม่นยำขึ้นกับการค้นเอกสารที่ถูกต้องพอ ๆ กับตัวโมเดล (หลักการของ RAG อธิบายไว้ในบทความ RAG คืออะไร) ภาษาไทยไม่มีการเว้นวรรคระหว่างคำ จึงควรผสมการค้นด้วยความหมาย (vector search) กับการค้นด้วยคำ และใช้เครื่องมือตัดคำ เช่น ไลบรารีโอเพนซอร์ส PyThaiNLP เมื่อเหมาะสม ในกรณีศึกษาระบบค้นหาอสังหาริมทรัพย์ด้วย RAG ที่ NKKTech Global บริษัทพัฒนา AI ที่มีทีมวิศวกรในฮานอย ประเทศเวียดนาม ทำให้สตาร์ทอัป PropTech ในสิงคโปร์ ระบบใช้เวลาพัฒนา 14 สัปดาห์ และผลที่เผยแพร่คือผู้ใช้ค้นเจอเร็วขึ้น 65% การมีส่วนร่วมเพิ่มขึ้น 40% และไม่มีรายละเอียดอสังหาริมทรัพย์ที่ระบบแต่งขึ้นเอง โครงการนี้ไม่ใช่ภาษาไทย แต่หลักเดียวกันใช้ได้ คือให้โมเดลตอบจากข้อมูลที่ค้นเจอเท่านั้น
เมื่อได้ผลทดสอบแล้ว ให้เก็บชุดคำถามนี้ไว้ใช้ซ้ำทุกครั้งที่มีโมเดลรุ่นใหม่ ระบบที่ออกแบบให้เปลี่ยนโมเดลได้จะทดสอบรุ่นใหม่ได้โดยไม่ต้องเขียนระบบใหม่ แนวทางออกแบบระบบค้นเอกสารลักษณะนี้อยู่ที่บริการพัฒนาระบบ RAG
ข้อมูลส่วนบุคคล ถ้าข้อมูลที่ส่งให้โมเดลมีข้อมูลส่วนบุคคล การใช้ API ของผู้ให้บริการต่างประเทศเกี่ยวข้องกับหลักเกณฑ์การส่งข้อมูลไปต่างประเทศตามมาตรา 28–29 ของ พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 ดูประกาศล่าสุดที่ สคส. ทางเลือกคือลบหรือแทนตัวตนข้อมูลก่อนส่ง หรือติดตั้งโมเดลเปิดในระบบที่ควบคุมได้ บทความนี้เป็นข้อมูลทั่วไป ไม่ใช่คำแนะนำทางกฎหมาย
คำถามที่พบบ่อย
LLM ภาษาไทยตัวไหนดีที่สุด? ไม่มีตัวที่ดีที่สุดสำหรับทุกงาน โมเดลระดับโลกเริ่มใช้ง่ายและเก่งหลายด้าน ส่วนโมเดลไทยแบบเปิดเหมาะเมื่อต้องติดตั้งเองหรือปรับแต่ง ซึ่งต้องตรวจสัญญาอนุญาตและดูว่าเป็นโมเดลพร้อมสนทนาหรือโมเดลฐาน วิธีตัดสินที่ดีที่สุดคือทดสอบหลายโมเดลด้วยคำถามจริงจากงานของคุณ
Typhoon กับ OpenThaiGPT ใช้เชิงพาณิชย์ได้ไหม? ทั้งสองโครงการเผยแพร่โมเดลแบบเปิด OpenThai ระบุว่าโมเดลใช้สัญญาอนุญาต Apache 2.0 ซึ่งใช้เชิงพาณิชย์ได้โดยต้องอ้างอิงแหล่งที่มา ส่วน Typhoon ควรตรวจสัญญาอนุญาตบนหน้าของแต่ละรุ่น และทุกโมเดลควรดูด้วยว่าสร้างต่อจากโมเดลใดที่อาจมีเงื่อนไขของตัวเอง
ต้องฝึกโมเดลภาษาไทยของตัวเองไหม? ไม่จำเป็นเสมอไป หลายงานเริ่มได้ด้วยโมเดลที่มีอยู่ร่วมกับ RAG เพื่อค้นจากเอกสารขององค์กร แล้ววัดผลกับชุดทดสอบก่อน การปรับแต่งโมเดลเหมาะเมื่อผลทดสอบแสดงว่า prompt และ RAG ยังให้รูปแบบคำตอบหรือศัพท์เฉพาะไม่ได้ตามต้องการ
ขั้นตอนถัดไป
อยากรู้ว่า LLM ภาษาไทยตัวไหนตอบคำถามขององค์กรได้ดีที่สุดใช่ไหม นัดคุยฟรี 30 นาทีพร้อมคำถามจริงสัก 30 ข้อ แล้วรับข้อเสนอราคาคงที่ภายใน 3 วันทำการ สำหรับ AI Pilot ราคาเริ่มต้น USD 3,000 ที่เทียบ 2–3 โมเดลบนข้อมูลจริงใน 3–4 สัปดาห์
ทีมวิศวกรอาวุโสในเวียดนาม ขอบเขตงานชัดเจน และส่งข้อเสนอเป็นลายลักษณ์อักษรภายใน 3 วันทำการ

10 years of experience working with Japanese companies — two of those years based in Japan. Has run the business since 2018 (as NKKTech since 2025) with a senior-only engineering model.