บทที่ 1 จาก 5 · Fine-tune โมเดลภาษา — เมื่อไหร่ควรทำ ทำอย่างไร และรู้ได้อย่างไรว่าได้ผล
เมื่อไหร่ควร fine-tune และเมื่อไหร่แค่ prompt หรือ RAG ก็พอ
fine-tune ไม่ใช่วิธีแรกที่ควรลอง ผู้ให้บริการใหญ่เองแนะนำให้เริ่มจาก prompt และในปี 2026 บริการ fine-tune ผ่าน API ก็หดลงมาก บทนี้ช่วยแยกว่าโจทย์ของคุณต้อง prompt, RAG หรือ fine-tune จริง
ซีรีส์นี้เขียนสำหรับนักพัฒนาและทีมเล็กในไทยที่กำลังคิดว่าจะ “สอน” โมเดลภาษาให้ทำงานเฉพาะของตัวเอง ทุกข้ออ้างอิงเอกสารของผู้ให้บริการ โครงการ และงานวิจัยต้นทางที่ตรวจเมื่อวันที่ 25 กันยายน 2026 ตัวอย่างในซีรีส์นี้เป็น ตัวอย่างสมมติ เพื่ออธิบายหลักการ ไม่ใช่ผลงานจริงของใคร
1.1 สามวิธีทำให้โมเดลทำงานของเรา
| วิธี | ทำอะไร | เหมาะกับ |
|---|---|---|
| Prompt | เขียนคำสั่งและตัวอย่างให้ดีขึ้น | เกือบทุกโจทย์ ลองก่อนเสมอ |
| RAG (ดึงข้อมูลมาใส่ใน prompt) | ค้นเอกสารของเราแล้วแนบให้โมเดลอ่านตอนตอบ | โมเดลต้องรู้ข้อมูลที่มันไม่เคยเห็น เช่น ราคาสินค้า นโยบายบริษัท |
| Fine-tune | เทรนโมเดลต่อด้วยตัวอย่างของเรา | อยากได้รูปแบบหรือพฤติกรรมที่คงที่ หรืออยากใช้โมเดลเล็กลงแต่ทำงานเดิมได้ |
ความเข้าใจผิดที่พบบ่อยที่สุดคือ fine-tune เพื่อให้โมเดล “รู้” ข้อมูลของเรา เอกสารของ OpenAI บอกว่าถ้าโมเดลต้องใช้ข้อมูลที่อยู่นอกข้อมูลเทรนของมัน ให้ใส่ข้อมูลนั้นลงใน prompt ซึ่งคือแนวทางแบบ RAG ข้อมูลที่เปลี่ยนบ่อยอย่างราคาหรือสต็อก ถ้าไป fine-tune ไว้ก็จะเก่าทันทีที่ข้อมูลเปลี่ยน
1.2 ผู้ให้บริการเองบอกให้เริ่มจาก prompt
- OpenAI เขียนว่า “การทำ prompt engineering อาจเป็นทั้งหมดที่คุณต้องใช้” เพื่อให้ได้ผลดี
- เอกสารของ Google สำหรับ fine-tune Gemini แนะนำให้ เริ่มจาก prompt ก่อน แล้วค่อย fine-tune ถ้าจำเป็น
- OpenAI ยังบอกให้ ลงทุน fine-tune หลังจากมีชุดวัดผลแล้วเท่านั้น (บทที่ 4)
งานที่ OpenAI บอกว่า fine-tune แบบมีตัวอย่างกำกับ (supervised fine-tuning) ทำได้ดี คือ จัดหมวดหมู่ข้อความ แปลแบบที่ต้องการความละเอียด สร้างเนื้อหาตามรูปแบบเฉพาะ และแก้กรณีที่โมเดลทำตามคำสั่งไม่ได้ อีกเหตุผลที่ OpenAI ยกคือ เทรนโมเดลที่เล็กกว่า ถูกกว่า และเร็วกว่า ให้เก่งงานเดียว แทนการใช้โมเดลใหญ่ที่แพงเกินไป
1.3 ตัวอย่างสมมติ: ร้านค้าออนไลน์สองโจทย์
โจทย์ที่ 1 ร้านขายอุปกรณ์กีฬาอยากให้แชทบอทตอบคำถามเรื่องสินค้า ราคา และนโยบายคืนสินค้า คำตอบ: RAG ข้อมูลเปลี่ยนตลอด และต้องตอบให้ตรงกับเอกสารล่าสุด การ fine-tune ไม่ช่วยให้รู้ราคาของวันนี้
โจทย์ที่ 2 ร้านเดียวกันได้ข้อความจากลูกค้าวันละจำนวนมาก อยากจัดเข้าหมวด เช่น “ถามสินค้า” “ติดตามพัสดุ” “ร้องเรียน” ด้วยโมเดลเล็กที่รันเองได้ถูก ๆ คำตอบ: ลอง prompt ก่อน ถ้าโมเดลเล็กยังจัดหมวดพลาดบ่อยทั้งที่เขียน prompt ดีแล้ว ค่อย fine-tune ด้วยตัวอย่างข้อความจริงที่ติดป้ายหมวดไว้ งานจัดหมวดที่มีคำตอบชัดเจนเป็นงานที่ fine-tune ทำได้ดี
1.4 ปี 2026: fine-tune ผ่าน API หดลงมาก
ก่อนวางแผน ต้องรู้ว่าตอนนี้ใครยังให้ fine-tune ได้บ้าง
| ผู้ให้บริการ | สถานะที่ตรวจได้ |
|---|---|
| OpenAI | กำลังปิดแพลตฟอร์ม fine-tune ไม่รับผู้ใช้ใหม่แล้ว องค์กรที่ไม่ได้ใช้งานโมเดลที่ fine-tune ไว้ในช่วง 60 วันที่ผ่านมาสร้างงานใหม่ไม่ได้ และผู้ใช้เดิมที่ยังใช้งานอยู่จะสร้างงานใหม่ไม่ได้ตั้งแต่ 6 มกราคม 2027 |
| Google (Gemini API และ AI Studio) | ไม่มีโมเดลที่ fine-tune ได้แล้ว ตั้งแต่ยกเลิก Gemini 1.5 Flash-001 ในเดือนพฤษภาคม 2025 แต่ยังทำได้บน Gemini Enterprise Agent Platform |
| Anthropic | ไม่พบคู่มือ fine-tune ในเอกสารปัจจุบัน พบเพียงบทความปี 2024 เรื่อง fine-tune Claude 3 Haiku ผ่าน Amazon Bedrock ส่วนตัวโมเดล Claude 3 Haiku ถูกปลดจาก Claude API แล้วเมื่อ 20 เมษายน 2026 และเรายังไม่ได้ยืนยันสถานะบน Bedrock |
ผลคือ สำหรับทีมเล็กส่วนใหญ่ fine-tune ในปี 2026 แทบจะหมายถึง fine-tune โมเดลเปิด (open-weight) ด้วยเครื่องมืออย่าง Hugging Face TRL, PEFT หรือ Unsloth บนเครื่องของเราเองหรือเครื่องเช่า ซีรีส์นี้จึงเล่าจากมุมนี้เป็นหลัก
1.5 คำถามสี่ข้อก่อนตัดสินใจ
- ลอง prompt จริงจังแล้วหรือยัง มีตัวอย่างใน prompt มีคำสั่งชัด และลองหลายแบบ
- ปัญหาคือโมเดลไม่รู้ข้อมูล หรือทำงานไม่ถูกรูปแบบ ถ้าไม่รู้ข้อมูล ใช้ RAG ถ้ารูปแบบหรือพฤติกรรมไม่คงที่ fine-tune ช่วยได้
- มีตัวอย่างที่ดีพอไหม OpenAI ต้องการอย่างน้อย 10 ตัวอย่างและแนะนำให้เริ่มที่ 50 ส่วน Google บอกว่าได้ผลดีที่สุดเมื่อมีราว 100 ตัวอย่างขึ้นไป และ OpenAI บอกว่าถ้า 50 ตัวอย่างไม่ทำให้อะไรดีขึ้น ให้คิดโจทย์หรือ prompt ใหม่ก่อนเพิ่มข้อมูล
- มีวิธีวัดไหมว่าดีขึ้นจริง ถ้ายังไม่มี ให้สร้างชุดวัดผลก่อน (บทที่ 4)
1.6 ลงมือหลังอ่านบทนี้
- เขียนโจทย์ของคุณเป็นประโยคเดียว แล้วตอบว่ามันคือปัญหา “ไม่รู้ข้อมูล” หรือ “ทำไม่ถูกรูปแบบ”
- เก็บตัวอย่างงานจริงราว 50 ชิ้น พร้อมคำตอบที่ถูก ใช้ได้ทั้งทดสอบ prompt และเป็นข้อมูลเทรนในภายหลัง
- ถ้ากำลังวางแผนใช้บริการ fine-tune ของ OpenAI ให้ดูกำหนดปิดก่อน
บทถัดไปว่าด้วยข้อมูล ซึ่งเป็นส่วนที่กำหนดผลของการ fine-tune มากที่สุด