โมเดลที่ดีที่สุดสำหรับงานหนึ่งๆ แทบจะไม่เคยเป็นโมเดลที่อยู่อันดับต้นๆ บนลีดเดอร์บอร์ดเลย
ในโลกของ AI นั้น คริสต์มาสมาถึงประมาณสัปดาห์ละครั้ง เมื่อมีโมเดลใหม่เปิดตัว ทุกคนก็จะจ้องมองไปที่ชาร์ต benchmark ที่มีความแม่นยำหลอกตาแบบเดียวกัน และเราทุกคนก็เห็นพ้องว่ามันเจ๋งที่สุดเท่าที่เคยมีมา จนกระทั่งสัปดาห์หน้า เมื่อเราก็ทำแบบนั้นอีกครั้ง
แต่ไม่มีชาร์ตเหล่านั้นไหนที่ตอบคำถามเดียวที่สำคัญได้ โมเดลสามารถรันงานสรุปประจำวันของคุณหรือส่งใบเสนอราคาให้ลูกค้าได้จริงไหม? ที่ Hyperagent เราให้คุณเข้าถึงโมเดลทั้งหมดเหล่านี้บนเอเจนต์ระดับแนวหน้า ดังนั้นเราจึงทดสอบด้วยตัวเอง สิบสี่โมเดล สี่สิบสองครั้ง กับงานความรู้จริงที่ลูกค้าของเรามอบให้เอเจนต์ทุกวัน สามสิ่งที่โดดเด่นขึ้นมา
- ค่าใช้จ่ายแตกต่างกันถึง 50 เท่าสำหรับงานที่เหมือนกัน ชุดทดสอบชุดเดียวกันมีค่าใช้จ่าย $1.48 บน Qwen 3.7 Plus และ $75.16 บน Fable 5
- ผู้ชนะ benchmark ไม่ใช่ผู้ชนะในงานจริง GPT 5.6 Sol ขึ้นนำในการทดสอบพื้นฐานของเรา แต่ไม่ได้ติดท็อปสามแม้แต่ครั้งเดียวเมื่อมันรันงานจริงภายใน Hyperagent Grok 4.5 อยู่กลางตารางในการทดสอบพื้นฐาน แต่ออกมาเป็นอันดับหนึ่งในด้านงานที่เสร็จสมบูรณ์ ความเร็ว และต้นทุน
- และไม่มีโมเดลไหนชนะทุกอย่าง ตัวเลือกที่เหมาะสมเปลี่ยนไปตามงาน
ข้อสรุปไม่ใช่การหาโมเดลตัวโปรดตัวใหม่ แต่มันคือวิธีการตัดสินใจ งานต่องาน ว่าโมเดลไหนคุ้มค่ากับต้นทุนของมัน
แผนที่โมเดล AI สำหรับงานความรู้
ทุกงานที่คุณจะมอบให้เอเจนต์นั้นขึ้นอยู่กับสองคำถาม: งานนั้นต้องใช้ดุลยพินิจมากแค่ไหน และรันบ่อยแค่ไหน? ลองพลอตสองแกนนั้น งานความรู้จะตกอยู่ในสี่อาณาเขต ซึ่งแต่ละอาณาเขตต้องการโมเดลที่แตกต่างกัน
งานปริมาณมาก (ซ้ายบน) การคัดแยก การตรวจสอบ การจัดเส้นทาง การซิงค์ข้อมูล ขั้นตอนชัดเจน รันตลอดเวลา และความผิดพลาดมีต้นทุนต่ำในการแก้ไข งานประเภทนี้ต้องการสิ่งที่รวดเร็วและราคาถูก
งานฝีมือประจำวัน (ขวาบน) การร่าง การรายงาน การวิจัย การสื่อสารกับลูกค้า งานความรู้ที่เกิดขึ้นซ้ำๆ ซึ่งเต็มไปในช่วงสัปดาห์ส่วนใหญ่ — ต้องการการสังเคราะห์ข้อมูลจริงและน้ำเสียงการเขียนที่ดี ทำได้อย่างน่าเชื่อถือและบ่อยครั้ง
งานเสี่ยงสูง (ขวาล่าง) การตรวจสอบสัญญา การตัดสินใจเรื่องราคา การวิเคราะห์เชิงลึก เกิดขึ้นน้อยครั้ง แต่คำตอบที่ผิดอาจทำให้เสียลูกค้า เสียสัญญา หรือเสียกำไรทั้งไตรมาส นี่คือจุดที่ผลเสียมีมูลค่ามหาศาลเมื่อเทียบกับค่าใช้จ่ายโมเดล และเป็นจุดที่โมเดลที่แพงที่สุดคุ้มค่ากับราคาของมัน
ไม่ต้องเพิ่มประสิทธิภาพ (ซ้ายล่าง) คำถามง่ายๆ ที่เกิดขึ้นเป็นครั้งคราว ซึ่งโมเดลที่มีความสามารถใดๆ ก็ผ่านเกณฑ์ และช่องว่างของราคาก็เล็กเกินกว่าจะต้องตัดสินใจ มันเป็นพื้นที่เดียวบนแผนที่ที่เราบอกให้คนไม่ต้องคิด
โมเดลสามคลาส
สามคลาสการทำงานเกิดขึ้นจากแผนที่นี้ พวกมันอธิบายเศรษฐศาสตร์และโปรไฟล์การใช้ดุลยพินิจของงาน แทนที่จะให้เกรดว่าโมเดลดีหรือไม่ดี
Sprinters สร้างขึ้นสำหรับงานปริมาณมาก — เร็ว ถูก และสม่ำเสมอเมื่อขั้นตอนชัดเจนและความผิดพลาดแก้ไขได้ง่าย Haiku 4.5, Gemini 3.5 Flash และ DeepSeek V4 Pro
Middleweights รันงานฝีมือประจำวัน พวกมันสังเคราะห์แหล่งข้อมูล ดำเนินแผนหลายขั้นตอน และเขียนได้ดีโดยไม่คิดอัตราระดับท็อปสำหรับทุกรายงาน Sonnet 5, GPT 5.6 Terra, Grok 4.5 และ GLM 5.2 — ซึ่งเป็นที่ที่งานความรู้ส่วนใหญ่อยู่
Heavyweights รับผิดชอบงานเสี่ยงสูง นำดุลยพินิจที่แข็งแกร่งกว่าและเวลาในการใช้เหตุผลมากขึ้นมาสู่งานที่คำตอบผิดมีต้นทุนสูงกว่าค่าใช้จ่ายโมเดลมาก Opus 4.8, GPT 5.6 Sol และ Fable 5
สัญชาตญาณที่คนส่วนใหญ่มีคือเริ่มจากสูงแล้วไล่ลงมา — รันทุกอย่างบน Fable 5 หรือ Opus 4.8 ให้ได้ผลลัพธ์ที่ต้องการ แล้วลองโมเดลที่ถูกกว่าจนกว่าคุณภาพจะลดลง มันใช้ได้ผล แต่เราพบว่างานส่วนใหญ่ไม่จำเป็นต้องทำแบบนั้น เมื่อคุณสามารถระบุชื่องานและวางมันบนแผนที่ได้ คุณมักจะเริ่มต้นในคลาสที่ถูกต้องได้ตั้งแต่แรก สำหรับงานฝีมือประจำวัน ซึ่งเป็นงานส่วนใหญ่ที่คุณทำ นั่นหมายถึงการเริ่มต้นด้วย middleweight ที่แข็งแกร่งอย่าง Sonnet 5 คุณจะใช้การค้นหาแบบจากบนลงล่างก็ต่อเมื่องานนั้นอยู่ตรงปลายด้านงานเสี่ยงสูงจริงๆ
สนามกว้างกว่าแค่ Claude, GPT และ Gemini
ทีมส่วนใหญ่จะเริ่มต้นด้วยชื่อโมเดลไม่กี่ชื่อที่พวกเขารู้จักอยู่แล้ว นั่นเป็นจุดเริ่มต้นที่สมเหตุสมผล แต่มันทำให้โมเดลอีกมากในรายการไม่ได้ถูกใช้งาน — และโมเดลบางตัวที่ทำงานที่มีประโยชน์ที่สุดใน Hyperagent ไม่ใช่ชื่อที่คนรู้จักกันทั่วไป นี่คือความประทับใจในการใช้งานของเราจากการทดสอบและการใช้งานประจำวัน รวมถึงงานที่เราได้เห็นลูกค้าทำ
Grok 4.5 คือการวิจัยแบบเรียลไทม์ที่รวดเร็ว มันเคลื่อนที่ผ่านงานวิจัยที่ใช้เครื่องมือหนักได้อย่างรวดเร็ว และทำงานได้ดีเป็นพิเศษเมื่อจับคู่กับ Hyperagent Exa Search ดั้งเดิม นอกจากนี้มันยังมีสายตรงไปยัง X ดังนั้นคำถามเกี่ยวกับความรู้สึกสดๆ สามารถกลับมาพร้อมกับโพสต์จริงที่อยู่เบื้องหลังคำตอบ มันนำคะแนนงานที่เสร็จสมบูรณ์ของเราที่ $9.71 สำหรับการรันเต็มรูปแบบ
Muse Spark 1.1 เขียนได้สะอาดและตรวจสอบตัวเอง มันจบอันดับสองในชุดทดสอบ และความประทับใจแรกของเราคือร้อยแก้วที่กระชับ มีโครงสร้างดี พร้อมนิสัยที่มีประโยชน์ในการตรวจสอบงานของตัวเองก่อนส่งคืน มันยังใหม่ ดังนั้นเราจะเริ่มต้นด้วยงานประจำวันที่มีการดูแลก่อนงานที่ไม่มีการดูแลเป็นเวลานาน
Kimi K2.6 คือการวิจัยเชิงลึกในราคาโอเพนโมเดล มันรันการค้นหาแบบขนานและดึงหลักฐานกลับมาเป็นคำตอบเดียวโดยไม่คิดอัตราระดับเรือธง ซึ่งทำให้มันเป็นผู้เชี่ยวชาญด้านการวิจัยที่แข็งแกร่ง ข้อจำกัดที่แท้จริงเพียงอย่างเดียวคือขนาดเอกสาร โดยมีหน้าต่างบริบทสูงสุดที่ 256,000 โทเคน
GLM 5.2 คือตัวเลือกที่คุ้มค่า มันเข้ามาใกล้ middleweight แบบปิดอย่างน่าประหลาดใจในงานวิจัยประจำวัน การร่าง และงานเอกสารยาว ในราวหนึ่งในสามของราคา และร้อยแก้วของมันก็แข็งแกร่งที่สุดรองจาก Sonnet และ Opus มันกลายเป็นไดรเวอร์ประจำวันสำหรับทีม Hyperagent จำนวนมาก
Qwen 3.7 Plus คือคนทำงานหน้าจอ มันเก่งเป็นพิเศษในการหาปุ่ม ฟิลด์ และเมนูบนหน้าที่เรนเดอร์ และมันมีราคาถูกสำหรับการสกัดข้อมูลที่มีโครงสร้าง — มันสร้างการรันที่สมบูรณ์ด้วยต้นทุนต่ำที่สุดในชุดทดสอบของเรา ใช้มันเมื่องานคือการทำงานกับอินเทอร์เฟซหรือย้ายข้อมูล ไม่ใช่เมื่อน้ำเสียงมีความสำคัญ
DeepSeek V4 Pro คือการวิเคราะห์ที่มีโครงสร้างในต้นทุนที่ต่ำมาก มันแข็งแกร่งที่สุดในงานกระทบยอด การทำความสะอาดข้อมูล งานตัวเลขตามกำหนดการ และงานที่มีโครงสร้างคล้ายคลึงกัน การเขียนของมันตรงไปตรงมาและสั้น ซึ่งเหมาะกับคำอธิบายภายใน และไม่เหมาะกับข้อความที่ติดต่อกับลูกค้า มันเป็นผู้เชี่ยวชาญ และประหยัดมาก
จัดบุคลากรให้เอเจนต์ที่ทำงานตลอดเวลาของคุณในราคาที่เหมาะสม
Steve Juba บริษัทท่องเที่ยวที่มีพนักงานหกคน เขาสร้างเอเจนต์สรุปข้อมูลที่เชื่อมต่อกับแหล่งข้อมูลสดแปดแหล่งซึ่งรันหลายครั้งต่อวัน และมันลดเวลาการรวบรวมบริบทตอนเช้าของเขาจากมากกว่าสามชั่วโมงในแปดแท็บเหลือสิบห้านาที
เอเจนต์แบบนี้อ่านมากกว่าที่เขียนมาก และทำงานเดิมหลายร้อยครั้งต่อปี ดังนั้นความแตกต่างของราคาเพียงเล็กน้อยต่อการรันหนึ่งครั้งจะไม่ใช่แค่การปัดเศษ แต่กลายเป็นรายการงบประมาณจริง ลองพิจารณางานสรุปที่อ่าน 100,000 โทเคนและเขียน 2,000 โทเคนทุกวัน ตามราคารายการของเดือนกรกฎาคม 2026 งานรูปแบบนี้มีค่าใช้จ่ายโดยประมาณ:
- $16 ต่อปีบน Qwen 3.7 Plus (sprinter)
- $38 ต่อปีบน Kimi K2.6 (middleweight)
- $40 ต่อปีบน Haiku 4.5 (sprinter)
- $80 ต่อปีบน Sonnet 5 (middleweight)
ตัวเลือกโอเพนเวทเปลี่ยนตัวเลขสำหรับงานที่เน้นการอ่านแบบนี้ Kimi K2.6 ทำงานวิจัยและสังเคราะห์คุณภาพระดับ middleweight ในราคา $38 สำหรับงานนี้ — น้อยกว่าครึ่งหนึ่งของ Sonnet 5 และประมาณเท่ากับการรัน Haiku sprinter คุณไม่ได้แลกดุลยพินิจกับต้นทุน คุณกำลังได้งานระดับ middleweight ในราคา sprinter ถ้างานเป็นการสกัดข้อมูลล้วนๆ โดยไม่ต้องใช้ดุลยพินิจ Qwen จะรันมันในราคา $16 — แต่ทันทีที่มันต้องการการสังเคราะห์จริงๆ Kimi จะให้สิ่งนั้นในราคาใกล้เคียงกัน
สลับโมเดล คงเอเจนต์ไว้
ทั้งหมดนี้ไม่มีความหมายหากการเปลี่ยนโมเดลหมายถึงการสร้างเอเจนต์ใหม่ ภายใน Hyperagent มันไม่ใช่ เพราะโมเดลเป็นเพียงการตั้งค่าหนึ่ง และบทบาท (role) อยู่เหนือมัน เปลี่ยนโมเดล และเอเจนต์จะคงทุกอย่างที่ทำให้มันมีประโยชน์:
- คำแนะนำและขอบเขตของมัน
- ทักษะ สคริปต์ และขั้นตอนการทำงานของมัน
- ความทรงจำเกี่ยวกับการแก้ไขของมัน
- ไฟล์อ้างอิงและบริบทของบริษัท
- การเชื่อมต่อกับระบบที่งานอาศัยอยู่
- เกณฑ์การประเมินคุณภาพของมัน
นั่นทำให้การเลือกโมเดลกลายเป็นการทดสอบ แทนที่จะเป็นการโยกย้าย เอเจนต์เดียวกันสามารถรันงานเดียวกันบนสองโมเดลได้โดยไม่ต้องสร้างใหม่ ดังนั้นคุณสามารถหาโมเดลที่ถูกที่สุดที่ผ่านเกณฑ์ของคุณ แทนที่จะเดา
มันยังทำให้ส่วนที่แพงของเวิร์กโฟลว์ที่ยากสามารถจ่ายคืนให้ตัวเองได้ครั้งเดียว เมื่องานต้องการจริงๆ ให้ใช้โมเดลที่หนักกว่าเพื่อออกแบบและดีบักเวิร์กโฟลว์ — จากนั้นทำให้ขั้นตอนเป็นทักษะ (skill) เพื่อให้ middleweight หรือ sprinter สามารถรันมันทุกวันในราคาเพียงเศษเสี้ยว
อย่างไรก็ตาม มีต้นทุนแฝงที่ต้องระวัง โมเดลที่ถูกกว่าซึ่งมีค่าใช้จ่ายต่ำไม่ได้แปลว่าถูกหากทุกผลลัพธ์ต้องได้รับการแก้ไข — เวลาตรวจสอบของมนุษย์และต้นทุนของความผิดพลาดเป็นส่วนหนึ่งของราคาจริง เรียกมันว่าภาษีการตรวจสอบ มันกำหนดขีดล่างว่าคุณจะลดได้แค่ไหน สิ่งที่แตกต่างใน Hyperagent คือการตรวจสอบไม่ได้จ่ายแค่ครั้งเดียว แต่มันทบต้น: เมื่อเอเจนต์เรียนรู้จากการแก้ไขของคุณผ่านความทรงจำ ความพยายามในการตรวจสอบนั้นจะถูกจับโดยระบบและสร้างเอเจนต์ที่ดีขึ้นในการรันครั้งถัดไป
ลูกค้าจัดบุคลากรให้เอเจนต์ด้วยวิธีนี้อยู่แล้ว Ankit Das สร้างการดำเนินงานด้านการตลาดด้วย Growth Orchestrator บน Sonnet 5 ที่ทำการตัดสินใจ และผู้เชี่ยวชาญช่องทางแปดคนบน GLM 5.2 ที่ผลิตงานช่องทางที่เกิดขึ้นซ้ำ โดยมีเอเจนต์ QA แยกต่างหากตรวจสอบการปฏิบัติตามแบรนด์และคุณภาพการเขียน — ทั้งหมดเริ่มต้นจากเธรดเดียว Eli Weiss อธิบายการแบ่งส่วนของเขาอย่างง่ายกว่า: ประมาณ 85% Sonnet และ 15% Opus ในทักษะและกิจวัตรของเขา งานส่วนใหญ่รันบนไดรเวอร์ประจำวัน Opus ได้รับงานชุดเล็กกว่าที่ดุลยพินิจที่เพิ่มขึ้นคุ้มค่ากับต้นทุนของมัน
นั่นคือคุณค่าในทางปฏิบัติของการเลือกโมเดลภายใน Hyperagent ใช้จ่ายอย่างมีจุดมุ่งหมายในงานต่างๆ และเก็บเงินดอลลาร์ส่วนเพิ่มไว้สำหรับงานที่ดุลยพินิจเพิ่มเติมเปลี่ยนผลลัพธ์
เลือกโมเดลหลังจากที่คุณเลือกงาน
ใช้ลำดับนี้กับเอเจนต์ที่คุณรันอยู่แล้ว:
- ระบุชื่องาน "เตรียมรายงานลูกค้าวันจันทร์" มีประโยชน์มากกว่า "ช่วยเรื่องการรายงาน"
- วางมันบนแผนที่ ตัดสินใจว่าต้องใช้ดุลยพินิจมากแค่ไหนและจะรันบ่อยแค่ไหน
- เริ่มต้นที่แผนที่วางไว้ สำหรับงานส่วนใหญ่ นั่นคือ middleweight ที่มีความสามารถ — ใช้มันจนกว่าคุณจะเข้าใจกรณีขอบของงานและทำให้กระบวนการเป็นทักษะ (skills)
- ทดสอบคลาสที่เบากว่าหนึ่งระดับเป็นเวลาห้ารันจริง คงคำแนะนำ ทักษะ ความทรงจำ แหล่งข้อมูล และเกณฑ์ประเมินไว้ไม่เปลี่ยนแปลง
- เปรียบเทียบต้นทุนทั้งหมด ติดตามคุณภาพงานที่เสร็จสมบูรณ์ ความสม่ำเสมอ เวลา ความผิดพลาดด้านข้อเท็จจริง ค่าใช้จ่ายโมเดล และเวลาตรวจสอบของมนุษย์
- ยกระดับอย่างมีจุดมุ่งหมาย นำ heavyweight เข้ามาเมื่อภาระการตรวจสอบหรือต้นทุนของคำตอบที่ผิดสูงกว่าส่วนเพิ่มของโมเดล
- ใช้โมเดลอื่นเพื่อตรวจสอบงานสำคัญ โมเดลที่ทำผิดพลาดมักจะเป็นโมเดลที่มีแนวโน้มน้อยที่สุดที่จะเห็นมัน
ใช้โมเดลที่ถูกที่สุดที่ผ่านเกณฑ์ของคุณอย่างน่าเชื่อถือ จากนั้นใช้ส่วนต่างกับงานที่สมควรได้รับมัน
