Bodee  (@Bodee) header
Bodee  (@Bodee) profile picture

Learner, Philanthropist, $BTC, Born in Chiang Mai, Made in Thailand. Meaning of life is written by your mind so write it good. Weniger, aber besser

Nonthaburi, Thailand
Joined April 2009
Photo by Bodee  (@Bodee)Photo by Bodee  (@Bodee)Photo by Bodee  (@Bodee)Photo by Bodee  (@Bodee)Photo by Bodee  (@Bodee)Photo by Bodee  (@Bodee)Photo by Bodee  (@Bodee)Photo by Bodee  (@Bodee)Photo by Bodee  (@Bodee)Photo by Bodee  (@Bodee)
A ‘hello world’ milestone for Project Suncatcher 🚀 After launching our prototype satellite a few weeks ago, we’ve now successfully sent a command up to orbit, booted up the TPU, ran the prompt, and received our first complete response back on earth - a haiku!
1,473
2,709
1,280
26,611
4,387,821
Bodee  retweeted
"It's just movie credits" The movie credits:
127
8,090
560
57,185
1,767,634
📢แจก Template รายงานความเสียหายเพื่อยื่นรับค่าเยียวยา ผู้ประสบภัยน้ำท่วมสามารถนำไปใช้ได้เลยค่ะ รายละเอียด + วิธีใช้อยู่ในลิ้งค์ ※ การยื่นเรื่อง: ติดตามฟังประกาศจากหน่วยงานในพื้นที่ว่าต้องไปยื่นกับใครได้เลยค่า 👇docs.google.com/document/d/1… #น้ำท่วม #อุทกภัย
ตัวอย่างรายงานบันทึกความเสียหายจากอุทกภัย เคสเราสำหรับรับค่าชดเชยจากทางภาครัฐ สรุปเป็นหัวข้อประมาณนี้นะคะ - ที่ตั้ง - ลำดับเหตุการณ์ช่วงน้ำท่วม ตามช่วงเปลี่ยนผ่านถี่ๆ เช่น น้ำเริ่มเข้า ระดับเอว มิดชั้นล่าง - สภาพความเสียหายหลังน้ำลด - รายการความเสียหายสำคัญ - สภาพหลังทำความสะอาด
9
1,813
11
947
133,148
ฝน 1 มิลลิเมตร = น้ำฝน 1 ลิตร ต่อพื้นที่ 1 ตารางเมตร จินตนาการ เรายืนบนพื้นที่ 1 ตารางเมตร แล้วเทน้ำขวด 1 ลิตร ลงไปใส่คือปริมาณฝน 1 มิลลิเมตร ดูแล้วไม่มากไม่มาย ไม่เปียกเท่าไหร่ 😊 กรุงเทพมหานคร มีฝนตก 300 มิลลิเมตร เท่ากับเทน้ำ 300 ลิตรลงมาใส่ในพื้นที่ 1 ตารางเมตร นึกไม่ออกลองคิดถังน้ำมันมาตรฐานประมาณ 200 ลิตร ถังน้ำมันถัง-ครึ่ง ใส่น้ำแล้วเทออกมาใส่พื้นที่ 1 ตารางเมตร ‼️
7
1,055
9
647
69,313
Bodee  retweeted
◉ FLOOD: แก๊งวิศวกรชาวโปแลนด์สร้างเว็บ Floodboard รวมข้อมูลช่วงน้ำท่วมกรุงเทพฯ ให้คนไทยใช้งานฟรี ด้วยเหตุผลว่าช่วงเวลาลำบากเช่นนี้อยากให้มีช่องทางที่น่าเชื่อถือเพียงช่องทางเดียวที่รวมข้อมูลทั้งหมดให้เช็คง่าย ๆ โดยเขารวมข้อมูลจากภาครัฐกว่า 12 แหล่ง ให้กดดูรูปและสถานะเรียลไทม์ต่าง ๆ ได้ . อันนี้ยังไม่ต้องเบิกงบใหม่ ทำให้ใช้กันได้ฟรี ๆ ฝีมือชาวโปแลนด์ในไทยที่รวบรวมรายงานการขอความช่วยเหลือที่ประชาชนส่งเข้ามา ทั้งภาพถ่าย/วันเวลา/สถานะ/พิกัดบนแผนที่ และข้อมูลที่สำคัญช่วงน้ำท่วม เช่น ถนนไหนท่วมบ้าง ลึกแค่ไหน รถสามารถสัญจรผ่านได้หรือไม่ . ทีมผู้สร้าง Floodboard ชาวโปแลนด์สามคน ได้เห็นปัญหาที่สำคัญคือ “ในช่วงเวลาลำบากเช่นนี้ “พวกเขาอยากให้มี ‘ที่เดียว’ ที่เชื่อถือได้สำหรับเช็กว่าถนนไหนน้ำท่วม และช่วยนำความช่วยเหลือไปถึงคนที่ต้องการ” ซึ่งเป็นปัญหาที่เชื่อว่าคนไทยหลายคนคงเข้าใจดีในเรื่องช่องทางการรับข้อมูลข่าวสารที่มีหลายแอป หลายหน่วยมาก ตามแต่ที่แต่ละสังกัดภาครัฐจะทำแยกกันออกมา . ทีมผู้จัดทั้งสามคนประกอบไปด้วย Mateusz Gniadek หัวหน้าทีมพัฒนา ที่เป็นนักศึกษาด้านความปลอดภัยไซเบอร์และนักพัฒนาซอฟต์แวร์ ร่วมกับ Patryk Tylza ผู้ประกอบการและวิศวกรเสียงชาวโปแลนด์ที่อาศัยอยู่ในหัวหิน และ Karol Bernacki นักศึกษาและวิศวกรระบบเสียงชาวโปแลนด์ ผู้นำหลักความเสถียรและระบบสำรองจากงานระบบเสียงมาใช้กับ Floodboard เพื่อให้แผนที่ทำงานได้ต่อเนื่องสำหรับทุกคน ในเวลาที่ผู้คนต้องการมากที่สุด โดยพวกเขาได้เขียนสั้น ๆ ไว้ในเว็บไซต์ว่า “สร้างด้วยรักและห่วงใยเพื่อคนไทย โดย Karol Bernacki, Mateusz Gniadek และ Patryk Tylza · เราจะผ่านไปด้วยกัน” . จากที่ลองใช้แล้ว นี่เป็นเว็บที่รวมข้อมูลจากประชาชนไว้ได้อย่างครอบคลุม อัพเดทเรียลไทม์ และเช็คข้อมูลได้หลายส่วนเลยล่ะ ใช้งานง่ายมากกก โดยเขาดึงข้อมูลมาจากหลายแห่ง เช่น กทม. (สำนักการระบายน้ำ), กรมทางหลวง, iTIC/Longdo, Traffy Fondue, ThaiWater (สสน.), กรมอุตุนิยมวิทยา, ข่าวและโซเชียล ใครที่ต้องการเช็คเส้นทางหรือเช็คพื้นที่ประสบภัยที่ต้องการความช่วยเหลือ ลองเข้าเว็บนี้ดูจ้า . พิกัด floodboard.org/#map
8
2,801
19
1,799
116,565
🔥🔥 อย่าเพิ่งเก็บบ้าน !!! 🚨 ประกาศภัยพิบัติไม่ใช่แค่ประกาศเฉยๆ เช็คสิทธิ์เงินชดเชยที่ควรได้ จ่ายตามจริง บ้านอยู่ในพื้นที่ที่ประกาศเป็นเขตภัยพิบัติ มีเงินช่วยเหลืออยู่ 3 กอง และแต่ละกองกติกาไม่เหมือนกันเลย แง๊ !! #กองแรก เงินทดรองราชการ จ่ายตามความเสียหายจริง 💰ซ่อมบ้านไม่เกิน 88,600 บาท 💰ค่าเช่าบ้านชั่วคราว 2,500 บาทต่อเดือน สูงสุด 2 เดือน 💰เครื่องมือประกอบอาชีพไม่เกิน 13,500 บาท 💰ค่าดำรงชีพไม่เกิน 4,900 บาท 💰ค่าจัดการศพ 35,700 บาท 📍ยื่นที่สำนักงานเขต หรือ อบต. และเทศบาลในพื้นที่ #กองที่สอง เงินเยียวยาเหมาจ่ายครัวเรือนละ 9,000 บาท ต้องมีมติคณะรัฐมนตรีระบุพื้นที่ก่อน ยื่นผ่านแอปทางรัฐหรือ อปท. และผูกพร้อมเพย์กับเลขบัตรประชาชนไว้ให้เรียบร้อย #กองที่สาม #ประกันภัยพิบัติแห่งชาติ เริ่ม 1 ตุลาคม 2569 รัฐจ่ายเบี้ยให้ ไม่ต้องจ่ายเอง คุ้มครองน้ำท่วม วาตภัย แผ่นดินไหว สูงสุด 100,000 บาทต่อครั้ง คิดว่าครั้งนี้ไม่น่าทัน 🔥🔥 #สำคัญมาก !! สิ่งที่ทำได้เลยวันนี้ 🎥ถ่ายรูปและวิดีโอความเสียหายไว้ก่อนเก็บกวาดหรือซ่อม เพราะพอร่องรอยหายแล้วประเมินยาก 📍รีบแจ้งเขตหรือ อบต. ให้มาสำรวจ เจ้าหน้าที่จะออกหนังสือรับรองผู้ประสบภัยให้ 💸ซึ่งเป็นเอกสารตั้งต้นของทุกกองครับ สายด่วน กทม. 1555 ต่างจังหวัด ปภ. 1784 ขอให้ผ่านพ้นไปด้วยดีนะคะ สู้ๆ #น้ำท่วม2569 #เยียวยาน้ำท่วม #เขตภัยพิบัติ #ประกันภัยพิบัติแห่งชาติ #ภัยพิบัติ #น้ำท่วม #ฝนตกหนัก #พยากรณ์อากาศ #ฝนตก #ชัชชาติ #อนุทิน #อุทกภัย
1
269
2
209
16,261
Good read kub
1 ปีกับการลงทุน ผมเรียนรู้อะไรมาบ้าง? ขอแชร์เป็น Learning Journal นะครับ อย่าทำตามเพราะผมเพิ่งเริ่มลงทุนเอง 0. พี่โจ๊กคือศาสดา และพี่แดมคือผู้เผยแพร่ ลงทุนDiary is my goat 1. ลงทุนให้สบายใจ อย่าไปยึดติดกับ Philosophy ของผู้ใดผู้หนึ่งมาก เปิดใจลองดูหลายๆแบบแล้วหาว่าตัวเองชอบแบบไหน แค่ต้องลองให้มีขอบเขต (all in หุ้นซิ่ง ผมก็ไม่กล้าลอง 55555) ห้ามขายหุ้นก็เป็นอีกหนึ่งตัวอย่างที่ติดและ unlearn ยากมาก เมื่อก่อนหุ้นเคยบวกและลงจนแดงก็ไม่ขาย แล้วเครียดมาก หา conviction ยังไงก็เครีบด บางคนคงทำได้และทำได้ดี แต่ผมยอมรับกับตัวเองดีกว่า ว่าเราไม่ได้ใจแข็งเหมือนที่คิดไว้ ถ้าหุ้นลงเยอะ ก็ขายออกไปมั่ง ถ้ามันเด้งอย่างน้อยก็ได้อะไรติดไม้ติดมือกลับมา 7 powers ก็เป็น framework ที่ดีแต่หุ้นดีๆที่ไม่เข้า framework ก็มีเยอะแยะ เพราะฉะนั้นก็เปิดใจกับ framework อื่นๆ หรือบางทีก็ไม่ต้องมี framework ก็ได้นะ เชื่อ sense ตัวเองไปเลยก็ได้ แต่อาจจะซื้อน้อยหน่อย เล่นระยะสั้นไปซิ่งบ้างถ้ามันกำไรก็คือกำไร อย่าไปยึดติดว่าเราต้องเป็น "Long Term Investor" หรือ "Trader" เพราะสุดท้ายแล้วเราเข้าตลาดมาเพื่อหาเงินทุกคน ถ้ามันได้เงินก็ทำไปเถอะ 2. “ซื้อตอนคนอื่นกลัว” ไม่ได้ง่าย เป็นเรื่องที่พูดง่ายแต่ทำโคตรยาก จริงๆเราก็กลัวเหมือนกัน ซื้อตอนนี้แล้วถ้ามันลงไปอีกหล่ะ? หรือซื้อน้อยๆก่อนดี? แล้วถ้าซื้อน้อยๆละมันดีดเร็วหล่ะ? ขอบคุณพี่โจ๊ก coziplace ที่ให้ไอเดียว่ารอมันกลับตัวหน่อยก็ได้ แล้วค่อยซื้อแพงหน่อย % ตอนบวกอาจจะน้อยกว่าชาวบ้าน แต่ก็ลดโอกาศดอย 30%-50% ไปเยอะ ไม่ต้องไปข่มใจตัวเองให้หา conviction ให้เครียดก็ได้ รอหุ้น prove ตัวเองก่อน 3. ผมไม่ใช่ Warren Buffett หรือ Charlie Munger คนต่อไป ทุกคนอาจจะอ่านแล้วพูดว่า “ก็ใช่สิวะ ใครจะเป็นได้” แต่พอสังเกตความคิดตัวเองดีๆ จับได้ว่าสมองชอบหลอกตัวเอง ว่าปู่ทำได้แค่ทำตามปู่มันก็ต้องดี มีหนังสือเยอะแยะ แต่ถ้าทุกคนทำตามแล้วรวย ก็คงรวยไปนานแล้ว ไม่ได้บอกว่าไม่ให้เรียนรู้จากปู่ แต่ลด expectation ของตัวเองลงมาให้หน่อย ชนะ index ก็พอแล้ว ไม่ต้อง compound ปีละ 20%+ หรอก ลงทุนให้สนุก อย่างเช่นปู่ชาร์ลีบอกให้ Concentrate เยอะๆ แต่อย่าลืมว่าปู่อ่านหุ้นทั้งวันทั้งคืนจนลูกหลานบอกเหมือนหนังสือเดินได้ เราไม่ได้มีเวลาว่างขนาดนั้น ก็ต้อง diversify มากหน่อยเผื่อตัวเองคิดผิด 4. Financials/ Valuation ไม่จำเป็นต้อง perfect เสมอไป ตอนเริ่มลงทุนก็ดูคลิปสอนการลงทุนแล้วมี Philosophy ที่ติดในหัวมาตลอด จะมีกฏในหัวประมาณนี้: - Revenue, FCF ต้องโตขึ้นทุกไตรมาส - Stocks based compensation น้อยๆ - Earnings ต้องโตเสมอ - P/E ต่ำ - Cash เยอะ Debt น้อย หลังๆลงทุนหุ้นเทค ดูแค่ Revenue หลักๆ (ก็ไม่รู้จะดีไหมในระยะยาว) แต่ให้ความสำคัญกับ Value Proposition ของธุรกิจนั้นใน Industry มากขึ้น แล้วเขาจะเป็นผู้ชนะได้ไหม เมื่อก่อนไปซื้อเบอร์ 3 ของตลาดเพียงเพราะว่า SBC มันน้อยกว่าเบอร์ 1 หรือไปซื้อตัวที่ Valuation ถูกกว่าแต่ Product ไม่ได้ดีเท่าตัวที่แพงกว่า สุดท้ายตัวที่มันมี Product ที่ตอบโจทย์ตลาดมากกว่าก็เป็นตัวที่หุ้นเด้งมากกว่า ฟังดูแล้วก็แปลกๆดีแต่ตอนนี้ขอไปเน้นดูที่ Product/Founder มากกว่าตัวเลขดีกว่า 5. ตลาดไม่ได้โง่ขนาดนั้น Playbook สุดฮิตคือการที่ซื้อหุ้นตอนที่มันลงหนักๆ เพื่อหวังว่าตลาดจะคิดผิด ผมคิดว่าไม่ได้ง่ายขนาดนั้นแล้ว เมื่อก่อนคนที่ขยันอ่าน หรือมี resource ที่จะเข้าถึงข้อมูลที่คนอื่นไม่รู้ แล้วสวนตลาดมันทำได้ง่ายกว่านี้ สมัยนี้คนในตลาดเข้าถึงข้อมูลได้เหมือนกันหมด แถมมี ai คอยช่วยวิเคราะห์อยู่ในมือแทบทุกคน แล้ว Edge ของเราที่เราจะเอาไปสวนคนอื่นมันคืออะไรหล่ะ เราฉลาดกว่าคนอื่นหรอ? ผมคิดว่าผมไม่ได้เป็น The Chosen One ขนาดนั้น 5555555 Edge หนึ่งอย่างที่พอนึกออกก็คงเป็นการที่เราทำงานใน industry นั้นแหละ อย่างตอนที่ตลาดให้ราคากับ SaaS บางตัวว่าจะโดน replace ด้วยการ vibe code ด้วยความที่ผมเป็น Software Engineer ก็มีข้อได้เปรียบคือเรารู้ว่ามันยากมากๆ ที่จะปั้น app นึงขึ้นมาให้ scale ได้ทั่วโลก หรือตอนที่ Cybersec มันลงเยอะๆ เรารู้ว่าคนในวงการต้องการ Cybersec ขนาดไหน แล้วมันสำคัญโคตรๆ ก็ได้เปรียบในเรื่อง insight นี้ไป ถ้าไม่อยู่ในวงการ ก็ต้องไปคอยถามคนอื่นแหละ มันไม่รู้เองหรอก ถ้าผมไม่ได้อยู่ในวงการนั้นจริงๆ ก็คงไม่กล้าเล่นหุ้นแนวสวนตลาดแล้วแหละ ขอไปหาหุ้นที่พิสูจน์ตัวเองแล้วว่าเป็น Great Business แล้วถือ average up ไปดีกว่า 6. เปอร์เซ็นบวกเป็นแค่ตัวเลข อย่าไปสนใจกับเราคาต้นทุนมาก ธรรมชาติของหุ้น ถ้าเราเลือกถูก มันต้องขึ้นอยู่แล้ว บวก 20% ได้ 500 บาท กับบวก 10% ได้ 1000 บาท ขอเลือกแบบ 2 ดีกว่า 7. มีสติในการเสพคอนเท้น ใน Social Media เป็นไปไม่ได้ที่เราจะไม่ดู ตอนนี้มี finflu เต็มไปหมดมีทุก platform บางคนก็พูดมีสาระจริงๆ พูดไปเรื่อยก็มีเยอะ บางคนก็หา engage เฉยๆ แยกให้ออกว่าอันไหนเป็น fact อันไหนเป็น opinion ผมจะเลือกดูคนที่ให้ fact มาเยอะๆก่อนเลย แล้วเราค่อยนำมาประกอบการตัดสินใจเอง เช็คด้วยว่าเขาอยู่ในตลาดมานานแค่ไหน performance เป็นยังไง เพราะการที่พูดและตัดคลิปให้ดูฉลาด สมัยนี้ใครๆก็ทำได้ครับ
82
180
15,116
Bodee  retweeted
This was done by Israel. Jewish colonial supremacists armed to the teeth by the USA and Germany. An evil beyond comprehension.
698
2,915
113
6,884
131,602
Bodee  retweeted
เว็บนี้พยากรณ์ฝนตก, ดูการเคลื่อนไหวของเมฆฝนง่ายสุดแล้ว จิ้มดูพิกัดได้ด้วย satda.tmd.go.th/wp-content/u…
1
312
2
258
25,761
Apple Microchip CPU under a microscope. This is absolutely fascinating.
93
344
43
2,726
1,465,180
A 69-year-old man in Denmark took a small sip from a store-bought coconut and was clinically brain dead around 30 hours later. The coconut water tasted foul, so he swallowed only a small amount. When he opened it, the inside was slimy and appeared rotten. Around three hours later, he began sweating and vomiting before becoming confused and developing abnormal muscle movements. His condition rapidly deteriorated into severe toxic brain injury and coma. Twenty-six hours after reaching Aarhus University Hospital, his brainstem reflexes and spontaneous breathing were gone, and treatment was discontinued. Tests later found the coconut contained Arthrinium saccharicola, a fungus capable of producing the powerful neurotoxin 3-nitropropionic acid. The toxin was detected in both the coconut and the man’s blood. The coconut was supposed to be refrigerated. Instead, it had been sitting on his kitchen table for a month.
172
953
132
8,140
1,729,498
😶ดูเอาเถอะ..ปี 1995-2023 (พ.ศ. 2538-2556) ป่าเมืองน่าน 18ปี ผ่นไปเปลี่ยนแปลงแค่ไหน!!!?🤔 #น้ำท่วม #น่าน #น้ำท่วมน่าน
4
97
97
18,184
Bodee  retweeted
ขออธิบายเพิ่มหน่อย.. ที่ผมมีปัญหากับประโยคประมาณว่า..「ถือ S&P 500 ยาวพอ แล้วไม่มีวันขาดทุน」 ไม่ใช่เพราะผมคิดว่า S&P 500 ไม่ดีนะครับ.. จริงๆ ผม bullish กับ US equities ระยะยาวมากด้วยซ้ำ.. ถ้าใครตามผมมานานพอ จะทราบดีว่าผลักๆ ผมลงทุนในตลาดอเมริกาเป็นหลัก แต่คำแบบว่า 「ไม่มีวัน」 มันเปลี่ยน claim จากเรื่อง probability ไปเป็น guarantee ทันที.. แม้แต่ปู่ Warren Buffett ซึ่งเป็นคนที่สนับสนุน low-cost S&P 500 index fund มานาน.. ก็ยังไม่ได้พูดถึงอนาคตแบบ certainty ขนาดนั้น.. ปี 2013 ปู่ถึงกับเขียน instruction ไว้ว่า.. หลังปู่เสียชีวิต เงินสำหรับภรรยาให้เอา 90% ไปลง very low-cost S&P 500 index fund..และอีก 10% อยู่ใน short-term government bonds.. คือถ้าจะหาคนที่มี conviction กับ American equities.. ปู่ Buffett น่าจะอยู่แถวหน้าสุดแล้ว.. แต่ในจดหมายเดียวกันปู่ยังอธิบายการเติบโตของ American business ว่า… 「though, most assuredly, in unpredictable fits and starts」 และในปี 2019 ปู่พูดตรงๆ… 「Anything can happen to stock prices tomorrow. Occasionally, there will be major drops in the market, perhaps of 50% magnitude or even greater.」 ตลาดอาจลง 50% หรือมากกว่านั้นได้.. ทีนี้คนที่ปู่ Buffett ให้ความเคารพมากอีกคนคือ Howard Marks ปู่เคยพูดถึง memo ของ Marks ว่า..「When I see memos from Howard Marks in my mail, they’re the first thing I open and read. I always learn something.」 แล้ว Howard Marks เขียน memo ชื่อ 『The Folly of Certainty』 ในปี 2024 โดยบอกว่านักลงทุนควรระวังการใช้คำอย่าง…. 「will」 「won’t」 「has to」 「can’t」 「always」 「never」 เหตุผลง่ายๆ.. เพราะ investment outcome ไม่ได้เกิดจากตัวแปรที่เรารู้ทั้งหมด… มันมีทั้ง randomness, psychology, regime change และตัวแปรในอนาคตที่วันนี้ยังไม่มีใครรู้ด้วยซ้ำว่าจะเกิดขึ้นหรือเปล่า.. Marks ถึงเขียนอีก memo มาตั้งแต่ปี 2001 ชื่อ.. 『You Can’t Predict. You Can Prepare.』 มีประโยคนึงที่ผมชอบมาก.. 「All of investing consists of dealing with the future … and the future is something we can’t know much about.」 ตรงนี้แหละที่ผมว่าหลายคนสับสน.. 「ในอดีต ยิ่ง holding period ยาว probability ที่จะขาดทุนยิ่งลดลงมาก」 กับ 「ถ้าถือยาวพอ ไม่มีทางขาดทุน」 มันไม่ใช่ประโยคเดียวกัน…. อันแรกเป็น empirical observation จาก historical data… อันหลังเป็น statement เกี่ยวกับ future state ทุก state ที่เป็นไปได้.. ซึ่ง historical data พิสูจน์ไอ้อันหลังไม่ได้.. สมมติเราเอา rolling 20-year return มาเปิดดู แล้วใน sample ที่เรามีแล้วไม่เจอช่วงไหนติดลบเลย… สิ่งที่ข้อมูลบอกได้คือ.. 「เราไม่พบ loss ใน 20-year windows ที่เคยเกิดขึ้นมาแล้วใน sample นี้」 มันไม่ได้พิสูจน์ว่า..「20-year loss เป็นไปไม่ได้ในอนาคต」 ยิ่ง rolling windows พวกนี้ overlap กันเยอะมากด้วย.. เช่น observation 20 ปีที่เริ่ม January กับที่เริ่ม February.. historical frequency ≠ true probability high probability ≠ certainty 「ยังไม่เคยเกิด」 ≠ 「เกิดไม่ได้」 ผมเองอาจ allocate เงินให้ S&P 500 ด้วย expected return ที่ดีมาก.. และมี conviction ว่าอีก 20-30 ปีข้างหน้ามันน่าจะสูงกว่าวันนี้เยอะ.. แต่ถ้าถามว่า「รับประกัน」 ได้มั๊ย? ไม่ได้ครับ.. Buffett ยังไม่รับประกันเลย.. แล้วคนที่รับประกัน คือ.. Who are you??
1
69
2
132
14,223
นักศึกษาไทยตอนนี้สามารถไปลงทะเบียนรับแพ็คเกจ Google AI Plus ฟรี 1 ปีได้นะครับ gemini.google/students/
18
3,918
35
6,659
853,353
เห็นข่าวน้ำป่าน่านปีนี้ ผมไถ feed ทิ้ง เพราะตัดสินใจแล้วว่า จะไม่บริจาค ไม่ช่วยอะไรกับสิ่งเหล่านี้อีก จะน้ำท่วมน่าน ท่วมเชียงราย เหตุแห่งปัญหาคือ ”ตัดป่า“ และ ”รุกลำน้ำ“ ป่าน่านถูกทำลายนับ “ล้านๆไร่” ใน 10 กว่าปีที่ผ่านมา ตั้งแต่รัฐบาลพลเรือน “ที่มีฐานเสียงใหญ่ภาคเหนือ” จนถูกปฏิวัติ หลังการปฏิวัติ ผมชื้นใจว่าจะดีขึ้น เปล่า มันเหมือนดีอยู่แป้บ คราวนี้มาใหม่ น่าน เชียงราย เชียงใหม่ พะเยา เละ ทุกพรรคทุกคน รวมถึงทหารบางกลุ่มช่วยกันข่มขืนป่าภาคเหนือเรา สัตว์ป่าหายเกลี้ยง ไล่ยิงแล้วเอามาแขวนโชว์ ตาน้ำหายหมด ผมเคยไปดูกับตา รัฐบาล ”รักเจ้า“ วนรักษาการมาครบ ปัญหาตัดป่าของชาติก็ยังวิกฤติ เราเสียป่าปีละราวๆ 500,000 ไร่ น้ำป่าถล่มบ่อยๆ ก็เพราะตัดป่าที่สูง ถามคนท้องถิ่น เค้าก็บอกว่าเป็นสิทธิของเขา ถามข้าราชการกระทรวงมหาดไทย เขาก็ “แบ้ะๆ” ไม่รู้ ไม่เห็นการตัดป่า ผมเคยไปถามในเพจ “อินฟลู” สายเที่ยวที่ไปน่าน มี background เขียวๆ แต่เขียวแบบเป็นหญ้าขึ้นบนภูเขาหลังจากที่โดนตัดป่าเหี้ยนแล้วว่า “คุณไม่รู้สึกเศร้ากับภาพที่คุณเอามาแค่เป็นฉากหลังสร้างคอนเท้นต์เที่ยวน่านเลยจริงๆเหรอ?” ผมเคยรณรงค์ต้านการตัดป่าน่านกับเพื่อนๆ เช่นพี่กบ Anunta Intra-aksorn และพี่เอส Ace Thanaboon Somboon รวมถึงกลุ่มคนรุ่นใหม่ในน่านเมื่อ 10 กว่าปีก่อน จนผมพบว่า ช่างแม่งเห้อะ!!! หากคนแถวนั้นมีคนชอบตัดป่ากันเยอะ หากคนน่านทั้งจังหวัดเขาไม่มีปัญญารักษาของตัวเอง หากกระทรวงมหาดไทยตาบอดเรื่องตัดป่าน่านมานับสิบปี หากอินฟลูเที่ยวยังหายอดไลค์ด้วยการไปถ่ายรูปเขาหัวโล้นแล้วบอกว่าสวย แถมแฟนเพจก็เห็นด้วย แล้วผมจะเป็นห่วงพื้นที่ตรงนั้นของประเทศของผมทำไม?
135
3,168
82
2,363
204,789
Bodee  retweeted
WTF
Depth-aware light injection in TypeGPU I got a 448x448 monocular depth model down to ~8 ms on my M4 Pro across ~250 dispatches, which is fast enough to use in realtime :D Since the inference is written directly in TypeGPU, I can just feed the depth buffer straight into the lighting pass. It never has to leave the GPU or go through any extra synchronization/interop step Inference, lighting and draw all go through the same command encoder.
64
2,329
13
50,379
3,319,449
มึง เรื่องนี้เงียบมาก คุณลุงนักวิชาการสิ่งแวดล้อมสองคนนี้ กำลังโดนพวกจีนเทา ไทยดำ ตั้งค่าหัว คนละ 2,000,000 บาท สาเหตุเพราะคุณลุงไปเปิดโปง ว่ามีขบวนการทิ้งขยะพิษในภาคตะวันออก ทุกวันนี้ไม่ปลอดภัยแล้ว อย่าปล่อยให้เรื่องนี้เงียบไป ช่วยคุณลุงด้วยนะครับ!!!!!
60
51,602
103
24,483
1,237,620
Bodee  retweeted
This skateboard trick may never be eclipsed. Danny León, a Spanish Olympic skateboarder, set up this shot and landed it during today's eclipse in Spain. Perfect planning!
539
7,838
547
61,736
2,468,381
ปกติผมจะไม่เชื่อ Benchmark ของ Qwen เพราะ Benchmaxx แน่นอน แต่รอบนี้ต่างออกไป... Qwen 3.8 Max ถือว่าเป็นหนึ่งใน Frontier โมเดลจริงๆ สามารถสู้ Opus 4.8 Fable 5 ได้ตาม Benchmark เลย "มันสามารถจดจ่อกับเป้าหมายที่ยากและเปิดกว้างได้ต่อเนื่องหลายวัน คิดไอเดียของตัวเองขึ้นมา แล้วเปลี่ยนไอเดียเหล่านั้นให้กลายเป็นผลงานที่ใช้ได้จริง ทั้งหมดนี้โดยไม่มีมนุษย์อยู่ใน loop เลย" นี่คือประโยคที่ทีม Qwen ใช้สรุปความโดดเด่นของ Qwen3.8-Max ในบทความเปิดตัววันนี้ ประโยคสวยๆ แบบนี้ค่ายไหนก็เขียนได้ แต่สิ่งที่ทำให้ผมนั่งอ่านจนจบคือหลักฐานที่แนบมาด้วย มีทั้ง repo สาธารณะบน GitHub การลงแข่งจริงกับทีมมนุษย์ 526 ทีม ไปจนถึง layout ชิปที่ผ่านชุดเครื่องมือมาตรฐานของวงการ และที่สำคัญที่สุดคือประกาศว่าจะ open weights สัปดาห์หน้า ใครไม่เชื่อก็โหลดไปพิสูจน์เองได้เลย แต่ก่อนจะไปว่ากันเรื่องตัวโมเดล ขอแทรกเรื่องที่ผมเพิ่งค้นพบนิดหนึ่ง ยุคนี้โมเดลจีนผลัดกันออกแทบทุกสัปดาห์ ถ้าอยากตามให้ทันตลอดเวลา Qwen Token Plan ถือว่าคุ้มมาก เพราะใช้กับ open source model จีนได้เกือบทั้งหมด ผมลองคำนวณดูแล้ว ถ้ารู้ตัวว่าชอบค่ายไหนเป็นพิเศษ เช่น GLM 5.3 ที่กำลังจะออก สมัครตรงกับค่ายนั้นถูกกว่าครับ แต่ถ้ายังไม่แน่ใจ สมัครเบาๆ อย่าง lite plan เดือนละราว 5 ถึง 6 USD เอาไว้ลองหลายๆ ตัวก่อน ผมว่าคุ้ม กดจาก link นี้ได้เครดิตฟรีไปคนละ 4 USD ต่อให้สมัคร lite เล็กสุดแบบรายเดือน 6 USD ก็เอาไว้ทดสอบได้สบาย ที่บอกตอนนี้เพราะผมแทงว่า GLM 5.3 กับ DeepSeek v4 Pro ตัวเต็มกำลังจะออกมา รับกับ Gemini 3.5 Pro และ Grok 4.6 ที่คาดว่าจะมาในสัปดาห์นี้ถึงสัปดาห์หน้าเช่นกัน ═══════════════════ 📌 Qwen3.8-Max โดยสรุป โมเดลที่เก่งที่สุดของตระกูล Qwen ต่อยอดจากสถาปัตยกรรมของ Qwen3.5 ขนาด 2.4 trillion parameters โดย active จริงครั้งละ 95B เป็นครั้งแรกที่ Qwen เปิด weights ของโมเดลระดับ Max โดยจะปล่อยสัปดาห์หน้า ตอนนี้เรียกใช้ผ่าน API บน QwenCloud ได้ก่อน จุดขายคือไม่ใช่แค่ตอบคำถามที่ยากขึ้น แต่ทำงานซับซ้อนแบบ end-to-end ได้จนจบ และส่งมอบงานที่พึ่งพาได้จริง ═══════════════════ 💻 Coding: 3 เคสที่ปล่อยให้ทำเองล้วนๆ ไม่มีมนุษย์ช่วยเลย จุดร่วมของทั้ง 3 เคสคือโมเดลไม่ได้เดินตามแผนตายตัว แต่พัฒนาตัวเองผ่าน feedback loop เขียนโค้ดต่อเนื่อง 10+ วัน สร้างระบบที่อัปเกรดตัวเอง สร้างโปรเจกต์ oh-my-cli จากโฟลเดอร์เปล่า แล้วสร้าง harness ที่รวม feedback ของผู้ใช้ แนวปฏิบัติจาก community และผลทดสอบของตัวเอง เข้าเป็น loop วิศวกรรมเดียวกัน วงจรทำงานคือ ความต้องการใหม่เข้า GitHub Issues แล้ว agent รับงานผ่าน state machine (ready → leased → active) ทำเสร็จก็รัน E2E test กับ CI ผ่านแล้วจึง merge PR ทุกครั้งที่ update จะทดสอบตัวเอง (Build, Unit Test, E2E, Desktop Lifecycle) เจอความผิดปกติก็ส่งกลับไปที่ issue หรือ PR เพื่อแก้และตรวจซ้ำ ระหว่างทางยังงอกความสามารถใหม่ให้ตัวโปรแกรมต่อเนื่อง เช่น /goal, /resume, Dynamic Workflow, Session Replay และ Desktop ผ่านไปราว 16 วันของการทำงานอัตโนมัติล้วนๆ ได้ 265 commits, 127 PRs และ 151 issues โดย trace ทั้งหมดเปิดสาธารณะที่ repo qwen-code-dev-bot/oh-my-cli ทำซ้ำงานวิจัย แล้วทำให้ดีกว่าต้นฉบับ โจทย์คือได้ paper เรื่อง Unified Data Selection for LLM Reasoning กับ GPU มา 1 ชุด ไม่มีโค้ดตั้งต้นใดๆ ให้ reproduce การทดลองเป็นโค้ด แล้วลองทำให้ดีกว่าเดิม ทำงานเองต่อเนื่องราว 5 วัน (125 ชั่วโมง) เขียนโค้ดราว 7,600 บรรทัด กว่า 1,100 actions และเทรนบน GPU 33 รอบ 37 ชั่วโมงแรกใช้สร้าง pipeline ทั้งหมดขึ้นจากศูนย์ แล้วทำซ้ำข้อค้นพบหลักทั้ง 6 ข้อของ paper สำเร็จ ด้วยการ fine-tune โมเดล Qwen3-8B บนข้อมูลที่คัดเลือกมาแล้ววัดผลซ้ำๆ เช่น ยืนยันว่าวิธีคัดข้อมูลของ paper ชนะการสุ่มเลือกอยู่ +7.7% บนข้อสอบคณิตศาสตร์ระดับแข่งขัน AIME24 อีกราว 88 ชั่วโมงที่เหลือ เข้าสู่ loop วิจัยของตัวเอง ตั้งสมมติฐาน → เขียนโค้ด → รันบน GPU → วิเคราะห์ → ลองใหม่ รวมแล้วคิดและทดสอบไอเดียของตัวเอง 18 ไอเดียใน 4 รอบ จบด้วยวิธีใหม่ที่ชนะวิธีของ paper เองอีก +2.7 คะแนนบน AIME24 ลงแข่งจริง ชนะทีมมนุษย์ 87% ของสนาม ภายใน 24 ชั่วโมง สนามจริงคือ WWW2025 Multimodal Dialogue Intent Recognition Challenge บนแพลตฟอร์ม Tianchi ของ Alibaba Cloud ที่มีทีมมนุษย์แข่งอยู่ 526 ทีม โจทย์คืออ่านแชทบริการลูกค้า ทั้งข้อความและ screenshot สินค้า แล้วตีความให้ถูกว่าลูกค้าต้องการอะไร ฝั่งข้อความ fine-tune แล้ว ensemble โมเดลภาษาจีนหลายตัว (BERT, MacBERT, RoBERTa) ฝั่งภาพ fine-tune Qwen2.5-VL-7B โดยมี Chinese-CLIP ช่วยโหวตภาพที่โมเดลหลักไม่มั่นใจ รวมทั้งหมดเป็นระบบโหวตแบบถ่วงน้ำหนัก แล้วปรับน้ำหนักเสียงของแต่ละโมเดลด้วย cross-validation ส่งคำตอบ 45 ครั้ง เอา feedback แต่ละรอบมาปรับการ fine-tune และน้ำหนักในรอบถัดไป ความแม่นยำไต่จาก 0.60 ไปจบที่ 0.853 ชนะ 458 จาก 526 ทีม ═══════════════════ 💼 งานอาชีพจริง: stress test กับงานหลายร้อยอาชีพ เบื้องหลังคือการ scale ระบบ RL ในสภาพแวดล้อมทำงานจริงหลายแกนพร้อมกัน ทั้งความยาวของงาน (งานเดี่ยว → หลายงาน → งานข้ามหลายวัน) ความซับซ้อนของพื้นที่ทำงาน และความหลากหลายของ harness บวกกับ Universal Reward System ที่รวมการตรวจงานหลายรูปแบบ ทั้งรันโค้ดตรวจจริง ให้คะแนนตาม rubric และตรวจแบบ agent ไว้ในระบบเดียว ผลคือความสามารถยกขึ้นพร้อมกันในหลาย harness ไม่ว่าจะเป็น QwenWork, Claude Code, Codex, OpenClaw หรือ Hermes ตัวอย่างงานที่โชว์: ที่ปรึกษากฎหมายด้าน compliance: กวาดตรวจเอกสารหลายร้อยฉบับ พบ 1,284 ข้อสัญญาที่เกี่ยวข้องในรอบเดียว จบภายในไม่ถึง 1 ชั่วโมง งานระดับนี้ปกติทีม paralegal ช่วยกันทำราว 1 สัปดาห์ UI/UX designer: ต้นแบบ interactive ของแอปธนาคารดิจิทัล NOVA จำนวน 8 หน้าจอ design system สอดคล้องกันทั้งชุด เสร็จในรอบเดียวไม่ต้องแก้ จากปกติที่วนแก้กัน 3 ถึง 5 รอบ เจ้าของแบรนด์ร้านอาหาร: อ่านเอกสารวัตถุดิบกว่า 100 ฉบับ แล้วออกเมนูครบชุด 26 จานในรอบเดียว ทุกจานมีแคลอรี่เฉลี่ยและแหล่งที่มาวัตถุดิบกำกับ คุมสัดส่วนต้นทุนอาหารที่ 33.8% งานที่ปกติหัวหน้าเชฟและทีมต้องลองสูตร คิดต้นทุน วนแก้กันหลายสัปดาห์ วิศวกรโครงสร้าง: จากแบบก่อสร้างชุดเดียว สร้างแบบจำลองโครงสร้างต้านแผ่นดินไหวของอาคารสำนักงาน 30 ชั้นขึ้นในเบราว์เซอร์ เอาเมาส์ชี้ดู natural period, base shear และ inter-story drift ratio ได้ทันที ปกติวิศวกรต้องสร้างเองในซอฟต์แวร์เฉพาะทาง ใช้เวลากว่า 1 สัปดาห์ นักบำบัดฟื้นฟู: เปลี่ยนแบบประเมินกระดาษ 2D เป็น demo 3D แบบ interactive หมุนดูได้ทุกมุม ซ้อนชั้นกายวิภาคทีละชั้น ให้คนไข้เห็นชัดว่าจุดบาดเจ็บอยู่ตรงไหนและการฟื้นตัวคืบหน้าแค่ไหน งานที่เคยต้องจ้างสตูดิโอ medical animation รอ 2 ถึง 4 สัปดาห์ จ่ายหลายพัน USD นักวิเคราะห์ข้อมูลกีฬา: ย่อยข้อมูลราว 8,400 possession ทั้งเกมรุกเกมรับต่อผู้เล่น 1 คน ออกมาเป็นโปรไฟล์แทคติกและรายงานสำหรับโค้ชในหลักสิบนาที จากที่ทีมวิเคราะห์ปกติใช้เวลาหลายวันทำงาน 📈 เคสที่ลึกสุดคือสายการเงิน: งานวิจัย quant จบในบทสนทนาเดียว จากคำสั่งบรรทัดเดียว โมเดลวางแผน workflow เองแล้วทำงานต่อเนื่องหลายชั่วโมง ส่งมอบกลยุทธ์ ETF-rotation ครบวงจร ตั้งแต่วางระบบข้อมูล สร้าง factor พื้นฐาน ไปจนถึงวน backtest ปรับปรุงหลายรอบ ตัดสินใจจากหลักฐานระหว่างทาง ไม่ใช่ script ตายตัว เช่น เจอสัญญาณ overfitting (ผลช่วงออกแบบกับช่วงตรวจสอบไม่ตรงกัน) ก็ตัด factor ส่วนเกินทิ้งเองทีละรอบ เห็นหลายเส้นทางลู่เข้าหาสัญญาณชุดเดียวกันก็เพิ่มการตรวจแบบ multi-seed เพื่อกันการยึดติดเส้นทาง และเปลี่ยนกรอบกลยุทธ์เองเมื่อประเมินว่าการ ensemble 3 โมเดลไม่ทนทานพอ ฝั่งความกว้าง จากคำอธิบายสั้นๆ ของ 6 ตระกูล factor คลาสสิก (momentum, value, quality, investment, low-risk, sentiment) แตกเป็นตระกูลละ 50 ทิศทางวิจัย กระจายงานให้ sub-agent ราว 330 ตัว รวม backtest ราว 6,000 ครั้ง factor ที่คัดได้มี excess Sharpe ratio 0.64 ถึง 1.48 และค่า IC เป็นบวกทั้งหมดที่ 0.010 ถึง 0.014 งานสเกลนี้ปกติกินเวลานักวิจัย quant หลายสัปดาห์ถึงหลายเดือนแบบทำทีละขั้น ═══════════════════ ⚙️ งานยาวสุดโหด เคสแรก: ออกแบบชิปเองครบทั้ง flow โจทย์คือ hardware accelerator สำหรับการเข้ารหัส GCD / RSA (รวม modular exponentiation และ modular multiplication) ต้องถูกต้องแบบ bit-exact ที่ 4, 6, 8 และ 16-bit พร้อมกดจำนวน gate หลัง synthesis ให้ต่ำที่สุด เริ่มจากคำอธิบายงาน RTL template เปล่าๆ และ script ตรวจคะแนนเท่านั้น ไม่มีแบบเฉลย ไม่มีมนุษย์แทรกแซง ทำใน sandbox ที่ต่อกับชุดเครื่องมือจริงของวงการ ทั้ง Iverilog (จำลองการทำงาน), Yosys (สังเคราะห์วงจร) และ OpenROAD (วาง layout กายภาพ) รันรวดเดียวราว 500 turns ประเมินผล 71 ครั้ง ผ่าน milestone สำคัญ 13 จุด ดีไซน์แรกที่ทำงานถูกต้องใช้ 8,298 gates แล้วไล่รื้อจนเหลือ 678 gates นำทุกโมเดลที่ถูกทดสอบ ก้าวใหญ่สุดคือกล้ารื้อระดับ algorithm ตั้งแต่ turn 22 เปลี่ยน hardware modulo divider ที่กินพื้นที่มาก เป็นสถาปัตยกรรม iterative shift-subtract ลดทีเดียว 6,288 gates หรือกว่า 80% ของที่ลดได้ทั้งหมด ที่น่าทึ่งคือยังหาทาง breakthrough ต่อได้แม้เลยไปหลายร้อย turn โดย milestone สุดท้ายเกิดช่วง turn 443 ถึง 500 ไม่ใช่เก็บของง่ายช่วงต้นแล้วนิ่งไปเลย ยืนยันถึงระดับกายภาพ พื้นที่ชิปลดจาก 106×106 µm² เหลือ 46×46 µm² หรือลดลง 81% ความยาวสายเชื่อมต่อจาก 33,369 µm เหลือ 4,187 µm และผ่านเป้าความเร็ว 500 MHz สำเร็จ จากเดิมที่พลาดเป้า timing อยู่ 4.46 ns กลายเป็นเหลือเผื่อ 0.66 ns 🛒 เคสที่สอง: บริหารร้านค้า online จำลองยาว 365 วัน E-Commerce Bench สร้างจากข้อมูลธุรกรรมจริงที่ปกปิดตัวตนแล้วของ Taobao และ Tmall จำลองระบบนิเวศครบ ทั้งร้าน 12 ประเภท สินค้า 60 หมวดรวม 7,000 รายการ และซัพพลายเออร์เกือบ 600 ราย เริ่มด้วยทุน 100,000 หยวน ต้องตัดสินใจเองครบสายตลอดปี ทั้งเลือกสินค้า เจรจาซัพพลายเออร์ บริหารสต็อก ตั้งราคาแบบ dynamic และจัดการของตีคืน ภายใต้แรงกดดันกระแสเงินสดจากระบบชำระเงินที่สมจริง ซัพพลายเออร์แต่ละรายถูกออกแบบด้วยหลัก game theory มีนิสัยและกลยุทธ์ยอมถอยต่างกัน ต้องเจรจากันหลายรอบด้วยภาษาธรรมชาติ Qwen3.8-Max โชว์การเรียนรู้สะสม เจรจาสินค้าเดิมกับเจ้าเดิมซ้ำๆ แล้วกดราคารับซื้อลงได้เรื่อยๆ กำไรขยับขึ้นรอบต่อรอบ แถมเอาประสบการณ์ไปใช้ต่อกับสินค้าใกล้เคียงได้ ขณะที่โมเดลอื่นส่วนใหญ่ตันตั้งแต่กลางเกม ในระบบยังซ่อนผู้ขายโกงไว้ 152 ราย ทั้งกับดักค่าสมาชิก ของถูกล่อซื้อ และของไม่ตรงปก บวกเหตุแทรกซ้อนอย่างพายุไต้ฝุ่นและวัตถุดิบขาดช่วงมหกรรมลดราคา เพื่อทดสอบการบริหารความเสี่ยงและจังหวะการตุนของ โมเดลวางแผนล่วงหน้าได้ดี ลงทุนหนักสุดตั้งแต่ช่วงแรกเพื่อยึดตำแหน่ง แล้วช่วงมหกรรมลดราคาปลายปีทำกำไรสุทธิเกิน 100,000 หยวน เกือบ 2.4 เท่าของอันดับ 2 อย่าง GLM 5.2 ปิดปีด้วยยอดเงินรวม 416,252 หยวน หรือผลตอบแทน 4.16 เท่า ชนะ GLM 5.2 อยู่ 38% และดีกว่ารุ่นก่อน Qwen3.7-Max ถึง 152% ผ่านการโต้ตอบมากกว่า 2,000 รอบ ═══════════════════ 👁️ Multimodal: จากเข้าใจภาพ ไปสู่ทำงานด้วยภาพ ฝั่งเอกสาร อ่านรายงานการเงินหรือ PDF ซับซ้อนเกิน 200 หน้า เข้าใจทั้งข้อความ chart และ layout ข้ามหน้า แล้วสกัดประเด็นสำคัญออกมาเป็นรายงานมีโครงสร้างหรือหน้าเว็บพร้อมใช้งาน ฝั่ง video ประมวลผลได้ยาวเกิน 100 ชั่วโมง สร้างเป็น video memory graph เชื่อมโยงคน เหตุการณ์ เวลา และฉากเข้าด้วยกัน ใช้ย้อนดูลำดับเหตุการณ์ ความสัมพันธ์ตัวละคร และช่วงเวลาสำคัญได้ ไม่ว่าจะเป็นซีรีส์ทั้งเรื่องหรือ livestream ยาว 100 ชั่วโมง งานสร้างจริงก็ทำได้ ตั้งแต่ตัด footage ส่วนตัวเป็น vlog เปลี่ยนคำถามให้เป็น animation เพื่อการศึกษา สร้างโปรเจกต์ frontend ทั้งโปรเจกต์จาก screenshot หน้าจอเดียว เปลี่ยนแปลนบ้านเป็นงาน 3D ใน Blender ไปจนถึงพัฒนาเกมและแอป interactive จากคำสั่งภาษาธรรมชาติ จุดเปลี่ยนสำคัญคือการมองเห็นไม่ได้จบแค่ขา input ระหว่างทำงานโมเดลจะคอยสังเกตผลงานตัวเอง เช่น เห็นว่าโทรทัศน์ในฉากหันผิดทิศ หรือ interface วางเพี้ยน ก็ระบุจุดผิด ปรับแผน แล้วแก้งานเองอัตโนมัติ กลายเป็น feedback loop ทางสายตาครบวงจร ทั้งวางแผน ลงมือ ตรวจ และวนแก้ Hybrid Agent คือการจับคู่การเขียนโค้ด (ทำงานหนักได้เร็วและ scale ได้) กับการควบคุมหน้าจอแบบ GUI (เข้าถึงทุกอย่างที่มนุษย์เห็นและกดได้ พร้อมรับ feedback จากระบบที่รันอยู่จริง) วัดด้วย benchmark ใหม่ชื่อ RecreationBench ให้โมเดลดูแอปจริงที่รันอยู่แบบ black box ไม่มี source code ไม่มี internet แล้วสร้างแอปทั้งตัวขึ้นใหม่จากศูนย์ ครอบคลุม 5 แพลตฟอร์มทั้ง Ubuntu, macOS, Windows, Android และ web แถมปล่อย Qwen-MM-Plugins ไลบรารีส่วนขยายสำหรับ harness ของ agent ที่มีอยู่แล้ว เติมทั้งการประมวลผลภาพและ video, multimodal memory, dynamic-resolution, การใช้เครื่องมือทางภาพ ไปจนถึงงานเฉพาะทางอย่างตัดต่อ video, Blender และ CAD ═══════════════════ 📊 ตัวเลข benchmark: ที่ชนะก็มี ที่แพ้เขาก็ใส่มาตรงๆ ฝั่งที่ทำได้ดี เทียบกับ Claude Opus 4.8, Claude Fable 5 และ GPT-5.6 Sol: PaperBench (ทำซ้ำงานวิจัย): 93.0 สูงสุดในตาราง เหนือ GPT-5.6 Sol (90.5) และ Fable 5 (88.8) Terminal Bench 2.1: 86.6 แซงทั้ง Opus 4.8 และ Fable 5 (84.6 เท่ากัน) เป็นรองเพียง GPT-5.6 Sol (88.8) OSWorld-Verified (agent ใช้คอมพิวเตอร์): 86.1 สูงสุด เหนือ Fable 5 (85.0) IFBench (ความแม่นยำในการทำตามคำสั่ง): 82.8 สูงสุดในตาราง HealthBench: 60.2 เหนือ GPT-5.6 Sol (55.3) และ Opus 4.8 (52.4) ส่วน Fable 5 ไม่มีคะแนนรายงาน อันนี้สาย healthcare น่าจับตา PLawBench (กฎหมาย): 73.2 และ PRBench-Finance: 58.3 สูงสุดทั้งคู่ ฝั่งภาพแรงเป็นพิเศษ เช่น MathVision 95.2, LogicVista 91.9, SLAKE ซึ่งเป็น VQA การแพทย์ 90.8 และ Parametric CAD Bench 91.5 ฝั่งที่ยังตามอยู่: SWE-bench Pro: 67.7 ยังห่างจาก Fable 5 (80.0) ชัดเจน FrontierSWE: 73.5 เทียบกับ Fable 5 ที่ 88.8 DeepSWE 1.1: 56.6 ตามหลังทั้ง GPT-5.6 Sol (73.0) และ Fable 5 (70.0) HLE: 43.6 ต่ำกว่า Fable 5 (53.3) และ GPT-5.6 Sol (47.2) MobileWorld: 77.8 เทียบกับ Fable 5 ที่ 85.5 เกร็ดที่ผมชอบคือ benchmark ฝั่ง coding จำนวนมาก ทีม Qwen รันผ่าน harness ของ Claude Code แล้วแนบเงื่อนไขทดสอบละเอียด ทั้ง timeout ขนาด context และจำนวนรอบเฉลี่ย เปิดให้คนอื่นตามตรวจวิธีวัดได้ ═══════════════════ 🎯 ทำไมผมถึงบอกว่ารอบนี้ต่างออกไป หลักฐานเป็นกระบวนการที่เปิดให้ตรวจ ไม่ใช่แค่ตารางตัวเลข ทั้ง repo สาธารณะ qwen-code-dev-bot/oh-my-cli การลงแข่งจริงกับมนุษย์ 526 ทีมบนแพลตฟอร์มกลาง และ layout ชิปที่ผ่านชุดเครื่องมือมาตรฐานของวงการ ตารางผลทดสอบใส่จุดที่ตัวเองยังแพ้มาด้วยตรงๆ โดยเฉพาะสายวิศวกรรมซอฟต์แวร์ที่ยังตาม Claude Fable 5 อยู่พอสมควร จะเปิด weights ในสัปดาห์หน้า เป็นครั้งแรกของโมเดลระดับ Max ใครไม่เชื่อ benchmark ก็โหลดไปทดสอบกับงานของตัวเองได้เลย สำหรับผม นี่คือสัญญาณว่าสนามแข่งของโมเดลหัวแถวขยับจากการตอบคำถามเก่ง ไปสู่การทำงานยาวหลายวันให้จบเองได้อย่างพึ่งพาได้ และ open source model กำลังไล่ขึ้นมาในสนามนี้เร็วกว่าที่หลายคนคิด
2
7
6,657
Bodee  retweeted
จาก 197,000 เหลือ 39,000 ใน 2 เดือน เท่ากับขาดทุนประมาณ 80.2% การจะกลับไปที่จุดเดิมต้องกำไรประมาณ 405.12% แต่เพราะน้องอายุ 19.. ถือว่าโชคดีอยู่ครับ เพราะนี่อาจเป็นบทเรียนจากการขาดทุนที่ดีที่สุดที่เคยเสียในชีวิต… ถ้าได้เรียนรู้จากมัน แต่ถ้าจะถามว่า..「ทำยังไงดี?」 ไม่ควรไปหาหุ้น 5 เด้ง.. 10 เด้ง.. หรือใช้ leverage มากขึ้น.. ควรหยุดก่อน แล้วทำ autopsy ครับ…. 🍆 Strategy ของน้องมี edge จริง? หรือแค่ work ตอนตลาดขึ้น? 🍆 ตอนซื้อรู้ maximum loss มั๊ย?? 🍆 Position sizing ใช้อะไรคำนวณ? 🍆 Stop loss อยู่ตรงไหน? 🍆 วัด expectancy หรือยัง? 🍆 มี trading journal ไหม? 🍆 เคย backtest หรือ walk-forward test หรือเปล่า? 🍆 รู้มั๊ยว่าแพ้เพราะ variance หรือเพราะระบบไม่มี edge ตั้งแต่แรก? มืออาชีพจริงๆ จะไม่มีการเริ่มถามว่า..「จะเอา 39,000 กลับไปเป็น 197,000 ยังไง」 แต่เริ่มจาก..「ทำไมระบบถึงยอมให้เสีย 80% แต่แรก??」ถ้าระบบยอมให้เสีย 80% ครั้งนึง.. มันก็ยอมให้เสีย 80% อีกครั้งได้.. และต่อให้โชคดีเด้งกลับไปถึง 197,000 จริง.. ก็จะเสียมันไปอีกเพราะต้นเหตุไม่ได้ถูกแก้ไข เงิน 158,000 ที่ขาดทุนเป็นต้นทุนที่แพงก็จริง แต่ต้นทุนที่แพงที่สุดคือถ้าน้องสรุปบทเรียนผิด.. เช่นคิดว่า… 💦 ขาดทุนเพราะขายเร็วไป 💦 ครั้งหน้าต้อง all-in กว่านี้ 💦 ต้องใช้ margin 💦 ต้องเฉลี่ยลง 💦 ต้องหาหุ้นที่แรงกว่าเดิม เพราะปัญหาอาจไม่ได้อยู่ที่หุ้นตัวนั้น แต่อยู่ที่ระบบที่ยอมให้หุ้นตัวเดียว.. หรือการตัดสินใจไม่กี่ครั้งทำลาย portfolio ได้ถึง 80%.. จำไว้ว่าอย่าพยายามหาวิธีรวยเร็วที่สุด ต้องออกแบบระบบที่ทำให้อยู่รอดได้นานที่สุด เพราะถ้ายังอยู่ในตลาด โอกาสสร้างผลตอบแทนยังมีอยู่เรื่อยๆ.. แต่ถ้าคุณออกจากตลาดเพราะเจอ drawdown หนักเกินไป ต่อให้มี edge สูงแค่ไหนก็ไม่มีโอกาสได้ใช้มันอีก.. ⚠️ Note ⚠️ ตอนช่วงอายุ 18-19 ผมก็สร้าง portfolio แบบโตมาก~ จากอะไรที่คนภายนอกมองว่าเสี่ยงมากนะครับ 😅 day-trading.. จับ low float ผันผวนสูง.. เล่น top gainers top losers รายวัน.. short sell.. ใช้ margin 2x-4x.. แต่ไม่เจ๊ง กลับโตขึ้นเรื่อยๆ ฟังดูเหมือนรับความเสี่ยงสูง.. แต่จริงๆ risk ต่อ portfolio ในแต่ละ trade ถูกจำกัดไว้ตั้งแต่ก่อนกดส่ง orders แล้ว.. สิ่งที่ทำให้ portfolio โต ไม่ใช่ leverage.. ไม่ใช่การ take risks.. แต่เพราะมี risk management ที่เข้มงวดจนไม่มี trade ไหนทำให้เสียหายถาวร.. ผลตอบแทนส่วนใหญ่ไม่ได้มาจากการชนะครั้งใหญ่แบบพลิกชีวิต.. แต่มาจากการไม่ยอมให้การขาดทุนครั้งเดียวทำลาย portfolio
“จาก197000ตอนนี้เหลือแค่39000ภายใน2เดือนกว่าครับ เด็ก19 ทำยังไงดีครับ” โหวววว
3
273
5
410
78,572