Alexander Bricken จากทีม Applied AI Research ของ Anthropic ขึ้นบรรยายในหัวข้อ "The thinking lever" ในงาน Anthropic Developer Conference เพื่อเคลียร์ความเข้าใจผิดที่หลายคนมีต่อ Reasoning Model นั่นคือการมอง "Thinking" เป็นเพียงสวิตช์เปิดปิดคำตอบคุณภาพสูง

Bricken ชี้ให้เห็นว่า Thinking เป็นหนึ่งในความสามารถพื้นฐาน (Capability) ของ Claude ควบคู่ไปกับ Tool Calling และการตอบ Text การปิดสวิตช์ Thinking จึงไม่ต่างอะไรกับการตัดความสามารถหลักของระบบทิ้งไปโดยไม่จำเป็น Anthropic จึงออกแบบ 2 กลไกควบคุม ได้แก่ Effort Level (ตั้งแต่ Low ไปจนถึง Max) และ Budget (การจำกัด Max Tokens และ Task Budgets) พร้อมทั้งแนะนำว่าระดับ Extra High คือค่าเริ่มต้นที่คุ้มค่าที่สุด (Pareto-efficient) สำหรับการใช้งานทั่วไป บทความนี้สรุปประเด็นสำคัญทั้งหมดพร้อมแนวทางการเลือกใช้ให้เหมาะกับงานของนักพัฒนา

1. Test-time compute คืออะไร และทำไมจึงเป็นหัวใจของ reasoning model

วิวัฒนาการของ LLM ในช่วงที่ผ่านมา ก้าวเข้าสู่ยุคของ Reasoning Model ที่พึ่งพา Test-time Compute ซึ่งหมายถึงการเปิดให้โมเดลใช้ Token เพิ่มเติมในการประมวลผลและคิดทบทวนก่อนตอบคำถาม ในเชิงวิศวกรรม การเพิ่มประสิทธิภาพของ AI ทำได้ 2 มิติ:

1. Train-time Compute: การเพิ่มขนาดพารามิเตอร์ของโมเดลระหว่างการเทรน (เช่น การขยับจาก Haiku ไป Sonnet และ Opus)
2. Test-time Compute: การให้โมเดลใช้เวลาและ Token เพิ่มขึ้นในขั้นตอนการประมวลผลคำตอบ (Inference Time)

ผลการทดสอบภายในของ Anthropic ชี้ว่า กราฟประสิทธิภาพของทั้งสองแกนวิ่งขนานกัน เมื่อเราให้ Claude ใช้ Token ในการคิดก่อนตอบมากขึ้น คะแนนในชุดทดสอบต่างๆ ไม่ว่าจะเป็น GPQA สำหรับวัดความสามารถด้านการให้เหตุผล, OS World สำหรับการสั่งการคอมพิวเตอร์ หรือ Humanity's Last Exam ซึ่งเป็นข้อสอบระดับปริญญาเอก ล้วนมีคะแนนสูงขึ้นอย่างต่อเนื่องในลักษณะเดียวกับการขยายขนาดโมเดล

2. 3 เสาหลักของ Test-time Compute: Thinking, Tool Calling, Text

Token ที่โมเดลใช้งานในระหว่างประมวลผลคำตอบจะถูกจัดสรรไปยัง 3 ส่วนหลัก:

• Thinking Space: พื้นที่ทดความคิดที่ Claude ใช้สำหรับวิเคราะห์โจทย์ ตรวจสอบเงื่อนไข และวางแผนขั้นตอนก่อนตอบจริง
• Tool Calling: ช่องทางสื่อสารระหว่าง Claude กับระบบภายนอก เช่น การค้นหาเว็บ การเชื่อมต่อ API ภายนอก หรือการเขียนและแก้ไขไฟล์ในระบบ
• Text Output: ข้อความสุดท้ายที่ระบบส่งกลับมาให้ผู้ใช้งาน เช่น สรุปผลงาน หรือคำถามเพิ่มเติมเมื่อต้องการข้อมูล

การใช้ Compute ทั้ง 3 ส่วนนี้แลกมาด้วยต้นทุนค่า Token และเวลาประมวลผล ผู้ใช้จึงจำเป็นต้องมีคันโยกสำหรับควบคุมทรัพยากรให้เหมาะกับระดับความยากของแต่ละงาน

3. สองคันโยกสำหรับควบคุม: Effort Level กับ Budget

Anthropic ออกแบบ 2 เครื่องมือหลักเพื่อให้เรากำหนดทรัพยากรการประมวลผลได้อย่างแม่นยำ:

1. Effort Level: มี 5 ระดับ ได้แก่ Low, Medium, High, Extra High และ Max ยิ่งตั้งระดับไว้สูง โมเดลจะใช้เวลาและ Token ในการคิดวิเคราะห์มากขึ้นเพื่อแลกกับคุณภาพผลลัพธ์ที่ลึกซึ้งยิ่งขึ้น
2. Budget: การกำหนดเพดานอย่างเข้มงวด เช่น การระบุ Max Tokens หรือการใช้ฟีเจอร์ Task Budget ใน Anthropic API เหมาะสำหรับงานแบบ Agent ที่ต้องรันต่อเนื่องยาวนานและต้องการคุมงบประมาณไม่ให้เกินเพดานที่ตั้งไว้

4. การสาธิตจริง: จำลองสัญญาณไฟจราจรบน Opus 4.7

Bricken สาธิตความแตกต่างอย่างชัดเจนด้วยโจทย์เดียวกัน: "สร้าง Simulation รถวิ่งบนถนน One-way ที่มีสัญญาณไฟจราจรให้สมจริง" โดยรันบน Opus 4.7 ที่ระดับ Effort ต่างกัน:

• Low Effort (ใช้เวลาประมาณ 50 วินาที, ราว 4,600 Tokens): ผลลัพธ์เป็นโมเดลจำลองพื้นฐาน รถวิ่งตามเลนและหยุดเมื่อไฟแดง แต่ภาพรวมยังดูเรียบง่ายและเสาไฟจราจรถูกวางไว้กลางถนนอย่างไม่สมเหตุสมผล
• High Effort (ใช้เวลาและ Token เพิ่มขึ้นราว 2 เท่า): รายละเอียดเพิ่มขึ้น มีการแยกประเภทยานพาหนะ เสาไฟจราจรถูกย้ายไปอยู่เหนือถนนอย่างถูกต้อง และพฤติกรรมการขับขี่ของรถแต่ละคันเริ่มตอบสนองต่อสภาพแวดล้อมรอบข้างอย่างเป็นธรรมชาติ
• Max Effort (ใช้เวลาและ Token เพิ่มขึ้นราว 10 เท่าจากระดับ Low): มีรายละเอียดทางฟิสิกส์ครบถ้วน มีฉากเมืองด้านหลัง และการเคลื่อนที่ของรถยนต์สะท้อนการตัดสินใจที่สมจริงที่สุด

ข้อสังเกตสำคัญคือ ความสัมพันธ์ระหว่าง Token ที่ใช้กับคุณภาพที่ได้เป็นแบบ Logarithmic การขยับจาก Extra High ไป Max ใช้ Token เพิ่มขึ้นเป็นเท่าตัว แต่ได้ผลลัพธ์ที่ดีขึ้นเพียงเล็กน้อย (Marginal Gains)

5. ทำไมสวิตช์เปิดปิด Thinking จึงไม่ใช่เครื่องมือที่ดี

หลายคนมองว่า Thinking Toggle เป็นปุ่มเปิดปิดเพื่อเลือกเอาระหว่างความเร็วหรือคุณภาพ แต่ในมุมมองของโมเดล การปิด Thinking เท่ากับการตัดความสามารถในการทดความคิดทิ้งไปทั้งหมด

เปรียบเทียบเหมือนการสั่งงานเพื่อนร่วมงาน เราคงไม่สั่งห้ามไม่ให้เพื่อนคิดในหัวก่อนเริ่มทำงาน แต่เราจะบอกเงื่อนไขของงานและปล่อยให้เขาใช้ความคิดตามความเหมาะสมกับความยากง่ายของโจทย์

Anthropic จึงพัฒนาจากการคิดรอบเดียวในตอนเริ่มต้น (Standard Thinking) มาสู่การคิดคั่นระหว่างการเรียกใช้เครื่องมือ (Interleaved Thinking) และก้าวสู่ Adaptive Thinking ที่เปิดทางให้ Claude ตัดสินใจได้เองว่าจะคิด จะเรียกใช้ Tool หรือจะตอบ Text ในลำดับใดก็ได้ตามความเหมาะสม

6. แนวทางการเลือกระดับ Effort ให้เหมาะกับงาน

Decision Matrix สำหรับการเลือกใช้ Effort ในแต่ละสถานการณ์:

• Max: เหมาะกับงานที่ซับซ้อนอย่างยิ่งและต้องการความสามารถในการให้เหตุผลระดับสูงสุดเท่านั้น ไม่แนะนำให้ใช้เป็นค่าเริ่มต้นเพราะกิน Token สูงมากเมื่อเทียบกับผลลัพธ์ที่เพิ่มขึ้น
• Extra High: เป็นค่าเริ่มต้นของ Claude Code และ claude.ai ถือเป็นจุดสมดุลที่ดีที่สุดระหว่างความฉลาด ความเร็ว และปริมาณ Token (Pareto-efficient)
• High: เหมาะสำหรับงานที่ต้องการการคิดวิเคราะห์อย่างรอบคอบ แต่ยังต้องการความเร็วในการตอบสนอง
• Medium และ Low: เหมาะสำหรับงานที่เน้นความเร็วและไม่ได้พึ่งพาการให้เหตุผลที่ซับซ้อน เช่น การจัดหมวดหมู่ข้อมูล (Classification), การสรุปเนื้อหา (Summarization) และการดึงข้อมูลจากเอกสาร (Data Extraction)

7. Model Size ปะทะ Effort: ข้อสรุปที่ขัดกับสัญชาตญาณ

เมื่อมีงบประมาณจำกัด คำถามที่พบบ่อยคือ ควรเลือกโมเดลเล็กที่ตั้ง Effort สูง หรือเลือกโมเดลใหญ่ที่ตั้ง Effort ต่ำ

Bricken แสดงผลการทดสอบเปรียบเทียบระหว่าง Opus 4.7 กับ Haiku 4.5 ภายใต้โจทย์เดียวกัน พบว่าแม้ Haiku จะใช้เวลาน้อยกว่าและใช้ Token พอๆ กัน แต่คุณภาพผลลัพธ์ของโมเดลขนาดใหญ่เหนือกว่าอย่างเห็นได้ชัด

ข้อสรุปคือ หากงานต้องการความสามารถในการคิดวิเคราะห์ โมเดลขนาดใหญ่ที่ตั้ง Effort ระดับต่ำ จะให้ผลลัพธ์ที่ดีกว่าโมเดลขนาดเล็กที่ตั้ง Effort ระดับสูงสุด ดังนั้น หากไม่มีผลการประเมินภายในที่ชัดเจน การเลือกใช้โมเดลใหญ่ควบคู่กับการปรับ Effort ให้เหมาะสม จึงเป็นทางเลือกที่ปลอดภัยกว่า

8. การนำไปปรับใช้กับงานจริงของนักพัฒนา

การจัดสรร Effort Level ให้สอดคล้องกับลักษณะงาน:

• Refactor โค้ดทั้งระบบ หรือไล่แก้ Race Condition ที่ซับซ้อน → ใช้ Extra High หรือ Max (เฉพาะจุดที่แก้ไม่ตก)
• ร่างเอกสารสถาปัตยกรรมระบบ หรือเขียน Standard Operating Procedure → ใช้ High หรือ Extra High เพื่อการเรียบเรียงที่มีโครงสร้างชัดเจน
• จัดหมวดหมู่คอมเมนต์ภาษาไทย 200 รายการ → ใช้ Low หรือ Medium เพราะเน้นความเร็วเป็นหลัก
• สรุปประเด็นจากการประชุม 30 หน้า ให้เหลือ 10 บูลเล็ต → ใช้ Low หรือ Medium
• ดึงข้อมูลจากใบเสร็จ 100 ใบ แปลงเป็น JSON Schema → ใช้ Low เพราะเป็นงานสกัดข้อมูลตรงไปตรงมา
• สร้างระบบ Agentic ทำงานต่อเนื่องหลายวันพร้อม Deploy → ใช้ Extra High ร่วมกับการตั้ง Task Budget เพื่อคุมเพดานค่าใช้จ่าย
• Vibe Coding สร้างโปรเจกต์ทดลองเร็วๆ ภายในครึ่งชั่วโมง → ใช้ Extra High ตามค่าเริ่มต้นของระบบ

9. ก้าวต่อไป: การตั้งงบประมาณแล้วให้ AI บริหารจัดการเอง

เป้าหมายระยะยาวของ Anthropic คือการพัฒนาไปสู่ระบบที่ผู้ใช้เพียงระบุเป้าหมายและงบประมาณ (Compute Budget) เช่น กำหนดว่างวดนี้ต้องทำให้เสร็จใน 1 สัปดาห์ภายใต้งบที่กำหนด แล้วปล่อยให้ Claude ประเมินและจัดสรร Token ให้กับแต่ละงานย่อยด้วยตัวเอง

ในการทดสอบ METR ล่าสุด โมเดลอย่าง Mythos สามารถรับงานระดับที่เทียบเท่ามนุษย์ต่อเนื่องได้นานถึง 16 ชั่วโมง นี่คือผลลัพธ์ของการผสานการเติบโตของโมเดลเข้ากับประสิทธิภาพของ Test-time Compute

10. สรุป

Thinking ไม่ใช่สวิตช์เปิดปิด แต่เป็นความสามารถหลักที่ทำงานร่วมกับเครื่องมืออื่นๆ การทำความเข้าใจคันโยกควบคุมทั้ง Effort Level และ Budget จะช่วยให้นักพัฒนาสามารถดึงศักยภาพสูงสุดของโมเดลออกมาได้โดยไม่สิ้นเปลืองทรัพยากรเกินจำเป็น โดยมีหลักจำง่ายๆ คือ เริ่มต้นที่ Extra High สำหรับงานทั่วไป และลดลงมาที่ Low หรือ Medium เมื่อเป็นงานสกัดหรือจัดหมวดหมู่ข้อมูล