Nova (Amazon) (TH)

Amazon Nova — กลุ่มโมเดลพื้นฐาน (Foundation Models, FM) และโมเดลภาษาขนาดใหญ่ (Large Language Model, LLM) ที่พัฒนาโดยหน่วยงาน Amazon Artificial General Intelligence (AAG Intelligence) และเข้าถึงได้ผ่านบริการที่จัดการครบวงจรอย่าง Amazon Bedrock กลุ่มโมเดลนี้ครอบคลุมโมเดลสำหรับการทำความเข้าใจและสร้างข้อความ การประมวลผลรูปภาพ วิดีโอ และเอกสาร ตลอดจนการสังเคราะห์และจดจำเสียงพูด Amazon Nova ได้รับการวางตำแหน่งให้เป็นตัวแทนของโมเดลรุ่นก่อนหน้าอย่าง Amazon Titan และถูกผนวกรวมเข้ากับระบบนิเวศคลาวด์ Amazon Web Services (AWS)

ประวัติและลำดับเวลาของการพัฒนา

ก่อนการเปิดตัว Nova แพลตฟอร์ม Amazon Bedrock ให้การเข้าถึงโมเดลของบุคคลที่สาม ได้แก่ Anthropic Claude, Meta Llama, Mistral และอื่นๆ Amazon Nova กลายเป็นกลุ่มโมเดลพื้นฐานที่พัฒนาโดย AWS เองกลุ่มแรก ซึ่งมุ่งเน้นการใช้งานเชิงพาณิชย์ภายในโครงสร้างพื้นฐานคลาวด์

รุ่นที่หนึ่ง (2024–2025)

รุ่นแรกของกลุ่มโมเดล Amazon Nova ได้รับการเปิดตัวอย่างเป็นทางการเมื่อวันที่ 3 ธันวาคม 2024 ในงานประชุม AWS re:Invent 2024 การเปิดตัวครั้งแรกประกอบด้วยโมเดลทำความเข้าใจ (understanding models) สามรุ่น ได้แก่ Nova Micro (รองรับเฉพาะข้อความ) รวมถึง Nova Lite และ Nova Pro ที่เป็น multimodal นอกจากนี้ยังมีโมเดลสร้างสรรค์ Nova Canvas (สำหรับสร้างภาพ) และ Nova Reel (สำหรับสร้างวิดีโอ)

ในเดือนเมษายน 2025 กลุ่มโมเดลได้รับการเสริมด้วยโมเดลเรือธงอย่าง Nova Premier ซึ่งเป็นโมเดลที่ทรงพลังที่สุดในกลุ่ม มี context window ขนาด 1 ล้าน token เหมาะสำหรับงานที่ต้องการการให้เหตุผลที่ซับซ้อนและการทำ distillation (การถ่ายโอนความรู้จากโมเดลขนาดใหญ่ไปยังโมเดลขนาดเล็ก) ในช่วงเวลาเดียวกันในเดือนเมษายน 2025 ได้มีการเปิดตัว Nova Sonic ซึ่งเป็นโมเดลเสียงประเภท speech-to-speech ที่รองรับการโต้ตอบแบบเรียลไทม์

รุ่นที่สอง — Nova 2 (2025–2026)

ในช่วงเดือนพฤศจิกายน–ธันวาคม 2025 ในงานประชุม AWS re:Invent 2025 ได้มีการประกาศรุ่นที่สอง — Amazon Nova 2 กลุ่มโมเดลนี้ประกอบด้วยโมเดล Nova 2 Lite และ Nova 2 Pro ที่อัปเดตแล้ว พร้อมรองรับ dynamic reasoning และการประมวลผล context ที่ขยายออกไป โมเดล multimodal แบบ native อย่าง Nova 2 Omni (รองรับการประมวลผลและสร้างข้อความ รูปภาพ วิดีโอ และเสียงพร้อมกัน) รวมถึง Nova 2 Sonic ซึ่งเป็นโมเดลเสียงรุ่นถัดไป ในเวลาเดียวกันได้มีการเปิดตัวบริการ Nova Forge (สภาพแวดล้อมสำหรับการฝึกอบรมโมเดลแบบกำหนดเอง) และ Nova Act (framework สำหรับ agentic workflow)

ในเดือนกุมภาพันธ์ 2026 ได้มีการเผยแพร่รายงานทางเทคนิคอย่างเป็นทางการของ Amazon Nova 2

ลำดับเวลาโดยสรุป

วันที่	เหตุการณ์
ธันวาคม 2024	ประกาศเปิดตัว Amazon Nova ที่งาน AWS re:Invent 2024: Nova Micro, Lite, Pro, Canvas, Reel
เมษายน 2025	เปิดตัว Nova Premier (context 1M token) และ Nova Sonic (speech-to-speech)
มิถุนายน 2025	เผยแพร่รายงานทางเทคนิครุ่นแรก (arXiv:2506.12103)
พฤศจิกายน–ธันวาคม 2025	ประกาศเปิดตัว Nova 2 ที่งาน AWS re:Invent 2025: Nova 2 Lite, 2 Pro, 2 Omni, 2 Sonic, Nova Forge, Nova Act
กุมภาพันธ์ 2026	เผยแพร่รายงานทางเทคนิค Amazon Nova 2

รากฐานทางทฤษฎีและสถาปัตยกรรม

สถาปัตยกรรมพื้นฐานของโมเดล understanding

ตามรายงานทางเทคนิค arXiv:2506.12103 โมเดลทำความเข้าใจ (Nova Micro, Lite, Pro, Premier) ใช้สถาปัตยกรรม transformer ตามที่อธิบายในงานวิจัยของ Vaswani et al. กลไกพื้นฐานของ Multi-Head Self-Attention อธิบายด้วยสูตร:

$\mathrm{Attention}(Q,K,V)=\mathrm{softmax}\left(\frac{Q{K}^{o}p}{\sqrt{d_k}}\right)V$

โดยที่ $Q$, $K$, $V$ คือเมทริกซ์ queries, keys และ values ตามลำดับ และ $d_k$ คือมิติของ keys

พารามิเตอร์สถาปัตยกรรมที่แน่นอน (จำนวนชั้น ขนาด hidden state จำนวน attention heads และจำนวนพารามิเตอร์ทั้งหมด) ยังไม่ได้เปิดเผยในแหล่งข้อมูลสาธารณะ ณ เดือนมีนาคม 2026 ซึ่งเป็นแนวทางที่พบได้ทั่วไปในโมเดลเชิงพาณิชย์แบบปิด

การประมวลผล multimodal ใน Nova Lite และ Nova Pro ทำได้โดยการรวม token ของข้อความ รูปภาพ และวิดีโอเข้าเป็น sequence เดียวที่ป้อนเข้าสู่โมเดลภาษาเดียว vision encoders จะแปลงรูปภาพและเฟรมวิดีโอให้เป็น sequence ของ token ที่เข้ากันได้กับการแทนค่าข้อความ

สถาปัตยกรรมของโมเดลสร้างสรรค์

โมเดลสร้างสรรค์ Nova Canvas (รูปภาพ) และ Nova Reel (วิดีโอ) ใช้สถาปัตยกรรม Latent Diffusion Models (LDM) ร่วมกับ Variational AutoEncoder (VAE) สำหรับการคำนวณในปริภูมิ latent กระบวนการ diffusion อธิบายด้วยสมการการเติมสัญญาณรบกวนแบบก้าวหน้า:

$x_t=\sqrt{{\overline{\alpha }}_t}{x}_0+\sqrt{1-{\overline{\alpha }}_t}ϵ,ϵ\sim 𝒩(0,I)$

โดยที่ $x_0$ คือภาพต้นฉบับใน latent space, $x_t$ คือเวอร์ชันที่เติมสัญญาณรบกวนแล้ว ณ ขั้นตอน $t$, ${\overline{\alpha }}_t$ คือพารามิเตอร์สะสมของ noise schedule และ $ϵ$ คือสัญญาณรบกวน Gaussian มาตรฐาน text encoder ทำหน้าที่ conditioning — การกำหนดเงื่อนไขของการสร้างบน text prompt

สถาปัตยกรรมของโมเดลเสียง

Nova Sonic ใช้สถาปัตยกรรมที่แตกต่างจากโมเดลข้อความ โดยรวม speech encoder เฉพาะทาง, speech renderer (decoder) และโมเดลภาษา multimodal หลักเข้าเป็น end-to-end pipeline เดียว สิ่งนี้ช่วยให้สามารถประมวลผลเสียงพูดและสร้างเสียงพูดเป็นผลลัพธ์ได้โดยไม่ต้องแปลงเป็นข้อความในระหว่างกระบวนการ (แม้ว่าการแทนค่าข้อความจะถูกใช้ภายในเพื่อรับประกันคุณภาพ)

โครงสร้างพื้นฐานการฝึกอบรม

การฝึกอบรมโมเดล Nova ดำเนินการบนคลัสเตอร์แบบกระจาย AWS Elastic Kubernetes Service (EKS) โดยใช้ตัวเร่งประมวลผล AI ของ Amazon เองอย่าง Amazon Trainium (instances TRN1) รวมถึง GPU อย่าง NVIDIA A100 และ H100

เพื่อลดต้นทุนการคำนวณในระหว่างการฝึกอบรม ได้มีการพัฒนาและนำวิธีการเพิ่มประสิทธิภาพเฉพาะทางมาใช้:

• Super-Selective Activation Checkpointing (SSC) — วิธีการบันทึก activation ซึ่งตามรายงานทางเทคนิค สามารถลดการใช้หน่วยความจำ GPU ได้ประมาณ 50% โดยมีค่าใช้จ่ายในการคำนวณซ้ำ (recomputation) น้อยมาก
• In-CPU-Memory Checkpointing — การแคช intermediate weights (checkpoints) ใน RAM ของ CPU ก่อนที่จะอัปโหลดแบบ asynchronous ไปยังพื้นที่จัดเก็บคลาวด์ Amazon S3 ตามข้อมูลของ Amazon แนวทางนี้ช่วยลดเวลาในการบันทึกสถานะโมเดลเหลือเพียง 0.1 วินาที บน instances ที่ใช้ TRN1

Pipeline การฝึกอบรมและการปรับแนว

กระบวนการฝึกอบรมโมเดล Nova ประกอบด้วยหลายขั้นตอนที่เป็นลักษณะเฉพาะของ LLM สมัยใหม่:

Pre-training - การฝึกอบรมเบื้องต้น

การฝึกอบรมขนาดใหญ่บน corpus ข้อมูลหลายภาษาและหลาย modality ที่ครอบคลุมมากกว่า 200 ภาษา ส่วนประกอบที่แน่นอนของข้อมูลฝึกอบรม (ปริมาณ สัดส่วนของภาษา แหล่งที่มาเฉพาะเจาะจง) ไม่ได้ระบุในเอกสารสาธารณะ

Supervised Fine-Tuning (SFT) - การ fine-tuning แบบมีผู้ดูแล

การ fine-tuning บนตัวอย่างคู่ "คำสั่ง — คำตอบ" ที่มีการระบุป้ายกำกับ เพื่อให้โมเดลทำตามคำสั่งของผู้ใช้

การปรับแนวด้วย Reinforcement Learning

สำหรับการปรับแนวพฤติกรรมของโมเดลให้สอดคล้องกับความต้องการของมนุษย์ ใช้อัลกอริธึมหลักสองแบบ:

Proximal Policy Optimization (PPO) — อัลกอริธึม Reinforcement Learning from Human Feedback (RLHF) ที่ใช้โมเดลรางวัล (Reward Model) แยกต่างหาก

Direct Preference Optimization (DPO) — วิธีการปรับแนวทางเลือกที่ไม่ต้องการโมเดลรางวัลแบบชัดเจน ฟังก์ชันวัตถุประสงค์ของ DPO มีรูปแบบ:

${ℒ}_{\mathrm{D}\mathrm{P}\mathrm{O}}({\pi }_{h}eta;{\pi }_{\mathrm{r}\mathrm{e}\mathrm{f}})=-{𝔼}_{(x,y_w,y_l)\sim 𝒟}[\log \sigma (\beta \log \frac{{\pi }_{h}eta(y_w\mid x)}{{\pi }_{\mathrm{r}\mathrm{e}\mathrm{f}}(y_w\mid x)}-\beta \log \frac{{\pi }_{h}eta(y_l\mid x)}{{\pi }_{\mathrm{r}\mathrm{e}\mathrm{f}}(y_l\mid x)})]$

โดยที่:

• ${\pi }_{h}eta$ — นโยบายที่มีพารามิเตอร์ (โมเดลที่กำลังฝึก);
• ${\pi }_{\mathrm{r}\mathrm{e}\mathrm{f}}$ — โมเดลอ้างอิงพื้นฐาน (แช่แข็ง);
• $x$ — prompt อินพุต (บริบท);
• $y_w$ และ $y_l$ — คำตอบที่ต้องการ (winner) และที่ถูกปฏิเสธ (loser) ตามลำดับ;
• $\sigma$ — ฟังก์ชัน logistic (sigmoid);
• $\beta$ — hyperparameter ที่ควบคุมความแรงของบทลงโทษสำหรับการเบี่ยงเบนจากโมเดลพื้นฐาน (คล้ายกับ KL-divergence penalty)

องค์ประกอบของกลุ่มโมเดล

กลุ่มโมเดลถูกแบ่งออกเป็น tiers ตามสมดุลระหว่างประสิทธิภาพ ต้นทุน และ latency

โมเดล understanding รุ่นที่หนึ่ง

พารามิเตอร์	Nova Micro	Nova Lite	Nova Pro	Nova Premier
Modality อินพุต	ข้อความ	ข้อความ รูปภาพ วิดีโอ	ข้อความ รูปภาพ วิดีโอ	ข้อความ รูปภาพ วิดีโอ
Modality เอาต์พุต	ข้อความ	ข้อความ	ข้อความ	ข้อความ
Context window	128K token	300K token	300K token	1M token
จำนวน token เอาต์พุตสูงสุด	10K	10K	10K	10K
ภาษาที่รองรับ	200+	200+	200+	200+
รองรับ fine-tuning	ใช่	ใช่	ใช่	ไม่ใช่
วันที่เปิดตัว	ธันวาคม 2024	ธันวาคม 2024	ธันวาคม 2024	เมษายน 2025
วัตถุประสงค์หลัก	latency และต้นทุนต่ำสุดสำหรับงานข้อความ	การวิเคราะห์ multimodal ขั้นพื้นฐาน	สมดุลที่ดีที่สุดสำหรับงานตรรกะที่ซับซ้อนและงาน agentic	ความแม่นยำสูงสุด เป็นโมเดลครูสำหรับ distillation

แหล่งที่มา: AWS AI Service Cards; arXiv:2506.12103.

ภาษาที่ได้รับการปรับแต่ง (15 ภาษา): อังกฤษ เยอรมัน สเปน ฝรั่งเศส อิตาลี ญี่ปุ่น เกาหลี อาหรับ จีน (ตัวย่อ) รัสเซีย ฮินดี โปรตุเกส ดัตช์ ตุรกี และฮีบรู

Nova Premier ถูกออกแบบมาสำหรับงานที่ต้องการความเข้าใจบริบทเชิงลึก การวางแผนหลายขั้นตอน และการทำงานกับข้อมูลปริมาณมาก เช่น codebase เอกสารที่มีความยาวมากกว่า 400 หน้า และวิดีโอที่มีความยาวนานถึง 90 นาที

โมเดลรุ่นที่สอง (Nova 2)

Nova 2 Lite และ Nova 2 Pro เปิดตัวในเดือนพฤศจิกายน–ธันวาคม 2025 ทั้งสองรองรับ extended thinking — กลไกที่โมเดลดำเนินการให้เหตุผลหลายขั้นตอนก่อนสร้างคำตอบ ความลึกของการให้เหตุผลควบคุมได้ด้วยพารามิเตอร์ reasoning_effort ที่มีระดับ low, medium และ high context window ขยายเป็น 1 ล้าน token มีเครื่องมือแบบ native ในตัว ได้แก่ การค้นหาเว็บพร้อมการยืนยัน (web grounding) และ code interpreter

Nova 2 Omni — โมเดล multimodal แบบ native ที่สามารถรับข้อความ รูปภาพ วิดีโอ และเสียงเป็นอินพุตพร้อมกัน และสร้างข้อความและรูปภาพเป็นเอาต์พุต context window ขนาด 1M token

Nova 2 Sonic — โมเดลเสียงรุ่นถัดไป รองรับ 6 ภาษา ได้แก่ อังกฤษ (สำเนียงอเมริกันและอังกฤษ) สเปน เยอรมัน ฝรั่งเศส และอิตาลี นำเสนอ asynchronous tool calling — โมเดลยังคงประมวลผลอินพุตใหม่ในขณะที่เครื่องมือภายนอกทำงานอยู่เบื้องหลัง

พารามิเตอร์	Nova 2 Lite	Nova 2 Pro	Nova 2 Omni	Nova 2 Sonic
Modality อินพุต	ข้อความ รูปภาพ วิดีโอ	ข้อความ รูปภาพ วิดีโอ	ข้อความ รูปภาพ วิดีโอ เสียง	เสียง (คำพูด)
Modality เอาต์พุต	ข้อความ	ข้อความ	ข้อความ รูปภาพ	เสียง (คำพูด)
Context window	1M token	1M token	1M token	300K token
Extended thinking	ใช่	ใช่	ใช่	—
เครื่องมือ native	Web grounding, Code interpreter	Web grounding, Code interpreter	—	Asynchronous tool calling
วันที่เปิดตัว	พฤศจิกายน–ธันวาคม 2025	พฤศจิกายน–ธันวาคม 2025	ธันวาคม 2025	ธันวาคม 2025

แหล่งที่มา: AWS Blog; Amazon Science.

โมเดลสร้างสรรค์

Nova Canvas — โมเดลสร้างภาพ รองรับอินพุตแบบข้อความและกราฟิก (PNG, JPEG) ความละเอียดเอาต์พุตสูงสุด 4.19 ล้านพิกเซล (เช่น 2048×2048 หรือ 2816×1536 พิกเซล) ความยาว prompt สูงสุด 1,024 อักขระ รองรับการดำเนินการ inpainting (การแทนที่บริเวณในภาพ) และ outpainting (การขยายภาพออกไปนอกขอบเขต)

Nova Reel — โมเดลสร้างวิดีโอ ความละเอียดเอาต์พุต: 1280×720 ที่ 24 เฟรมต่อวินาที ความยาวของวิดีโอที่สร้างได้สูงสุด 6 วินาที รองรับการควบคุมการเคลื่อนไหวของกล้อง (camera control) การเข้าถึงทำผ่าน asynchronous API (Asynchronous Invoke Model API)

โมเดลเสียง

Nova Sonic (เมษายน 2025) — โมเดลเสียงที่มี bidirectional stream API รองรับ function calling และการยึดโยงกับข้อมูลองค์กรผ่าน Retrieval-Augmented Generation (RAG) ฟังก์ชัน watermarking ถูกเปิดใช้งานโดยค่าเริ่มต้น ระยะเวลาการเชื่อมต่อสูงสุด 8 นาที พร้อมความสามารถในการเชื่อมต่อใหม่ และสูงสุด 20 การเชื่อมต่อพร้อมกันต่อลูกค้า (ค่าเริ่มต้น)

Nova 2 Sonic (ธันวาคม 2025) — โมเดลเสียงรุ่นถัดไป พร้อมการจดจำที่ดีขึ้นสำหรับคำพูดสั้น เสียงโทรศัพท์ (8 kHz) และสำเนียงต่างๆ

การประเมินผลและ benchmark

การประเมินโมเดล Nova ดำเนินการโดยใช้ benchmark อัตโนมัติ รวมถึงแนวทาง "LLM-as-a-judge" (การใช้โมเดลภาษาเป็นผู้ประเมิน) ตามการศึกษาของ HKU SPACE AI Hub เมตริก Arena-Hard-Auto แสดงความสัมพันธ์ 98.6% กับการประเมินของผู้เชี่ยวชาญ

Benchmark รุ่นที่หนึ่ง

ข้อมูลจากรายงานทางเทคนิค arXiv:2506.12103 (เงื่อนไข: ผลลัพธ์ของผู้พัฒนาโมเดลคู่แข่งที่เผยแพร่ในช่วงเวลาที่จัดทำรายงาน):

Benchmark	Nova Pro	Nova Lite	Nova Micro	Claude 3.5 Sonnet (Oct 2024)	GPT-4o (Nov 2024)
MMLU (5-shot)	—	80.5	77.6	—	—
MATH (4-shot)	—	73.3	69.3	—	—
IFEval	—	87.5	87.2	—	—
MT-Bench (text)	79.7	77.7	—	76.7	77.5
MT-Bench (multimodal)	63.7	60.7	—	61.6	55.0

แหล่งที่มา: arXiv:2506.12103, ตาราง 2.1.1.

ผลลัพธ์แสดงให้เห็นลำดับชั้นของประสิทธิภาพภายในกลุ่มโมเดล (Premier > Pro > Lite > Micro) ช่องว่างที่เห็นได้ชัดที่สุดอยู่ในหมวดคณิตศาสตร์ (Math) และการให้เหตุผล (Reasoning) ในขณะที่งาน Roleplay และ Extraction โมเดลรุ่นเล็กให้ผลลัพธ์ใกล้เคียงกับรุ่นใหญ่

Benchmark รุ่นที่สอง (Nova 2)

ข้อมูลจากรายงานทางเทคนิค Amazon Nova 2 (เงื่อนไข: internal measurements, 0-shot / CoT ตามที่ระบุ):

Benchmark	Nova 2 Lite	Nova 2 Pro	Claude Haiku 4.5	GPT-5 Mini	Gemini 2.5 Flash
MMLU-Pro (acc)	80.9	81.6	80.0	83.7	83.2
GPQA-Diamond (acc)	79.6	81.4	73.0	82.3	82.8
AIME 2025 (acc)	91.0	92.3	80.7	91.1	72.0
LongCodeBench 1M (acc)	84.0	84.0	—	—	78.0

แหล่งที่มา: Amazon Nova 2 Technical Report, ตาราง 1.

Benchmark เชิง agentic (Nova 2 Pro): SWE-Bench Verified — 70.0%; τ²-bench Verified Telecom — 92.7%

Benchmark multimodal (Nova 2 Omni): VideoMME — 77.9%; MMMU Pro — 61.4%

ในการประเมินงานสนับสนุนทางเทคนิค Nova 2 Lite ได้คะแนน 9.63 ± 0.27 จากสิบคะแนนในเมตริก "การระบุปัญหา" (Problem Identification) ซึ่งดีกว่า Nova Lite รุ่นแรกอย่างมีนัยสำคัญ (8.57 ± 0.46)

หมายเหตุ: ในการเปรียบเทียบผลลัพธ์กับโมเดลคู่แข่ง จำเป็นต้องคำนึงว่าเงื่อนไขการ prompting เวอร์ชันของโมเดล และวันที่วัดค่าเมตริกอาจแตกต่างกัน benchmark ของรุ่นแรกและรุ่นสองได้มาจากรายงานของ Amazon เอง การตรวจสอบอิสระ (FloTorch, Artificial Analysis) โดยทั่วไปยืนยันอัตราส่วนราคาต่อประสิทธิภาพที่อ้างไว้ แต่บางเมตริกด้านความแม่นยำบันทึกการล้าหลังจากคู่แข่งชั้นนำ

ความเร็วในการประมวลผล

ตามการวัดภายในของ Amazon (internal, ผ่าน Bedrock API):

โมเดล	ความเร็วในการประมวลผล (token/วินาที)
Nova Micro	≈210
Nova Lite	≈157
Nova Pro	≈100
Nova 2 Omni	>200

ต้นทุนการใช้งาน

โมเดลทั้งหมดสามารถเข้าถึงได้ผ่าน Amazon Bedrock ในรูปแบบการชำระเงินตามจำนวน token ที่ประมวลผล (ข้อมูล ณ เดือนมีนาคม 2026):

โมเดล	Token อินพุต (USD / 1M)	Token เอาต์พุต (USD / 1M)
Nova Micro	$0.035	$0.14
Nova Lite	≈$0.06	≈$0.24
Nova Pro	$0.80	$3.20
Nova Premier	$2.50	$12.50

เพื่อการเปรียบเทียบ: Anthropic Claude 3.5 Sonnet ในช่วงเวลาที่เปิดตัว Nova มีราคา $6.00 / 1M token อินพุต และ $30.00 / 1M token เอาต์พุต

การกำหนดเองและ fine-tuning

โครงสร้างพื้นฐานของ AWS มีวิธีการหลายอย่างสำหรับการปรับโมเดลพื้นฐาน Nova ให้เหมาะกับโดเมนเฉพาะทาง เครื่องมือหลักสำหรับรุ่นที่สองคือสภาพแวดล้อม Amazon Nova Forge

Continued Pre-Training (CPT) และ Mid-Training

Nova Forge เปิดให้เข้าถึง intermediate checkpoints ของการฝึกอบรมโมเดล (เช่น pretraining‑text‑RD และ pretraining‑text‑CE) ซึ่งช่วยให้สามารถดำเนินการ self-supervised learning ต่อได้บนชุดข้อมูลองค์กรด้วยการปรับ learning rate อย่างระมัดระวังเพื่อป้องกัน catastrophic forgetting

Parameter-Efficient Fine-Tuning (PEFT)

การอัปเดตเฉพาะชุดน้ำหนักขนาดเล็กของโมเดลผ่าน adapter แบบ low-rank — Low-Rank Adaptation (LoRA) แนวทางนี้ลดความต้องการทรัพยากรการคำนวณลงอย่างมากเมื่อเทียบกับ full fine-tuning รองรับ multimodal fine-tuning สำหรับ Nova Lite และ Pro

Reinforcement Fine-Tuning (RFT)

โมเดลที่กำหนดเองสามารถ fine-tuning เพิ่มเติมด้วยวิธี Reinforcement Learning โดยอิงจากเมตริกรางวัลเฉพาะอุตสาหกรรม รวมถึงการใช้ LLM อีกตัวเป็นโมเดลตัดสิน (LLM-as-a-judge)

การ distillation โมเดล (Model Distillation)

ฟังก์ชัน Model Distillation ช่วยให้ใช้ Nova Premier หรือ Nova Pro เป็นโมเดลครู (teacher model) เพื่อฝึกโมเดลนักเรียน (student models) ขนาดเล็กกว่า ได้แก่ Nova Lite และ Nova Micro ซึ่งช่วยลดต้นทุนการคำนวณในการ inference ขณะที่ยังคงรักษาคุณภาพส่วนใหญ่ของโมเดลขนาดใหญ่

การประยุกต์ใช้และการผนวกรวม

โมเดล Nova ถูกผนวกรวมเข้ากับบริการคำนวณของ Amazon (AWS Step Functions, AWS Lambda, Amazon Q Developer) สถานการณ์การใช้งานหลักที่มีเอกสารประกอบ:

Agentic Workflows - กระบวนการทำงานแบบ agentic

การดำเนินงานหลายขั้นตอนโดยใช้ Bedrock Agents และการเรียกใช้เครื่องมือภายนอก (function calling) โดยใช้รูปแบบสถาปัตยกรรม ReAct (Reasoning and Acting) ร่วมกับ framework อย่าง LangGraph โมเดล Nova ประสานงานการวิเคราะห์ฐานข้อมูล สร้าง SQL query จากภาษาธรรมชาติ และจัดการกระบวนการที่ซับซ้อน Nova Act รองรับการทำงานอัตโนมัติของ browser UI workflow พร้อมความน่าเชื่อถือที่อ้างไว้ที่ 90% สำหรับงานของผู้ใช้ในระยะเริ่มต้น

Retrieval-Augmented Generation (RAG) - การสร้างเนื้อหาโดยใช้ข้อมูลภายนอก

การผนวกรวมกับ Bedrock Knowledge Bases สำหรับการ grounding คำตอบบนข้อมูลองค์กร โมเดล Nova 2 รองรับ web grounding แบบ native เป็นเครื่องมือในตัว

การประมวลผลเอกสาร

รูปแบบเอกสารอินพุตที่รองรับ: PDF, CSV, DOC, DOCX, XLS, XLSX, HTML, TXT, MD (ยกเว้น Nova Micro ที่รับเฉพาะข้อความ) Nova Premier สามารถประมวลผลวิดีโอที่มีความยาวสูงสุด 90 นาทีภายใน request เดียว

การสร้างและดีบักโค้ด

ภาษาโปรแกรมที่รองรับ: Python, Java, JavaScript, C#, TypeScript, SQL

อินเทอร์เฟซเสียง

Nova Sonic และ Nova 2 Sonic ใช้สร้าง voice agent ที่รองรับ real-time โดยผนวกรวมกับ Amazon Connect

การประเมินโมเดล (LLM-as-a-judge)

Nova ถูกใช้เป็นโมเดลตัดสินในการประเมินผลลัพธ์ของโมเดล generative อื่นๆ บนแพลตฟอร์ม Amazon SageMaker

ข้อจำกัดและปัญหาที่ยังเปิดอยู่

• สถาปัตยกรรมแบบปิด Amazon ไม่เปิดเผยจำนวนพารามิเตอร์ รายละเอียดสถาปัตยกรรม และองค์ประกอบของข้อมูลฝึกอบรม ซึ่งจำกัดการทดสอบซ้ำโดยอิสระอย่างมีนัยสำคัญ น้ำหนักของโมเดล Nova ไม่สามารถดาวน์โหลดหรือนำไปใช้นอกโครงสร้างพื้นฐาน AWS ได้ (ไม่รองรับการนำไปใช้แบบ on-premise)
• ขีดจำกัดเอาต์พุต จำนวน token เอาต์พุตสูงสุดสำหรับโมเดล understanding ทั้งหมดจำกัดอยู่ที่ 10K token ซึ่งอาจไม่เพียงพอสำหรับงานสร้างเอกสารยาว
• ข้อจำกัดของ RFT Reinforcement Fine-Tuning ไม่รองรับการโต้ตอบแบบ multi-turn และข้อมูล multimodal สัดส่วนของตัวอย่างเชิงบวกในชุดข้อมูลที่แนะนำคือไม่น้อยกว่า 5%
• ข้อจำกัดของ Nova Sonic ระยะเวลาการเชื่อมต่อสูงสุด 8 นาที และสูงสุด 20 การเชื่อมต่อพร้อมกันต่อลูกค้าโดยค่าเริ่มต้น
• ความพร้อมใช้งานตามภูมิภาค Nova Premier พร้อมใช้งานในเพียงหนึ่งภูมิภาค (US East N. Virginia) โดยไม่รองรับ cross-region inference ส่วนโมเดล Nova 2 มีรายการภูมิภาคที่รองรับการใช้งานจำกัด
• ความอ่อนไหวของเมตริก คะแนนบน benchmark สังเคราะห์ไม่เสมอไปสอดคล้องกับคุณภาพในสภาพแวดล้อม production จริง ซึ่งสิ่งที่มีความสำคัญคือการปฏิบัติตามนโยบายองค์กรอย่างเคร่งครัดและการไม่มี hallucination ในการอนุมานหลายขั้นตอน
• Hallucination โมเดลแสดงข้อจำกัดทั่วไปของ LLM ได้แก่ อาจเกิดข้อผิดพลาดด้านข้อเท็จจริงในคำตอบที่สร้างขึ้น เพื่อลดความเสี่ยง แนะนำให้ใช้ Bedrock Guardrails และ RAG
• ความเป็นกลางเชิงเปรียบเทียบของ benchmark Amazon นำเสนอการเปรียบเทียบกับโมเดลคู่แข่งโดยอ้างอิงข้อมูลที่ผู้พัฒนาเผยแพร่เอง ซึ่งไม่ได้รับประกันฐานการทดลองที่ควบคุมและเป็นหนึ่งเดียวกันเสมอไป

แง่มุมด้านจริยธรรมและการกำกับดูแล

AWS ประกาศว่าปฏิบัติตามหลักการ Responsible AI ในการพัฒนาโมเดล Nova มาตรการความปลอดภัยที่เป็นรูปธรรม ได้แก่:

• การกลั่นกรองเนื้อหา (content moderation) ในตัว
• watermarking สำหรับเอาต์พุตเสียงของ Nova Sonic
• การประเมินตามหมวดความเสี่ยง ได้แก่ ความปลอดภัย (safety) ความเป็นส่วนตัว (privacy) ความน่าเชื่อถือ (veracity) ความโปร่งใส (transparency) รวมถึงการแพร่กระจายอาวุธ CBRN (เคมี ชีวภาพ รังสี และนิวเคลียร์) และปฏิบัติการไซเบอร์เชิงรุก
• การผนวกรวมกับ Amazon Bedrock Guardrails สำหรับการกรองข้อมูลอินพุตและเอาต์พุต
• การประเมินโมเดล Nova Premier ตาม Amazon Frontier Model Safety Framework
• Red teaming — การทดสอบภายในและภายนอกเพื่อตรวจสอบความทนทานต่อการโจมตี (ตามรายงานทางเทคนิค มี 307 เทคนิค)
• การประเมินการกลั่นกรองเนื้อหาตามเมตริก F1: 85.84 บน benchmark Aegis (ตามรายงานทางเทคนิค)

AI Service Cards สำหรับ Nova Micro, Lite, Pro, Premier และ Sonic ได้รับการเผยแพร่บน docs.aws.amazon.com เป็นเอกสารประกอบการใช้งานอย่างมีความรับผิดชอบ

แนวโน้มและทิศทางการวิจัย

กลุ่มโมเดล Nova 2 แสดงถึงการเปลี่ยนผ่านสู่โมเดลที่มีความสามารถ extended thinking / reasoning ซึ่งมีแนวคิดคล้ายคลึงกับ Chain-of-Thought (CoT) และกลไกที่คล้ายกันในกลุ่มโมเดลอื่นๆ การค้นหาเว็บในตัวและ code interpreter เป็นเครื่องมือ native (ไม่ใช่ plugin จากบุคคลที่สาม) แสดงถึงการเปลี่ยนแปลงสถาปัตยกรรมในทิศทางของระบบ agentic

ทิศทางการพัฒนาในอนาคตที่ระบุในเอกสารสาธารณะของ Amazon:

• การขยาย multimodality (โมเดล Omni ในฐานะสถาปัตยกรรม "ทุกอย่างต่อทุกอย่าง" แบบ unified)
• hybrid reasoning พร้อมความลึกของการปรับตัวตามความซับซ้อนของงาน
• การฝึกอบรมแบบเปิดบนข้อมูลของผู้ใช้ (Nova Forge) ในทุกขั้นตอนของการ pre-training
• distillation สำหรับ edge devices
• การขยายชุดเครื่องมือความปลอดภัย (safety toolkit)

หัวข้อของ Amazon Nova AI Challenge ที่ AWS จัดขึ้นสำหรับทีมจากมหาวิทยาลัย ครอบคลุมทิศทางการทดสอบเชิงต่อต้านอัตโนมัติ การปรับแนวความปลอดภัย (safety alignment) และ multi-turn jailbreaks ซึ่งแสดงให้เห็นถึงการลงทุนในความน่าเชื่อถือของกลุ่มโมเดล

ดูเพิ่มเติม

• Transformer (สถาปัตยกรรม)
• Reinforcement Learning from Human Feedback (RLHF)

บรรณานุกรม

• Amazon Artificial General Intelligence. The Amazon Nova Family of Models: Technical Report and Model Card. arXiv:2506.12103v1, 2025. https://arxiv.org/abs/2506.12103
• Amazon Artificial General Intelligence. Amazon Nova 2: Multimodal Reasoning and Generation Models — Technical Report and Model Card. Amazon Science, กุมภาพันธ์ 2026. https://www.amazon.science/publications/amazon-nova-2-multimodal-reasoning-and-generation-models
• Vaswani, A. et al. (2017). Attention Is All You Need. NeurIPS. https://arxiv.org/abs/1706.03762
• Rafailov, R. et al. (2023). Direct Preference Optimization: Your Language Model is Secretly a Reward Model. NeurIPS. https://arxiv.org/abs/2305.18290
• Ouyang, L. et al. (2022). Training language models to follow instructions with human feedback (InstructGPT). NeurIPS. https://arxiv.org/abs/2203.02155
• Rombach, R. et al. (2022). High-Resolution Image Synthesis with Latent Diffusion Models. CVPR. https://arxiv.org/abs/2112.10752
• Hu, E.J. et al. (2021). LoRA: Low-Rank Adaptation of Large Language Models. https://arxiv.org/abs/2106.09685

ลิงก์ภายนอก

• https://docs.aws.amazon.com/nova/latest/userguide/what-is-nova.html — เอกสารอย่างเป็นทางการของ Amazon Nova
• https://docs.aws.amazon.com/ai/responsible-ai/nova-micro-lite-pro/overview.html — AI Service Cards สำหรับ Nova Micro, Lite, Pro, Premier
• https://docs.aws.amazon.com/ai/responsible-ai/nova-sonic/overview.html — AI Service Card สำหรับ Nova Sonic
• https://aws.amazon.com/blogs/aws/introducing-amazon-nova-frontier-intelligence-and-industry-leading-price-performance/ — ประกาศเปิดตัว Amazon Nova (ธันวาคม 2024)
• https://www.aboutamazon.com/news/aws/aws-agentic-ai-amazon-bedrock-nova-models — ประกาศเปิดตัว Amazon Nova 2 (ธันวาคม 2025)