--- title: "GPT (OpenAI) (TH)" source: "https://systems-analysis.info/int/GPT_(OpenAI)_(TH)" wiki: "systems-analysis.info/int" article: "GPT_(OpenAI)_(TH)" language: "th" categories: - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" - "Category:OpenAI" - "Category:Thai" revision_id: 2480 wiki_created_at: 2026-09-06T23:04:49Z wiki_modified_at: 2026-09-06T23:04:49Z downloaded_at: 2026-09-07T22:51:36Z --- # GPT (OpenAI) (TH) **GPT** (*Generative Pre-trained Transformer*) — คือกลุ่มของโมเดลภาษาขนาดใหญ่ (LLM) ที่พัฒนาโดยบริษัท OpenAI โมเดล GPT สร้างขึ้นบนสถาปัตยกรรม transformer และใช้แนวคิดของการเรียนรู้เบื้องต้นแบบ generative: ในขั้นตอนแรก โมเดลจะได้รับการฝึกอบรมบนคลังข้อความขนาดใหญ่โดยไม่มีการระบุป้ายกำกับอย่างชัดเจน จากนั้นจึงสามารถ fine-tuning สำหรับงานเฉพาะได้ สำหรับรุ่นหลัง (ตั้งแต่ GPT‑5 เป็นต้นไป) OpenAI ยังใช้คำว่า **ระบบรวม** (unified system) เนื่องจากผลิตภัณฑ์รวมโหมดตอบสนองแบบเร็ว โหมดการใช้เหตุผลเชิงลึก (reasoning) และ router เข้าด้วยกัน[\[1\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt5-announce-1) ## ชื่อเรียก ตัวย่อ **GPT** ย่อมาจาก **Generative Pre-trained Transformer (ตัวแปลงสัญญาณที่ผ่านการฝึกอบรมเบื้องต้นแบบ Generative)** - **Generative (เชิงสร้างสรรค์)**: หมายความว่าโมเดลสามารถสร้างเนื้อหาใหม่ได้ เช่น ข้อความ - **Pre-trained (ผ่านการฝึกอบรมเบื้องต้น)''***:'* ระบุว่าโมเดลผ่านขั้นตอนการฝึกอบรมเริ่มต้นที่ครอบคลุมบนชุดข้อมูลขนาดใหญ่ (เช่น ข้อความจากอินเทอร์เน็ต) หลังจากการฝึกอบรมเบื้องต้น โมเดลมักสามารถ fine-tuning เพิ่มเติมเพื่อทำงานเฉพาะที่ซับซ้อนยิ่งขึ้นได้ - **Transformer''***:'* เป็นชื่อของสถาปัตยกรรมเครือข่ายประสาทเทียมเฉพาะ ซึ่งเป็นนวัตกรรมสำคัญที่เป็นพื้นฐานของ GPT และโมเดล AI สมัยใหม่อื่นๆ อีกมากมาย คุณลักษณะหลักของ GPT คือการฝึกอบรมในรูปแบบ autoregressive — โมเดลทำนาย token ถัดไปโดยอาศัยบริบทก่อนหน้า นั่นคือโมเดลเรียนรู้ที่จะเพิ่มความน่าจะเป็นของ token ถัดไปโดยรู้ลำดับของ token ก่อนหน้า ในระหว่างการฝึกอบรม จะมีการลดความผิดพลาดในการทำนายองค์ประกอบถัดไป ซึ่งช่วยให้สามารถสร้างข้อความที่มีความสอดคล้องและการเชื่อมโยงสูง ## กระบวนการสร้างข้อความใน GPT โมเดล GPT สร้างข้อความตามลำดับ ทีละ token ตามแนวทางแบบวนซ้ำดังต่อไปนี้: - รับลำดับข้อความเริ่มต้นเป็นอินพุต (prompt, seed text) - คำนวณการแจกแจงความน่าจะเป็นบน token ทั้งหมดในคำศัพท์สำหรับองค์ประกอบถัดไปของข้อความ - เลือก token ถัดไป: - ไม่ว่าจะเป็นตามความน่าจะเป็นสูงสุด (greedy selection) - หรือด้วยวิธี stochastic sampling - หรือโดยใช้กลยุทธ์การกรองพิเศษ (*top-k*, *top-p*) - เพิ่ม token ที่เลือกเข้าไปในลำดับปัจจุบัน - ลำดับที่อัปเดตแล้วจะถูกป้อนกลับเข้าสู่โมเดลเพื่อทำนาย token ถัดไป ## สถาปัตยกรรม Transformer: การประมวลผลข้อความ กระบวนการประมวลผลข้อมูลภายใน ***transformer*** เพื่อทำนาย token ถัดไปประกอบด้วยขั้นตอนหลักหลายประการ: - **Tokenization (การแบ่ง token)** ข้อความอินพุตจะถูกแบ่งออกเป็น token — หน่วยข้อความขนาดเล็กซึ่งอาจเป็นคำ ส่วนของคำ หรือเครื่องหมายวรรคตอน ในโมเดล GPT-3 เช่น คำศัพท์ประกอบด้วย token ประมาณ 50,257 token - **Embeddings ของ token** แต่ละ token จะถูกแปลงเป็นเวกเตอร์ที่มีความยาวคงที่โดยใช้เมทริกซ์ embedding (W_E) เวกเตอร์เข้ารหัสความหมายของ token: token ที่มีความหมายใกล้เคียงกันจะอยู่ใกล้กันในพื้นที่หลายมิติ ในโมเดล GPT-3 ขนาด embedding คือ 12,288 - **การประมวลผลในชั้น transformer** - **Attention Blocks (บล็อก attention):** แต่ละ token จะมีปฏิสัมพันธ์กับ token อื่นๆ ในลำดับ กลไก attention ช่วยให้สามารถคำนึงถึงบริบทและตีความความหมายของคำได้อย่างถูกต้อง - **Feed-Forward Layers (ชั้น fully connected):** หลังจาก attention แต่ละ token จะถูกประมวลผลแยกกันผ่านเครือข่ายประสาทเทียมสองชั้นที่มีการกระตุ้นแบบไม่เชิงเส้น - **การแปลงกลับและ Softmax** หลังจากทุกชั้น เวกเตอร์ที่ผ่านการประมวลผลจะถูกแปลงกลับสู่พื้นที่ token โดยใช้เมทริกซ์ (W_U) ซึ่งมักเป็นเวอร์ชัน transpose ของ W_E เวกเตอร์ logit ที่ได้จะถูก normalize ด้วยฟังก์ชัน Softmax เพื่อให้ได้การแจกแจงความน่าจะเป็นบน token ทั้งหมด - **การเลือก token ถัดไป (Sampling)** token ถัดไปจะถูกเลือกตามการแจกแจงความน่าจะเป็น พารามิเตอร์ temperature ควบคุมความสุ่มในการเลือก: ที่ temperature เป็น 0 จะเลือก token ที่มีความน่าจะเป็นสูงสุด ที่ temperature สูงกว่าจะเพิ่มโอกาสในการเลือกตัวเลือกที่มีความน่าจะเป็นน้อยกว่า ซึ่งส่งเสริมความหลากหลายของข้อความมากขึ้น ## โมเดล GPT - **GPT-1 (2018):** โมเดลแรกของตระกูล; decoder-only transformer 12 ชั้น; การฝึกอบรมสองขั้นตอน (pre-training + fine-tuning บนงาน NLP) - **GPT-2 (2019):** พารามิเตอร์ 1.5 พันล้าน; ฝึกอบรมบนคลัง WebText; สามารถสร้างข้อความยาวที่สอดคล้องกันได้เป็นครั้งแรก; ปรับปรุงคุณภาพการสร้าง zero-shot ประกาศเมื่อวันที่ 14 กุมภาพันธ์ 2019 เวอร์ชันเต็ม (1.5 พันล้าน) เผยแพร่เมื่อวันที่ 5 พฤศจิกายน 2019 ด้วยเหตุผลด้านความปลอดภัย - **GPT-3 (2020):** พารามิเตอร์ 175 พันล้าน; การฝึกอบรมขนาดใหญ่บนชุดข้อมูลรวมของ Common Crawl, Books, Wikipedia; พัฒนาความสามารถ few-shot และ zero-shot อย่างเด่นชัด - **GPT-3.5 (2022):** เวอร์ชันกลางระหว่าง GPT-3 และ GPT-4; การปฏิบัติตามคำสั่งที่ดีขึ้นด้วยการฝึกอบรมโดยใช้ข้อเสนอแนะจากมนุษย์ (RLHF) ในเวอร์ชัน text-davinci-003 และ gpt-3.5-turbo; context window สูงสุด 4,096 token ในเวอร์ชันแรก และสูงสุด 16,385 token ในเวอร์ชันหลัง (gpt-3.5-turbo-16k และ gpt-3.5-turbo ที่อัปเดต) - **GPT-4 (2023):** โมเดล multimodal ที่รับข้อความและกราฟิกเป็นอินพุต (การรองรับรูปภาพถูก deploy ในภายหลังหลังจากการเปิดตัวด้วยข้อความ); context window 8,192 token ในเวอร์ชันพื้นฐาน และ 32,768 token ในตัวแปร GPT-4-32k; การปรับปรุงความแม่นยำ ความทนทาน และตรรกะการใช้เหตุผลอย่างมีนัยสำคัญ - **GPT-4 Turbo (2023):** เวอร์ชันที่ปรับปรุงของ GPT-4; context window ขยายเป็น 128,000 token; ลด latency และต้นทุนการดำเนินการ - **GPT-4o (2024):** โมเดล multimodal รุ่นใหม่ (ข้อความ รูปภาพ เสียง) ที่มีสถาปัตยกรรมเครือข่ายประสาทเดียว; ความเร็วและความแม่นยำในการตอบสนองสูงมาก; context window 128,000 token - **GPT-4.5 (2025):** research preview; ใน system card OpenAI ระบุว่าโมเดล \\builds on GPT-4o\\[\[2\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-2)[\[3\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt45-systemcard-3); การเข้าใจคำขอของผู้ใช้ที่ดีขึ้น ลดจำนวนข้อผิดพลาด; context window 128,000 token ในระบบ API โมเดล `gpt-4.5-preview` ถูกประกาศว่า deprecated เมื่อวันที่ 14 เมษายน 2025 และถูกปิดใช้งานเมื่อวันที่ 14 กรกฎาคม 2025[\[4\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-deprecations-4) - **GPT-4.1 (2025):** เวอร์ชันที่ปรับปรุงของตระกูล GPT-4 ที่มี context window สูงสุด 1 ล้าน token; รับข้อความและรูปภาพเป็นอินพุต ให้ผลลัพธ์เป็นข้อความ[\[5\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-5) เปิดตัวพร้อมกันสามตัวแปร: GPT-4.1, GPT-4.1 mini, GPT-4.1 nano - **GPT-5 (2025):** ระบบรวมที่มีโหมดตอบสนองแบบเร็วและการใช้เหตุผลเชิงลึก; context window ประมาณ 400,000 token; ลด hallucination อย่างเห็นได้ชัดในงานที่เกี่ยวข้องกับข้อเท็จจริง - **GPT-5.1 (2025):** adaptive reasoning, การปรับปรุงใน coding และ long-context retention - **GPT-5.2 (2025):** เน้นการทำงานระดับมืออาชีพ; โหมด Pro สำหรับงาน frontier; บนพื้นฐาน GPT-5.2 มีการเปิดตัว GPT-5.2-Codex แบบ agentic - **GPT-5.3-Codex (2026):** โมเดล coding แบบ agentic ที่รวมความสามารถ coding และ reasoning; เร็วกว่ารุ่นก่อน 25% - **GPT-5.3 Instant (2026):** การอัปเดตโมเดลสนทนาที่ใช้บ่อยที่สุดอย่าง ChatGPT; เปิดตัวเมื่อวันที่ 3 มีนาคม 2026 ปรับปรุงความแม่นยำเชิงข้อเท็จจริง คุณภาพการค้นหาเว็บ ความลื่นไหลของการสนทนา และลดจำนวนการปฏิเสธที่ซ้ำซ้อนและข้อสงวนที่มากเกินไป ใน API มีให้บริการในชื่อ `gpt-5.3-chat-latest`[\[6\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt53-instant-6) - **GPT-5.4 (2026):** frontier model ของ OpenAI สำหรับการทำงานระดับมืออาชีพ ที่เปิดตัวเมื่อวันที่ 5 มีนาคม 2026; เป็นโมเดล general-purpose รุ่นแรกของ OpenAI ที่มีความสามารถ native computer-use ใน API `gpt-5.4` ได้รับการแนะนำให้เป็นโมเดลเริ่มต้นสำหรับงาน general-purpose และ coding หลากหลายประเภท[\[7\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt54-announce-7)[\[8\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt54-api-8) ## GPT-1 โมเดลแรก **GPT-1** ถูกนำเสนอโดย OpenAI ในปี 2018 ในงานวิจัย \\*Improving Language Understanding by Generative Pre-Training\\* โมเดลนี้เป็น decoder-only transformer 12 ชั้น[\[9\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-radford2018-9) และสร้างขึ้นบนพื้นฐานสถาปัตยกรรม transformer การฝึกอบรม GPT-1 ผ่านสองขั้นตอน: ขั้นตอนการฝึกอบรมเบื้องต้นแบบ generative ที่ไม่มีการกำกับดูแล (*pre-training*) ตามด้วยขั้นตอนการปรับแต่งแบบมีการกำกับดูแล (*fine-tuning*) ในขั้นตอนการฝึกอบรมเบื้องต้น โมเดลได้รับการฝึกอบรมบนคลัง BookCorpus ที่ประกอบด้วยหนังสือที่ยังไม่ได้ตีพิมพ์มากกว่า 7,000 เล่มในหลากหลายแนวทาง ลักษณะพิเศษของคลังนี้คือมีข้อความที่ต่อเนื่องยาวนาน ซึ่งมีความสำคัญอย่างยิ่งต่อการสร้างความสามารถในการประมวลผลความสัมพันธ์ในข้อความที่ซับซ้อนและยาวนานของโมเดล ในขั้นตอน fine-tuning โมเดลได้รับการปรับให้เหมาะกับการแก้ปัญหาเฉพาะด้านในการประมวลผลภาษาธรรมชาติ รวมถึง: - การตอบคำถาม (Question Answering, QA) — การสร้างคำตอบที่ถูกต้องบนพื้นฐานของบริบทข้อความที่กำหนด - การรู้จำการอนุมานข้อความ (Natural Language Inference, NLI) — การกำหนดความสัมพันธ์ทางตรรกะระหว่างข้อความสองชิ้น: การอนุมาน ความขัดแย้ง หรือความเป็นกลาง - การประเมินความคล้ายคลึงทางความหมาย (Semantic Textual Similarity) — การวัดระดับความใกล้เคียงทางความหมายระหว่างลำดับข้อความสองชุด ด้วยแนวทางนี้ GPT-1 แสดงให้เห็นถึงความเหนือกว่าอย่างมีนัยสำคัญเหนือโมเดลก่อนหน้าบน benchmark มาตรฐานหลายตัวสำหรับงานการทำความเข้าใจข้อความ การพัฒนา GPT-1 แสดงให้เห็นถึงความสำเร็จและการค้นพบสำคัญหลายประการในด้าน NLP: - **ประสิทธิภาพของการฝึกอบรมเบื้องต้นแบบ generative** ได้รับการยืนยันเชิงประจักษ์ว่าการฝึกอบรมเบื้องต้นบนคลังข้อความขนาดใหญ่ที่ไม่มีป้ายกำกับช่วยให้โมเดลสามารถรับการแสดงภาษาแบบทั่วไปซึ่งเหมาะสำหรับการนำไปใช้ในงานต่างๆ ต่อไปโดยไม่จำเป็นต้องเปลี่ยนสถาปัตยกรรมพื้นฐาน - **ความเป็นสากลของสถาปัตยกรรม transformer** การใช้ decoder transformer หลายชั้นช่วยให้โมเดลสามารถประมวลผลความสัมพันธ์ระยะยาวในข้อความได้สำเร็จ ซึ่งก่อนหน้านี้เป็นเรื่องยากสำหรับโมเดลที่ใช้เครือข่ายประสาทเทียมแบบ recurrent - **การลดการพึ่งพาการระบุป้ายกำกับข้อมูล** งานวิจัยยืนยันว่าการฝึกอบรมเบื้องต้นขนาดใหญ่บนข้อมูลที่ไม่มีป้ายกำกับสามารถลดปริมาณข้อมูลที่มีป้ายกำกับซึ่งจำเป็นสำหรับการบรรลุคุณภาพสูงในงานเป้าหมายได้อย่างมาก - **รากฐานสำหรับการพัฒนาในภายหลัง** ผลลัพธ์ของ GPT-1 วางรากฐานแนวคิดและเทคนิคสำหรับโมเดลรุ่นต่อๆ มาของตระกูล GPT (GPT-2, GPT-3 และต่อๆ ไป) ## GPT-2 โมเดล GPT-2 ถูกประกาศโดย OpenAI เมื่อวันที่ 14 กุมภาพันธ์ 2019 มันมีขนาดเกินกว่ารุ่นก่อนหน้าอย่างมีนัยสำคัญ: เวอร์ชันเต็มของโมเดลมีพารามิเตอร์ประมาณ 1.5 พันล้านตัว ด้วยเหตุผลด้านความปลอดภัย OpenAI เผยแพร่เฉพาะตัวแปรขนาดเล็กของโมเดลในตอนแรก; เวอร์ชันเต็ม (1.5 พันล้านพารามิเตอร์) เปิดตัวเมื่อวันที่ 5 พฤศจิกายน 2019 ต่างจาก GPT-1 ที่ฝึกอบรมบนคลัง BookCorpus (~5 GB), GPT-2 ได้รับการฝึกอบรมบนคลัง WebText ที่รวบรวมขึ้นเป็นพิเศษขนาดประมาณ 40 GB ซึ่งรวมข้อมูลข้อความจากแหล่งอินเทอร์เน็ตที่มีคุณภาพสูง การเพิ่มขนาดทั้งของโมเดลและข้อมูลการฝึกอบรมทำให้ GPT-2 ปรับปรุงคุณภาพการสร้างข้อความได้อย่างมีนัยสำคัญ: มันแสดงให้เห็นถึงความสามารถในการสร้างบทความ เรื่องราว และแม้แต่ข้อความในงานวรรณกรรมที่มีความสอดคล้อง GPT-2 ใช้สถาปัตยกรรม autoregressive transformer-decoder คล้ายกับ GPT-1 โดยไม่มีการเปลี่ยนแปลงที่สำคัญ โมเดลประกอบด้วย self-attention 48 ชั้น มีขนาด hidden state เป็น 1,600 และมีพารามิเตอร์ประมาณ 1.5 พันล้านตัว จำนวน attention head คือ 25 (โดยรักษาขนาด 64 ต่อ head ที่สืบทอดมาจาก GPT-1: 1,600 ÷ 64 = 25) การฝึกอบรมดำเนินการบนงานการทำนาย token ถัดไปบนพื้นฐานของบริบทก่อนหน้าโดยใช้กลไก attention แบบ masked หนึ่งในความแตกต่างหลักของ GPT-2 คือโมเดลแสดงให้เห็นประสิทธิภาพสูงในโหมด zero-shot learning เป็นครั้งแรก — ความสามารถในการแก้ปัญหาใหม่โดยไม่ต้องผ่านการ fine-tuning อย่างชัดเจนบนตัวอย่างสำหรับงานเหล่านั้น โมเดลได้รับการฝึกอบรมบนคลังข้อความทั่วไปขนาดใหญ่และไม่ได้รับการฝึกอบรมเฉพาะทางบนข้อมูลของงานเฉพาะ การประเมินดำเนินการในโหมด **zero-shot** ซึ่งโมเดลทำงานโดยอาศัยเพียงความรู้ที่ได้รับในกระบวนการฝึกอบรมเบื้องต้น ในบางงานการ model ภาษา GPT-2 บรรลุคุณภาพที่เทียบได้หรือเหนือกว่าผลลัพธ์ของโมเดลที่ได้รับการฝึกอบรมเป็นพิเศษบนชุดข้อมูลเฉพาะทาง (เช่น Wikipedia ข้อความข่าว หนังสือ) ## GPT-3 โมเดล **GPT-3** ถูกนำเสนอโดย OpenAI ในเดือนมิถุนายน 2020 (บทความบน arXiv ปรากฏเมื่อวันที่ 28 พฤษภาคม 2020 เปิดการเข้าถึง API แบบ beta เมื่อวันที่ 11 มิถุนายน 2020) มันกลายเป็นขั้นตอนต่อไปในการพัฒนา generative transformer หลังจาก GPT-2 และโดดเด่นด้วยการปรับขนาดสถาปัตยกรรมเป็น 175 พันล้านพารามิเตอร์ ซึ่งทำให้เป็นโมเดลภาษาที่ใหญ่ที่สุดในขณะนั้น สถาปัตยกรรมของ GPT-3 ยังคงเหมือนเดิมเป็นส่วนใหญ่ — autoregressive transformer-decoder หลายชั้นโดยไม่มีการเปลี่ยนแปลงพื้นฐาน การปรับปรุงประสิทธิภาพหลักทำได้โดยการเพิ่มจำนวนชั้น ความกว้างของ hidden layer และขนาดการฝึกอบรม โมเดลได้รับการฝึกอบรมบนการรวมกันของคลังข้อความขนาดใหญ่หลายชุด รวมถึง Common Crawl, WebText2, Books1, Books2 และ Wikipedia ปริมาณข้อมูลรวมมีประมาณ 570 GB ขึ้นไป (570 GB มาจากส่วนที่ผ่านการกรองของ Common Crawl ซึ่งครองส่วนใหญ่ในชุดข้อมูลการฝึกอบรม) หนึ่งในคุณสมบัติหลักของ GPT-3 คือความสามารถในการ **few-shot learning** และ **zero-shot learning**: โมเดลสามารถดำเนินการงานประมวลผลภาษาธรรมชาติที่หลากหลาย รวมถึงการแปล การสรุป การตอบคำถาม การเขียนเรียงความ และแม้แต่การเขียนโปรแกรม โดยอาศัยเพียงตัวอย่างไม่กี่ตัวอย่างในคำขอข้อความหรือไม่มีตัวอย่างเลย ## GPT-3.5 โมเดล **GPT-3.5** ถูกนำเสนอโดย OpenAI ในช่วงปลายปี 2022 ในฐานะส่วนหนึ่งของการพัฒนาเชิงวิวัฒนาการของตระกูล GPT มันสร้างขึ้นบนสถาปัตยกรรมของ autoregressive transformer-decoder ที่ปรับขนาดแล้วซึ่งใช้ใน GPT-3 พร้อมการปรับปรุงในคุณภาพการสร้างข้อความ การประมวลผลบริบท และความสามารถในการปฏิบัติตามคำสั่งที่ซับซ้อน จำนวนพารามิเตอร์ที่แน่นอนของ GPT-3.5 ไม่ได้รับการเปิดเผยอย่างเป็นทางการ; เชื่อว่าเวอร์ชัน davinci มีขนาดใกล้เคียงกับ GPT-3 (175 พันล้าน) อย่างไรก็ตามพารามิเตอร์ที่แน่นอนของเวอร์ชัน gpt-3.5-turbo ไม่เป็นที่ทราบ การฝึกอบรม GPT-3.5 รวมถึงการใช้วิธีการ Reinforcement Learning from Human Feedback (RLHF) ที่ขยายออกในเวอร์ชัน text-davinci-003 และ gpt-3.5-turbo ในขณะที่เวอร์ชันเก่ากว่า text-davinci-002 ได้รับการฝึกอบรมโดยใช้ supervised fine-tuning (SFT) แทน RLHF โมเดลได้รับการฝึกอบรมบนคลังข้อความขยายซึ่งรวมถึง Common Crawl, Books, WebText และแหล่งคุณภาพสูงอื่นๆ context window ในเวอร์ชันยอดนิยมยุคแรก (gpt-3.5-turbo) คือ 4,096 token; ต่อมา OpenAI ได้เปิดตัวเวอร์ชันที่อัปเดตพร้อม context สูงสุด 16,385 token[\[10\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-10) ในทางปฏิบัติ GPT-3.5 ได้รับการปรับให้เหมาะกับการแก้ปัญหาในงาน NLP หลากหลายประเภท เช่น: - การสร้างข้อความที่สอดคล้องและมีตรรกะ - การตอบคำถาม (QA) และการทำความเข้าใจบริบท - การปฏิบัติตามคำสั่งหลายขั้นตอน - การรักษาบริบทระยะยาวที่ดีขึ้นในการสนทนา บนพื้นฐาน GPT-3.5 มีการเปิดตัวเวอร์ชันสำคัญหลายตัวสำหรับวัตถุประสงค์ต่างๆ: - **text-davinci-002** — โมเดลแรกที่เปิดให้สาธารณชนใช้งานบนพื้นฐาน GPT-3.5 ที่ปรับให้เหมาะสำหรับการสร้างและการปฏิบัติตามคำสั่ง (ฝึกอบรมด้วย SFT) - **text-davinci-003** — เวอร์ชันที่ปรับปรุงพร้อมความสามารถในการใช้เหตุผลและการสร้างข้อความที่ซับซ้อนมากขึ้น (ฝึกอบรมด้วย RLHF) - **gpt-3.5-turbo** — เวอร์ชัน GPT-3.5 ที่มีประสิทธิภาพสูงสุดและประหยัดที่สุด ใช้ในบริการ ChatGPT ตั้งแต่ปลายปี 2022 ## GPT-4 โมเดล **GPT-4** ถูกนำเสนอโดย OpenAI เมื่อวันที่ 14 มีนาคม 2023 ในงานวิจัย *"GPT-4 Technical Report"* มันกลายเป็นขั้นตอนต่อไปในการพัฒนาตระกูลโมเดลภาษา โดยนำเสนอการปรับปรุงที่สำคัญในด้านการทำความเข้าใจข้อความ การสร้างคำตอบที่มีความหมายและสร้างสรรค์ รวมถึงการประมวลผลข้อมูล multimodal จำนวนพารามิเตอร์ที่แน่นอนและรายละเอียดสถาปัตยกรรมของโมเดลไม่ได้รับการเปิดเผยอย่างเป็นทางการ — รายงานทางเทคนิค GPT-4 ระบุอย่างชัดเจนว่าข้อมูลเกี่ยวกับสถาปัตยกรรม ขนาดโมเดล ฮาร์ดแวร์ ต้นทุนการคำนวณสำหรับการฝึกอบรม และการสร้าง dataset ไม่ได้รับการเผยแพร่[\[11\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-11) ตามการประเมินภายนอกที่ไม่เป็นทางการ GPT-4 อาจใช้แนวทาง Mixture of Experts (MoE) และมีขนาดรวมประมาณ ~1.8 ล้านล้านพารามิเตอร์ อย่างไรก็ตาม OpenAI ไม่ได้ยืนยันหรือปฏิเสธตัวเลขเหล่านี้อย่างเป็นทางการ[\[12\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-12) GPT-4 เป็นโมเดล multimodal ที่สามารถรับทั้งข้อความและรูปภาพเป็นอินพุต ควรสังเกตว่าในช่วงการเปิดตัวครั้งแรกในเดือนมีนาคม 2023 มีเพียง modality ข้อความเท่านั้นที่พร้อมใช้งาน การรองรับการป้อนรูปภาพถูก deploy ในภายหลัง context window คือ 8,192 token ในเวอร์ชันพื้นฐาน และ 32,768 token ในตัวแปร GPT-4-32k โมเดลใช้วิธีการ RLHF (Reinforcement Learning from Human Feedback) การฝึกอบรม GPT-4 ดำเนินการบนการรวมกันของคลังข้อความและ multimodal ขนาดใหญ่ รายละเอียดเฉพาะเกี่ยวกับข้อมูลการฝึกอบรม ฮาร์ดแวร์ และวิธีการไม่ได้รับการเปิดเผยในสิ่งพิมพ์อย่างเป็นทางการของ OpenAI การฝึกอบรมเกิดขึ้นในหลายขั้นตอน: - การฝึกอบรมเบื้องต้นแบบไม่มีการกำกับดูแลขนาดใหญ่บนข้อความและรูปภาพ - supervised fine-tuning บนงานเฉพาะ - ขั้นตอนสุดท้ายของการฝึกอบรมด้วย reinforcement learning จากข้อเสนอแนะของมนุษย์ (RLHF) เพื่อเพิ่มความน่าเชื่อถือ ความปลอดภัย และคุณภาพการตีความคำสั่ง บนพื้นฐาน GPT-4 มีการเปิดตัวเวอร์ชันหลักหลายตัว: - **GPT-4 (มีนาคม 2023):** เวอร์ชันพื้นฐานที่รองรับการป้อนข้อความ (การรองรับรูปภาพถูกเพิ่มในภายหลัง); context window 8,192 token; รวมถึงการเปิดตัวตัวแปร GPT-4-32k ที่มี context 32,768 token - **GPT-4 Turbo (พฤศจิกายน 2023):** การปรับเปลี่ยน GPT-4 ที่ปรับปรุงแล้วพร้อม context window ขยายเป็น 128,000 token[\[13\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-13); ลดต้นทุนการคำนวณและเพิ่มความเร็วในการสร้าง; รองรับโหมดการเรียกใช้ฟังก์ชัน (function calling) และการแสดงผล JSON - **GPT-4o (พฤษภาคม 2024):** เวอร์ชัน multimodal รุ่นใหม่; ในการประกาศตอนเปิดตัวถูกวางตำแหน่งเป็น omni model ที่สามารถทำงานกับข้อความ รูปภาพ และเสียงแบบ real-time (ต่างจาก GPT-4 Turbo ที่ modality ต่างๆ ถูกให้บริการโดยโมดูลแยกต่างหาก); ในขณะที่โมเดล API พื้นฐาน `gpt-4o` อธิบายว่าเป็น text+image input, text output; context window 128,000 token - **GPT-4.5 (กุมภาพันธ์ 2025):** research preview; ใน system card OpenAI ระบุอย่างชัดเจนว่าโมเดล \\builds on GPT-4o\\[\[3\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt45-systemcard-3); การสร้างข้อความที่ซับซ้อนที่ดีขึ้น ความแม่นยำในการปฏิบัติตามคำสั่งที่สูงขึ้น และระดับ hallucination ที่ลดลง; context window 128,000 token อธิบายว่าเป็น \\โมเดลล่าสุดของ OpenAI ที่ไม่มี chain-of-thought\\ (ชื่อรหัส — *Orion*)[\[14\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-14) ในระบบ API โมเดล `gpt-4.5-preview` ถูกประกาศว่า deprecated เมื่อวันที่ 14 เมษายน 2025 และถูกปิดใช้งานเมื่อวันที่ 14 กรกฎาคม 2025[\[4\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-deprecations-4) - **GPT-4.1 (เมษายน 2025):** เวอร์ชันเสถียรพร้อมการขยาย context อย่างรุนแรงเป็น 1,047,576 token; รับข้อความและรูปภาพเป็นอินพุต ให้ผลลัพธ์เป็นข้อความ[\[15\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-15); เปิดตัวพร้อมกันสามตัวแปร (GPT-4.1, GPT-4.1 mini, GPT-4.1 nano); เดิมเข้าถึงได้เฉพาะผ่าน API ต่อมาถูก deploy ใน ChatGPT ## GPT-5 **วันที่ 7 สิงหาคม 2025** OpenAI เปิดตัว GPT‑5 ในฐานะโมเดล \\ที่ฉลาด เร็ว และมีประโยชน์ที่สุด\\ ในขณะนั้น พร้อมโหมดการใช้เหตุผลเชิงลึกในตัว (*thinking*) และมุ่งเน้นที่สถานการณ์จริง — การเขียน การเขียนโปรแกรม การดูแลสุขภาพ และการเข้าใจแบบ multimodal GPT‑5 ค่อยๆ กลายเป็นโมเดลเริ่มต้นสำหรับผู้ใช้ ChatGPT ที่เข้าสู่ระบบส่วนใหญ่ โดยแทนที่โมเดลตระกูล GPT‑4/4o และ o‑series ที่ใช้ก่อนหน้า[\[16\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-16) GPT‑5 ถูกนำไปใช้งานเป็น **ระบบรวม** ที่มีสองโหมดการทำงานหลัก: การตอบสนองแบบเร็วและประหยัดสำหรับคำขอประจำวัน (เรียกได้ว่า **gpt‑5 main**) และการใช้เหตุผลเชิงลึกสำหรับงานที่ซับซ้อน (เรียกได้ว่า **gpt‑5 thinking**) การเลือกโหมดเกิดขึ้นโดยอัตโนมัติด้วย router ที่คำนึงถึงประเภทของการสนทนา ความซับซ้อนของคำขอ ความต้องการเครื่องมือ และคำแนะนำอย่างชัดเจนจากผู้ใช้ (เช่น \\think step by step\\ หรือ \\analyze in depth\\) ใน ChatGPT ผู้ใช้สามารถเข้าถึงโหมด Auto / Instant / Thinking / Pro; ตัวแปร **mini** และ **nano** เป็นหลักสำหรับ API model ในขณะที่ mini ในผลิตภัณฑ์สำหรับผู้ใช้อาจถูกใช้เป็น fallback หลังจากใช้ขีดจำกัดหมด[\[17\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-chatgpt-53-54-17) ผ่าน API มีการให้บริการขนาดและการกำหนดค่า GPT‑5 หลายแบบ; ในเอกสาร OpenAI ระบุตัวแปรหลักว่า **`gpt‑5`**, **`gpt‑5‑mini`** และ **`gpt‑5‑nano`** (ทั้งหมดรองรับข้อความและข้อมูลภาพ) context window รวมสูงสุดสำหรับตระกูล GPT‑5 ใน API มีประมาณ **400,000 token** (โดยแบ่งงบประมาณสำหรับการป้อนข้อมูลและการใช้เหตุผล/เอาต์พุต) โดยขีดจำกัดเฉพาะอาจแตกต่างกันขึ้นอยู่กับตัวแปรโมเดลและผลิตภัณฑ์ที่เลือก[\[18\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-18) ใน benchmark การค้นหาเว็บและข้อเท็จจริงหลายตัว GPT‑5 แสดงให้เห็นการลดลงอย่างเห็นได้ชัดของความถี่ hallucination และข้อผิดพลาดเมื่อเทียบกับโมเดล GPT‑4o และโมเดล \\thinking\\ รุ่นก่อนหน้าของ OpenAI ในการประกาศอย่างเป็นทางการ OpenAI ระบุการประเมินการลดข้อผิดพลาดประมาณ 45% เมื่อเทียบกับ GPT-4o และประมาณ 80% เมื่อเทียบกับ o3 ในโหมด thinking — ผลลัพธ์เหล่านี้ได้มาในเงื่อนไขเฉพาะ: โดยเปิดใช้งานการค้นหาเว็บบน prompt ที่ไม่ระบุตัวตนซึ่งเป็นตัวแทนของ traffic การผลิตของ ChatGPT[\[19\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-19) ## GPT-5.1 โมเดล **GPT-5.1** ถูกนำเสนอโดย OpenAI เมื่อวันที่ 12 พฤศจิกายน 2025 ในฐานะการวนซ้ำที่สำคัญครั้งแรกหลังจาก GPT-5 พื้นฐาน มุ่งเน้นที่การปรับปรุงการโต้ตอบประจำวัน การสนทนา และความสามารถในการปรับตัว โมเดลยังคงรักษาระบบรวมที่มีโหมดเร็ว (**GPT-5.1 Instant**) และการใช้เหตุผลเชิงลึก (**GPT-5.1 Thinking**) แต่แนะนำ **adaptive reasoning**: โมเดลจะกำหนดปริมาณการคำนวณแบบ dynamic ขึ้นอยู่กับความซับซ้อนของคำขอ ซึ่งทำให้เร็วกว่าอย่างเห็นได้ชัดสำหรับงานง่ายๆ โดยไม่สูญเสียคุณภาพสำหรับงานที่ซับซ้อน การฝึกอบรม GPT-5.1 สร้างขึ้นบนพื้นฐาน GPT-5 ด้วยขั้นตอน post-training เพิ่มเติม รวมถึง RLHF ที่ขยาย มุ่งเน้นที่ความเป็นธรรมชาติของน้ำเสียงและลดความ \\เย็นชา\\ ของคำตอบ context window ใน API คือ 400,000 token เอาต์พุตสูงสุด — 128,000 token[\[20\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt51-api-20) มีการรองรับการ cache prompt แบบขยายนานสูงสุด 24 ชั่วโมง ซึ่งช่วยลดต้นทุนและ latency อย่างมีนัยสำคัญในการสนทนาหลายขั้นตอน[\[21\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt51-announce-21) คุณสมบัติหลัก: - **GPT-5.1 Instant** — โหมดหลักสำหรับงานประจำวัน; ใช้ adaptive reasoning เป็นครั้งแรกเพื่อกำหนดว่าเมื่อใดควร \\คิด\\ ก่อนตอบคำถามที่ซับซ้อนกว่า[\[21\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt51-announce-21) - **GPT-5.1 Thinking** — การจัดสรรเวลาการใช้เหตุผลแบบ adaptive; ตามข้อมูลของ OpenAI บนการกระจายงาน ChatGPT ที่เป็นตัวแทน โมเดลเร็วกว่าประมาณสองเท่าสำหรับงานที่ง่ายที่สุดและช้ากว่าประมาณสองเท่าสำหรับงานที่ยากที่สุดเมื่อเทียบกับ GPT-5 Thinking[\[21\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt51-announce-21) - ปรับปรุง multimodality (ข้อความ + vision) - ปรับปรุง coding และ agentic scenarios รวมถึงประสิทธิภาพในงานง่ายๆ ด้วย adaptive reasoning และ extended prompt caching[\[22\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt51-dev-22) ## GPT-5.2 โมเดล **GPT-5.2** ถูกเปิดตัวเมื่อวันที่ 11 ธันวาคม 2025 ในฐานะ \\โมเดลที่มีความสามารถมากที่สุดของซีรีส์สำหรับการทำงานระดับมืออาชีพและการเรียนรู้\\ นี่คือวิวัฒนาการของ GPT-5.1 โดยเน้นที่มูลค่าทางเศรษฐกิจ: การสร้างตาราง การนำเสนอ โค้ดที่ซับซ้อน งาน end-to-end ยังคงรักษาสถาปัตยกรรมรวมพร้อมโหมด **Instant**, **Thinking** และ **Pro** ใหม่ (สำหรับงานที่ต้องการ compute สูงสุดและเวลาการใช้เหตุผลมากขึ้น) การฝึกอบรมรวมถึงคลังที่อัปเดตพร้อม knowledge cutoff เดือนสิงหาคม 2025 instruction-tuning ที่เข้มงวดขึ้น และ RLHF เพื่อลดข้อผิดพลาดในสถานการณ์หลายขั้นตอน Context — 400K token (128K max output) โมเดลกลายเป็นที่เชื่อถือได้มากขึ้นในสถานการณ์ระดับมืออาชีพ พร้อมความแม่นยำเชิงข้อเท็จจริงและการใช้เครื่องมือที่ดีขึ้น บนพื้นฐาน GPT-5.2 เมื่อวันที่ 18 ธันวาคม 2025 มีการเปิดตัว **GPT-5.2-Codex** เฉพาะทาง — โมเดล coding แบบ agentic ที่มีการบีบอัด context ที่ดีขึ้น (context compaction) รองรับ Windows ความปลอดภัยทางไซเบอร์ที่เสริมแกร่ง และ long-horizon reasoning (งานนานหลายชั่วโมง) ณ วันที่ 13 กุมภาพันธ์ 2026 หลังจากการยกเลิกโมเดลเก่าบางรุ่น GPT-5.2 กลายเป็นโมเดลเริ่มต้นชั่วคราวใน ChatGPT อย่างไรก็ตาม ในต้นเดือนมีนาคม 2026 บทบาทนี้ถูกส่งต่อไปยัง GPT‑5.3 Instant และ GPT‑5.4[\[17\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-chatgpt-53-54-17) ## GPT-5.3-Codex **GPT-5.3-Codex** ถูกนำเสนอเมื่อวันที่ 5 กุมภาพันธ์ 2026 ในฐานะ \\โมเดล coding แบบ agentic ที่ทรงพลังที่สุดในปัจจุบัน\\ นี่คือการรวมความสามารถ frontier coding ของ GPT-5.2-Codex เข้ากับ professional reasoning ของ GPT-5.2 ในโมเดลเดียวที่เร็วกว่ารุ่นก่อน 25% โมเดลสามารถดำเนินการงานของนักพัฒนาได้แทบทุกชนิด: long-running workflows, research, tool use, การดำเนินการโค้ด, interactive steering (ผู้ใช้สามารถเข้าแทรกแซงแบบ real-time โดยไม่สูญเสีย context) เวอร์ชันแรกของโมเดลถูกใช้โดยทีม OpenAI เพื่อ debug การฝึกอบรมของตัวเอง การ deploy และการประเมินผล ผลลัพธ์หลัก ณ วันที่ประกาศ 5 กุมภาพันธ์ 2026: Terminal-Bench ~77.3%, OSWorld-Verified ~64.7%, SWE-Bench Pro ~56.8% ในการเปิดตัว GPT-5.4 ในภายหลังเมื่อวันที่ 5 มีนาคม 2026 OpenAI ได้ให้ผลลัพธ์ OSWorld-Verified 74.0% ที่อัปเดตแล้วสำหรับ GPT-5.3-Codex เมื่อใช้พารามิเตอร์ API ใหม่ที่รักษาความละเอียดภาพต้นฉบับ[\[23\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-23)[\[7\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt54-announce-7) เมื่อวันที่ 12 กุมภาพันธ์ 2026 OpenAI ยังได้เปิดตัว **GPT-5.3-Codex-Spark** — เวอร์ชัน ultra-fast แบบ compact ที่ทำในความร่วมมือกับ Cerebras ซึ่งปรับให้เหมาะสำหรับ real-time: มากกว่า 1,000 token ต่อวินาที, text-only, context 128K ในตอนเริ่มต้นนี่คือการ rollout สำหรับผู้ใช้ ChatGPT Pro ใน Codex และ API design partners จำนวนน้อย ไม่ใช่โมเดล API ที่เปิดให้ใช้งานอย่างกว้างขวาง[\[24\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-24) ## GPT-5.4 **วันที่ 5 มีนาคม 2026** OpenAI นำเสนอ GPT‑5.4 ในฐานะ frontier model ใหม่สำหรับการทำงานระดับมืออาชีพ GPT‑5.4 รวมจุดแข็งของการเปิดตัวล่าสุดของ OpenAI ใน reasoning, coding และ agentic workflows และเป็นครั้งแรกสำหรับสายผลิตภัณฑ์หลักที่ได้รับความสามารถ computer use ในตัว พร้อมกัน OpenAI ยังเปิดตัว **GPT‑5.4 Pro** — ตัวแปรสำหรับงานที่ยากที่สุด โดยใช้การคำนวณมากขึ้นและการใช้เหตุผลที่นานกว่า[\[7\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt54-announce-7) ใน API โมเดล **`gpt-5.4`** อธิบายว่าเป็นโมเดลที่แนะนำเป็นค่าเริ่มต้นสำหรับงาน general-purpose และ coding หลากหลายประเภท; context window มี 1,050,000 token เอาต์พุตสูงสุด — 128,000 token โมเดลรับข้อความและรูปภาพเป็นอินพุตและให้ผลลัพธ์เป็นข้อความ[\[8\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt54-api-8)[\[25\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-gpt54-model-25) ใน ChatGPT โหมด **Auto** ณ วันที่ 7 มีนาคม 2026 สลับโดยอัตโนมัติระหว่าง **GPT‑5.3 Instant** และ **GPT‑5.4 Thinking** ในขณะที่ **GPT‑5.4 Pro** มีให้บริการเป็นโหมด high-capability แยกต่างหาก สำหรับผู้ใช้ ChatGPT ที่เข้าสู่ระบบ โมเดลเริ่มต้นคือ GPT‑5.3[\[17\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-chatgpt-53-54-17) ## พัฒนาการของโมเดล GPT | รุ่น | ปีที่เปิดตัว | จำนวนพารามิเตอร์ | ขนาดคลังข้อความ | คุณสมบัติหลัก | |---------------------|-----------------|---------------------------------------------------------------------------------------------------|---------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------| | GPT-1 | 2018 | ≈117–124 ล้าน[\[26\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-26) | ≈5 GB (BooksCorpus) | การฝึกอบรมเบื้องต้นแบบ generative บนคลังขนาดใหญ่; การฝึกอบรมสองขั้นตอน (pre-training + fine-tuning) | | GPT-2 | 2019 | 1.5 พันล้าน | ≈40 GB (WebText) | การสร้างข้อความที่ปรับปรุงอย่างมีนัยสำคัญ; แสดงพฤติกรรม zero-shot ที่เข้มแข็ง; เผยแพร่โมเดลบางส่วนในตอนแรก | | GPT-3 | 2020 | 175 พันล้าน | ≈570 GB (Common Crawl, WebText2 และอื่นๆ) | in-context learning ขนาดใหญ่; ความสามารถ few-shot และ zero-shot ที่เด่นชัดโดยไม่ต้อง fine-tuning | | GPT-3.5 | 2022 | ไม่เปิดเผย (เวอร์ชัน davinci คาดว่าประมาณ ~175 พันล้าน) | \>570 GB + คลังเพิ่มเติมและ instruction tuning | ปรับปรุงความเสถียรและการปฏิบัติตามคำสั่ง; พื้นฐานของ ChatGPT เวอร์ชันแรก | | GPT-4 | 2023 | ไม่เปิดเผย[\[27\]](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_note-27) | ไม่เปิดเผย | Multimodality (ข้อความ + รูปภาพ); ความแม่นยำที่เพิ่มขึ้นและความทนทานต่อ hallucination; context 8k/32k token | | GPT-4 Turbo | 2023 | ไม่เปิดเผย | อ้างอิงจากการฝึกอบรม GPT-4 (รายละเอียดไม่เปิดเผย) | เพิ่ม context เป็น 128,000 token; ปรับปรุงความเร็วและต้นทุนการสร้าง | | GPT-4o | 2024 | ไม่เปิดเผย | ข้อมูล multimodal (ข้อความ รูปภาพ เสียง) | การประมวลผล multimodal ด้วยเครือข่ายประสาทเทียมเดียว; ความเร็วในการตอบสนองสูง | | GPT-4.5 | 2025 | ไม่เปิดเผย | คลังข้อความและ multimodal ที่ขยายแล้ว | Research preview บนพื้นฐาน GPT-4o; ลดข้อผิดพลาด; *deprecated* ภายในปี 2026 | | GPT-4.1 | 2025 | ไม่เปิดเผย | คลังที่อัปเดตแล้ว | Context สูงสุด 1,047,576 token; ข้อความ + รูปภาพเป็นอินพุต ข้อความเป็นเอาต์พุต | | GPT-5 | 2025 (สิงหาคม) | ไม่เปิดเผย | คลัง multimodal ขนาดใหญ่ | ระบบรวมพร้อมโหมดตอบสนองแบบเร็วและการใช้เหตุผล; context ~400K token; ลด hallucination | | GPT-5.1 | 2025 (พฤศจิกายน) | ไม่เปิดเผย | คลัง GPT-5 ที่ขยายแล้ว + RLHF | Adaptive reasoning; prompt caching 24 ชั่วโมง; ปรับปรุงใน coding | | GPT-5.2 | 2025 (ธันวาคม) | ไม่เปิดเผย | Knowledge cutoff เดือนสิงหาคม 2025 | โหมด Pro; professional knowledge work; GPT-5.2-Codex (agentic coding) | | GPT-5.3-Codex | 2026 (กุมภาพันธ์) | ไม่เปิดเผย | ข้อมูลที่อัปเดตแล้ว + self-improvement data | เร็วกว่า 25%; full-spectrum agent; interactive steering | | GPT-5.3-Codex-Spark | 2026 (กุมภาพันธ์) | ไม่เปิดเผย | แบบ compact | \>1000 t/s บน Cerebras; real-time coding; context 128K | | GPT-5.3 Instant | 2026 (มีนาคม) | ไม่เปิดเผย | ไม่เปิดเผย | การอัปเดตโมเดลสนทนาที่ใช้บ่อยที่สุดอย่าง ChatGPT; ปรับปรุง factuality, web search และ conversational flow | | GPT-5.4 | 2026 (มีนาคม) | ไม่เปิดเผย | ไม่เปิดเผย | frontier model ใหม่สำหรับการทำงานระดับมืออาชีพ; native computer use; โมเดลเริ่มต้นใน API สำหรับ general-purpose และงาน coding ส่วนใหญ่ | | GPT-5.4 Pro | 2026 (มีนาคม) | ไม่เปิดเผย | ไม่เปิดเผย | ตัวแปร GPT-5.4 ที่มี compute มากขึ้นสำหรับงานที่ยากที่สุด | พัฒนาการของโมเดล GPT ## พารามิเตอร์สถาปัตยกรรมของโมเดล GPT | โมเดล | ปีที่เปิดตัว | จำนวนพารามิเตอร์ | จำนวนชั้น | ขนาด hidden state | จำนวน attention head | Context window | ขนาดคลังข้อมูลการฝึกอบรม | |-------------|---------|--------------------------------------------------|-------------------------|-------------------------|----------------------|-----------------------------------------------------|--------------------------------------------------------------| | GPT-1 | 2018 | ≈117–124 ล้าน | 12 | 768 | 12 | 512 token | ≈5 GB (BooksCorpus) | | GPT-2 | 2019 | 1.5 พันล้าน | 48 | 1,600 | 25 | 1,024 token | ≈40 GB (WebText) | | GPT-3 | 2020 | 175 พันล้าน | 96 | 12,288 | 96 | 2,048 token | ≈570 GB (Common Crawl + WebText2 + อื่นๆ) | | GPT-3.5 | 2022 | ไม่เปิดเผย (เวอร์ชัน davinci คาดว่าประมาณ ~175 พันล้าน) | (ประมาณใกล้เคียงกับ GPT-3) | (ประมาณใกล้เคียงกับ GPT-3) | (ไม่เปิดเผย) | สูงสุด 4,096 token (รุ่นแรก); สูงสุด 16,385 token (รุ่นหลัง) | Common Crawl ที่ขยายแล้ว + dataset เพิ่มเติมและ instruction tuning | | GPT-4 | 2023 | ไม่เปิดเผย | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | 8,192 token (พื้นฐาน); 32,768 (GPT-4-32k) | ไม่เปิดเผย | | GPT-4 Turbo | 2023 | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | สูงสุด 128,000 token | เวอร์ชันที่ปรับปรุงของ GPT-4 (รายละเอียดคลังไม่เปิดเผย) | | GPT-4o | 2024 | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | สูงสุด 128,000 token | ข้อมูล multimodal: ข้อความ รูปภาพ เสียง | | GPT-4.5 | 2025 | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | สูงสุด 128,000 token | คลังข้อความและ multimodal ที่อัปเดตแล้ว | | GPT-4.1 | 2025 | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | สูงสุด 1,047,576 token | Multimodality; การฝึกอบรมที่ปรับขนาดโดยเน้น context ยาว | | GPT-5 | 2025 | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | สูงสุด ≈400,000 token (context รวม) | คลัง multimodal ขนาดใหญ่ (รายละเอียดไม่เปิดเผย) | | GPT-5.4 | 2026 | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | (ไม่เปิดเผย) | 1,050,000 token; 128,000 max output | ไม่เปิดเผย | พารามิเตอร์สถาปัตยกรรมของโมเดล GPT ## ลิงก์อ้างอิง - \\Improving language understanding with unsupervised learning\\, OpenAI, 11 มิถุนายน 2018 - \\Better language models and their implications\\, OpenAI, 14 กุมภาพันธ์ 2019 - \\GPT-2: 6-month follow-up\\, OpenAI, 20 สิงหาคม 2019 - \\GPT-2: 1.5B release\\, OpenAI, 5 พฤศจิกายน 2019 - \\Language models are few-shot learners\\, OpenAI, 28 พฤษภาคม 2020 - \\OpenAI API\\, OpenAI, 11 มิถุนายน 2020 - \\Introducing ChatGPT\\, OpenAI, 30 พฤศจิกายน 2022 - \\Function calling and other API updates\\, OpenAI, 13 มิถุนายน 2023 - \\GPT-4\\, OpenAI, 14 มีนาคม 2023 - \\New models and developer products announced at DevDay\\, OpenAI, 6 พฤศจิกายน 2023 - \\Hello GPT-4o\\, OpenAI, 13 พฤษภาคม 2024 - \\Introducing GPT-4.1 in the API\\, OpenAI, 14 เมษายน 2025 - \\Introducing GPT-4.5\\, OpenAI, 27 กุมภาพันธ์ 2025 - \\Introducing GPT-5\\, OpenAI, 7 สิงหาคม 2025 - \\GPT-5.1: A smarter, more conversational ChatGPT\\, OpenAI, 12 พฤศจิกายน 2025 - \\Introducing GPT-5.2\\, OpenAI, 11 ธันวาคม 2025 - \\Introducing GPT-5.2-Codex\\, OpenAI, 18 ธันวาคม 2025 - \\Introducing GPT-5.3-Codex\\, OpenAI, 5 กุมภาพันธ์ 2026 - \\Introducing GPT-5.3-Codex-Spark\\, OpenAI, 12 กุมภาพันธ์ 2026 - \\GPT-5.3 Instant: Smoother, more useful everyday conversations\\, OpenAI, 3 มีนาคม 2026 - \\Introducing GPT-5.4\\, OpenAI, 5 มีนาคม 2026 - \\Using GPT-5.4\\, OpenAI Developers - \\Models\\, OpenAI API - \\Deprecations\\, OpenAI API - \\GPT-5.3 and GPT-5.4 in ChatGPT\\, OpenAI Help Center - \\Retiring GPT-4o and other ChatGPT models\\, OpenAI Help Center ## หมายเหตุ 1. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt5-announce_1-0) OpenAI. «Introducing GPT-5» (7 августа 2025). https://openai.com/index/introducing-gpt-5/ 2. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-2) OpenAI. «Introducing GPT-4.5» (2025). https://openai.com/index/introducing-gpt-4-5/ 3. ↑ [3.0](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt45-systemcard_3-0) [3.1](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt45-systemcard_3-1) OpenAI. GPT-4.5 System Card (27 февраля 2025). https://cdn.openai.com/gpt-4-5-system-card-2272025.pdf 4. ↑ [4.0](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-deprecations_4-0) [4.1](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-deprecations_4-1) OpenAI Developers. Deprecations. https://developers.openai.com/api/docs/deprecations/ 5. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-5) OpenAI. «Introducing GPT-4.1 in the API» (2025). 6. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt53-instant_6-0) OpenAI. «GPT-5.3 Instant: Smoother, more useful everyday conversations» (3 марта 2026). https://openai.com/index/gpt-5-3-instant/ 7. ↑ [7.0](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt54-announce_7-0) [7.1](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt54-announce_7-1) [7.2](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt54-announce_7-2) OpenAI. «Introducing GPT-5.4» (5 марта 2026). https://openai.com/index/introducing-gpt-5-4/ 8. ↑ [8.0](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt54-api_8-0) [8.1](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt54-api_8-1) OpenAI Developers. «Using GPT-5.4». https://developers.openai.com/api/docs/guides/latest-model/ 9. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-radford2018_9-0) Radford, A. et al. (2018). *Improving Language Understanding by Generative Pre-Training*. https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf 10. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-10) OpenAI отмечала, что обновлённый GPT-3.5 Turbo «now comes by default with 16k context». 11. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-11) OpenAI. «GPT-4 Technical Report» (2023). arXiv:2303.08774. 12. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-12) Эти оценки основаны на данных, опубликованных SemiAnalysis и подтверждённых рядом независимых источников. 13. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-13) Анонсирована на DevDay OpenAI 6 ноября 2023 года; общая доступность — с 9 апреля 2024 года. 14. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-14) Кодовое имя Orion и характеристика «последняя модель без chain-of-thought» фигурировали в roadmap-коммуникации Сэма Альтмана и ряде медиа-публикаций (Reuters, The Verge), но не в самом launch post GPT-4.5. 15. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-15) OpenAI. «Introducing GPT-4.1 in the API» (2025). 16. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-16) OpenAI. «Introducing GPT-5» (7 августа 2025). 17. ↑ [17.0](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-chatgpt-53-54_17-0) [17.1](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-chatgpt-53-54_17-1) [17.2](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-chatgpt-53-54_17-2) OpenAI Help Center. «GPT-5.3 and GPT-5.4 in ChatGPT». https://help.openai.com/en/articles/11909943-gpt-53-and-54-in-chatgpt 18. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-18) OpenAI API documentation. Models: GPT-5. 19. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-19) OpenAI. «Introducing GPT-5» (2025). Условия тестирования: «with web search enabled on anonymized prompts representative of ChatGPT production traffic». 20. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt51-api_20-0) OpenAI Developers. Models: GPT-5.1. https://developers.openai.com/api/docs/models/gpt-5.1 21. ↑ [21.0](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt51-announce_21-0) [21.1](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt51-announce_21-1) [21.2](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt51-announce_21-2) OpenAI. «GPT-5.1: A smarter, more conversational ChatGPT» (12 ноября 2025). https://openai.com/index/gpt-5-1/ 22. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt51-dev_22-0) OpenAI. «GPT-5.1 for developers» (2025). https://openai.com/index/gpt-5-1-for-developers/ 23. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-23) OpenAI. «Introducing GPT-5.3-Codex» (5 февраля 2026). https://openai.com/index/introducing-gpt-5-3-codex/ 24. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-24) OpenAI. «Introducing GPT-5.3-Codex-Spark» (12 февраля 2026). https://openai.com/index/introducing-gpt-5-3-codex-spark/ 25. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-gpt54-model_25-0) OpenAI Developers. Models: GPT-5.4. https://developers.openai.com/api/docs/models/gpt-5.4 26. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-26) Точное число параметров GPT-1 в разных источниках варьируется; исходная публикация не указывает число явно. Цифра ≈117 млн широко цитируется, а ≈124 млн фигурирует в ряде поздних материалов. 27. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(TH)#cite_ref-27) По неофициальным внешним оценкам (SemiAnalysis и др.), возможно MoE-архитектура с суммарным масштабом ~1,8 трлн параметров; OpenAI эти данные не подтверждала. ## วรรณกรรม - Radford, A. et al. (2018). *Improving Language Understanding by Generative Pre-Training*. PDF. - Radford, A. et al. (2019). *Language Models are Unsupervised Multitask Learners*. PDF. - Brown, T. B. et al. (2020). *Language Models are Few-Shot Learners*. arXiv:2005.14165. - Kaplan, J. et al. (2020). *Scaling Laws for Neural Language Models*. arXiv:2001.08361. - Chen, M. et al. (2021). *Evaluating Large Language Models Trained on Code*. arXiv:2107.03374. - Ouyang, L. et al. (2022). *Training Language Models to Follow Instructions with Human Feedback*. arXiv:2203.02155. - Hoffmann, J. et al. (2022). *Training Compute-Optimal Large Language Models*. arXiv:2203.15556. - Bai, Y. et al. (2022). *Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback*. arXiv:2204.05862. - OpenAI (2023). *GPT-4 Technical Report*. arXiv:2303.08774. - Bubeck, S. et al. (2023). *Sparks of Artificial General Intelligence: Early Experiments with GPT-4*. arXiv:2303.12712.