ค..ตนดูระบบคอม

LLM Research  Architecture and Model Design Efficient Training and Scaling Inference Efficiency and KV Cache Sparse Attention and Long Context Reasoning and Test-Time Compute Reinforcement Learning and RLVR Agent Systems and Tool Use Coding Agents and Software Engineering Diffusion Language Models Model Evaluation and Benchmarks Core Topics Research Inference-Time Compute & Reasoning Hybrid & Alternative Architectures Long-Context & Sparse Attention Agent Systems & Tool Use Themes Constitutional Distillation Multimodal Grounding Data Curation at Scale

ในช่วงแรกของยุค Generative AI คำว่า LLM มักถูกพูดถึงในบริบทของโมเดล เช่น GPT, Llama, Gemma หรือ Qwen แต่เมื่อองค์กรเริ่มนำ LLM ไปใช้งานจริง เราจะพบว่าการเลือกโมเดลเป็นเพียงจุดเริ่มต้น เพราะระบบ LLM ที่ดีต้องจัดการทั้ง Model + Data + Prompt + Retrieval + Database + Infrastructure + Network + Security + Evaluation ทั้งหมดนี้รวมกันเป็นสิ่งที่เรียกว่า LLM Engineering LLM Engineering จึงไม่ใช่แค่การ “เรียกใช้ LLM API” แต่คือศาสตร์และวิศวกรรมในการออกแบบ สร้าง Deploy และดูแลระบบที่มี LLM เป็นส่วนประกอบหลัก 1. LLM Engineering ต่างจาก AI Engineering อย่างไร? สองคำนี้มีส่วนที่ทับซ้อนกัน แต่จุดเน้นต่างกัน AI Engineering ครอบคลุมระบบ AI ในภาพกว้าง เช่น Computer Vision Speech Machine Learning Recommendation NLP Generative AI ส่วน LLM Engineering เน้นระบบที่มี Language Model เป็น Core Component เช่น LLM Application RAG AI Agent Prompt Engineering Context Engineering LLM Evaluation Model Serving Inference Optimization LLM Security ดังนั้น LLM Engineering สามารถมองเ...