สรุป paper AI (title + abstract ภาษาอังกฤษ) ให้เป็น การ์ดภาษาไทยโทนเพื่อนเล่าให้ฟัง คืนค่าเป็น JSON: title_th, summary_th, wow_point, tags

Fine-tune จาก scb10x/typhoon2-qwen2.5-7b-instruct ด้วย LoRA (r=16, alpha=16) โดย distill จาก Gemini (gemini-3.1-flash-lite) — 340 ตัวอย่างเทรน / 60 ตัวอย่างเทสต์

ผล Evaluation (test set 60 ใบ)

ให้ Claude Sonnet 5 เป็นกรรมการแบบ blind (เห็นแค่ paper + การ์ด 1 ใบ ไม่รู้ว่าใครสรุป) ให้คะแนน 1-5 สามแกน — Gemini ถูกตัดสินด้วยเกณฑ์เดียวกัน

ระบบ	accuracy	tone	wow	เฉลี่ย
Gemini (teacher)	3.95	4.68	3.73	4.12
โมเดลนี้	3.45	4.37	3.42	3.75
base (ไม่ fine-tune)	3.50	2.43	2.00	2.64

ได้ 91% ของ teacher และดีกว่า base ชัดเจน

fine-tune ซื้ออะไรมา

	base	fine-tuned
tone (เพื่อนเล่า)	2.43	4.37
wow (จุดว้าว)	2.00	3.42
คงศัพท์อังกฤษ (en tokens)	4	8
JSON ใช้ได้จริง	100%	98%

น่าสนใจ: accuracy แทบไม่ต่าง (3.50 vs 3.45) — สิ่งที่ fine-tune แก้คือ โทนและการเล่า ไม่ใช่ความถูกต้อง base อ่าน paper รู้เรื่องอยู่แล้ว แค่เล่าแบบแปลตรงตัว/วิชาการจนไม่มีใครอยากอ่าน

วิธีใช้ (llama.cpp)

bash

llama-cli -m thai-paper-summarizer-7b.Q4_K_M.gguf   -p "Title: ...

Abstract: ..." -n 1024 --temp 0

ข้อจำกัด

เทรนจาก paper สาย cs.CL / cs.AI เท่านั้น — สาขาอื่นอาจเพี้ยน
dataset เล็ก (340 ตัวอย่าง) — เป็นงาน distill เชิงเรียนรู้ ไม่ใช่โมเดล production scale
~2% ของ output ยัง JSON ไม่ครบ field ฝั่งที่เรียกใช้ควรมี fallback

Training

Unsloth + QLoRA 4bit บน Colab T4 · eval_loss 0.987

โปรเจกต์เต็ม: https://github.com/Tanapunn/thai-paper-feed

Tana-Pun/thai-paper-summarizer-7b

Thai Paper Summarizer 7B (GGUF Q4_K_M)

ผล Evaluation (test set 60 ใบ)

fine-tune ซื้ออะไรมา

วิธีใช้ (llama.cpp)

ข้อจำกัด

Training

Tana-Pun/
thai-paper-summarizer-7b