ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง#บทสอน / ภาคปฏิบัติ
12 พฤศจิกายนวันพฤหัสบดี
  1. Google Developers Blog58

    วิศวกร Google ใช้ Gemini 4 Argon และ Z3 จับบั๊ก bounds-check ใน Go ที่ fuzzing พลาด

    วิศวกร Google ซึ่งเป็นผู้นำโปรแกรม agent skills ของบริษัทได้สร้างไปป์ไลน์ที่ Gemini 4 Argon อ่านซอร์สโค้ด Go และดิสแอสเซมบลี RISC-V แล้วแปลงกับดัก runtime.panicBounds ที่ยังหลงเหลือให้เป็นข้อจำกัด Z3 จากนั้น go test จะเล่นซ้ำอินพุตที่ตรงเงื่อนไขใดๆ เป็นตัวสร้างซ้ำจริง เวิร์กโฟลว์นี้จับบั๊กที่ฝังไว้ทั้งสามตัวและบั๊กแฝงสามตัวใน skill-lint ขณะที่ go test -fuzz แบบไม่กำหนด seed พลาดการ crash ที่ฝังไว้สองตัว เพราะ Go ตรวจสอบสไลซ์เทียบกับ capacity ไม่ใช่ length การตัด capacity ให้เท่ากับ length ด้วย data[:len(data):len(data)] ทำให้ fuzzer crash บั๊ก overrun ทั้งสองตัวในการรันทั้งสามครั้ง โดยมีค่ามัธยฐาน 0.28 วินาที และ 0.17 วินาที

  2. Claude Blog40

    คู่มือ Claude Tag สำหรับสตาร์ทอัพจาก Anthropic: ช่อง Slack และกรณีการใช้งานยอดนิยม

    Anthropic เผยแพร่คู่มือ Claude Tag (เบต้า) สำหรับสตาร์ทอัพ โดยอ้างอิงจากบทสนทนากับบริษัทที่เติบโตสูงแปดแห่งเกี่ยวกับจุดที่พวกเขาเริ่มใช้เอเจนต์บน Slack ก่อน คู่มือครอบคลุมการตั้งค่าที่พบบ่อยห้าแบบ ได้แก่ การคัดแยกเหตุฉุกเฉิน (on-call triage), thread-to-PR, company brain, self-serve data และ reporting พร้อมเช็กลิสต์สำหรับเริ่มต้น ผลลัพธ์ที่อ้างถึงรวมถึง PR ที่เปิดขึ้น 21 นาทีหลังจากการกล่าวถึงใน Slack และ pull request 134 รายการที่ merge จาก thread ใน Slack ที่ NavigateAI

11 พฤศจิกายนวันพุธ
  1. ElevenLabs Blog18

    การโคลนเสียงสำหรับครีเอเตอร์คอนเทนต์: ขยายเวิร์กโฟลว์คอนเทนต์ด้วย AI เสียง

    ElevenLabs อธิบายว่าเสียงโคลนช่วยให้ครีเอเตอร์คอนเทนต์อัดตัวอย่างสั้นๆ ครั้งเดียว แล้วสร้างเสียงบรรยายสำหรับวิดีโอ พอดแคสต์ คอร์สเรียน และคลิปโซเชียลได้โดยไม่ต้องกลับเข้าห้องอัดเสียงอีก คู่มือนี้แยกความแตกต่างระหว่าง Instant Voice Cloning ซึ่งสร้างเสียงโคลนจากตัวอย่างสั้นในเวลาไม่ถึงหนึ่งนาที กับ Professional Voice Cloning ซึ่งฝึกจากชุดบันทึกเสียงที่ใหญ่กว่าและมีขั้นตอนยืนยันว่าเสียงนั้นเป็นของครีเอเตอร์จริง นอกจากนี้ยังระบุเกณฑ์การเลือกใช้ ได้แก่ ความเที่ยงตรงของเสียง การควบคุมการออกเสียง ความครอบคลุมของภาษา มาตรการป้องกันด้านความยินยอม ตัวเลือกการส่งออก และการอนุญาตเชิงพาณิชย์

  2. vLLM Blog58

    vLLM เพิ่มการแยกส่วน encoder สำหรับการให้บริการมัลติโมดัลด้วย EPD

    vLLM ได้ขยายการแยกส่วน Encoder/Prefill/Decode (EPD) สำหรับการให้บริการมัลติโมดัล โดยเพิ่มคำขอแบบ metadata-only, เส้นทางการประมวลผล encoder โดยเฉพาะ, การถ่ายโอน embedding ระยะไกลผ่าน NIXL และ Mooncake, การใช้เอาต์พุตข้าม encoder ซ้ำ และการจัดการผ่าน vLLM Router, SMG และ llm-d ความสามารถหลักรวมถึงการรองรับ MiMo และ XPU มาพร้อมใน vLLM v0.32.0 ขณะที่การรองรับ metadata-only สำหรับ DeepSeek V4.1 Flash มีให้ใช้งานบน main ผ่าน #62802 ในการทดสอบ DeepSeek V4.1 Flash บน GB200 EPD ให้ throughput ต่อ GPU สูงขึ้น 6.6–9.5% และ P90 TTFT ต่ำลง 44–47% เมื่อเทียบกับ baseline แบบ PD แปด GPU ที่ concurrency 64–128 แต่มี throughput ต่อ GPU ต่ำกว่าที่ concurrency 16

  3. OpenRouter Announcements65

    OpenRouter วัดต้นทุนบริบทของ MCP, CLI และ skills บนงาน GitHub งานเดียว

    OpenRouter วัดงาน GitHub งานเดียวกันผ่าน GitHub MCP server, gh CLI และ gh skill บน Claude Sonnet 5.5, GPT-6 Luna และ Gemini 3.8 Flash บน Sonnet 5.5 ทั้งสามตอบถูก แต่ CLI ใช้ 1,421 input tokens, skill ใช้ 3,315 และ MCP server ใช้ 59,417 พร้อมเครื่องมือเริ่มต้น 46 ตัว ซึ่งคำนิยามเพียงอย่างเดียวเพิ่ม 19,436 tokens ต่อคำขอ การจำกัด server ให้เหลือสองเครื่องมือลดงานเหลือ 23,228 tokens การจำกัดผลลัพธ์ที่ 4,000 ตัวอักษรลดเหลือ 5,357 และ Tool Search ลดต้นทุนล่วงหน้าของ 46 เครื่องมือเหลือต่ำกว่า 600 tokens แม้จะลดต้นทุนทั้งงานบน Sonnet 5.5 ลงครึ่งหนึ่งแต่กลับเพิ่มขึ้นบน Claude Haiku 5.5

    ทำไมเรื่องนี้สำคัญ: การเปรียบเทียบที่วัดได้ของ OpenRouter แสดงให้เห็นว่า MCP server, CLI และ skill ใช้บริบทเท่าใดในงาน GitHub งานเดียวกัน และการตัดทอนผลลัพธ์เครื่องมือหรือการเลื่อนคำนิยามออกไปเปลี่ยนค่าใช้จ่ายตรงไหน

  4. Hugging Face Blog41

    การฝึกแบบ Pooling-Aware สำหรับโมเดล Multi-Vector Embedding ด้วย Sentence Transformers

    Hugging Face แสดงให้เห็นว่าการฝึกแบบ pooling-aware ช่วยยกระดับคุณภาพการดึงข้อมูลของโมเดล multi-vector embedding ภายใต้งบประมาณการจัดเก็บคงที่ ด้วย pool_factor=4 โมเดลที่ฝึกตามปกติยังคงรักษา 94.6% ของ NanoBEIR nDCG@10 แบบไม่ pooled ขณะที่ลดเวกเตอร์เอกสารลง 4 เท่า และการฝึกแบบ pooling-aware ช่วยเพิ่มอัตราการรักษานั้นเป็น 97.8% โพสต์นี้อธิบาย HierarchicalTokenPooling การปรับเทียบงบประมาณ และตัวอย่าง Sentence Transformers ที่ทำซ้ำได้

  5. OpenRouter Announcements58

    คู่มือ OpenRouter: แก้ไขข้อผิดพลาด 429 rate limit ของ OpenAI และ Claude

    OpenRouter เผยแพร่คู่มือเกี่ยวกับการจัดการข้อผิดพลาด 429 Too Many Requests จาก OpenAI, Anthropic และ API ของตัวเอง โดยทดสอบวิธีแก้สามวิธีกับชุดคำสั่ง 60 รายการ การลองซ้ำเริ่มต้นของ OpenAI Python SDK ทำให้ 23 จาก 60 คำขอล้มเหลวภายใน 12 วินาที ขณะที่การลองซ้ำที่รอ Retry-After หรือ X-RateLimit-Reset ทำให้ทั้ง 60 คำขอสำเร็จใน 89 ถึง 92 วินาทีใน Python และ 106 ถึง 218 วินาทีใน TypeScript การ fallback ไปยังโมเดลอื่นทำให้ทั้ง 60 คำขอเสร็จสิ้นใน 13 วินาทีด้วยค่าใช้จ่าย $0.000066 และเมื่อเปิดใช้ provider failover คำขอที่ผูกกับผู้ให้บริการทั้งหมด 150 รายการสำเร็จ เทียบกับที่ล้มเหลวได้ถึง 32 รายการเมื่อปิด fallback

  6. OpenRouter Announcements60

    OpenRouter ทดสอบว่า fp8 และ fp4 quantization ส่งผลต่อคุณภาพและราคาของ LLM อย่างไร

    OpenRouter ได้รันงาน exact-answer 280 งานกับ six endpoints ของ Qwen3.8 27B เมื่อวันที่ 20 ตุลาคม 2026 และไม่พบความแตกต่างด้านความแม่นยำระหว่าง fp16, fp8 และ fp4 โดยทั้งหกได้คะแนนระหว่าง 98.3% ถึง 99.2% จาก 1,455 endpoints มี 59.5% ที่ไม่ระบุ precision เลย และ fp8 เป็นรูปแบบที่ติดป้ายมากที่สุดที่ 23.6% precision ที่ต่ำกว่ามีราคาถูกกว่าสำหรับโมเดลส่วนใหญ่แต่ไม่ใช่ทั้งหมด และการเลือกผู้ให้บริการส่งผลต่อราคามากกว่า precision โดย endpoint ที่มี precision เดียวกันและแพงที่สุดมีค่ามัธยฐานเป็น 1.72 เท่าของที่ถูกที่สุด

    ทำไมเรื่องนี้สำคัญ: OpenRouter วัด endpoints fp8, fp4 และ fp16 ของโมเดลหนึ่งๆ across 240 exact-answer tasks และไม่พบช่องว่างความแม่นยำที่ตรวจพบได้ ขณะที่ความแตกต่างของราคาเป็นไปตามผู้ให้บริการมากกว่า precision

  7. LangChain Blog58

    LangChain อธิบายเทคนิคการดึงข้อมูลสำหรับวิศวกรรมบริบทของ AI agent

    LangChain เผยแพร่บล็อกโพสต์เกี่ยวกับการออกแบบการดึงข้อมูลที่ส่งผลต่อวิศวกรรมบริบทสำหรับ AI agent โดยยกตัวอย่าง agent วิเคราะห์การแข่งขันที่สร้างบน Deep Agents harness ของบริษัท โพสต์กล่าวถึงโหมดความล้มเหลวสามประการ ได้แก่ การค้นหาที่ไม่มีประสิทธิภาพ การโหลดบริบทมากเกินไปในครั้งเดียว และผลลัพธ์ที่ไม่เกี่ยวข้องหรือล้าสมัย พร้อมจับคู่แต่ละโหมดกับเทคนิค เช่น เครื่องมือไฟล์ระบบ glob และ grep การแบ่งหน้าอ่านไฟล์ขนาดใหญ่ด้วย read_file offsets การย้ายผลลัพธ์เครื่องมือที่ใหญ่เกินไปไปยังไฟล์ และการมอบหมายการอ่านให้ subagent ภายใต้รูปแบบ retrieve, offload, delegate นอกจากนี้ยังเตือนว่าข้อความที่ดึงมาเป็นข้อมูลไม่ใช่คำสั่ง และอาจมีการฉีดพรอมต์ได้ จึงควรตรวจสอบผลลัพธ์เทียบกับแหล่งอ้างอิง

  8. LangChain Blog60

    LangChain อธิบายวิธีที่ Deep Agents จัดการบริบทโดยไม่เก็บทุกอย่างไว้ในหน้าต่าง

    LangChain ให้รายละเอียดว่า Deep Agents harness โอเพนซอร์สของบริษัทใช้มิดเดิลแวร์อย่างไรเพื่อต่อสู้กับ context rot ในการรันเอเจนต์ระยะยาว ผลลัพธ์จากเครื่องมือที่มีขนาดเกินประมาณ 20,000 โทเคนและข้อความผู้ใช้ที่เกิน 50,000 โทเคนจะถูกย้ายไปยังไฟล์โดยแสดงเพียงตัวอย่าง ขณะที่การสรุปจะย่อข้อความเก่าเมื่อการใช้งานถึง 85% ของหน้าต่างบริบท สกิล ซับเอเจนต์ และไฟล์หน่วยความจำระยะยาวแบบมาร์กดาวน์ช่วยให้หน้าต่างของเอเจนต์หลักมีขนาดเล็กและให้หน่วยความจำส่งต่อข้ามโมเดลและผู้ให้บริการ

    ทำไมเรื่องนี้สำคัญ: LangChain อธิบายว่า Deep Agents harness โอเพนซอร์สใช้มิดเดิลแวร์เพื่อย้าย สรุป และแยกบริบทอย่างไร ซึ่งเป็นรูปแบบที่นำกลับมาใช้ซ้ำได้สำหรับเอเจนต์ในงานระยะยาว

  9. LangChain Blog36

    Workday สร้างแพลตฟอร์ม AI Agent ระดับองค์กรด้วย LangGraph และ LangSmith ได้อย่างไร

    Workday สร้างแพลตฟอร์มสำหรับนักพัฒนาภายในองค์กรเพื่อรองรับ AI agent ในสภาพแวดล้อมจริง โดยใช้ LangGraph สำหรับการจัดการ orchestration และ LangSmith สำหรับการติดตาม observability และการประเมินผล ด้วยทีมงานเพียงสี่คน เวลาที่ใช้ในการสร้างต้นแบบลดลงจาก 4–5 เดือนเหลือไม่ถึงหนึ่งวัน และทีมงานได้ขยายขึ้นเป็นประมาณ 30 คน

  10. Meta Engineering Blog58

    Meta อธิบาย TLX ส่วนขยายคอมไพเลอร์ GPU แบบฮาร์ดแวร์เนทีฟสำหรับ Triton เพื่อ ML ระดับโปรดักชัน

    Meta ให้รายละเอียดเกี่ยวกับ TLX (Triton Low-Level Extensions) ส่วนขยายของ Triton ที่เพิ่มการจัดการระดับ warp-group และ cluster อย่างชัดเจน โดยยังคงโมเดลการเขียนโปรแกรมแบบเทนเซอร์ของ Triton ไว้ TLX ใช้งานจริงในโปรดักชันทั่ว Meta แล้ว โดยได้ MFU แบบ end-to-end 20-25% บน GPU NVIDIA Blackwell หลายพันตัวสำหรับการเทรน GEM ลดเลเทนซีของเครือข่ายที่ใช้คอมพิวต์หนักสำหรับการอนุมาน RecSys ได้มากถึงสองในสาม และมีเคอร์เนล grouped GEMM แบบกระจายที่ใช้งานในการพรีเทรน LLM ขนาดใหญ่ Meta ระบุว่า TLX รองรับ NVIDIA Hopper และ Blackwell รวมถึง AMD Mi300 และ Mi350x และกำลังพัฒนาสถาปัตยกรรมเพิ่มเติม การอนุมาน warp-group อัตโนมัติ และแบ็กเอนด์ torch.compile

10 พฤศจิกายนวันอังคาร
  1. LangChain Blog59

    Stripe สร้าง Kai บน Deep Agents ได้อย่างไรในหนึ่งสัปดาห์

    Stripe สร้าง Kai แพลตฟอร์ม Knowledge AI ทั่วทั้งบริษัท บน Deep Agents harness โอเพนซอร์สของ LangChain โดยวิศวกรหนึ่งคนส่งเวอร์ชันแรกได้ภายในสัปดาห์เดียว สแต็กนี้วางชั้น harness และคอนฟิกูเรชันเฉพาะของ Stripe ทับบน Deep Agents ใช้ไฟล์ซิสเต็มมิดเดิลแวร์ที่รองรับด้วย S3 แซนด์บ็อกซ์มิดเดิลแวร์สำหรับรันโค้ด ซัมมารีไมซ์มิดเดิลแวร์สำหรับเซสชันยาว และการโหลดเครื่องมือแบบไดนามิกตามสกิลครอบคลุมเครื่องมือ MCP ภายในกว่า 500 รายการและสกิลกว่า 1,000 รายการ Kai เติบโตจาก 296 เป็นผู้ใช้กว่า 5,000 คนในราวสี่สัปดาห์ และปัจจุบัน 83% ของ Stripe ใช้งานเป็นรายสัปดาห์ในกว่า 60k เซสชัน

  2. Hugging Face Blog60

    Hugging Face อธิบายโมเดลการตัดสินใจและการรองรับใน Transformers และ llama.cpp

    Hugging Face เผยแพร่บทอธิบายเกี่ยวกับโมเดลการตัดสินใจ ซึ่งรับสถานะพร้อมคำถามที่มีชนิดข้อมูลและคืนค่าความน่าจะเป็นเหนือคำตอบที่กำหนดไว้ล่วงหน้าแทนการสร้างข้อความ โพสต์ดังกล่าวลงรายละเอียดเกี่ยวกับ primitive ของ choice, score และ noul สูตรความเชื่อมั่น และการรองรับใหม่ผ่าน DecisionPipeline และ AutoModelForDecision ของ Transformers, endpoint /v1/systemone ที่ใช้ร่วมกันใน Transformers และ llama.cpp, แท็ก Hub สำหรับการค้นพบ และการ fine-tuning ด้วย Trainer API พร้อมระบุว่า endpoint เดียวกันยังใช้งานได้กับ autoregressive LLM ที่เข้ากันได้โดยการให้คะแนน logits ของคำตอบในการ forward pass แบบแบตช์

    ทำไมเรื่องนี้สำคัญ: Hugging Face อธิบายว่าโมเดลการตัดสินใจเปลี่ยนการจำแนกประเภทให้เป็นอินเทอร์เฟซที่มีชนิดข้อมูลและไม่ใช่เชิงสร้างสรรค์อย่างไร และแสดงวิธีให้บริการและ fine-tune โมเดลเหล่านี้ด้วย Transformers และ llama.cpp

  3. OpenRouter Announcements72

    OpenRouter ทดสอบโมเดลวิชัน 15 ตัวและ Mistral OCR กับเอกสารสแกน

    OpenRouter ทดสอบโมเดลวิชัน 15 ตัว, Mistral OCR และ Tesseract กับภาพสแกนคุณภาพต่ำที่สร้างขึ้นเองแปดภาพ และ Claude Opus 5.5 แม่นยำที่สุดโดยได้ค่าสำคัญ 262 จาก 264 ค่าถูกต้อง ในราคา $16.42 ต่อ 1,000 หน้า ขณะที่ Mistral OCR คุ้มค่าที่สุดด้วย 258 จาก 264 ในราคา $2.02 บนใบเสร็จที่จางลง GPT-6 Luna และ GPT-6.1 Sol สร้างตัวเลขบัตร ชื่อเซิร์ฟเวอร์ และรหัส wifi ขึ้นมาเอง ซึ่งเป็นข้อผิดพลาดที่อัตราความผิดพลาดระดับตัวอักษรไม่เผยให้เห็น โพสต์นี้มีโค้ดสำหรับถอดความภาพสแกน ปิดการให้เหตุผล ตรวจสอบไขว้ระหว่างสองโมเดลจากห้องแล็บต่างกัน และรัน Mistral OCR ผ่านปลั๊กอิน file-parser

    ทำไมเรื่องนี้สำคัญ: การทดสอบเชิงปฏิบัติของโมเดลวิชัน 15 ตัวพร้อม Mistral OCR และ Tesseract กับภาพสแกนคุณภาพต่ำแปดภาพ พร้อมโค้ดที่รันได้สำหรับตรวจสอบไขว้ระหว่างสองโมเดลเพื่อจับค่าที่ถูกสร้างขึ้นมา

  4. Meta Engineering Blog40

    Meta ขยาย LLDB ด้วยสถาปัตยกรรมปลั๊กอินตัวเร่งแบบเป็นกลางต่อผู้จำหน่ายสำหรับการดีบัก CPU-GPU

    Meta ได้สร้างสถาปัตยกรรมปลั๊กอินตัวเร่งแบบเป็นกลางต่อผู้จำหน่ายใน lldb-server ที่ช่วยให้ LLDB ดีบักแอปพลิเคชันที่ครอบคลุมทั้ง CPU และ GPU ภายในเซสชันเดียว การออกแบบนี้แสดงถึง CPU และ GPU เป็นเป้าหมาย LLDB แยกจากกัน โดยแต่ละเป้าหมายมีสถาปัตยกรรม เธรด รีจิสเตอร์ และพื้นที่ที่อยู่ของตัวเอง ขณะที่ปลั๊กอินทำหน้าที่แปลง API การดีบักอุปกรณ์ของผู้จำหน่ายให้เป็นแนวคิดของ LLDB การรองรับ GPU จะเปิดใช้งานเฉพาะเมื่อแอปพลิเคชันใช้รันไทม์ GPU ที่รองรับ ดังนั้นการดีบักเฉพาะ CPU จึงยังคงใช้เส้นทางเนทีฟเดิมโดยไม่มีค่าใช้จ่ายเพิ่มเติม

  5. Claude Blog34

    Curative สร้างเครือข่ายผู้ให้บริการระดับประเทศด้วยเอเจนต์บน Claude ได้อย่างไร

    Curative สร้างลำดับชั้นของเอเจนต์บน Claude เพื่อเซ็นสัญญาผู้ให้บริการได้เร็วขึ้นประมาณ 50 เท่าเมื่อเทียบกับที่ทีมทำได้ในปี 2025 โดยมีสัญญาที่เซ็นแล้ว 23,000 ฉบับผ่านเอเจนต์ชื่อ Gwen และมีสัญญาใหม่ 2,000 ถึง 2,400 ฉบับต่อสัปดาห์ Gwen จัดการดีลผู้ให้บริการหนึ่งดีลต่อการทำงานหนึ่งครั้ง โดยส่วนใหญ่ใช้ Claude Opus ขณะที่ผู้ตรวจสอบอัตราด้วย Sonnet เคลียร์คำขออัตราที่สูงกว่าเทมเพลตได้ประมาณสองในสาม และผู้ตัดสินด้วย Haiku อ่านทุกข้อความก่อนส่ง แต่ละสัญญาใช้ประมาณ 20 ล้านโทเคน คิดเป็นประมาณหนึ่งในสิบของต้นทุนเดิม และทีมจัดทำสัญญาของ Curative เติบโตจาก 45 คนเป็นประมาณ 55 คน โดยแต่ละคนมีผลิตภาพสูงขึ้นประมาณ 2.5 เท่า

  6. Recraft Blog34

    เครื่องมือสร้างไอคอน AI ที่ดีที่สุดในปี 2026: เปรียบเทียบ 7 เครื่องมือ

    Recraft ได้รับการยกให้เป็นเครื่องมือสร้างไอคอน AI ที่ดีที่สุดในปี 2026 หลังการเปรียบเทียบเครื่องมือทั้งเจ็ดซึ่งให้คะแนนจากการทดสอบสไตล์ที่สม่ำเสมอด้วยไอคอนห้าไอคอนและการส่งออก SVG แบบเนทีฟ Recraft รักษาน้ำหนักเส้นและรัศมีมุมให้สม่ำเสมอตลอดทุก glyph และส่งออก SVG ที่แก้ไขได้ ขณะที่ Canva ผ่านเพียงบางส่วน ส่วน Adobe Firefly และ Midjourney ไม่ผ่านทั้งสองการตรวจสอบด้วยเอาต์พุตแบบแรสเตอร์

  7. Recraft Blog58

    คู่มือ Recraft: 12 การแก้ไขภาพด้วยข้อความพร้อมท์ที่ได้ผล และถ้อยคำที่ล้มเหลว

    Recraft เผยแพร่คู่มือพร้อมข้อความพร้อมท์สำเร็จรูป 12 รายการสำหรับการแก้ไขภาพบนโมเดล image-to-image โดยสร้างจากรูปแบบสองบรรทัด คือบรรทัดเปลี่ยนที่ระบุวัตถุ ตำแหน่ง และผลลัพธ์ กับบรรทัดเก็บรักษาที่ล็อกใบหน้า ข้อความบนฉลาก การจัดองค์ประกอบ และแสง คู่มือระบุว่าการแก้ไขเฉพาะจุด เช่น การลบวัตถุ การเปลี่ยนสี การปรับแสง หรือการสลับชุด ช่วยรักษาอัตลักษณ์ได้ดีกว่าการเปลี่ยนสไตล์หรือการสลับสภาพอากาศ และข้อความพร้อมท์จะล้มเหลวเมื่อรวมการเปลี่ยนแปลงหลายอย่างเข้าด้วยกัน เขียนข้อความตัวพิมพ์ใหม่ หรือขอใบหน้าหรือสัดส่วนร่างกายใหม่ คู่มือแนะนำให้สร้างสองถึงสามรูปแบบ ตรวจสอบที่ซูม 100% และแก้ข้อผิดพลาดที่เหลืออยู่หนึ่งจุดด้วยข้อความพร้อมท์ติดตามที่ระบุเฉพาะบริเวณนั้น

  8. Recraft Blog22

    ตัวสร้างมีม AI ที่ดีที่สุดในปี 2026: เปรียบเทียบ 7 เครื่องมือ

    เครื่องสร้างมีม AI เจ็ดตัว ได้แก่ Imgflip, Canva, Supermeme.ai, Recraft, Kapwing, ChatGPT และ Magic Hour ถูกทดสอบในด้านแพ็กเกจฟรี ลายน้ำ เทมเพลต การแสดงผลคำบรรยาย ขนาดไฟล์ส่งออก และ API โดยใช้โจทย์มีมเดียวกันสามข้อ การเปรียบเทียบพบว่าไม่มีผู้ชนะที่เหนือกว่าทุกด้าน: Imgflip ชนะด้านเทมเพลตคลาสสิก Supermeme.ai ชนะด้านการเปลี่ยนไอเดียเป็นคำบรรยาย Recraft และ ChatGPT ชนะด้านภาพต้นฉบับ Kapwing ชนะด้านวิดีโอและ GIF และ Canva ชนะเมื่อมีมต้องพอดีกับเลย์เอาต์

9 พฤศจิกายนวันจันทร์
  1. Anthropic · Claude.dev60

    คู่มือของ Anthropic ในการเลือกใช้ Claude Fable 5.2, Opus 5.5, Sonnet 5.5 และ Haiku 5.5

    Anthropic เผยแพร่คู่มือที่แนะนำให้นักพัฒนเริ่มงานเขียนโค้ดและงานความรู้ส่วนใหญ่ด้วย Claude Opus 5.5 ที่ระดับความพยายามปานกลางตามค่าเริ่มต้น เนื่องจากมีค่าใช้จ่ายต่อโทเคนเพียงครึ่งหนึ่งของ Fable 5.2 คู่มือระบุว่า Sonnet 5.5 เหมาะกับงานประจำวันที่ขอบเขตชัดเจน, Haiku 5.5 เหมาะกับงานจำแนกประเภท ปริมาณมาก การจัดเส้นทาง และงานเอเจนต์ย่อย ส่วน Fable 5.2 เหมาะกับโครงการเขียนโค้ด การเงิน และวิทยาศาสตร์ที่ยากที่สุด หรือการรันระยะยาวโดยไม่มีผู้ดูแล นอกจากนี้ยังแนะนำให้ปรับระดับความพยายามก่อนสลับโมเดล และระบุว่าใน SWE-bench Pro การใช้ Opus 5.5 ที่ระดับต่ำแล้วรันซ้ำงานที่ล้มเหลวที่ระดับสูงผ่านประมาณ 97% ของงาน ด้วยต้นทุนประมาณ $0.17 ต่องาน เทียบกับ 95.3% ที่ต้นทุน $0.29 เมื่อใช้ระดับสูงทุกงาน

    ทำไมเรื่องนี้สำคัญ: คู่มือของ Anthropic เองจับคู่โมเดล Claude และระดับความพยายามแต่ละแบบกับประเภทงานที่ชัดเจน พร้อมการเปรียบเทียบต้นทุนต่องานและเบนช์มาร์กเพื่อใช้ในการเลือก

  2. Figma Blog38

    6 วิธีใช้ Figma agent บนแคนวาส

    Figma ได้สรุป 6 วิธีในการใช้ design agent ของตนโดยตรงบนแคนวาส ตั้งแต่การใส่คำอธิบายประกอบดีไซน์ด้วยบันทึกการประชุมที่ดึงเข้ามาผ่านคอนเนกเตอร์อย่าง Granola, Notion หรือ Google Drive ไปจนถึงการสรุปความคิดเห็นจากคอมเมนต์และนำการเปลี่ยนแปลงที่ตกลงกันไว้ไปใช้ agent ยังสามารถสร้างเชดเดอร์แบบกำหนดเอง สร้างเลย์เอาต์หลายรูปแบบในพรอมต์เดียวโดยใช้ไลบรารีของทีม เปลี่ยนดีไซน์แบบสแตติกให้เป็นเลเยอร์โค้ดแบบอินเทอร์แอกทีฟ และเพิ่มเอฟเฟกต์การเคลื่อนไหว

  3. Recraft Blog38

    ตัวสร้างตัวละคร AI ที่ดีที่สุดในปี 2026: เปรียบเทียบ Recraft, Midjourney, Gemini, ChatGPT และอื่นๆ

    การเปรียบเทียบตัวสร้างตัวละคร AI เจ็ดตัวโดยให้คะแนนด้านความสม่ำเสมอของท่าทาง ภาพอ้างอิง การควบคุมสไตล์ รูปแบบการส่งออก และระดับฟรี พบว่าไม่มีเครื่องมือใดที่ดีที่สุดเพียงหนึ่งเดียวสำหรับทุกโจทย์ Recraft นำในด้านการรักษาตัวละครหนึ่งตัวให้คงที่ across ท่าทางด้วยสไตล์ที่ใช้ซ้ำได้และการส่งออกเวกเตอร์ SVG ขณะที่ Midjourney ชนะด้านลุคแบบเฟรมเดียวแต่ไม่มีแผนฟรี โดย Basic อยู่ที่ 10 ดอลลาร์ต่อเดือน Gemini และ ChatGPT เหมาะกับการวนปรับตัวละครภายในแชท และ Recraft, Gemini, ChatGPT, Leonardo, Ideogram และ OpenArt ต่างมีระดับฟรีหรือเครดิตรายสัปดาห์

7 พฤศจิกายนวันเสาร์
  1. GitHub Blog · AI & ML38

    Beyond code generation: A developer's guide to agentic engineering

    GitHub เผยแพร่คู่มือสำหรับนักพัฒนาเกี่ยวกับ agentic engineering โดยอธิบายวิธีที่ Copilot สนับสนุนขั้นตอน Plan, Build, Verify และ Observe ของงานซอฟต์แวร์ คู่มืออ้างถึงสถิติของ GitHub ที่มี 1.2 พันล้านคอมมิตในหนึ่งสัปดาห์เมื่อเดือนตุลาคมที่ผ่านมา ซึ่งมากกว่าปีที่แล้วกว่า 400% และงานศึกษาของ Faros AI ที่พบว่า pull request ใช้เวลารอรีวิวนานขึ้น 441% เมื่อทีมเปลี่ยนจากการใช้ AI ในระดับต่ำไปสู่ระดับสูง คู่มือยังลงรายละเอียดฟีเจอร์ต่างๆ ได้แก่ Copilot ใน Slack หรือ Teams, Plan Mode, GitHub Agentic Workflows, cloud sandboxes, session continuity, shared memory, Copilot Dreaming และ Copilot Fusion

6 พฤศจิกายนวันศุกร์
  1. vLLM Blog58

    vLLM ย้ายการ build CUDA ไปใช้ LibTorch Stable ABI

    vLLM ได้ย้ายการ build CUDA ไปใช้ LibTorch Stable ABI และตั้งแต่ v0.33.0 เป็นต้นมาได้เผยแพร่ LibTorch ABI Stable CUDA wheels ทำให้สามารถ import PyTorch wheel ใหม่ได้โดยไม่ต้อง rebuild vLLM ทีมงานได้ย้ายซอร์สในทรีและ dependencies ที่ขึ้นกับ LibTorch เจ็ดตัว ซึ่งรวมถึง FlashMLA, DeepGEMM และ FlashAttention-2/3 ไปยัง stable APIs โดยใช้ torch-abi-audit ใน CI เพื่อยืนยันว่าไม่มี unstable symbols เหลืออยู่ โพสต์ระบุถึงข้อแลกเปลี่ยน เช่น ชุด stable API ที่จำกัดและ overhead ฝั่ง host เล็กน้อย และกล่าวว่าการ build สำหรับ CPU และ ROCm จะเป็นลำดับถัดไป

  2. Google Developers Blog60

    การศึกษาของ Google พบว่าการอ้างอิงบั๊กที่ค้างอยู่ใน TODO ทำให้เอเจนต์เขียนโค้ดเสียสมาธิใน 13% ของเซสชัน

    ) การอ้างอิง เอเจนต์ดำเนินการตามรหัสบั๊กใน 6% ของการพบเจอ และ 83% ของการดำเนินการเหล่านั้นไม่ได้ถูกกระตุ้นโดยนักพัฒนา 41% ของการเบี่ยงเบนที่ไม่ได้ถูกกระตุ้นไล่ตามตั๋วที่ปิดไปแล้ว ขณะที่ 57% ไปกระทบกับบั๊กที่ยังเปิดอยู่และขยายขอบเขตงาน เมื่อควบคุมตัวแปรด้านนักพัฒนา ความซับซ้อนของโค้ดเบส ประเภทงาน ระดับโมเดล และปัจจัยอื่นๆ การเบี่ยงเบนไปตามบั๊กที่ไม่ได้ถูกกระตุ้นเพิ่มขั้นตอนขึ้น 70% โทเค็นขึ้น 77% และเวลารอขึ้น 105% ต่อเซสชัน

    ทำไมเรื่องนี้สำคัญ: การวิเคราะห์ร่องรอยขนาดใหญ่ของ Google แสดงให้เห็นว่าการอ้างอิงบั๊กที่ค้างอยู่ใน TODO ดึงเอเจนต์เขียนโค้ดเข้าสู่การเบี่ยงเบนที่ไม่ได้ถูกกระตุ้น และเอเจนต์ทำความสะอาดของบริษัทได้ลบการอ้างอิงที่ล้าสมัยหลายพันรายการโดยมีอัตราการยอมรับจากผู้ตรวจทานเกิน 95%

  3. Anthropic Research60

    Anthropic อธิบายองค์ประกอบของหน่วยความจำเอเจนต์ Claude

    Anthropic อธิบายแนวทางการออกแบบหน่วยความจำสำหรับเอเจนต์ Claude โดยนิยามหน่วยความจำของเอเจนต์ว่าเป็นความรู้ที่คงอยู่ข้ามเซสชัน และแยกออกจากการเปลี่ยนแปลงน้ำหนัก การเรียนรู้ในบริบท และการบีบอัดข้อมูล 5 รายจับคู่กับหน่วยความจำ 7 รายเขียน 413 ไฟล์ใน 225 โฟลเดอร์และได้รับหนึ่งแบดจ์

    ทำไมเรื่องนี้สำคัญ: Anthropic ให้รายละเอียดว่าหน่วยความจำของเอเจนต์ Claude ทำงานอย่างไร เปรียบเทียบการจดบันทึกของโมเดลบน CL-Bench และ Pokémon Red และแสดงให้เห็นว่าการฝันแบบออฟไลน์แก้ไขและจัดระเบียบบันทึกที่จัดเก็บไว้อย่างไร

  4. Modal Blog22

    Snorkel ใช้ Modal จำลองเอเจนต์สมจริงได้อย่างไร

    Snorkel ใช้ GPU และ CPU sandbox ของ Modal เพื่อรันการจำลองเอเจนต์หลายล้านครั้งต่อเดือน โดยมีอัตราสูงสุดถึงหลักหมื่น sandbox ต่อชั่วโมง และพึ่งพา Modal สำหรับการ inference บนโมเดล open-weight ที่ประเมิน การนำ memory bursting ของ Modal มาใช้ช่วยลดค่าใช้จ่าย sandbox ทั้งหมดของ Snorkel ลงประมาณ 20% โดยปัจจุบันมี sandbox ประมาณ 10-15% ที่ใช้ bursting Modal เป็นผู้ให้บริการ sandbox รายเดียวที่สามารถตอบสนองความต้องการ GPU sandbox ของ Snorkel ได้ในระดับขนาดใหญ่

4 พฤศจิกายนวันพุธ
  1. Meta Engineering Blog34

    Meta F3 Lightning เร่งการเปิดตัวฟีเจอร์ ML สำหรับโฆษณาเร็วขึ้น ~3.6 เท่า

    Meta เปิดตัว F3 Lightning ซึ่งเป็นชั้นโครงสร้างพื้นฐานบน Facebook Feature Framework (F3) ที่แยกการเปิดตัวฟีเจอร์ออกจากการประมวลผลร่วม ทำให้ฟีเจอร์จัดอันดับโฆษณากว่า 20,000 รายการแต่ละรายการถูกคอมไพล์ ตรวจสอบ ปรับใช้ และย้อนกลับได้อย่างอิสระ ฟีเจอร์การสกัดข้อมูลที่เทียบเคียงกัน kini ถึงการผลิตเร็วขึ้น ~3.6 เท่าเมื่อเทียบกับ F3 ก่อนหน้า โดยไม่มีต้นทุนการประมวลผลโครงสร้างพื้นฐานเพิ่มขึ้น

3 พฤศจิกายนวันอังคาร
  1. Google Developers Blog58

    Google ทดสอบคลาสซิฟายเออร์ราคาถูกเพื่อจัดเส้นทางโมเดล Gemini ตามต้นทุนต่องาน

    Google ได้รันเบนช์มาร์กเอเจนต์เขียนโค้ด 50 ข้อที่ตรวจอัตโนมัติ เพื่อทดสอบว่าคลาสซิฟายเออร์น้ำหนักเบาชื่อ Jev ของ TypeSafe สามารถจัดเส้นทางแต่ละงานไปยังการตั้งค่า Gemini ที่ถูกที่สุดซึ่งยังตอบถูกได้หรือไม่ regex แบบคงที่และฮิวริสติกตามความยาวพรอมป์ทำคะแนนได้ 93.8% บนคำถามพัฒนา 16 ข้อ แต่ลดลง 23.2 จุดเหลือ 70.6% บนงานที่กันไว้ทดสอบ 34 งาน ขณะที่ Jev ทำได้ 96.0% across ชุดทดสอบทั้งหมด การตั้งค่าที่ไม่มีเราเตอร์ที่แข็งแกร่งที่สุด คือ Gemini 3.8 Flash โหมดคิดต่ำ แก้ได้ทั้ง 50 งาน และเราเตอร์ Jev ที่ส่งงานไปยัง Flash-Lite ก่อนแล้วยกระดับงานที่ถูกตั้งธงก็แก้ได้ทั้ง 50 งานเช่นกัน พร้อมลดต้นทุนและเวลาตอบสนอง การจำกัด maxOutputTokens ที่ 300 ไม่ประหยัดอะไรบนงานง่าย และทำให้ 7 จาก 25 งานยากพัง

29 ตุลาคมวันพฤหัสบดี
  1. Google Developers Blog58

    Google อธิบายวิธีสร้างแอป Generative UI ด้วย A2UI และ CopilotKit agents

    Google เผยแพร่บทแนะนำการสร้างแอป Generative UI ด้วยมาตรฐาน A2UI (Agent-to-UI) ที่ไม่ผูกกับเฟรมเวิร์กใดของตน และสแตกการเชื่อมต่อเอเจนต์ของ CopilotKit โดย A2UI ส่ง UI เป็นข้อความ JSON แบบ declarative แทนโค้ดที่รันได้ ลูกค้าจึงเรนเดอร์เฉพาะคอมโพเนนต์จากแคตตาล็อกที่เชื่อถือได้ และเพย์โหลดเดียวกันใช้งานได้ข้าม React, Angular, Lit, SwiftUI, Jetpack Compose และ Flutter คู่มือแสดงการเชื่อมต่อเอเจนต์ Google ADK ผ่าน AG-UI การกำหนดแคตตาล็อกคอมโพเนนต์ที่ตรวจสอบด้วย Zod และการสร้างพื้นผิวสองทิศทางที่อินพุตของผู้ใช้ไหลกลับไปยังเอเจนต์สำหรับโฟลว์หลายขั้นตอนเช่นการจอง

  2. Figma Blog58

    Figma ฝึกโมเดลแก้ไขงานออกแบบที่เชี่ยวชาญ Figma ได้อย่างไร

    Figma อธิบายรายละเอียดว่าฝึกโมเดลแก้ไขงานออกแบบของบริษัทเองสำหรับเอเจนต์ Figma ได้อย่างไร โดยเริ่มจากการปรับแต่งแบบมีผู้สอน (supervised fine-tuning) ด้วยคำขอแก้ไขแบบสังเคราะห์ที่แสดงในรูปแบบไฟล์ดั้งเดิมของ Figma และตรวจสอบด้วยการตรวจสอบแบบกำหนดผลได้แน่นอน (deterministic checks) และโมเดลผู้ตัดสินด้านภาพ (visual model judges)

28 ตุลาคมวันพุธ
  1. Ai2 · Allen Institute for AI40

    นักวิจัยปรับใช้ olmOCR 2 กับคลังเอกสารทางประวัติศาสตร์และโบราณคดีอย่างไร

    นักวิจัยกำลังปรับใช้โมเดล olmOCR 2 แบบเปิดของ Ai2 เพื่อถอดความคลังเอกสารทางประวัติศาสตร์และโบราณคดี นักประวัติศาสตร์ Maurice Casey สร้าง ArtificeOCR ซึ่งรัน olmOCR 2 ในเครื่องร่วมกับ Tropy เพื่อทำให้คลังภาพเอกสารของเขาค้นหาได้ด้วยคีย์เวิร์ด ขณะที่โครงการ CENTURIA ของ TU Wien ปรับแต่ง olmOCR 2 ด้วย LoRA บนระเบียนที่ทำคำอธิบายประกอบ 57 รายการ ลดข้อผิดพลาดในการถอดความบนระเบียนทดสอบ 450 รายการจาก 15.58% เหลือ 1.11%

  2. Meta Engineering Blog34

    Meta PrivacyLib: การควบคุมความเป็นส่วนตัวที่ขอบเขตการเข้าถึงข้อมูล

    Meta ได้ให้รายละเอียดเกี่ยวกับ PrivacyLib ไลบรารีทั่วไปที่ฝังอยู่ในไคลเอนต์ของระบบข้อมูลและการประมวลผลหลายร้อยระบบของบริษัท ซึ่งบังคับใช้ข้อกำหนดด้านความเป็นส่วนตัว ณ จุดที่เข้าถึงข้อมูล โดยดำเนินการตรวจสอบหลายพันล้านครั้งต่อวินาที ระบบต่างๆ จะผสานรวมเพียงครั้งเดียว และความสามารถด้านความเป็นส่วนตัวใหม่ๆ จะถูกส่งมอบเป็นโมดูลปลั๊กอิน แทนที่การใช้งานแยกตามระบบซึ่งอาจใช้เวลาหลายเดือน โมดูล Agent Observability ติดตามการเข้าถึงข้อมูลของเอเจนต์ AI ภายในโดยส่งบริบทของเอเจนต์ไปยัง PrivacyLib

  3. Google Developers Blog46

    เพิ่มคุณภาพเอเจนต์ด้วยการประเมินผ่าน Agents CLI

    เนมสเปซ eval ของ Agents CLI จาก Google รันลูป hill-climbing สำหรับเอเจนต์: eval generate, grade, compare, analyze และ optimize ในตัวอย่างการใช้งานกับเทมเพลต LangChain ใน Agents CLI v1.8.0 คะแนนพื้นฐานอยู่ที่ 4.0/5 โดยใช้ gemini-3.8-flash เป็นผู้ตัดสิน และพรอมต์ระบบเชฟที่ผิดทำให้คะแนนลดลงเหลือ 2.75

27 ตุลาคมวันอังคาร
  1. Google Developers Blog34

    สร้าง Conversational Commerce ด้วย Multi-Agent Swarms บน GCP: ต้นแบบที่ใช้งานได้จริง

    นักพัฒนา Google Cloud สร้าง HappyDelivery ต้นแบบที่ใช้งานได้จริงของ conversational commerce โดยใช้ LangGraph, Gemini, FastAPI และ Google Cloud ตามพิมพ์เขียวสามชั้นก่อนหน้า ได้แก่ Ingress, Memory และ Cognition ชั้น Ingress ตรวจสอบลายเซ็น webhook เฉพาะแพลตฟอร์มสำหรับ WhatsApp, RCS, Apple Messages และ SMS ปรับ payload ให้เป็นสคีมากลางและส่งต่อไปยัง Pub/Sub โดยตอบกลับ HTTP 200 ภายในประมาณ 300ms บทความอธิบายโค้ด เครื่องสถานะ เครื่องมือทางการเงินแบบดีเทอร์มินิสติก และชุดการตรวจสอบอัตโนมัติ

23 ตุลาคมวันศุกร์
  1. Figma Blog40

    วิธีนำ Design System ของคุณไปใช้กับ Figma Agent

    Figma agent พร้อมใช้งานทั่วไปแล้ว และ Figma อธิบายวิธีป้อน design system ของคุณให้กับมัน เพื่อให้ผลลัพธ์ตรงกับผลิตภัณฑ์ของคุณ การเชื่อมต่อไลบรารีที่เผยแพร่แล้วช่วยให้ agent ใช้คอมโพเนนต์และโทเคนที่ได้รับอนุมัติ ขณะที่ไฟล์แนวทางกำหนดกฎของทีม และหน้า Examples หรือการตั้งชื่อแบบ _example ช่วยให้มีแพตเทิร์นที่นำกลับมาใช้ซ้ำได้

22 ตุลาคมวันพฤหัสบดี
  1. Google Developers Blog38

    Project Chrysalis ของ Google Cloud: สถาปัตยกรรม AI Agent ที่กำกับดูแลได้และพัฒนาตนเองได้บน Gemini และ ADK

    นักวิจัยของ Google Cloud เปิดตัว Project Chrysalis สถาปัตยกรรมอ้างอิงสำหรับ AI Agent ที่กำกับดูแลได้และพัฒนาตนเองได้ ซึ่งสร้างบนแพลตฟอร์ม Gemini และ Agent Development Kit (ADK) ในการจำลองเหตุการณ์ระบบล่มจาก cache-stampede ในช่วง Black Friday โครงการนี้ลดเวลาตั้งแต่เริ่มเกิดเหตุจนถึงการบรรเทาผลกระทบครั้งแรกจาก 15–45 นาทีเหลือ 1.8 วินาที ลดข้อผิดพลาด HTTP 5xx จาก 72.7%–80.0% เหลือ 0.0% และลด P99 latency จาก 519.8 ms เหลือ 18.2 ms ทุกการกระทำอัตโนมัติถูกจำกัดขอบเขตด้วย Model Armor, Cloud KMS, Binary Authorization, OPA Policy Controller และการลงนามอนุมัติโดยมนุษย์แบบ dual-custody ในกระบวนการ human-in-the-loop

21 ตุลาคมวันพุธ
  1. LiveKit Blog25

    Acuity Health ใช้ LiveKit Voice Agents เพื่อทำให้การเข้าถึงของผู้ป่วยเป็นระบบอัตโนมัติได้อย่างไร

    Acuity Health สร้าง patient-access voice agents ใหม่บน LiveKit หลังจากที่แพลตฟอร์ม low-code พิสูจน์แล้วว่าแข็งเกินไปและไม่โปร่งใส และตอนนี้ 80% ของสายถูกจัดการโดย AI agents อย่างสมบูรณ์ Agents ทำงานบน LiveKit Inference ด้วยโมเดล Gemma 4 31B การจองส่วนใหญ่เสร็จสิ้นภายในไม่ถึงหนึ่งนาที และ 81% ของสายการจองจบลงด้วย "ขอบคุณ" LiveKit Simulations ทดสอบทุกการเปลี่ยนแปลงกับโปรไฟล์ผู้ป่วยก่อนปล่อย และการตรวจทาน prompt หนึ่งครั้งตัดคำออกประมาณ 24% ในขณะที่ยังผ่านสถานการณ์เดียวกัน

  2. GitHub Blog · AI & ML22

    3 Java Champions ใช้ GitHub Copilot เพิ่มประสิทธิภาพการทำงานอย่างไร

    Java Champions สามคนที่มีประสบการณ์ Java กว่า 10 ปี ต่างแบ่งปันวิธีที่พวกเขาใช้ GitHub Copilot ในงานโปรดักชันและงานโอเพนซอร์ส Vlad Mihalcea สร้างเว็บแอป Hypersistence Optimizer ได้ในสองวันแทนที่จะใช้เวลาหลายสัปดาห์ และสร้างสกิลที่กำหนดเองซึ่งฝึกจากบทความ 65 ชิ้นของเขาเพื่อให้ตรงกับสไตล์การเขียนของเขา Patrick Baumgartner ย้ายสไลด์การสอนประมาณ 900 สไลด์จาก 15 งานนำเสนอจาก Reveal.js ไปยัง Marp ด้วย Copilot โดยตรวจสอบผลลัพธ์ผ่านการเปรียบเทียบภาพหน้าจอ