นี่คือโมเดลภาษาขนาดใหญ่ (LLM) สถาปัตยกรรม Gemma 4 E2b ที่ผ่านการทำ Fine-tuning เพื่อปรับจูนความเชี่ยวชาญเฉพาะทางด้าน Performance Marketing (การตลาดออนไลน์ที่เน้นผลลัพธ์) เป็นภาษาไทย และถูกแปลงไฟล์ให้อยู่ในฟอร์แมต GGUF โดยใช้เทคนิค Quantization เพื่อให้สามารถดาวน์โหลดไปใช้งานบนเครื่องคอมพิวเตอร์ทั่วไป (Local LLM) ได้อย่างรวดเร็วและประหยัดทรัพยากร
💡 หมายเหตุ: หากคุณต้องการโมเดลเวอร์ชันเต็มสำหรับเทรนต่อหรือรันบนการ์ดจอขนาดใหญ่ สามารถเข้าไปดาวน์โหลดเวอร์ชันหลัก (Merged 16-bit) ได้ที่ yothinS/gemma4-thai-marketing
llama.cpp(แนะนำให้เลือกขนาดที่สอดคล้องกับ RAM/VRAM ของเครื่องคุณ โดยเหลือพื้นที่ให้ระบบปฏิบัติการอย่างน้อย 1-2 GB)
yothinS/gemma4-thai-marketing.gguf หรือดาวน์โหลดไฟล์ .gguf จากแท็บ Files and versions ไปใส่ในโฟลเดอร์โมเดลของโปรแกรมคุณสามารถรันโมเดลผ่าน Terminal หรือ Command Prompt ได้โดยตรง:
./llama-cli -m gemma4-thai-marketing-Q4_K_M.gguf \
-p "<start_of_turn>user\nแคมเปญ E-commerce งบ 5,000 บาท/วัน CTR 2.4% แต่ CVR ต่ำมากเพียง 0.2% ควรวิเคราะห์คอขวดอย่างไร<end_of_turn>\n<start_of_turn>model\n" \
-n 1024 -c 2048 --temp 0.7
หากต้องการเขียนโค้ดเพื่อควบคุมการทำงานในแอปพลิเคชันของคุณเอง:
from llama_cpp import Llama
# โหลดโมเดล GGUF (ปรับ n_gpu_layers ตามความเหมาะสมของการ์ดจอคุณ)
llm = Llama(
model_path="./gemma4-thai-marketing-Q4_K_M.gguf",
n_ctx=2048,
n_gpu_layers=-1 # ใส่ -1 หากต้องการออฟโหลดงานทั้งหมดลงการ์ดจอ (ถ้ามี)
)
# จัดฟอร์แมตโครงสร้างคำสั่งแบบ Gemma Chat Template
prompt = "<start_of_turn>user\nแคมเปญ E-commerce งบ 5,000 บาท/วัน CTR 2.4% แต่ CVR ต่ำมากเพียง 0.2% ควรวิเคราะห์คอขวดอย่างไร<end_of_turn>\n<start_of_turn>model\n"
output = llm(
prompt,
max_tokens=1024,
temperature=0.7,
top_p=0.95
)
print(output["choices"][0]["text"])