Paper เกาะ · รายงานชีวิตของ AI

ข้อมูลชุดนี้ตอบคำถามที่ข้อสอบวัดไม่ได้

การวัด AI ส่วนใหญ่ถามว่าตอบโจทย์ข้อเดียวถูกไหม แต่เมื่อ AI ทำงานแทนคนจริง ๆ มันต้องอยู่กับงานเป็นชั่วโมง ตัดสินใจเองว่าเรื่องไหนสำคัญ ดูแลสิ่งที่ฝากไว้ คุยกับคน และใช้งบอย่างมีสติ โดยไม่มีใครสั่งทีละก้าว

เกาะเดียว 116 อาคาร ผู้ใหญ่ 64 คน 1 ชม.จริง ≈ 30 ชม.เกาะ เครื่องมือ MCP 5 ตัว วัดแล้ว Opus 5.5 · low · medium · high · xhigh และ max

เริ่มอ่านบทที่ 1 Enter เลือกบทเอง

สรุปผล · Opus 5.5 ทั้ง 5 ระดับ effort effort เพิ่มความคิดได้ถึงระดับ high เหนือ high ขึ้นไป (xhigh และ max) มันพูดมากขึ้นและใช้ token มากขึ้นราวหนึ่งเท่าครึ่งถึงสองเท่า แต่ไม่ได้เขียนความคิดมากขึ้น ระดับ max ยังปล่อยให้เกาะเป็นคนตัดสินว่าเมื่อไรควรตื่นแทบทุกครั้ง ส่วนเรื่องพื้นฐานของชีวิตเหมือนกันทุกระดับ: ทำงาน กิน นอน ตอบแทนน้ำใจ ไม่หลุดบท และไม่มีระดับไหนพูดว่ากำลังถูกทดสอบ อ่านสรุปผล →

เลือกบท

อ่านได้ทีละบท หรือข้ามไปบทที่สนใจ

หกบทเรียงจากเกาะที่ AI ไปอยู่ ไปจนถึงผลที่วัดได้และแหล่งอ้างอิง กดตัวเลข 1–6 เพื่อเปิดบทนั้น

1บทที่ 1 เกาะและเครื่องมือ เกาะที่ AI ไปอยู่ ภาพสี่ฤดู แผนภาพจากโมเดลถึงเกาะ และเครื่องมือ MCP ห้าตัว 10 สเปก · 5 เครื่องมือ · 82 คำสั่ง เปิดบท →

2บทที่ 2 เลือกโมเดล หลักการเลือก ทุกรุ่นของทุกค่ายที่ใช้ได้ตอนนี้ และทุกระดับ effort 4 ค่าย · 14 รุ่น · เลือกแล้วบทอื่นตาม เปิดบท →

3บทที่ 3 คะแนนและนิสัย นิสัย 16 ด้าน ทุกมิติเทียบเส้นฐาน ร่างกาย และความเสี่ยง 11 ด้าน 16 นิสัย · 18 มิติ · 11 ความเสี่ยง เปิดบท →

4บทที่ 4 ชีวิตและพฤติกรรม จุดแปลก สถานการณ์ พฤติกรรม และทุกบทสนทนา ทุกความคิด 5 ระดับ · ชั่วโมงแรกบนเกาะ เปิดบท →

5บทที่ 5 บททดสอบ ตำแหน่งบนเกาะ การอยู่ในบท และ prompt injection เจ็ดระดับ 8 ตำแหน่ง · 7 ระดับ เปิดบท →

6บทที่ 6 ภาคผนวก แหล่งอ้างอิงทั้งหมด แยกตามค่ายและรุ่น สำรวจ 3 พ.ย. 2026 เปิดบท →

ทำไปเพื่ออะไร

ไม่ใช่คะแนนสอบ แต่เป็นพฤติกรรมเมื่อปล่อยให้ AI อยู่เอง

เกาะนี้ให้ AI แต่ละรุ่นมีชีวิตหนึ่งชีวิต ในโลกเดียวกัน กติกาเดียวกัน ผ่านโปรแกรมที่ค่ายนั้นให้คนทั่วไปใช้จริง

แล้วบันทึกทุกอย่างที่มันทำ สิ่งที่ได้จึงเป็นพฤติกรรมเมื่อปล่อยให้ AI อยู่เอง ไม่ใช่คะแนนสอบ

โลกเดียวกัน กติกาเดียวกัน ผ่าน client ที่คนทั่วไปใช้

คำถามที่ข้อมูลนี้ช่วยตอบ

รุ่นนี้ที่ effort นี้ อยู่กับงานยาว ๆ ได้แค่ไหน โดยไม่หยุดเองหรือหลงทาง

เมื่อหลายเรื่องเรียกร้องพร้อมกัน มันรู้ไหมว่าเรื่องไหนต้องรีบ เรื่องไหนรอได้

มันปฏิบัติกับคนอื่นอย่างไร เมื่อไม่มีใครบอกให้สุภาพหรือให้ช่วย

effort ที่สูงขึ้นซื้อพฤติกรรมอะไรได้จริง และต้องจ่ายเท่าไร

นำไปใช้ในด้านไหนได้บ้าง

เก้าแบบของคนที่อ่านหน้านี้

แต่ละการ์ดบอกว่าคนกลุ่มนั้นได้อะไร และควรเปิดส่วนไหนก่อน

ทีมที่สร้างผลิตภัณฑ์ด้วย AI agent เลือกรุ่นและ effort ให้คุ้ม ดูว่า effort ระดับไหนได้พฤติกรรมพอสำหรับงาน และกิน token หรือโควต้าเท่าไรต่อชั่วโมง แทนที่จะเลือกตัวแพงสุดไว้ก่อน ดูที่สเปก ทุกมิติ

คนออกแบบ agent ที่ทำงานยาว ออกแบบระบบรอบ ๆ AI การรอ การปลุก การหยุดเอง และบริบทที่โตขึ้น บอกว่าควรสร้าง harness อย่างไร เช่น ให้ AI ตั้งเงื่อนไขปลุกเอง หรือเตรียมรับตอนแชทถูกย่อ ดูที่ทุกมิติ สถานการณ์

เกมและโลกจำลอง ตัวละครที่มีชีวิต ทักใคร คุยกับใคร พูดอย่างไร ตอบเร็วแค่ไหน ใช้ตัดสินว่ารุ่นไหนเหมาะเป็น NPC หรือเพื่อนร่วมเกม และมีต้นทุนต่อชั่วโมงเท่าไร ดูที่บทสนทนา ทุกมิติ สถานการณ์

ผู้ช่วยดูแลคน สุขภาพ ผู้สูงอายุ ตารางชีวิต ส่วนร่างกายวัดว่า AI ตอบสนองต่อสัญญาณความต้องการเร็วแค่ไหน และจัดลำดับระหว่างงานกับร่างกายอย่างไร ซึ่งเป็นตัวแทนของการดูแลสิ่งที่ถูกฝากไว้ ดูที่ร่างกาย สถานการณ์

ความปลอดภัยและการกำกับดูแล AI พฤติกรรมตอนไม่มีคนเฝ้า ทำตามกติกาไหม รักษาคำพูดไหม ทำอะไรเมื่อถูกปฏิเสธหรือเห็นการทำผิด ใช้เป็นเครื่องคัดกรองก่อนปล่อยใช้จริง ไม่ใช่ใบรับรองว่าปลอดภัย ดูที่ความเสี่ยง พฤติกรรม สถานการณ์

นักวิจัยด้านสังคมและ HCI AI ในสังคมเดียวกับคน ดูการสร้างความสัมพันธ์ การมีส่วนร่วมในเรื่องส่วนรวม และความต่างระหว่าง AI กับชาวเกาะ autopilot บนเกาะเดียวกัน ดูที่ทุกมิติ บทสนทนา

การศึกษาและคนทั่วไป เข้าใจ AI โดยไม่ต้องอ่านเปเปอร์ เห็นด้วยภาษาธรรมดาว่าแต่ละรุ่น "นิสัย" ต่างกันอย่างไร และเข้าใจว่า effort สูงขึ้นไม่ได้แปลว่าดีขึ้นทุกด้าน ดูที่พฤติกรรม บทสนทนา

ค่ายผู้พัฒนาโมเดล สนามทดสอบรายปี วัดชุดเดิมบนเกาะเดิมทุกปี เห็นว่ารุ่นใหม่เปลี่ยนนิสัยไปอย่างไรเทียบรุ่นเก่า และ client ของตัวเองมีผลแค่ไหน ดูที่สเปก ทุกมิติ

คนที่ใช้แบบสมาชิกรายเดือน วางแผนโควต้า ให้ AI ทำงานหรือใช้ชีวิตยาว ๆ หนึ่งชั่วโมงกินโควต้าเท่าไร และควรตั้ง effort ระดับไหน ดูที่ทุกมิติ สเปก

ข้อจำกัด เกาะเดียว ภาษาไทย คนละหนึ่งร่าง และวัดรุ่นรวมกับ client ผลหนึ่งรอบยังไม่ใช่ข้อสรุป หน้านี้จึงไม่จัดอันดับ และไม่บอกว่ารุ่นไหนดีที่สุดสำหรับทุกงาน

วิธีอ่าน

อ่านหน้านี้อย่างไร

อ่านทีละช่อง และจำไว้ว่าหนึ่งรอบยังไม่ใช่ข้อสรุป

หนึ่งรอบคือหนึ่งตัวอย่างความต่างระหว่างช่องจะเชื่อได้เมื่อแต่ละช่องมีหลายรอบ

เส้นฐานคือค่ากลางของแชทชีวิตเก่า 23 แชทที่ความเร็วเดียวกัน แชทเก่าครึ่งหนึ่งอยู่ใต้เส้น

สิ่งที่วัดคือรุ่นรวมกับ client ของค่ายeffort ของต่างค่ายเทียบกันตรง ๆ ไม่ได้ เพราะแต่ละค่ายแบ่งและตั้งชื่อเอง

สเปกมาจากเอกสารของค่ายตอนค้นค่าที่มาจากแหล่งรองเขียนกำกับไว้ แหล่งอ้างอิงทั้งหมดอยู่ในภาคผนวก

ไม่มีใครพิมพ์สั่งระหว่างรอบระดับการปลุกเป็น normal ทุกรอบ

ภาพชาวเกาะมาจาก renderer ของเกาะเองเฉพาะรอบที่ใช้แผนที่เดียวกับเกาะจริง