Qwen-MM-Plugins คือชุดปลั๊กอินโอเพ่นซอร์สจากทีม Qwen ของ Alibaba…
ไอเดียของมันคือแทนที่จะรอให้เฟรมเวิร์กแต่ละตัวมาแก้ให้รองรับมัลติโมดอลเอง เขาทำเป็นชุด capability ที่ประกอบด้วย skill (บอกโมเดลว่ามี tool อะไรให้ใช้) บวก MCP server แบบ optional ที่รันผ่าน uvx ไม่ต้อง pip เอง ติดตั้งผ่าน install.sh แบบ guided ทีเดียว หรือจะหยิบทีละตัวจาก marketplace ของ harness นั้นๆ ก็ได้
ของที่ให้มามี 8 ตัว core คืออ่านภาพวิดีโอเอกสารในเครื่อง crop annotate ดึงเฟรม api คือต่อ DashScope ไปทำ OCR grounding ถอดเสียง แยกคนพูด segmentation ด้วย SAM3 search คือ web search กับ reverse image search video-memory ทำหน่วยความจำวิดีโอยาวแบบ hierarchical graph ไว้ถาม-ตอบ video-edit แก้วิดีโอและสร้างภาพ/เสียง blender คุม Blender แบบ real-time ผ่าน Python 22 tools freecad คุม FreeCAD 14 tools ทำ parametric CAD STEP STL FEM และ edu-agent สร้างวิดีโออธิบายโจทย์คณิต-วิทย์แบบ step-by-step
วิธีใช้จริงคือแค่ @ไฟล์เข้าไปแล้วสั่งงาน โมเดลเลือก tool เอง เช่น OCR ใบเสร็จ ถอดเสียงวิดีโอพร้อม label ว่าใครพูด หรือสั่ง Blender ปั้นโมเดล 3D
ข้อควรระวังคือ Windows ต้องรันบน WSL2 เท่านั้น native ยังไม่ได้เทส บาง capability ต้องมี API key (DASHSCOPE_API_KEY กับ SERPER_API_KEY) cookbooks บางอันยังเป็น TBD และต้องลง system tools เพิ่มเองอย่าง ffmpeg blender libreoffice ตามที่จะใช้
ตัวโพสต้นทางแรงพอตัว 4,141 ไลก์ 440 reposts 3,425 bookmarks ยอดวิว 745,977 ที่เห็นในรีพลายส่วนใหญ่เป็นการแชร์เชิงบวก ชมว่าฟรีและทำให้ agent มีทั้งตาและมือ ยังไม่เจอรีวิวเชิงลบชัดๆ ซึ่งก็ปกติเพราะเพิ่งปล่อยเมื่อ 10 สิงหาคมที่ผ่านมา ข้อมูลใช้งานจริงในวงกว้างเลยยังน้อย เท่าที่เห็นตอนนี้ repo ไปแล้ว 2,079 ดาว
ผมก็เห็นว่าท่านี้น่าสนใจตรงที่มันไม่ผูกกับ harness ตัวไหนตัวหนึ่ง ใครใช้อะไรอยู่ก็เสียบเพิ่มได้ แต่ของใหม่ขนาดนี้ผมคงรอดูคนลองก่อนสักพักครับ
โค้ดอยู่ที่ github.com/QwenLM/Qwen-MM-Plugins ใบอนุญาต Apache-2.0
อยากใช้ AI กับงานจริงเป็นระบบ?
เรียน Claude Method — วิธีคิดและลงมือใช้ Claude/AI กับงานจริง ตั้งแต่วันแรก
📍 โพสต้นฉบับบน Facebook: AI กับ Peesamac