วิธีรัน Gemma 3 270M ในเครื่องวันนี้ 3 วิธีที่ดีที่สุดสำหรับนักพัฒนา

CometAPI
AnnaAug 19, 2025
วิธีรัน Gemma 3 270M ในเครื่องวันนี้ 3 วิธีที่ดีที่สุดสำหรับนักพัฒนา

Google เปิดตัวโมเดล Gemma 3 270M ใหม่เมื่อเร็วๆ นี้ หากคุณชอบปรับแต่งโมเดลที่กะทัดรัดแต่มีประสิทธิภาพ และต้องการให้สิ่งต่างๆ ทำงานบนแล็ปท็อป โทรศัพท์ หรือเซิร์ฟเวอร์ขนาดเล็ก Gemma 3 270M คือเพื่อนใหม่ที่น่ารัก: โมเดล 270 ล้านพารามิเตอร์จาก Google ที่ออกแบบมาเพื่อประสิทธิภาพสูงสุดและการปรับแต่งเฉพาะงาน มันถูกตั้งใจให้มีขนาดเล็ก ประหยัดพลังงาน และมีความสามารถอย่างน่าประหลาดใจสำหรับงานติดตามคำสั่งและการจำแนกประเภทมากมาย และระบบนิเวศน์ก็มีหลายวิธีง่ายๆ ในการรันโมเดลนี้ในเครื่องอยู่แล้ว: (1) Hugging Face / Transformers (PyTorch), (2) รันไทม์แบบคอนเทนเนอร์อย่าง Ollama / LM Studio และ (3) รันเนอร์สไตล์ GGUF / llama.cpp น้ำหนักเบาพิเศษสำหรับซีพียูและโทรศัพท์ ด้านล่างนี้ ผมจะพาคุณไปดูไฮไลท์ของสถาปัตยกรรม พร้อมแนะนำสามวิธีที่ใช้งานได้จริงและสามารถคัดลอกและวางได้ (รวมถึงคำสั่งและโค้ด) ตัวอย่าง ข้อดี/ข้อเสีย และเคล็ดลับดีๆ ของผม เพื่อให้คุณไม่ต้องเสียเวลาไปกับการรันสแต็ก

Gemma 3 270M คืออะไร และทำไมฉันถึงต้องสนใจ?

Gemma 3 270M เป็นโมเดลขนาดเล็กที่สุดในตระกูล Gemma-3 ที่เปิดตัวแล้ว ซึ่งออกแบบมาเพื่อเป็นโมเดลพื้นฐานขนาดกะทัดรัด โดยผสานจำนวนพารามิเตอร์ที่ต่ำ (ประมาณ 270M) เข้ากับสถาปัตยกรรมที่ทันสมัย ​​คำศัพท์ที่กว้างขวาง และพฤติกรรมที่ปรับแต่งตามคำสั่ง เพื่อให้คุณสามารถรันงานภาษาที่มีความสามารถบน GPU ตัวเดียว หรือแม้แต่บน CPU/อุปกรณ์เอดจ์ที่แข็งแกร่งกว่าหลังจากการควอนไทซ์ โมเดลนี้จัดทำโดย Google ในตระกูล Gemma-3 และเผยแพร่อย่างเปิดเผยผ่านศูนย์กลางโมเดลและคอลเลกชัน GGUF/ggml สำหรับการใช้งานภายในเครื่อง

ทำไมต้องสนใจ? เพราะรุ่น 270M ช่วยให้คุณ:

  • ทำซ้ำอย่างรวดเร็วในระหว่างการพัฒนา (เริ่มต้นอย่างรวดเร็ว หน่วยความจำน้อยลง)
  • ทำงานแบบออฟไลน์เพื่อความเป็นส่วนตัวหรือเหตุผลด้านความล่าช้า
  • ปรับแต่งราคาถูก (LoRA / อะแดปเตอร์) สำหรับงานเฉพาะทาง
  • และปรับใช้กับโครงสร้างพื้นฐานที่มีข้อจำกัด (บริการบนอุปกรณ์หรือ GPU เดี่ยว)

Gemma 3 มีสถาปัตยกรรมอย่างไร?

Gemma 3 ดำเนินตามแนวทางการวิจัยของ Gemma/Gemini: เป็นตระกูลโมเดลภาษาเชิงสาเหตุที่อิงตามทรานส์ฟอร์มเมอร์ โดยมีตัวแปรต่างๆ ที่ได้รับการปรับแต่งและออกแบบเพื่อประสิทธิภาพและความหลากหลายทางรูปแบบ โมเดล 270M เป็นโครงร่างที่เน้นข้อความ (ขนาดที่เล็กที่สุดของ Gemma 3 จะเป็นข้อความเท่านั้น) ได้รับการฝึกฝนและปรับแต่งให้เหมาะสมกับคำสั่งตั้งแต่เริ่มต้น โดยยังคงตัวเลือกการออกแบบตระกูลเดิมที่สามารถขยายขนาดเป็นตัวแปร 1B–27B ได้ โมเดลนี้รองรับบริบทที่ยาวมาก (หมายเหตุ: โมเดล Gemma 3 ที่เล็กที่สุดมีเอกสารประกอบพร้อมข้อจำกัดบริบทโทเค็น 32k)

มีส่วนขยายและระบบนิเวศรันไทม์อะไรบ้าง?

Google และชุมชนได้เผยแพร่ผลงานรันไทม์และการแจกจ่ายหลายรายการเพื่อทำให้การรัน Gemma 3 ง่ายขึ้น:

  • gemma.cpp — รันไทม์อนุมาน C++ แท้น้ำหนักเบาอย่างเป็นทางการที่ปรับให้เหมาะสมสำหรับการพกพา มุ่งเป้าไปที่การทดลองและแพลตฟอร์มที่รันไทม์แบบสแตนด์อโลนขนาดเล็กมีความสำคัญ
  • การ์ดโมเดลหน้ากอด และ GGUF/llama.cpp สิ่งประดิษฐ์ — โมเดลมีอยู่ใน Hugging Face และคอลเลกชันชุมชนมีการสร้าง GGUF อะแดปเตอร์ LoRA และตัวแปรเชิงปริมาณสำหรับ llama.cpp และรันไทม์ที่คล้ายคลึงกัน
  • โอลลามา / LM Studio / Docker / Transformers การบูรณาการ — เครื่องมือเชิงพาณิชย์และโอเพ่นซอร์สได้เพิ่มการรองรับดั้งเดิมหรือตัวติดตั้งสำหรับ Gemma 3 เวอร์ชันต่างๆ รวมถึงเวอร์ชัน QAT (การฝึกอบรมที่คำนึงถึงการวัดปริมาณ) เพื่อลดการใช้งานหน่วยความจำ

เจมม่า 3.ข้อมูล

ฉันจะรัน Gemma 3 270M ด้วย Hugging Face Transformers (PyTorch) ได้อย่างไร

เหตุใดจึงเลือกวิธีนี้?

นี่คือเส้นทางที่ยืดหยุ่นที่สุดสำหรับการพัฒนา การทดลอง และการปรับแต่งโดยใช้เครื่องมือ PyTorch มาตรฐาน, Accelerate และ Hugging Face Trainer หรือลูปแบบกำหนดเอง เหมาะอย่างยิ่งหากคุณต้องการผสานรวม Gemma เข้ากับแอปพลิเคชัน Python ปรับแต่ง หรือใช้การเร่งความเร็ว GPU

สิ่งที่คุณต้องการ

  • เครื่องจักรที่มี Python, pip และ GPU CUDA (แต่ CPU ใช้สำหรับการทดสอบขนาดเล็ก)
  • ใบอนุญาตที่ได้รับการยอมรับสำหรับโมเดล HF (คุณต้องยอมรับข้อกำหนดของ Google บน Hugging Face ก่อนที่จะดาวน์โหลด)

ติดตั้งด่วน

python -m venv venv && source venv/bin/activate
pip install --upgrade pip
pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu118  # or cpu-only

pip install transformers accelerate

โค้ดอนุมานขั้นต่ำ (PyTorch + Transformers)

from transformers import AutoTokenizer, AutoModelForCausalLM, pipeline
import torch

model_id = "google/gemma-3-270m"  # ensure you've accepted HF license

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.float16, device_map="auto")

nlp = pipeline("text-generation", model=model, tokenizer=tokenizer)
print(nlp("Explain Newton's second law in one sentence.", max_new_tokens=64))

ตัวอย่างผลลัพธ์ (สิ่งที่คาดหวัง)

คำตอบสั้นๆ ที่ทำตามคำสั่ง เหมาะสำหรับการจำแนกประเภท การสรุป และการสนทนาแบบสั้นๆ สำหรับงานที่ใช้เหตุผลหนักๆ ให้พิจารณาขนาดที่ใหญ่กว่า แต่ 270M ให้ประสิทธิภาพที่ยอดเยี่ยมสำหรับการใช้งานหลายกรณี

ข้อดีและเคล็ดลับ

  • เข้ากันได้อย่างสมบูรณ์กับระบบนิเวศ HF (ชุดข้อมูล, Trainer, TRL)
  • ใช้ device_map="auto" และ torch_dtype=torch.float16 เพื่อทำให้หน่วยความจำ GPU มีประสิทธิภาพ
  • สำหรับเครื่องขนาดเล็กในพื้นที่ ให้ถ่ายโอนไปยัง CPU หรือใช้ความแม่นยำแบบผสม แต่ถ้าคุณต้องการความเร็ว GPU ขนาดกลางก็ช่วยได้มาก

ฉันจะรัน Gemma 3 270M ผ่าน Ollama หรือ LM Studio (สามารถรันได้โดยไม่ต้องกำหนดค่าเป็นศูนย์) ได้อย่างไร

Ollama/LM Studio คืออะไร และทำไมจึงต้องใช้?

Ollama และ LM Studio เป็นรันไทม์คอนเทนเนอร์ภายในเครื่องที่ทำหน้าที่เหมือนร้านแอปสำหรับโมเดล — คุณ pull แบบจำลองและ run ด้วยคำสั่งเดียว พวกมันจัดการไฟล์แพ็กเกจ/ไฟล์ควอนไทซ์ การใช้หน่วยความจำ และมอบ CLI/UI ที่สะดวกสบาย นี่เป็นเส้นทางที่เร็วที่สุดจากศูนย์ไปยังการแชทภายในเครื่อง Ollama ระบุ Gemma 3 270M ไว้อย่างชัดเจนในไลบรารีโมเดล

ขั้นตอนโอลลามาแบบรวดเร็ว

  1. ติดตั้ง Ollama จาก https://ollama.com/download
  2. ดึงและวิ่ง:
# Pull (downloads the model)

ollama pull gemma3:270m

# Start an interactive session (CLI)

ollama run gemma3:270m

ตัวอย่างการใช้งาน (สคริปต์)

# Run a single prompt and exit

ollama run gemma3:270m --prompt "Summarize the latest Python 3.12 features in one paragraph."

ตัวอย่าง: LM Studio (ขั้นตอนแนวคิด)

  1. ติดตั้ง LM Studio (เดสก์ท็อป)
  2. ค้นหาศูนย์กลางโมเดลภายในแอปสำหรับ “gemma-3-270m”
  3. เลือกตัวแปรเชิงปริมาณ (Q4_0 หรือที่คล้ายกัน) และดาวน์โหลด
  4. คลิก “โหลด” และเริ่มแชท

ข้อดีและเคล็ดลับ

  • ความเสียดทานต่ำเป็นพิเศษ: ไม่ต้องแปลงด้วยตนเอง ค้นหาโมเดลใน UI ง่ายสำหรับการสาธิต
  • Ollama จัดการการจัดเก็บ/อัปเดตโมเดล ใช้หากคุณต้องการสภาพแวดล้อมภายในเครื่องแบบไม่ต้องดำเนินการใดๆ
  • หากคุณต้องการบูรณาการในโค้ดการผลิต Ollama นำเสนอ API เพื่อให้บริการจุดสิ้นสุดภายในเครื่อง

ฉันจะรัน Gemma 3 270M โดยใช้ GGUF / llama.cpp บนอุปกรณ์ขนาดเล็กได้อย่างไร

เหตุใดจึงมีเส้นทางนี้

หากเป้าหมายของคุณคือการใช้หน่วยความจำที่น้อยที่สุด (โทรศัพท์, Raspberry Pi, VPS ขนาดเล็ก) หรือคุณต้องการความเร็วในการเริ่มต้นแบบเย็นที่รวดเร็ว การแปลงชุมชนเป็น GGUF (รูปแบบ ggml สมัยใหม่) และการอนุมานผ่าน llama.cpp/ggml การใช้เครื่องมือคือหนทางที่ดีที่สุด ตอนนี้ผู้คนกำลังใช้งาน Gemma 3 270M บนโทรศัพท์ที่มีการประมวลผลแบบควอนไทซ์ขั้นสูง (รุ่น Q4/Q8) และต้องการ RAM น้อยมาก

วิธีรับ GGUF (การแปลง / ดาวน์โหลด)

  • ชุมชนหลายแห่งได้เปลี่ยนรูปแบบไปแล้ว google/gemma-3-270m ไปที่ GGUF และเผยแพร่บน Hugging Face (ค้นหา gemma-3-270m-GGUF). ตัวอย่างที่เก็บรวมถึง NikolayKozloff/gemma-3-270m-Q8_0-GGUF และคอลเลกชัน ggml-org

วิ่งด้วย llama.cpp (คลี)

# clone and build llama.cpp

git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
make

# then, download or place gemma-3-270m.gguf in the folder

./main -m gemma-3-270m-q8_0.gguf -p "Write a haiku about debugging." --ctx_size 2048

หรือรันเซิร์ฟเวอร์:

# start a local server (conversation mode)

./llama-server --hf-repo NikolayKozloff/gemma-3-270m-Q8_0-GGUF --hf-file gemma-3-270m-q8_0.gguf -c 2048

ตัวอย่าง: รันบน Android (เวิร์กโฟลว์ชุมชน)

  • ใช้ GGUF ที่สร้างไว้ล่วงหน้าและส่วนหน้ามือถือ (แอปชุมชนและรุ่นบางส่วนห่อหุ้ม llama.cpp สำหรับ Android) คาดว่าจะต้องแลกความเที่ยงตรงเพื่อความเร็วที่การวัดปริมาณที่ต่ำมาก (INT4 / Q4_0) หน้าเอกสารชุมชนแสดงขั้นตอนตัวอย่างสำหรับการใช้งานโทรศัพท์

ข้อดีและเคล็ดลับ

  • รอยเท้าความทรงจำอันเล็กจิ๋ว:GGUF ที่ถูกวัดปริมาณทำให้คุณสามารถรันโมเดลที่มีขนาดหลายร้อย MB ได้
  • ความเร็วของซีพียู: llama.cpp ได้รับการปรับปรุงให้เหมาะสมอย่างยิ่งเพื่อการอนุมาน CPU
  • เคล็ดลับ: ลองระดับควอนต์ที่แตกต่างกัน (Q4_0, Q5/K) และทดสอบคุณภาพพรอมต์ บิตที่ต่ำกว่าจะเร็วกว่าแต่คุณภาพอาจลดลง ใช้ --ctx_size เพื่อให้ตรงกับบริบทที่ตั้งใจไว้ของโมเดลเมื่อคุณต้องการบริบทที่ยาว

ฉันควรเลือกใช้วิธีการใดดี?

คำแนะนำการตัดสินใจสั้น ๆ :

  • ฉันต้องการสร้างต้นแบบหรือปรับแต่งใน Python / GPU → Hugging Face + Transformers (ดีที่สุดสำหรับการฝึกฝน/ปรับแต่ง)
  • ฉันต้องการการสาธิตการสนทนาในพื้นที่อย่างรวดเร็วพร้อมการตั้งค่าขั้นต่ำ → Ollama / LM Studio (เหมาะที่สุดสำหรับผู้สาธิตและผู้มีส่วนได้ส่วนเสียที่ไม่ใช่ผู้พัฒนา)
  • ฉันต้องการรันแบบออฟไลน์บนโทรศัพท์หรือเซิร์ฟเวอร์ขนาดเล็ก → GGUF + llama.cpp. (ดีที่สุดสำหรับประสิทธิภาพขอบสูงสุด)

ข้อดีและเคล็ดลับในการรัน Gemma 3 270M ในเครื่องมีอะไรบ้าง

เคล็ดลับด้านทรัพยากรและการวัดปริมาณ

  • รอยเท้าหน่วยความจำ: ขนาดหน่วยความจำ 16 บิตแบบ Full-Precision สำหรับโมเดล 270M นั้นเล็กมาก (ประมาณหลายร้อยเมกะไบต์สำหรับพารามิเตอร์โมเดล) แต่แคช RO และ KV จะดันหน่วยความจำสูงสุดให้สูงขึ้น รายงานจากชุมชนระบุว่าความแม่นยำสูงสุดอาจอยู่ที่ประมาณ 0.5 GB ในขณะที่ตัวแปรควอนไทซ์ INT4 อาจลดลงเหลือประมาณ 100–200 MB ซึ่งถือเป็นข้อได้เปรียบอย่างมากสำหรับการตั้งค่า edge และ RAM ต่ำ ควรคำนึงถึงหน่วยความจำเพิ่มเติมที่ใช้โดยรันไทม์ ตัวสร้างโทเค็น และโอเวอร์เฮดของระบบอยู่เสมอ
  • ใช้ QAT/INT4 เมื่อทำได้: Google และผู้ให้บริการชุมชนจัดหาบิลด์ที่ผ่านการฝึกอบรมที่รับรู้ถึงการวัดปริมาณ (QAT) และ GGUF แบบ INT4/INT8 ซึ่งจะช่วยลด RAM และมักจะรักษาคุณภาพที่ดีอย่างน่าประหลาดใจสำหรับงานหลายๆ งาน

การตั้งค่าประสิทธิภาพและบริบท

  • หน้าต่างบริบท: ตระกูล Gemma 3 รองรับบริบทที่ยาวมาก ตัวแปร 270M/1B ได้รับการบันทึกไว้สำหรับโทเค็นสูงสุด 32 รายการ ปรับแต่ง --context or -c แฟล็กในรันไทม์ที่เปิดเผยพวกเขา
  • การเธรดและการแบ่งชุด: สำหรับการอนุมาน CPU ให้เพิ่มจำนวนเธรดและใช้การแบตช์หากความหน่วงอนุญาต สำหรับ GPU ควรใช้ FP16 และการแมปอุปกรณ์เพื่อลดการกระจายตัวของหน่วยความจำ

ความปลอดภัย ใบอนุญาต และการใช้งานอย่างมีความรับผิดชอบ

  • Gemma 3 เผยแพร่พร้อมโมเดลอาร์ทิแฟกต์และแนวทางการใช้งาน โปรดปฏิบัติตาม Responsible Generative AI Toolkit และเงื่อนไขใบอนุญาตใดๆ ที่แนบมากับน้ำหนัก (โดยเฉพาะอย่างยิ่งสำหรับการใช้งานเชิงพาณิชย์หรือการแจกจ่าย) หากคุณกำลังใช้งานบริการที่เผยแพร่สู่สาธารณะ ให้ใช้เลเยอร์การกลั่นกรอง (เช่น ShieldGemma) และตัวกรองเนื้อหา

ฉันจะพบปัญหาทั่วไปอะไรบ้าง และฉันจะแก้ไขปัญหาเหล่านั้นได้อย่างไร

ข้อผิดพลาดของไฟล์โมเดล / รูปแบบ

  • หากรันไทม์แจ้งว่าสถาปัตยกรรมโมเดลไม่รู้จัก แสดงว่ารูปแบบไฟล์ของคุณอาจไม่ตรงกัน (เช่น พยายามโหลด GGUF ในรันไทม์โดยคาดว่าจะเจอจุดตรวจสอบ Transformers) ให้แปลงไฟล์โมเดลโดยใช้สคริปต์แปลงไฟล์อย่างเป็นทางการ หรือใช้ไฟล์ที่รันไทม์แนะนำ (Hugging Face → Transformers, GGUF → llama.cpp) คู่มือและคอลเลกชันของชุมชนมักโฮสต์ไฟล์ GGUF ที่แปลงไว้ล่วงหน้าเพื่อประหยัดเวลา

ความจำเต็ม

  • ใช้การสร้างแบบปริมาณ (INT4/INT8) ลดขนาดชุด เปลี่ยนไปใช้ CPU หากคุณมี VRAM GPU ที่จำกัด หรือถ่ายโอนส่วนต่างๆ ของโมเดลโดยใช้ device_map/accelerate

คุณภาพลดลงอย่างไม่คาดคิดด้วยการวัดปริมาณ

  • ลองใช้การหาปริมาณที่มีความแม่นยำสูงกว่า (INT8) หรือสิ่งประดิษฐ์ QAT แทนการหาปริมาณหลังการฝึกแบบง่าย ๆ การปรับแต่งแบบจำลองเชิงปริมาณในตัวอย่างโดเมนบางตัวอย่างสามารถกู้คืนประสิทธิภาพที่ไวต่องานได้

ความคิดสุดท้าย

Gemma 3 270M เป็นโมเดล “ขนาดเล็กแต่ทันสมัย” ที่ยอดเยี่ยมสำหรับการทดลอง การปรับแต่ง และการปรับใช้ในพื้นที่ เลือก Hugging Face + Transformers เมื่อคุณต้องการการควบคุมและการฝึกอบรม Python เต็มรูปแบบ เลือกโซลูชัน GGUF + ggml สำหรับการอนุมานที่เบาที่สุด และเลือกเลเยอร์ GUI/แพ็กเกจ (LM Studio / Ollama) สำหรับการสาธิตอย่างรวดเร็วและผู้มีส่วนได้ส่วนเสียที่ไม่เชี่ยวชาญด้านเทคนิค สำหรับการปรับแต่ง สูตร LoRA/PEFT จะช่วยลดต้นทุนลงอย่างมากและทำให้โมเดล 270M ใช้งานได้จริงและสามารถปรับให้เข้ากับงานจริงได้ ตรวจสอบผลลัพธ์เสมอ ปฏิบัติตามคำแนะนำด้านใบอนุญาต/ความปลอดภัย และเลือกระดับการวัดปริมาณที่สมดุลระหว่างหน่วยความจำและคุณภาพ

เริ่มต้นใช้งาน

CometAPI เป็นแพลตฟอร์ม API แบบรวมที่รวบรวมโมเดล AI มากกว่า 500 โมเดลจากผู้ให้บริการชั้นนำ เช่น ซีรีส์ GPT ของ OpenAI, Gemini ของ Google, Claude ของ Anthropic, Midjourney, Suno และอื่นๆ ไว้ในอินเทอร์เฟซเดียวที่เป็นมิตรกับนักพัฒนา ด้วยการนำเสนอการตรวจสอบสิทธิ์ การจัดรูปแบบคำขอ และการจัดการการตอบสนองที่สอดคล้องกัน CometAPI จึงทำให้การรวมความสามารถของ AI เข้ากับแอปพลิเคชันของคุณง่ายขึ้นอย่างมาก ไม่ว่าคุณจะกำลังสร้างแชทบ็อต เครื่องกำเนิดภาพ นักแต่งเพลง หรือไพพ์ไลน์การวิเคราะห์ที่ขับเคลื่อนด้วยข้อมูล CometAPI ช่วยให้คุณทำซ้ำได้เร็วขึ้น ควบคุมต้นทุน และไม่ขึ้นอยู่กับผู้จำหน่าย ทั้งหมดนี้ในขณะที่ใช้ประโยชน์จากความก้าวหน้าล่าสุดในระบบนิเวศ AI

การผสานรวม Gemma 3 270M ล่าสุดจะปรากฏบน CometAPI เร็วๆ นี้ โปรดติดตาม! ในขณะที่เรากำลังสรุปการอัปโหลดโมเดล Gemma 3 270M ให้สำรวจโมเดล gemini อื่นๆ ของเรา (เช่น gemma 2เจมินี่ 2.5 แฟลช, ราศีเมถุน 2.5 โปร) ในหน้าโมเดล หรือลองใช้ใน AI Playground เริ่มต้นด้วยการสำรวจความสามารถของโมเดลใน สนามเด็กเล่น และปรึกษา คู่มือ API สำหรับคำแนะนำโดยละเอียด ก่อนเข้าใช้งาน โปรดตรวจสอบให้แน่ใจว่าคุณได้เข้าสู่ระบบ CometAPI และได้รับรหัส API แล้ว โคเมทเอพีไอ เสนอราคาที่ต่ำกว่าราคาอย่างเป็นทางการมากเพื่อช่วยคุณบูรณาการ

อ่านเพิ่มเติม

500+ โมเดลใน API เดียว

ลดราคาสูงสุด 20%