DeepSeek ปล่อย V4-Flash-0731: ฝึกสถาปัตยกรรมเดิมซ้ำ ดันความสามารถ AI Agent ก้าวกระโดดเท่าตัว

โดย TheAI Academy · Aug 5, 2026

DeepSeek อัปเดต V4-Flash เมื่อวันที่ 31 กรกฎาคม โดยที่สถาปัตยกรรมและจำนวนพารามิเตอร์ยังคงเดิม แต่ใช้การฝึกซ้ำหลังการเทรน (Post-training) จนดันคะแนน Terminal-Bench 2.1 จาก 61.8 พุ่งขึ้นเป็น 82.7 พร้อมปล่อยน้ำหนักโมเดลลงบน Hugging Face ภายใต้ไลเซนส์ MIT เรื่องนี้มีความหมายอย่างไรต่อเหล่านักพัฒนาและองค์กรที่ต้องการสร้างโมเดลเอง?

วันสุดท้ายของเดือนเจ็ด แจ้งเตือนใน GitHub ของวิศวกรไต้หวันหลายคนเด้งข้อความเดียวกันขึ้นมา: DeepSeek อัปเดตแล้ว

ไม่มีงานอีเวนต์เปิดตัว ไม่มีสัญญาณเตือนล่วงหน้า ปล่อยพารามิเตอร์ลง Hugging Face โดยตรง

สิ่งที่น่าสนใจคือตารางสเปก—พารามิเตอร์รวม 284B, พารามิเตอร์ที่ใช้งานจริง 13B เหมือนกับเวอร์ชันเดือนเมษายนเป๊ะๆ สถาปัตยกรรมไม่เปลี่ยน ขนาดไม่เปลี่ยน แต่คะแนนสำหรับงานเอเจนต์ (Agent tasks) กลับพุ่งสูงขึ้นเกือบเท่าตัว

เหตุการณ์ความเป็นมา

ซีรีส์ V4 ของ DeepSeek เปิดตัวอย่างเป็นทางการเมื่อวันที่ 24 เมษายน 2026 โดยในเอกสารทางการระบุไว้สองรุ่น ได้แก่ V4-Pro พารามิเตอร์รวม 1.6T, ใช้งานจริง 49B ซึ่งท้าชนกับโมเดลปิดแถวหน้า และ V4-Flash พารามิเตอร์รวม 284B, ใช้งานจริง 13B ที่เน้นความรวดเร็วและความคุ้มค่า ทั้งสองรุ่นมาพร้อมกับ Context Window 1 ล้านโทเค็นเป็นมาตรฐาน รองรับโหมดการคิด (Thinking) และไม่คิด พร้อมทั้งรองรับรูปแบบ API ของ OpenAI ChatCompletions และ Anthropic ประกาศฉบับเดียวกันยังระบุด้วยว่า deepseek-chat และ deepseek-reasoner รุ่นเก่าจะยุติการให้บริการหลังวันที่ 24 กรกฎาคม 2026

การอัปเดตเมื่อวันที่ 31 กรกฎาคมที่ผ่านมาพุ่งเป้าไปที่สายผลิตภัณฑ์ V4-Flash โดยมีรหัสเวอร์ชันว่า 0731

จุดสำคัญของการอัปเดต

สถาปัตยกรรมเดิมไม่เปลี่ยนแปลง: ยังคงเป็นโมเดล MoE (Mixture of Experts) ขนาด 284B พารามิเตอร์รวม และ 13B พารามิเตอร์ที่ใช้งานจริง โดยทางทางการระบุชัดเจนว่าความก้าวหน้าครั้งนี้มาจากการฝึกซ้อมหลังการฝึก (Post-training) ใหม่ ไม่ใช่การออกแบบใหม่
ความสามารถด้านเอเจนต์เพิ่มขึ้นอย่างก้าวกระโดด: คะแนน Terminal-Bench 2.1 อยู่ที่ 82.7 จากเดิมในเวอร์ชันพรีวิวเดือนเมษายนที่ 61.8
งานเขียนโปรแกรมพัฒนาขึ้นพร้อมกัน: คะแนน DeepSWE อยู่ที่ 54.4
เหนือกว่ารุ่นพี่ตัวใหญ่ของค่าย: ในการประเมินประสิทธิภาพเอเจนต์ทุกรายการที่ DeepSeek เผยแพร่ ทำคะแนนแซงหน้า V4-Pro รุ่นพรีวิวทั้งหมด
น้ำหนักโมเดลภายใต้ไลเซนส์ MIT: ปล่อยลง Hugging Face โดยตรง นับเป็นหนึ่งในโอเพนซอร์สไลเซนส์ที่ยืดหยุ่นที่สุดในปัจจุบัน
API รองรับรูปแบบ Responses API โดยตรง และปรับแต่งให้เข้ากับ Codex แล้ว

ทำไมเรื่อง "สถาปัตยกรรมเดิมแต่ฝึกใหม่" ถึงน่าจับตามองเป็นพิเศษ

สองปีที่ผ่านมา เรื่องเล่าเกี่ยวกับการพัฒนาให้โมเดลเก่งขึ้นมักจะเป็น "พารามิเตอร์ใหญ่ขึ้น, ข้อมูลมากขึ้น, พลังประมวลผลแพงขึ้น" แต่ครั้งนี้ไม่ใช่

สิ่งที่ DeepSeek พิสูจน์ให้เห็นในครั้งนี้คือ: การทำ Post-training ให้ถูกต้องบนสถาปัตยกรรมเดิม อาจให้ผลลัพธ์ที่คุ้มค่ากว่าการถมพารามิเตอร์ซะอีก จาก 61.8 สู่ 82.7 การก้าวกระโดดระดับนี้ถือเป็นข่าวใหญ่ไม่ว่าจะเกิดขึ้นในเวอร์ชันไหน และมันไม่ต้องเสียเงินเพิ่มแม้แต่บาทเดียวในการวิจัยสถาปัตยกรรม

ความหมายต่ออุตสาหกรรมโดยรวมก็คือ การแข่งขันด้านความสามารถของโมเดลกำลังเปลี่ยนจาก "ใครโมเดลใหญ่กว่า" ไปสู่ "ใครเข้าใจวิธีฝึกเอเจนต์มากกว่า" ซึ่งอุปสรรคของแบบหลังนั้นต่ำกว่ามาก และนั่นหมายความว่าพื้นที่สำหรับผู้ตามหลังในการไล่ก๊อบปี้หรือตามทันนั้นมีมากกว่าที่คิด

พูดตามตรง ผมคิดว่าเรื่องนี้สำคัญกว่าการมีโมเดลที่ใหญ่ขึ้นเสียอีก

การวิเคราะห์ผลกระทบต่อตลาด

สำหรับผู้ใช้ในไต้หวัน

ผู้ใช้งานทั่วไปอาจไม่รู้สึกถึงความเปลี่ยนแปลงได้ทันทีในระยะสั้น แต่ผ่านทางบริการของบุคคลที่สามต่างๆ ที่เชื่อมต่อกับ DeepSeek คุณจะรู้สึกได้ว่า "ผู้ช่วย AI สามารถทำงานให้เสร็จได้ด้วยตัวเองเก่งขึ้น" นี่คือผลลัพธ์ที่สะท้อนให้เห็นโดยตรงจากความสามารถของเอเจนต์ที่เพิ่มขึ้น—ลดการ "ช่วยลิสต์ขั้นตอนให้ดูหน่อย" ลง และเพิ่มการ "ทำเสร็จเรียบร้อยแล้ว ผลลัพธ์อยู่นี่" ให้มากขึ้น

ผลกระทบด้านราคาก็เป็นสิ่งที่น่าจับตาเช่นกัน โมเดลโอเพนซอร์สที่มีประสิทธิภาพสูงจะกดดันราคา API ในตลาดโดยรวมให้ต่ำลงเรื่อยๆ ซึ่งถือเป็นเรื่องดีสำหรับวิสาหกิจขนาดกลางและย่อม (SMEs) รวมถึงนักพัฒนาอิสระในไต้หวัน

สำหรับการประยุกต์ใช้งานในองค์กรไต้หวัน

โอกาสที่แท้จริงอยู่ที่เรื่อง อธิปไตยของข้อมูล (Data Sovereignty)

ไลเซนส์แบบ MIT บวกกับน้ำหนักโมเดลที่ดาวน์โหลดได้ หมายความว่าในทางทฤษฎี คุณสามารถนำโมเดลมาติดตั้งรันในเซิร์ฟเวอร์ของตัวเองได้ โดยที่ข้อมูลไม่มีวันหลุดออกนอกประเทศ สำหรับอุตสาหกรรมที่มีการควบคุมดูแลอย่างเข้มงวด เช่น การเงิน การแพทย์ และกฎหมาย สิ่งนี้คือสิ่งที่ API แบบปิดให้คุณไม่ได้

แต่ต้องพูดให้ชัดเจนถึงต้นทุน โมเดลขนาด 284B แม้จะใช้งานจริงแค่ 13B แต่การโหลดน้ำหนักโมเดลยังคงต้องใช้หน่วยความจำการ์ดจอ (VRAM) ในปริมาณมาก ในกรณีส่วนใหญ่จำเป็นต้องใช้ฮาร์ดแวร์ระดับเซิร์ฟเวอร์หลายการ์ด พร้อมด้วยบุคลากรดูแลระบบ สำหรับ SMEs ส่วนใหญ่ในไต้หวัน การใช้ API หรือคลาวด์โฮสติ้งยังคงคุ้มค่ากว่ามาก

สถานการณ์เดียวที่คุ้มค่ากับการติดตั้งเอง (Self-host) มีเพียงแบบเดียวคือ: ข้อมูลห้ามออกนอกประเทศเด็ดขาด และมีปริมาณการใช้งานมากพอที่จะเกลี่ยต้นทุนฮาร์ดแวร์ให้คุ้มค่าได้ สองเงื่อนไขนี้ขาดข้อใดข้อหนึ่งไม่ได้

นอกจากนี้ ยังต้องเตือนเรื่องความปลอดภัยของข้อมูลและการปฏิบัติตามข้อกำหนด (Compliance): การใช้โมเดลจากผู้ให้บริการที่มีเบื้องหลังในจีน อาจมีข้อกำหนดและข้อจำกัดเพิ่มเติมสำหรับการจัดซื้อจัดจ้างของภาครัฐและบางอุตสาหกรรม ก่อนนำไปใช้งานโปรดตรวจสอบกฎระเบียบของอุตสาหกรรมที่คุณสังกัดให้แน่ใจ อย่ามารู้ตัวเอาตอนตรวจประเมิน (Audit)

สำหรับนักพัฒนา

สามสิ่งที่สามารถทำได้จริง:

หนึ่ง, หากคุณกำลังพัฒนาเอเจนต์ (Agent) เวอร์ชันนี้คุ้มค่าที่จะนำไปทดสอบซ้ำ การยกระดับความสามารถของเอเจนต์ไม่ใช่แค่ตัวเลขทางการตลาด Terminal-Bench ทดสอบความสามารถในการปฏิบัติงานจริงให้ลุล่วงในสภาพแวดล้อมเทอร์มินัล ซึ่งใกล้เคียงกับสถานการณ์เอเจนต์จริงมาก ลองนำไปรันกับงานของคุณเองเพื่อดูว่าจะสามารถแทนที่โมเดลปัจจุบันได้หรือไม่

สอง, ความเข้ากันได้ของรูปแบบ API ช่วยลดต้นทุนในการสลับเปลี่ยน การรองรับรูปแบบ OpenAI ChatCompletions และ Anthropic ประกอบกับการรองรับ Responses API โดยตรงในครั้งนี้ หมายความว่าคุณสามารถเปรียบเทียบโมเดลต่างๆ ได้ด้วยการปรับเปลี่ยนโค้ดเพียงเล็กน้อย หากต้องการเปรียบเทียบราคาและสลับใช้งานหลายโมเดล คู่มือ OpenRouter คือจุดเริ่มต้นที่มีประโยชน์

สาม, อย่ามองแค่คะแนนที่ผู้ผลิตประกาศออกมา นี่คือเรื่องเดิมๆ ที่พูดกันบ่อยแต่ก็ยังมีคนพลาดทุกครั้ง สภาพแวดล้อมในการทดสอบคะแนน การออกแบบ Prompts และกลยุทธ์การลองทำซ้ำ (Retry strategies) ล้วนส่งผลต่อผลลัพธ์ โมเดลเดียวกันเมื่ออยู่กับคนละคนกัน คะแนนอาจต่างกันลิบลับ การนำไปรันกับงานของคุณเองจึงเป็นการประเมินเดียวที่มีความหมาย

แนวโน้มการพัฒนาในอนาคต

หนึ่ง, การฝึกหลังการฝึก (Post-training) จะกลายเป็นสนามรบใหม่ของการแข่งขัน เมื่อผลประโยชน์ส่วนเพิ่ม (Marginal benefit) ของสถาปัตยกรรมลดลง วิธีการฝึกจะกลายเป็นแหล่งสร้างความแตกต่าง นั่นหมายความว่าความเร็วในการอัปเดตโมเดลจะยิ่งเร็วขึ้น ไม่จำเป็นต้องพรี-เทรนใหม่ แค่เปลี่ยนสูตร Post-training ก็ออกเวอร์ชันใหม่ได้แล้ว

สอง, ช่องว่างระหว่างโอเพนซอร์สและโมเดลปิดจะถูกลบเลือนในบางงานเฉพาะด้าน ความสามารถทั่วไปอาจจะยังมีช่องว่างอยู่บ้าง แต่ในด้าน "การเขียนโปรแกรม" หรือ "การรันงานเอเจนต์" ซึ่งเป็นโดเมนที่ประเมินผลได้อย่างชัดเจน โมเดลโอเพนซอร์สกำลังไล่ตามมาอย่างรวดเร็ว ถือเป็นข่าวดีสำหรับองค์กรที่ต้องการควบคุมต้นทุน

สาม, การเลือกโมเดลจะกลายเป็นการตัดสินใจเชิงวิศวกรรม ไม่ใช่การตัดสินใจเรื่องแบรนด์ เมื่อต้นทุนในการสลับเปลี่ยนต่ำลง การเลือกโมเดลจะกลับไปสู่หลักการ "ตัวไหนรันงานของเราได้ดีที่สุดและถูกที่สุด" ซึ่งเป็นเรื่องดีสำหรับองค์กรในไต้หวัน—ไม่ต้องไปฝากอนาคตไว้กับผู้ให้บริการรายเดียวอีกต่อไป

สรุปและบทวิจารณ์จาก TheAI學院

การอัปเดตครั้งนี้ไม่มีงานเปิดตัวที่หวือหวา แต่มันบอกเล่าเรื่องราวที่สำคัญมากๆ เรื่องหนึ่ง: ความก้าวหน้าของ AI ไม่จำเป็นต้องพึ่งพาฮาร์ดแวร์ที่แพงขึ้นเสมอไป

สถาปัตยกรรมเดิม, จำนวนพารามิเตอร์เท่าเดิม, นำกลับมาเทรน Post-training ใหม่รอบเดียว ความสามารถของเอเจนต์ก็กระโดดจาก 61.8 ไปเป็น 82.7 สำหรับทีมที่ไม่ได้มีพลังประมวลผลไร้ขีดจำกัดแล้ว นี่คือข่าวที่สร้างแรงบันดาลใจสุดๆ

บทวิจารณ์: เมื่อคุณค่าของ "การฝึกให้ถูกต้อง" เริ่มแซงหน้า "การทำให้โมเดลใหญ่ขึ้น" การแข่งขันครั้งนี้จึงเปลี่ยนจากเกมแห่งทุนทรัพย์ กลับมาเป็นปัญหาเชิงวิศวกรรม และสำหรับปัญหาเชิงวิศวกรรมแล้ว ทีมงานจากไต้หวันไม่เคยกลัวอยู่แล้ว

คำแนะนำที่เป็นรูปธรรมสำหรับผู้อ่านชาวไต้หวัน: หากคุณกำลังพัฒนาแอปพลิเคชัน AI สัปดาห์นี้ให้แบ่งเวลาสักหนึ่งชั่วโมงทำสิ่งเดียว—เปลี่ยนโมเดลที่คุณใช้อยู่ในปัจจุบันเป็นเวอร์ชันนี้ แล้วรันงานหลักของคุณดูสักรอบ จดต้นทุนและอัตราความสำเร็จไว้ ไม่ต้องไปเชื่อคะแนนการประเมินใดๆ ตัวเลขที่รันออกมาจากงานของคุณเองเท่านั้นที่เป็นของจริง สำหรับการนำไปใช้งานในระดับองค์กร ให้ตรวจสอบข้อกำหนดด้านความสอดคล้องตามกฎระเบียบ (Compliance) ของแหล่งที่มาโมเดลในอุตสาหกรรมของคุณให้เรียบร้อยเสียก่อนค่อยพูดถึงการประเมินทางเทคนิค

อ่านเพิ่มเติม: บทวิเคราะห์การเปิดตัว Claude Opus 5 เพื่อเปรียบเทียบแนวทางของฝั่งโมเดลปิด; หากต้องการเข้าใจการใช้งาน AI Agent จริง ดู คู่มือการสร้าง AI Agent; ส่วนความคืบหน้าของโมเดลสัญชาติไต้หวันสามารถอ้างอิงได้จาก สถานะปัจจุบันของ Yating และ TAIDE

แหล่งที่มาข้อมูล

เรียบเรียงจากข้อมูลสาธารณะ โดยยึดข้อมูลจากทางการเป็นหลัก คะแนนการประเมินเป็นตัวเลขที่เผยแพร่โดยผู้ผลิต ประสิทธิภาพการใช้งานจริงโปรดอ้างอิงจากการทดสอบกับงานของตนเอง บทความนี้ไม่ถือ ⿊ เป็นคำแนะนำทางการลงทุน

คำถามที่พบบ่อย

DeepSeek V4-Flash-0731 แตกต่างจากเวอร์ชันเดือนเมษายนอย่างไร?

สถาปัตยกรรมและจำนวนพารามิเตอร์ไม่เปลี่ยนแปลงเลย โดยยังคงเป็นโมเดล MoE ที่มีพารามิเตอร์รวม 284B และเปิดใช้งาน 13B สิ่งที่ต่างออกไปคือการทำ Post-training ใหม่สำหรับงานเอเจนต์โดยเฉพาะ ส่งผลให้คะแนน Terminal-Bench 2.1 เพิ่มจาก 61.8 ในเวอร์ชันพรีวิวเดือนเมษายน เป็น 82.7 พูดง่ายๆ คือ ความก้าวหน้าครั้งนี้มาจากการปรับวิธีฝึกฝน ไม่ใช่การเปลี่ยนดีไซน์โมเดล

ไลเซนส์ MIT หมายความว่าเราสามารถนำไปใช้ในเชิงพาณิชย์ได้หรือไม่?

ไลเซนส์ MIT เป็นโอเพนซอร์สที่มีความยืดหยุ่นสูง โดยทั่วไปอนุญาตให้นำไปใช้ในเชิงพาณิชย์ ดัดแปลง และแจกจ่ายต่อได้ โดยมักจะกำหนดให้ต้องคงประกาศลิขสิทธิ์ไว้เท่านั้น อย่างไรก็ตาม ก่อนใช้งานจริงควรศึกษาเงื่อนไขฉบับเต็มและนโยบายการใช้งานที่มาพร้อมกับหน้าโมเดลให้ละเอียด เนื่องจากบางครั้งน้ำหนักโมเดลอาจมีข้อกำหนดการใช้งานเพิ่มเติมแนบมาด้วย หากเกี่ยวข้องกับการ deploy เชิงพาณิชย์ แนะนำให้ปรึกษาทีมกฎหมายเพื่อความมั่นใจ

องค์กรธุรกิจจะนำโมเดลนี้มาโฮสต์เองมีความเป็นจริงมากน้อยแค่ไหน?

โมเดลที่มีพารามิเตอร์รวม 284B แม้จะเปิดใช้งานเพียง 13B แต่การโหลดน้ำหนักโมเดลก็ยังคงต้องการ VRAM ในปริมาณมาก ซึ่งมักจะต้องใช้ฮาร์ดแวร์ระดับเซิร์ฟเวอร์หลายการ์ด สำหรับวิสาหกิจขนาดกลางและขนาดย่อมส่วนใหญ่ การใช้ API หรือคลาวด์โฮสติ้งมีความคุ้มค่ามากกว่าการสร้างระบบเอง กรณีที่จำเป็นต้องติดตั้งเองจริงๆ คือกลุ่มอุตสาหกรรมที่ข้อมูลไม่อนุญาตให้ออกนอกองค์กรเด็ดขาด เช่น ธุรกิจเฉพาะด้านการเงินและการแพทย์

ทำไม "ความสามารถของ AI Agent" ถึงกลายเป็นจุดเน้นในการแข่งขัน?

เพราะบริบทการใช้งานเปลี่ยนไป ในอديตเราแข่งกันที่คุณภาพในการตอบคำถาม แต่ปัจจุบันเราแข่งกันที่ความสามารถในการรันหลายขั้นตอนต่อเนื่องกันอย่างแม่นยำ การเรียกใช้เครื่องมือต่างๆ และการตรวจสอบผลลัพธ์ด้วยตัวเอง แบบทดสอบอย่าง Terminal-Bench วัดความสามารถในการปฏิบัติงานจริงในสภาพแวดล้อมเทอร์มินัล ซึ่งตอบโจทย์ความต้องการหน้างานจริงได้มากกว่าการถาม-ตอบทั่วไป

繁體中文版 →