ข่าว Local AI ประจำวันที่ 10 กันยายน 2026 โดยทีม AIServer.in.th
DeepSeek ปล่อย DeepSeek-V4.1-Flash วันนี้ พร้อมเปิดน้ำหนักบน Hugging Face ภายใต้สัญญาอนุญาต MIT ตั้งแต่วันแรก บริษัทระบุว่ารุ่น Flash ตัวใหม่ “แซง V4 Pro ทุกด้าน ทั้งความสามารถ ต้นทุน ความเร็ว และเวลารวม” และตั้งแต่ 14 กันยายน คำขอที่ยิงไปหา V4 Pro ผ่าน API จะถูกให้บริการด้วย V4.1 Flash ในราคาระดับ Flash
มีอะไรใหม่
- สถาปัตยกรรมใหม่ Causal Encoder-Decoder: 40 ชั้น แบ่งเป็น encoder 20 ชั้นตามด้วย decoder 20 ชั้น ทำให้ตอนอ่านข้อมูลเข้า (prefill) ใช้พารามิเตอร์แค่ 8B ต่อโทเคน และตอนสร้างคำตอบ 16B ต่อโทเคน จากโมเดลรวม 552B
- KV cache เล็กลง 4–8 เท่า จาก V4 Flash ด้วย Compressed Sparse Attention 2 และ SWA Bounded Replay รองรับ context ยาว 1 ล้านโทเคน
- มองภาพได้ในตัว (vision) ไม่ต้องใช้รุ่นแยกอีกต่อไป
- มี “Engram conditional memory” 196B ที่โมเดลเรียกใช้เป็นจุดผ่านการค้นหาตามโทเคน และ DSpark speculative decoding ในตัว
- ผลวัดที่บริษัทเผย: GPQA Diamond 90.9 และงานเขียนโค้ดแบบ agent (DeepSWE v1.1) แก้ได้ 74.2% เทียบ 54.4% ของ V4 Flash
ประเด็นสำหรับคนทำ Local AI: มันใหญ่เกินเครื่องเดียวแล้ว
ไฟล์น้ำหนักต้นฉบับมีขนาด 510 GB (experts เป็น FP4 อยู่แล้ว ส่วนที่เหลือ FP8) นั่นแปลว่า
- DGX Spark เครื่องเดียว (หน่วยความจำ 128 GB) รันไม่ได้ ต่อให้บีบอัดลงถึง 2 บิตก็ยังเกิน 190 GB และเพราะ experts ถูกฝึกมาเป็น FP4 อยู่แล้ว การบีบให้ต่ำกว่านั้นจะเสียคุณภาพมากกว่าโมเดลทั่วไป
- ต้องใช้ Spark ประมาณ 4–5 เครื่องต่อกัน หรือเซิร์ฟเวอร์ GPU หลายตัว จึงจะรันได้ที่คุณภาพเต็ม
- เครื่องมือยอดนิยมอย่าง llama.cpp ยังไม่รองรับสถาปัตยกรรมใหม่นี้ (รหัส
deepseek_v41คนละตัวกับ V4 ที่เพิ่งได้รับการรองรับ) ไฟล์ GGUF ที่โผล่บน Hugging Face ตอนนี้ยังเป็นที่ว่าง คาดว่าต้องรอเป็นสัปดาห์ถึงเดือน
ทางเลือกในวันนี้
| ความต้องการ | ทางเลือก |
|---|---|
| อยากใช้ V4.1 Flash ทันที และข้อมูลออกนอกองค์กรได้ | ใช้ผ่าน API ของ DeepSeek (ราคาลดลงมากจากการรวมราคา Pro ลงมาเป็น Flash) |
| ข้อมูลออกนอกเครื่องไม่ได้ ใช้ Spark เครื่องเดียว | DeepSeek V4 Flash (284B บีบ 2 บิต ~85 GB) ยังเป็น DeepSeek ตัวใหญ่สุดที่รันได้ในเครื่องเดียว บน AI Server Suite ได้คะแนนภาษาไทย ThaiEval ระดับ 92% · หรือ Qwen3.8-Flash-Next 176B ที่รับรูปภาพได้ |
| งานภาษาไทยทั่วไป ต้องการเร็ว | Qwen3.8-27B / Qwen3.6-35B-A3B บน Spark ได้ 90+ โทเคนต่อวินาที |
จุดที่น่าจับตาคือส่วน Engram 196B ที่โมเดลเรียกใช้เป็นจุด ๆ ถ้าชุมชนทำให้ส่วนนี้สตรีมจาก SSD ได้ (แนวเดียวกับข่าว Edge0 ด้านล่าง) และบีบ backbone ลง 2 บิต ขนาดอาจเหลือราว 150–190 GB ซึ่งเท่ากับ Spark 2 เครื่องต่อกัน เราจะทดสอบทันทีที่มีของจริง
ข่าวสั้นวันเดียวกัน: Edge0 รันโมเดล 35B ด้วยแรม 3 GB บน Mac
โครงการโอเพนซอร์ส Edge0 (Apache-2.0) โชว์การรัน Qwen3.5-MoE 35B-A3B บน Mac mini M4 Pro ด้วยหน่วยความจำสูงสุดเพียง 2.9 GB ที่ 15–18 โทเคนต่อวินาที เทคนิคคือสตรีม expert จาก SSD ตามที่ router เลือก + LoRA กู้คุณภาพหลังบีบ 4 บิต + ตัวทายล่วงหน้าว่า step ถัดไปจะใช้ expert ไหน ข้อจำกัด: ทำงานเฉพาะ Apple Silicon ผ่าน MLX (CUDA ยังไม่มา) และคุณภาพลดจากโมเดลต้นฉบับเฉลี่ยราว 4 คะแนน พาดหัวที่บอกว่า “iPhone ใช้แรม 2 GB” เป็นตัวเลขของโมเดลอีกตัวที่ยังไม่ปล่อย
บทเรียนจากทั้งสองข่าว: โมเดลเปิดโตเร็วกว่าเครื่องเดียวจะตามทัน การเลือกโมเดลให้ “พอดีเครื่อง” จึงสำคัญไม่แพ้ตัวโมเดลเอง ซึ่งเป็นสิ่งที่เราวัดจริงและอัปเดตให้ทุกสัปดาห์บน AI Server Suite
สนใจให้เราแนะนำเครื่องและโมเดลที่เหมาะกับงานของคุณ ติดต่อได้ที่ หน้าติดต่อเรา
แหล่งข้อมูล: Hugging Face — deepseek-ai/DeepSeek-V4.1-Flash · ประกาศ API ของ DeepSeek · Edge0 บน GitHub