อัปเดต 29 กันยายน 2026 — ทุกตัวเลขในบทความนี้มาจากการรันบนเครื่องจริงของเราเอง มี log เก็บไว้ ไม่ได้อ้างสเปกจากกล่อง
คำถามที่ลูกค้าถามเราบ่อยที่สุดคือ “ซื้อ DGX Spark ดี หรือประกอบ PC ใส่การ์ด RTX 5090 ดี” เราเลยเอาสองเครื่องมาวางข้างกัน แล้ววัดด้วยงานเดียวกันสามอย่างที่ลูกค้าใช้จริง: คุยกับ LLM ภาษาไทย สร้างภาพ และถอดเสียงเป็นข้อความ
สรุปก่อน สำหรับคนรีบ
สองเครื่องนี้ไม่ได้แข่งกันตรง ๆ — มันเก่งคนละเรื่อง
- RTX 5090 เร็วกว่าในงานเดียวกัน 1.8–4.6 เท่า ยิ่งมีคนใช้พร้อมกันมาก ช่องว่างยิ่งกว้าง
- แต่ DGX Spark ให้ “ความจำบทสนทนา” ต่อคนมากกว่า 3 เท่า — ที่ 16 คนพร้อมกัน แต่ละคนได้ 114,000 โทเคนบน Spark เทียบกับ 38,000 บนการ์ด
- DGX Spark ทำได้ในสิ่งที่การ์ดทำไม่ได้ — รันโมเดล 3 ตัวใหญ่สุดในชุดของเรา (79–93 GB) ที่การ์ดใส่ไม่พอ · ได้ความจำเต็ม 256,000 โทเคนโดยไม่ต้องลดคุณภาพโมเดลมาแลก · เทรนโมเดลเองบนเครื่อง · เปิดโมเดลหลายตัวคนละชนิดค้างไว้พร้อมกันโดยไม่ต้องสลับ
- คุณภาพภาษาไทยเท่ากัน — โมเดลเดียวกันตอบดีเท่ากันทั้งสองเครื่อง ต่างกันแค่ความเร็ว
- เลือกตามงาน: งานซ้ำ ๆ เร็ว ๆ หลายคน → การ์ด · โมเดลใหญ่ เทรนเอง หรือหลายงานพร้อมกัน → Spark
1. LLM ภาษาไทย — หลายคนใช้พร้อมกัน
โมเดล Qwen3.6-35B-A3B (MoE 35 พันล้านพารามิเตอร์ ปลุกใช้จริง 3 พันล้านต่อโทเคน) เสิร์ฟด้วย vLLM ทั้งสองเครื่อง · คำถามภาษาไทยชุดเดียวกัน · ปิดโหมดคิด · อุณหภูมิ 0
| ใช้พร้อมกัน | 5090 รวมทั้งเครื่อง |
5090 ต่อคน |
Spark รวมทั้งเครื่อง |
Spark ต่อคน |
5090 เร็วกว่า |
|---|---|---|---|---|---|
| 1 คน | 241 tok/s | 241 | 81 tok/s | 81 | 3.0 เท่า |
| 4 คน | 611 tok/s | 191 | 168 tok/s | 54 | 3.6 เท่า |
| 8 คน | 1,105 tok/s | 165 | 261 tok/s | 38 | 4.2 เท่า |
| 16 คน | 1,776 tok/s | 144 | 389 tok/s | 27 | 4.6 เท่า |
อ่านตารางนี้ยังไง: ช่อง “ต่อคน” สำคัญกว่าช่อง “รวมทั้งเครื่อง” เพราะเป็นความเร็วที่คุณเห็นบนหน้าจอตัวเอง คนอ่านภาษาไทยทั่วไปอ่านทันราว 10–15 โทเคนต่อวินาที แปลว่า ทั้งสองเครื่องยังเร็วกว่าที่คนอ่านทันแม้มี 16 คนใช้พร้อมกัน — Spark ที่ 27 ยังสบาย ไม่ใช่ “ใช้ไม่ได้”
สิ่งที่ตารางบอกคือ เพดานต่างกัน ยิ่งคนเยอะ ช่องว่างยิ่งกว้าง เพราะการ์ดใหญ่รับงานขนานได้มากกว่า ถ้าทีมคุณมี 20–30 คนและใช้หนัก การ์ดจะถึงเพดานช้ากว่า
1.1 เร็วแล้ว…แต่แต่ละคนได้ “ความจำ” เท่าไร
ตัวเลขความเร็วข้างบนยังไม่ครบ ถ้าไม่บอกว่าแต่ละคนได้ความจำบทสนทนายาวแค่ไหน — เพราะเครื่องต้องแบ่งหน่วยความจำก้อนเดียวกันให้ทุกคนที่ใช้พร้อมกัน ยิ่งคนเยอะ แต่ละคนยิ่งได้สั้นลง
ค่าที่ระบบรายงานตอนเปิดโมเดลตัวเดียวกันนี้:
| ความจำรวมทั้งเครื่อง | RTX 5090 | DGX Spark |
|---|---|---|
| เก็บบทสนทนาได้รวม | 607,070 โทเคน | 1,825,827 โทเคน |
| เทียบกัน | 1 เท่า | 3.0 เท่า |
| ใช้พร้อมกัน | 5090 — ความจำต่อคน | Spark — ความจำต่อคน |
|---|---|---|
| 1 คน | 607,000 โทเคน | 1,826,000 |
| 4 คน | 152,000 | 456,000 |
| 8 คน | 76,000 | 228,000 |
| 16 คน | 38,000 | 114,000 |
สรุปสองบรรทัดนี้ให้ครบ: ที่ 16 คนพร้อมกัน 5090 เร็วกว่า 4.6 เท่า แต่ Spark ให้ความจำต่อคนมากกว่า 3 เท่า — เร็วกับจำยาว เป็นคนละเรื่องกัน และแต่ละธุรกิจให้น้ำหนักไม่เท่ากัน
- ถามสั้น ตอบสั้น คนเยอะ (ถามตอบลูกค้า สรุปข้อความ แปลประโยค) → ความเร็วสำคัญกว่า → การ์ดได้เปรียบ
- โยนเอกสารยาวเข้าไปให้อ่าน (สัญญา รายงาน โค้ดทั้งโปรเจกต์ บทสนทนาที่คุยต่อเนื่องทั้งวัน) → ความจำสำคัญกว่า → Spark ได้เปรียบ
และถ้าอยากได้ความจำเต็ม 256,000 โทเคนต่อคน ซึ่งเป็นค่าที่เราตั้งมาให้ทุกเครื่อง: Spark รองรับได้ 7 คนพร้อมกัน · การ์ด 32 GB รองรับได้ 2 คน
2. คุณภาพภาษาไทย — เสมอกัน
เราวัดด้วยชุดทดสอบภาษาไทยของเราเอง 170 ข้อ (ThaiEval v3) ครอบคลุมการใช้ภาษา ความรู้ การให้เหตุผล การทำตามคำสั่ง และความปลอดภัย
| เครื่อง | คะแนนรวม |
|---|---|
| RTX 5090 | 0.873 |
| DGX Spark | 0.853 |
ต่างกัน 2 จุด แต่เมื่อเทียบคำตอบทีละข้อแบบจับคู่ พบว่า 133 ข้อจาก 169 ได้คะแนนเท่ากันเป๊ะ ทางสถิติจึงถือว่าเสมอกัน — เปลี่ยนเครื่องไม่ได้ทำให้โมเดลตอบดีขึ้น สิ่งที่ทำให้ดีขึ้นจริงคือเปลี่ยนไฟล์โมเดลที่บีบมาต่างกัน
3. สร้างภาพ
Qwen-Image 2.1 · ขนาด 1024×1024 · 25 รอบการคำนวณ · ผ่าน ComfyUI ทั้งสองเครื่อง
| เครื่อง | เวลาต่อภาพ |
|---|---|
| RTX 5090 | 9.0 วินาที |
| DGX Spark | 19.5 วินาที |
4. ถอดเสียงเป็นข้อความ
Whisper large-v3 · ไฟล์เสียงภาษาไทยชุดเดียวกัน ความยาวรวม 61 วินาที
| เครื่อง | เวลาที่ใช้ | เร็วกว่าเวลาจริง |
|---|---|---|
| RTX 5090 | 5.5 วินาที | 11.2 เท่า |
| DGX Spark | 9.9 วินาที | 6.2 เท่า |
5. สิ่งที่ DGX Spark ทำได้ แต่การ์ด 32 GB ทำไม่ได้
สามหัวข้อที่ผ่านมาวัด “งานเดียวกันใครเร็วกว่า” ซึ่งการ์ดชนะทุกข้อ แต่คำถามที่สำคัญไม่แพ้กันคือ “งานไหนที่การ์ดทำไม่ได้เลย” — และมีอยู่จริงหลายอย่าง
5.1 โมเดลใหญ่ และ “ความจำ” ที่ยาวพอใช้งานจริง
AI Server Suite ที่ติดตั้งมากับทุกเครื่องมีโมเดลให้เลือก 12 ตัว · 3 ตัวที่ใหญ่ที่สุดใส่การ์ด 32 GB ไม่ได้เลย เพราะลำพังไฟล์โมเดลก็เกินไปแล้วเกือบสามเท่า
| โมเดล | ขนาดไฟล์ | การ์ด 32 GB | DGX Spark |
|---|---|---|---|
| GLM-5.3-Flash (320B MoE · อ่านภาพได้) | 93 GB | ❌ ไม่ได้เลย | ✅ |
| DeepSeek-V4-Flash | 91 GB | ❌ ไม่ได้เลย | ✅ |
| Qwen3.8-Flash-Next (176B MoE · อ่านภาพได้) | 79 GB | ❌ ไม่ได้เลย | ✅ |
| Qwen3.8-27B Q8 (คุณภาพสูงสุดของรุ่นนี้) | 29 GB | ⚠️ ดูหัวข้อถัดไป | ✅ |
| Qwen3.6-35B-A3B NVFP4 · Qwen3.8-27B NVFP4 | 23 GB | ✅ | ✅ |
| Muse Glimmer 30B (อ่านภาพได้) · Qwen3.8-27B UD-Q4 | 18–20 GB | ⚠️ | ✅ |
| Qwen3.8-27B UD-Q2 · Qwen3-8B · Qwen3.5-4B | 9–10 GB | ⚠️ | ✅ |
⚠️ “ใส่ได้” ไม่ได้แปลว่า “ใช้งานได้จริง” — ที่หายไปคือความจำ
หน่วยความจำไม่ได้หมดไปกับตัวโมเดลอย่างเดียว ยังต้องเก็บความจำของบทสนทนาด้วย และส่วนนี้โตขึ้นเรื่อย ๆ ตามความยาวที่คุยกัน · โมเดลตระกูล Qwen3.8-27B กินความจำราว 150 MB ต่อทุก 1,000 โทเคน ไม่ว่าจะบีบมาระดับไหนก็ตาม
เราตั้งค่าให้ทุกเครื่องที่ส่งมอบรับได้ถึง 256,000 โทเคน — ประมาณหนังสือหนึ่งเล่ม หรือโค้ดทั้งโปรเจกต์ · แต่บนการ์ด 32 GB เมื่อหักไฟล์โมเดลออกแล้ว เหลือที่ให้ความจำเท่านี้:
| Qwen3.8-27B | ไฟล์โมเดล | ความจำที่เหลือบนการ์ด 32 GB | บน DGX Spark |
|---|---|---|---|
| Q8 (คุณภาพสูงสุด) | 29 GB | ราว 10,000 โทเคน (~10 หน้ากระดาษ) | 256,000 |
| UD-Q4 | 18 GB | ราว 80,000 โทเคน | 256,000 |
| UD-Q2 (บีบมากสุด คุณภาพต่ำสุด) | 10 GB | ราว 130,000 โทเคน | 256,000 |
อ่านตารางนี้ให้ถูก: ทุกแถวบนการ์ด “รันได้” หมด ไม่ได้พัง — แต่ Q8 ซึ่งเป็นตัวคุณภาพดีที่สุด เหลือความจำแค่ราว 10 หน้ากระดาษ โยนสัญญาทั้งฉบับเข้าไปให้อ่านไม่ได้ · ถ้าอยากได้ความจำยาวบนการ์ด ต้องยอมถอยไปใช้ตัวที่บีบมากขึ้นซึ่งคุณภาพคำตอบลดลง — เป็นการแลก ไม่ใช่การได้ทั้งสองอย่าง
บน DGX Spark ไม่ต้องแลก: ได้ทั้งโมเดลคุณภาพสูงสุดและความจำเต็ม 256,000 โทเคนพร้อมกัน
นี่คือเหตุผลที่ตัวเลขความเร็วในหัวข้อ 1 ใช้ Qwen3.6-35B-A3B — เพราะเป็นโมเดลที่ทั้งสองเครื่องรันได้จริงในเงื่อนไขใกล้เคียงกัน ถ้าเทียบด้วยโมเดลที่ดีที่สุดของแต่ละเครื่อง Spark จะได้ใช้ตัว 176B หรือ 320B ที่การ์ดแตะไม่ถึง
5.2 เทรนโมเดลเองบนเครื่องตัวเอง
การเทรนกินหน่วยความจำมากกว่าการรันหลายเท่า เพราะต้องเก็บทั้งตัวโมเดล ค่าความชัน และสถานะของตัวปรับพารามิเตอร์พร้อมกัน — โมเดลที่รันได้สบายบนการ์ด อาจเทรนไม่ได้เลยบนการ์ดใบเดียวกัน
สิ่งที่เราเทรนบน DGX Spark เครื่องเดียวจริง ๆ และใช้อยู่ในสินค้า:
- เสียงพูดภาษาไทย — อัดเสียงตัวเอง 15 นาที เทรนบนเครื่อง ได้เสียงที่อ่านไทยชัดทุกคำและเก็บสำเนียงเจ้าของเสียงไว้ · ฟีเจอร์นี้อยู่ใน Voice Studio ให้ลูกค้าทำเองได้
- สอนภาษาไทยเพิ่มให้โมเดลเล็ก — แล็บของเราเอง ยกคะแนนภาษาไทยจาก 0.398 เป็น 0.451 โดยความสามารถด้านคณิตศาสตร์ไม่ตก
- สอนสไตล์ภาพและวิดีโอ — LoRA สำหรับ Qwen-Image, Z-Image และ LTX-2.5 เพื่อให้ได้สไตล์ ตัวละคร หรือสินค้าที่ต้องการ
ทั้งหมดนี้ทำในเครื่องของคุณเอง ข้อมูลไม่ต้องออกจากออฟฟิศ และไม่มีค่าเช่าคลาวด์รายชั่วโมง
5.3 เปิดหลายโมเดลค้างไว้พร้อมกัน — รวมทั้งโมเดลคนละชนิด
ข้อได้เปรียบที่ลูกค้ารู้สึกเร็วที่สุดในการใช้งานจริง ไม่ใช่ความเร็วต่อชิ้น แต่คือการไม่ต้องปิดโมเดลหนึ่งเพื่อเปิดอีกโมเดลหนึ่ง
ตัวอย่างการใช้งานจริงบน Spark เครื่องเดียว เปิดค้างไว้พร้อมกันทั้งหมด:
| เปิดค้างไว้พร้อมกัน | หน่วยความจำ |
|---|---|
| LLM ตอบแชต (Qwen3.6-35B-A3B) | 23.4 GB |
| โมเดลสร้างภาพ (Qwen-Image 2.1 ครบชุด) | 17.4 GB |
| โมเดลถอดเสียง (Whisper large-v3) | 4.2 GB |
| รวม | 45 GB |
ชุดเดียวกันนี้ใส่ในการ์ด 32 GB ไม่ได้ ต้องสลับโหลดไปมา ซึ่งแต่ละครั้งใช้เวลาหลายสิบวินาที
เรื่องนี้ไม่ใช่ทฤษฎี — ระหว่างทำการทดสอบชุดนี้เอง เราเจอกับตัวเองบนเครื่องการ์ด: ตอนจะเปิด LLM ขึ้นมาวัดความเร็ว ระบบปฏิเสธด้วยข้อความว่าหน่วยความจำว่าง 26.25 GB แต่ต้องการ 26.65 GB เพราะโมเดลถอดเสียงค้างอยู่ 4.2 GB ต้องไปปิดโมเดลถอดเสียงก่อนจึงจะวัดได้ · บน Spark ทั้งสองตัวอยู่ด้วยกันได้ตามปกติ
สำหรับทีมที่ใช้งานจริง ความต่างนี้แปลว่า: คนหนึ่งกำลังคุยกับ LLM อีกคนสั่งสร้างภาพ อีกคนอัปไฟล์เสียงเข้าไปถอด — ทั้งสามคนทำพร้อมกันได้โดยไม่ต้องรอกัน
5.4 และอีกสองเรื่องที่ไม่เกี่ยวกับความเร็ว
- หน่วยความจำคนละแบบ — การ์ดมี VRAM 32 GB แยกจากแรมเครื่อง ส่วน Spark มี 128 GB ที่ซีพียูกับจีพียูใช้ร่วมกัน (ใช้ได้จริงราว 122 GB) ไม่ต้องคอยย้ายข้อมูลไปมาระหว่างสองฝั่ง
- กินไฟราว 170 วัตต์ ขนาดเท่ากล่องข้าว วางบนโต๊ะทำงานได้ ไม่ต้องมีห้องเซิร์ฟเวอร์ ไม่ต้องเดินไฟเพิ่ม — ส่วนพีซีการ์ดใหญ่ต้องการพาวเวอร์ซัพพลายและการระบายความร้อนคนละระดับ
แล้วควรซื้ออะไร
| ถ้างานของคุณคือ… | เลือก |
|---|---|
| ทีมหลายคนถามตอบกับ LLM ขนาดกลางพร้อมกันทั้งวัน | RTX 5090 |
| ผลิตภาพ/วิดีโอจำนวนมาก งานซ้ำ ๆ ต้องการรอบเร็ว | RTX 5090 |
| ต้องใช้โมเดลใหญ่ที่สุดเท่าที่รันเองได้ (176B–320B) | DGX Spark |
| ต้องเทรน/ปรับโมเดลเองด้วยข้อมูลของบริษัท | DGX Spark |
| เปิดแชต + ภาพ + เสียง ค้างไว้พร้อมกัน ไม่อยากสลับโหลด | DGX Spark |
| วางในออฟฟิศ ไม่มีห้องเซิร์ฟเวอร์ ไฟจำกัด | DGX Spark |
| อยากได้ทั้งสองอย่าง | Spark เป็นศูนย์กลาง + การ์ดเป็นเครื่องช่วย |
ข้อสุดท้ายคือทางที่เราแนะนำสำหรับทีมที่โตขึ้นเรื่อย ๆ — ใช้ Spark เป็นเครื่องหลักที่เก็บโมเดลใหญ่และงานเทรนไว้ แล้วต่อพีซีการ์ดเป็นแรงเสริมสำหรับงานที่ต้องการรอบเร็ว เราทดสอบท่านี้สำเร็จแล้วและกำลังทำให้ AI Server Suite สั่งงานข้ามเครื่องได้เอง
วิธีวัด (สำหรับคนที่อยากทำซ้ำ)
คำถามภาษาไทยชุดเดียวกัน ความยาว prompt 78 โทเคน · จำกัดคำตอบ 400 โทเคน · อุณหภูมิ 0 · ปิดโหมดคิดทุกโมเดล (เปิดไว้จะทำให้การเทียบเพี้ยน) · ความเร็วที่รายงานคือช่วง “พิมพ์คำตอบออกมา” ไม่รวมเวลาประมวลผลคำถาม · “ใช้พร้อมกัน N คน” คือยิง N คำขอพร้อมกันแล้วหารโทเคนรวมด้วยเวลาที่ใช้ทั้งชุด
ข้อจำกัดที่ต้องบอกให้ครบ: ไฟล์โมเดลที่บีบมาของสองเครื่องมาจากคนละผู้ผลิต และตัวเลือกตอนเสิร์ฟไม่เหมือนกันทุกข้อ (ฝั่ง Spark เปิดเทคนิคเร่งความเร็วบางอย่างที่ฝั่งการ์ดไม่ได้เปิด และกลับกัน) ตัวแปรพวกนี้ส่งผลระดับสิบเปอร์เซ็นต์ ไม่ใช่ระดับเท่าตัว ข้อสรุปเรื่องช่องว่าง 3–4.6 เท่าจึงยังยืน · การวัดฝั่ง Spark ทำเมื่อ 28 กันยายน ฝั่งการ์ดทำเมื่อ 29 กันยายน 2026
อยากดูของจริงหรือขอทดลองใช้เครื่องก่อนตัดสินใจ ติดต่อทีมงานได้ที่นี่ · ดูรายละเอียดซอฟต์แวร์ที่ติดตั้งมาให้ทุกเครื่องได้ที่ AI Server Suite