DeepSeek ปล่อย V4-Flash-Vision-Exp — โมเดล agent ที่ "มองเห็น" ทำ Terminal Bench 2.1 ได้ 83.9 และเข้าใกล้ Opus 4.8 ในงานที่ต้องดูภาพ

21 สิงหาคม 2026 DeepSeek เพิ่มโมเดลใหม่ลงใน API แบบเงียบ ๆ ผ่านหน้า Change Log — DeepSeek-V4-Flash-Vision-Exp โมเดล multimodal ที่รับภาพเข้าไปพร้อมข้อความได้ เรียกใช้ด้วยการตั้ง model='deepseek-v4-flash-vision-exp' เท่านั้น ไม่มีบล็อกโพสต์ ไม่มีวิดีโอเปิดตัว มีแค่ตารางตัวเลขกับคู่มือ Vision guide

แต่ตัวเลขในตารางนั้นน่าสนใจกว่าที่การเปิดตัวแบบเงียบ ๆ จะบอกได้ เพราะสิ่งที่ DeepSeek อ้างไม่ใช่ “โมเดลเราดูรูปออกแล้ว” แบบทั่วไป — แต่คือ agent ที่ทำงานได้ต่อเมื่อมันมองเห็นหน้าจอ และในงานกลุ่มนั้นมันขยับเข้าใกล้ Opus 4.8

ตัวเลขที่ DeepSeek ประกาศ

ตัวเลขทั้งชุดจาก Change Log วันที่ 21 สิงหาคม:

Benchmark	V4-Flash-Vision-Exp
Terminal Bench 2.1	83.9
NL2Repo	57.7
DeepSWE	59.3
DSBench-Hard	63.6
AutomationBench (Public)	25.7
ApexBench (Pass@1)	36.5
Agents’ Last Exam	27.3
Chartography	64.3
ZeroBench (Pass@5)	35.0

DeepSeek ระบุเงื่อนไขการวัดไว้ชัด: งาน Code Agent ฝั่งข้อความทดสอบบน DeepSeek Harness โหมด minimal ที่ระดับ max effort, top_p=0.95, temperature=1.0 และในการวัด ApexBench กับ Agents’ Last Exam นั้นโมเดลข้อความล้วน V4-Flash ข้ามส่วนที่เป็นภาพในโจทย์ไปเลย

เชิงอรรถบรรทัดนั้นสำคัญกว่าที่เห็น เพราะมันอธิบายจุดที่แปลกที่สุดในตาราง — Agents’ Last Exam ของ Vision-Exp อยู่ที่ 27.3 ซึ่งสูงกว่า V4-Pro GA รุ่นเรือธงที่ทำได้ 25.7 ทั้งที่ V4-Pro นำขาดในทุกช่องอื่น (Terminal Bench 87.9, DeepSWE 62.7, NL2Repo 61.5, DSBench-Hard 67.2 จากประกาศ 13 ส.ค.) เหตุผลไม่ใช่ว่าโมเดลเล็กเก่งกว่าโมเดลใหญ่ แต่เพราะโจทย์ชุดนั้นมีภาพผสมอยู่ และรุ่นข้อความล้วนถูกบังคับให้ทำโจทย์แบบตาบอด

นั่นคือประเด็นจริงของรุ่นนี้ ไม่ใช่คะแนนที่สูงขึ้น แต่คือ มีงาน agent ประเภทหนึ่งที่โมเดลข้อความล้วนแพ้ตั้งแต่ยังไม่เริ่ม เพราะมองไม่เห็นโจทย์

ในทางปฏิบัติ: ใส่ภาพเข้าไปยังไง

คู่มือ Vision guide ให้รายละเอียดที่ต้องรู้ก่อนต่อระบบจริง:

• ฟอร์แมต — JPEG, PNG, GIF, WebP
• ช่องทางส่งภาพ — base64 ฝังใน request, URL ภายนอก หรืออ้างอิงผ่าน Files API
• ขนาด — ภาพใหญ่จะถูกย่ออัตโนมัติราว 800×800 px, ด้านยาวสุดไม่เกิน 8192 px (ลดเหลือ 4096 px เมื่อส่งภาพตั้งแต่ 15 ภาพขึ้นไปใน request เดียว)
• น้ำหนักไฟล์ — สูงสุด 32 MiB สำหรับ base64/URL และ 64 MiB ผ่าน Files API
• endpoint — ใช้ได้ทั้ง Chat Completions แบบ OpenAI-compatible, /messages แบบ Anthropic-compatible และ Responses API

การย่อภาพลงเหลือประมาณ 800×800 คือรายละเอียดที่คนต่อระบบต้องอ่านให้เจอ เพราะงานอย่างอ่าน log ในสกรีนช็อตความละเอียดสูง หรือจับ error message ตัวเล็ก ๆ บนหน้าจอ 4K จะเจอเพดานตรงนี้ก่อนจะเจอเพดานความฉลาดของโมเดล ถ้างานคุณคือ agent ที่ต้องอ่านตัวหนังสือบนหน้าจอ ให้ crop ส่งเป็นส่วน ๆ แทนการยิงภาพเต็มจอเข้าไปทั้งใบ

สิ่งที่ยังไม่มี

• ไม่มี open weights — ณ เวลาที่เขียน repo deepseek-ai บน Hugging Face มีล่าสุดคือ DeepSeek-V4-Pro-0813 กับ V4-Flash-0731 ไม่มีน้ำหนักของรุ่น vision รุ่นนี้ให้โหลด ต่างจาก V4-Flash และ V4-Pro ที่ปล่อยน้ำหนักตามมา
• คำว่า -exp มีความหมาย — DeepSeek เรียกมันว่า experimental ตรง ๆ ซึ่งโดยธรรมเนียมของ API แปลว่าอาจเปลี่ยนพฤติกรรมหรือถูกถอดได้โดยไม่รับประกัน อย่าเพิ่งผูก production path เข้ากับชื่อโมเดลนี้
• ไม่มีราคาแยก — หน้า Models & Pricing ยังไม่แจกแจงค่า token ของ input ที่เป็นภาพออกมาเป็นบรรทัดของตัวเอง

มุมมอง AI Curator

สิ่งที่ควรอ่านจากรุ่นนี้ไม่ใช่ “DeepSeek มีโมเดล vision แล้ว” — เจ้าอื่นมีมานานแล้ว สิ่งที่ควรอ่านคือ DeepSeek กำลังบอกว่า vision ไม่ใช่ฟีเจอร์แยก แต่เป็นเงื่อนไขขั้นต่ำของการเป็น agent

ลองนึกถึงงานที่เราให้ agent ทำจริงในปี 2026: ดีบั๊กหน้าเว็บที่ layout เพี้ยน อ่าน dashboard เพื่อสรุปว่าระบบพัง ตรวจว่า PDF สัญญาฉบับที่ลูกค้าอัปโหลดมากรอกครบไหม ตามลิงก์ในสกรีนช็อตที่ผู้ใช้แปะมาให้ งานพวกนี้ไม่ได้ต้องการโมเดลที่ “บรรยายภาพได้สวย” — ต้องการโมเดลที่มองภาพแล้ว ลงมือทำขั้นถัดไปได้ถูก และนั่นคือสิ่งที่ Chartography 64.3 กับ ZeroBench (Pass@5) 35.0 พยายามวัด มากกว่าที่ benchmark caption แบบเดิมวัด

ที่น่าสังเกตต่อคือช่องว่างระหว่าง Chartography 64.3 กับ ZeroBench 35.0 — แม้จะให้ลองถึง 5 ครั้ง ZeroBench ก็ยังผ่านแค่ราวหนึ่งในสาม แปลว่าการมองเห็นเชิงเหตุผลที่ยากจริง ๆ ยังห่างจากคำว่าแก้ได้พอสมควร คำว่า “เข้าใกล้ Opus 4.8” จึงควรอ่านว่าเข้าใกล้ในงาน agent ที่ DeepSeek เลือกวัด ไม่ใช่เข้าใกล้ในทุกงานที่ใช้ตา

สำหรับทีมไทยและ SEA มีมุมที่ตรงกับหน้างานมาก: เอกสารบ้านเราจำนวนมากเป็นภาพ ไม่ใช่ข้อความ ใบเสร็จถ่ายจากมือถือ สลิปโอนเงิน แบบฟอร์มราชการที่สแกนมาเบี้ยว ๆ สกรีนช็อตแชทที่ลูกค้าส่งเข้า LINE OA — งานเหล่านี้เดิมต้องต่อ OCR แยกแล้วค่อยส่งข้อความเข้าโมเดล ซึ่งพังตั้งแต่ขั้น OCR เมื่อเจอฟอนต์ไทยแปลก ๆ หรือกระดาษยับ การมีโมเดลราคาระดับ Flash ที่รับภาพตรงเข้า pipeline agent ได้เลยจึงตัดชั้นที่เปราะที่สุดออกไปหนึ่งชั้น

แต่ข้อควรระวังก็ตรงไปตรงมาเหมือนกัน: DeepSeek ไม่ได้ประกาศตัวเลขภาษาไทยหรือภาษา SEA เลยแม้แต่ตัวเดียว benchmark ทั้งเก้าตัวเป็นอังกฤษหมด และการย่อภาพเหลือ ~800×800 มีแนวโน้มทำร้ายสระบนล่างและวรรณยุกต์ไทยหนักกว่าตัวอักษรละติน ใครจะเอาไปใช้กับเอกสารไทยควรวัดเองบนชุดข้อมูลตัวเองก่อน อย่ายืมคะแนน Chartography มาเชื่อ — และเมื่อมันยังเป็น -exp ที่ไม่มี open weights ให้ pin เวอร์ชัน การพึ่งมันในระบบที่ลูกค้าจ่ายเงินก็ยังเป็นการเดิมพันกับ endpoint ที่ผู้ให้บริการไม่ได้สัญญาว่าจะอยู่ต่อ

แหล่งข่าว

• DeepSeek API Change Log — DeepSeek-V4-Flash-Vision-Exp Release (21 ส.ค. 2026)
• DeepSeek API — Vision guide
• DeepSeek API — Models & Pricing