DeepSeek ปล่อยน้ำหนัก V4-Flash-Vision-Exp ขึ้น Hugging Face แล้วภายใต้ MIT — 10 วันหลังเปิดเป็น API-only และไม่มีประกาศใด ๆ

เมื่อ 21 สิงหาคม 2026 DeepSeek เพิ่ม deepseek-v4-flash-vision-exp ลงใน API แบบเงียบ ๆ ผ่านหน้า Change Log — โมเดล V4 ตัวแรกที่รับภาพเข้าไปได้ ซึ่งเราเขียนถึงไปแล้ว และจบโพสต์นั้นด้วยบรรทัดว่า “ไม่มี open weights”

บรรทัดนั้นหมดอายุแล้ว 31 สิงหาคม 2026 เวลา 06:16 UTC repo deepseek-ai/DeepSeek-V4-Flash-Vision-Exp ถูกสร้างขึ้นบน Hugging Face พร้อมน้ำหนักจริง ใต้ MIT License — และเช่นเดิม ไม่มีบล็อกโพสต์ ไม่มีทวีต ไม่มีอะไรเลยนอกจาก repo ที่โผล่มาเฉย ๆ (ณ ตอนเขียน มี 379 like) นี่คือรุ่น vision ตัวแรกของตระกูล V4 ที่โหลดมารันเองได้

MIT จริง ไม่ใช่ MIT ที่มีหมายเหตุ

ไฟล์ LICENSE ใน repo คือ MIT License ฉบับมาตรฐาน ขึ้นต้นด้วย Copyright (c) 2023 DeepSeek และไม่มีข้อความเพิ่มเรื่องการใช้เชิงพาณิชย์ การแข่งขัน หรือเงื่อนไข MaaS ใด ๆ ต่อท้าย

รายละเอียดนี้ควรตรวจทุกครั้ง เพราะปีนี้มีหลายกรณีที่ป้ายบน Hugging Face เขียนว่าเปิด แต่ไฟล์จริงไม่ใช่ — GLM-5.3 เมื่อ 28 ส.ค. คือ custom license ที่มีข้อกำหนดเรื่อง MaaS ทั้งที่ GLM-5.3-Flash ซึ่งอยู่ในองค์กรเดียวกันเป็น MIT แท้ ๆ repo พี่น้องกันคนละสัญญาได้ ของ DeepSeek รอบนี้อ่านไฟล์แล้วคือ MIT เต็มใบ

สเปกที่ config.json บอก (และหน้า API ไม่เคยบอก)

Hugging Face นับพารามิเตอร์ได้ 305B ส่วน model.safetensors.index.json ระบุขนาดรวม 167.8 GB กระจายเป็น 48 ชาร์ด — ตัวเลขสองอันนี้ไม่ขัดกัน เพราะ config.json ตั้ง expert_dtype: fp4 คือเก็บน้ำหนักของ expert ที่ 4 บิต ส่วนที่เหลือเป็น fp8 (e4m3, scale ue8m0, block 128×128)

โครงสร้างฝั่งภาษา:

ค่า	ตัวเลข
routed experts	256
experts ต่อโทเคน	6
shared expert	1
hidden layers	43
hidden size	4096
vocab	129,280
max_position_embeddings	1,048,576

คอนเท็กซ์ 1M นั้นได้มาด้วย YaRN — rope_scaling ตั้ง factor: 16 จากฐานเดิม original_max_position_embeddings: 65536 พูดอีกอย่างคือหน้าต่างจริงที่เทรนคือ 64K แล้วขยายด้วย YaRN ×16 ซึ่งเป็นคนละเรื่องกับคอนเท็กซ์ 1M ที่เทรนตรง ๆ — ถ้างานคุณพึ่งความแม่นที่ปลายหน้าต่าง ควรวัดเองก่อนเชื่อเลขหัวข้อ

ฝั่ง vision tower ก็อยู่ใน config เช่นกัน: 32 เลเยอร์, dim 1024, 16 head, patch size 14, vision_downsample_ratio: 3 และที่สำคัญที่สุดคือ vision_max_n_token: 384 — เพดานจำนวนโทเคนภาพต่อหนึ่งรูป ตัวเลขนี้คือคำอธิบายเชิงโครงสร้างของสิ่งที่โพสต์ก่อนของเราสังเกตจากคู่มือ API ว่าภาพถูกย่อลงราว 800×800: ไม่ใช่ข้อจำกัดฝั่ง API แต่เป็นเพดานของตัวโมเดลเอง ใครจะทำ agent ที่อ่านตัวหนังสือบนหน้าจอ 4K ยังต้อง crop ส่งเป็นส่วน ๆ อยู่ดี แม้จะรันน้ำหนักเอง

เลขที่เพิ่มมาจาก Change Log เดิม

model card เอาตาราง benchmark มาวางเทียบสามคอลัมน์ ซึ่ง Change Log วันที่ 21 ส.ค. ไม่ได้ทำ — และมีสองแถวที่ตอนนั้นไม่มีเลย:

Benchmark	Vision-Exp	V4-Flash-0731	Opus-4.8
Terminal Bench 2.1	83.9	82.7	85.0
NL2Repo	57.7	54.2	69.7
Cybergym	75.3	76.7	78.3
DeepSWE	59.3	54.4	58.0
Toolathlon-Verified	75.9	70.3	76.2
DSBench-Hard	63.6	59.6	71.7
AutomationBench (Public)	25.7	25.1	27.2
ApexBench (Pass@1)	36.5	26.2†	39.4
Agents’ Last Exam	27.3	25.2†	25.7
Chartography	64.3	–	65.0
ZeroBench (Pass@5)	35.0	–	34.0

† ในสองแถวนี้ V4-Flash-0731 ซึ่งเป็นข้อความล้วน ข้ามส่วนที่เป็นภาพในโจทย์ไป

สิ่งที่คอลัมน์กลางเพิ่งทำให้เห็นชัดคือ ราคาของการติดตาให้โมเดลนั้นไม่ได้ฟรี — Cybergym ลดลงจาก 76.7 เหลือ 75.3 คือแถวเดียวในตารางที่รุ่น vision แพ้รุ่นข้อความล้วนของตัวเอง ส่วนแถวอื่นขึ้นหมด และขึ้นแรงสุดที่ Toolathlon-Verified (+5.6) กับ DeepSWE (+4.9) ซึ่งเป็นงาน agent ล้วน ไม่ใช่งานภาพ

DeepSeek ยังใส่ไฟล์ .eval_results/terminal-bench-2.1.yaml และ deep-swe.yaml ที่ประกาศ dataset id (harborframework/terminal-bench-2.1, datacurve/deep-swe) กับค่าที่วัดได้ในรูปแบบที่เครื่องอ่านได้ — แต่ยังชี้ source กลับมาที่ model card ตัวเอง ไม่ใช่ผลจากบุคคลที่สาม

รันจริงต้องเตรียมอะไร

model card ให้สูตร SGLang มาตรง ๆ:

sglang serve \
  --model-path deepseek-ai/DeepSeek-V4-Flash-Vision-Exp \
  --tp 4 \
  --speculative-algorithm DSPARK \
  --mem-fraction-static 0.85 \
  --host 0.0.0.0 --port 30000

จุดที่ต้องอ่านให้เจอคือบรรทัดกำกับว่า ห้ามตั้ง --speculative-draft-model-path แยก เพราะน้ำหนักของ target กับ draft อยู่ใน checkpoint เดียวกัน — config.json มี dspark_target_layer_ids: [40, 41, 42] และ num_nextn_predict_layers: 3 คือหัวทำนายล่วงหน้าถูกฝังเป็นเลเยอร์ท้าย ๆ ของตัวโมเดลเอง ใครเคยตั้ง speculative decoding แบบสองโมเดลจะพลาดตรงนี้ได้ง่าย

--tp 4 ในสูตรอ้างอิงถึงคอนฟิก B200 หนึ่งโหนดที่ควอนไทซ์ fp4 ตาม cookbook ของ SGLang ส่วนใน repo ยังแถม implementation อ้างอิงแบบ PyTorch ล้วนใต้ inference/ ที่ครอบ vision encoder, aligner, DFlash attention, MoE, Hyper-Connections และ DSpark — ช้ากว่าแน่นอน แต่เป็นของที่อ่านเพื่อเข้าใจสถาปัตยกรรมได้จริง และแยกโมดูล encoding/ ออกมาไม่ผูกกับ PyTorch เพื่อให้เอาไปทำ prompt formatting ที่อื่นได้

มุมมอง AI Curator

สิ่งที่น่าสังเกตที่สุดของข่าวนี้ไม่ใช่ตัวโมเดล แต่คือ ช่องว่าง 10 วันระหว่างวันที่ API เปิดกับวันที่น้ำหนักลง — และการที่มันปิดลงเงียบ ๆ พอ ๆ กับตอนเปิด

ปี 2026 มีรูปแบบที่เกิดซ้ำจนพอจะเรียกว่าปกติได้แล้ว: ประกาศว่า “จะเปิดน้ำหนัก” แล้วเงียบเป็นเดือน (Muse Spark 1.2 ของ Meta สัญญาไว้ตั้งแต่ 11 ส.ค. ว่า “ในไม่กี่สัปดาห์” ตอนนี้ยังไม่มี repo) หรือเปิดจริงแต่ใต้สัญญาที่ไม่ใช่โอเพนซอร์ส ของ DeepSeek รอบนี้ทำตรงข้ามทั้งสองอย่าง — ไม่ประกาศ ไม่สัญญา แต่ปล่อยของจริงใต้ MIT ภายในสิบวัน ซึ่งสำหรับคนที่ต้องวางแผนสถาปัตยกรรมแล้วนี่คือพฤติกรรมที่คาดเดาได้กว่ามาก

ประเด็นที่ตรงกับทีมไทยและ SEA มากที่สุดคือ นี่เป็นโมเดล agent ที่มองเห็นตัวแรกที่เอามารันหลังกำแพงองค์กรได้ ใต้สัญญาที่ไม่ต้องขออนุญาตใคร งานที่ทำให้รุ่นนี้มีเหตุผลคือ agent ที่ต้องดูหน้าจอ — บอตทดสอบระบบภายใน, ตัวอ่านสกรีนช็อตจาก helpdesk, RPA ที่ต้องดู UI ของระบบ legacy — และงานพวกนี้แทบทั้งหมดคืองานที่ภาพเป็นข้อมูลที่ส่งออกนอกองค์กรไม่ได้ตั้งแต่แรก การที่มันเป็น MIT จึงมีค่ามากกว่าคะแนน benchmark ที่สูงขึ้นสองสามจุด

แต่ต้องพูดต้นทุนให้ตรงด้วย: 168 GB บนดิสก์ กับสูตรอ้างอิงที่ตั้งอยู่บน B200 สี่ใบ ไม่ใช่ของที่ทีมส่วนใหญ่ในไทยจะยกขึ้นมาเองได้ในสัปดาห์นี้ ของจริงที่จะใช้ได้ก่อนคือ quantization จากชุมชน (unsloth และคณะมักตามมาภายในไม่กี่วัน) และคำว่า -exp ก็ยังแปลว่า experimental อยู่เหมือนเดิม — ต่างกันตรงที่ตอนนี้ ถ้า DeepSeek ถอดมันออกจาก API พรุ่งนี้ น้ำหนักที่คุณโหลดไว้แล้วก็ยังเป็นของคุณ นั่นคือความหมายทั้งหมดของคำว่า open weights

แหล่งข่าว

• deepseek-ai/DeepSeek-V4-Flash-Vision-Exp — Hugging Face
• LICENSE (MIT) ในตัว repo
• config.json — สเปก MoE, YaRN และ vision tower
• DeepSeek API Change Log (ประกาศ API-only วันที่ 21 ส.ค.)