DeepSeek-V4.1-Flash เปิดน้ำหนัก MIT ขนาด 552B ที่ใช้พารามิเตอร์แค่ 8B ตอนอ่านอินพุต — KV cache เหลือ 1/4 ราคา API ลด และ deepseek-v4-pro จะถูกส่งมาหาโมเดลนี้แทนตั้งแต่ 14 ก.ย.

วันที่ 10 กันยายน 2026 DeepSeek ปล่อย DeepSeek-V4.1-Flash ขึ้น Hugging Face (รีโปสร้างเวลา 02:17 UTC) พร้อมรายงานเทคนิค 51 หน้า และเปิดบน API ในวันเดียวกัน ไลเซนส์ในไฟล์ LICENSE เป็น MIT แท้ ไม่มีเงื่อนไขพ่วง เป็นโมเดล MoE มัลติโมดัลที่มี backbone 552B พารามิเตอร์ รับคอนเท็กซ์ได้ 1M โทเคน และดูภาพได้ในตัว ข้อที่ทำให้มันไม่ใช่แค่ “V4-Flash รุ่นใหญ่ขึ้น” คือสถาปัตยกรรมใหม่ที่ DeepSeek เรียกว่า Causal Encoder-Decoder (CED) ซึ่งใช้พารามิเตอร์แอ็กทีฟ 8B ตอนอ่านอินพุต (prefill) และ 16B ตอนเขียนเอาต์พุต (decode)

ทั้งหมดนี้ออกแบบมาเพื่อต้นทุนของงานเอเจนต์ ซึ่งกินอินพุตมากกว่าเอาต์พุตหลายเท่า (อ่านรีโป อ่านผลลัพธ์จากเครื่องมือ อ่านประวัติบทสนทนา) และมีค่า cache hit เป็นก้อนใหญ่ของบิล ฝั่ง API จึงเปลี่ยนตามทันที ราคาลดลงทุกช่อง ชื่อโมเดลใหม่คือ deepseek-flash และ DeepSeek ประกาศว่าจะเลิกให้บริการ V4-Pro โดยจะส่งทุกคำขอที่ใช้ชื่อ deepseek-v4-pro ไปหา V4.1-Flash แทนตั้งแต่ 04:00 UTC วันที่ 14 ก.ย. (11:00 น. เวลาไทย วันจันทร์)

สถาปัตยกรรม: ย่อ KV cache จากสามทาง

รายงานเทคนิคอธิบายว่าการบีบ KV cache ครั้งนี้มาจากสามระดับพร้อมกัน

• ระดับโมเดล: CED + CSA2 — ทรานส์ฟอร์เมอร์ 40 เลเยอร์แบ่งเป็น causal encoder 20 ชั้นกับ decoder 20 ชั้น โดย global KV ของ decoder ถูกฉายมาจาก hidden state สุดท้ายของ encoder แทนที่แต่ละชั้นจะสร้างเอง ส่วน attention เปลี่ยนจากลูกผสม CSA–HCA ของ V4 มาเป็น Compressed Sparse Attention 2 ล้วน ซึ่งกำหนดให้แต่ละชั้นทำงานหนึ่งในสามโหมดแบบตายตัว คือ Full (สร้าง KV และทำดัชนีเอง), Reindex (ยืม KV ชั้นก่อนหน้าแต่คัด Top-K ใหม่) และ Reuse (ยืมทั้ง KV และดัชนี) เพื่อไม่ต้องเก็บ KV ซ้ำหลายชุด
• ระดับความละเอียด: FP4 KV cache — เก็บ global KV เป็น FP4 (E2M1 กับสเกล E4M3 หนึ่งค่าต่อ 16 แชนเนล) และเทรนกับแคช FP4 มาตั้งแต่ต้น ผลรวมคือ global KV (ส่วนที่อยู่ใน HBM เสมอ) เหลือ 890 ไบต์ต่อโทเคน หรือราว 1/4 ของ V4-Flash ถ้าคิดเล่น ๆ ที่คอนเท็กซ์เต็ม 1,048,576 โทเคน ส่วนนี้จะอยู่ที่ราว 0.93 GB ต่อเซสชัน (เราคำนวณเอง ยังไม่รวม KV ของ sliding window)
• ระดับการดีพลอย: SWA Bounded Replay — เดิม V4 ต้องเลือกระหว่างเก็บ KV ของ sliding window ลง SSD หรือ replay โทเคนย้อนหลัง L × n_win ตัวเพื่อสร้างใหม่ให้ตรงเป๊ะ รุ่น 4.1 replay แค่ n_win ตัวล่าสุดแล้ว ประมาณ สถานะกลับมา ทำให้ไม่ต้องเก็บ SWA KV ลง SSD เลย KV ที่ต้องเก็บถาวร (บน SSD หรือ host memory) จึงเหลือราว 1/8 ของ V4-Flash

นอกจากนี้ยังมี Single-Pass mHC, หน่วยความจำ Engram ขนาด 196B ที่เข้าถึงแบบ lookup ตามโทเคน และ DSpark สำหรับ speculative decoding (config ระบุ drafter 3 ชั้น) รายงานบอกว่าเมื่อขยายคอนเท็กซ์จาก 4K เป็น 1M หรือ 256 เท่า FLOPs ของการ decode ต่อโทเคนเพิ่มขึ้นแค่ 1/4 เท่านั้น

ส่วน pre-training ใช้ข้อมูลมัลติโมดัล 45T โทเคน โดยเทรน sparse attention ตั้งแต่เริ่มที่ความยาว 64K แบบไม่มีช่วงวอร์มอัปด้วย dense attention แล้วขยายคอนเท็กซ์เป็น 1M เมื่อเทรนไปได้ 34T โทเคน ฝั่ง post-training เป็นสูตร SFT → RL → on-policy distillation แบบมาตรฐาน ซึ่งทีมเขียนเองว่าสิ่งที่เปลี่ยนจริงอยู่ที่ท่อสังเคราะห์งานและสภาพแวดล้อมสำหรับเอเจนต์

ตัวเลขที่ตรวจเองจากไฟล์

• config.json ยืนยัน DeepseekV41ForCausalLM, 40 เลเยอร์, hidden 5,120, 384 routed expert เลือกใช้ 6 ตัวบวก shared 1 ตัว (V4-Flash มี 43 เลเยอร์ hidden 4,096 และ 256 expert) และ compress_ratios เปลี่ยนจากแบบสลับ 4/128 ของ V4-Flash มาเป็น 2 กับ 1 ล้วน ตรงกับที่รายงานบอกว่าทิ้ง HCA ไปแล้ว ตาราง Engram สองชุดมีรวม 768,022,850 แถว คูณมิติ 256 ได้ราว 196.6B ตรงกับตัวเลข 196B ในรายงาน
• ขนาดดาวน์โหลด 510.3 GB ใน 88 ไฟล์ น้ำหนัก expert เป็น FP4 และส่วน dense เป็น FP8 หน้า HF แสดงยอดพารามิเตอร์ราว 485B ซึ่ง ต่ำกว่าความจริง เพราะ FP4 ถูกแพ็กสองค่าต่อหนึ่งไบต์ในช่อง I8 พอคลายออกจะได้ราว 763B ซึ่งสอดคล้องกับ backbone 552B + Engram 196B บวก vision encoder และ drafter (เราคำนวณจากเมทาดาตา safetensors เอง)
• ไม่มีรีโป Base ตารางใน README เทียบ V4.1-Flash-Base ไว้ แต่ในบัญชี deepseek-ai มีแค่รุ่น instruct ตัวเดียว

เบนช์มาร์ก: ชนะบนกระดานที่อิ่มตัวแล้ว แต่ยังตามหลังบนกระดานที่ยาก

ตัวเลขทั้งหมดเป็นผลที่ DeepSeek รายงานเอง วัดที่ reasoning_effort=100 และหน้า Artificial Analysis ของรุ่นนี้ยังคืน 404 จึงยังไม่มีผลวัดอิสระ

จุดที่ชนะ: Terminal-Bench 2.1 ได้ 90.6 สูงสุดในตาราง เหนือ Opus 5 ที่ 89.1 และ GPT-5.6 Sol ที่ 88.8, DeepSWE v1.1 ได้ 74.2 ต่อ 74.0 ของ Opus 5, AutomationBench 54.8 ต่อ 50.3, Agent’s Last Exam 31.8 ต่อ 28.6 และ CyberGym 88.1 ต่อ 84.5 ของ GPT-5.6 Sol

จุดที่ยังห่าง: Terminal-Bench 3.0 ได้ 30.0 ต่อ 43.3 และ 4.0 ได้ 31.2 ต่อ 51.8 ของ Opus 5, ProgramBench 20.3 ต่อ 37.0, NL2Repo 64.0 ต่อ 75.3 และ HLE แบบไม่มีเครื่องมือ 36.8 ต่อ 56.3 สังเกตว่าบน Terminal-Bench 2.1 โมเดลเจ็ดตัวในตารางอยู่ในช่วง 82.7–90.6 ทั้งหมด ยิ่งเป็นกระดานรุ่นใหม่ที่ยากกว่าช่องว่างก็ยิ่งกว้าง ข้อนี้รายงานยอมรับเองในบทสรุปว่า “a performance gap remains on the most challenging tasks” และคะแนนที่สูสีบนเบนช์มาร์ก “does not imply that the model matches the frontier capabilities of leading closed-source systems”

ตัวเลขพาดหัวยังเป็นฮาร์เนสที่ดีที่สุดของแต่ละกระดาน DeepSWE 74.2 มาจาก mini-SWE ถ้ารันผ่าน Claude Code จะเหลือ 69.8 และผ่าน Codex เหลือ 65.6 ส่วน Terminal-Bench 2.1 ที่ 90.6 มาจาก DeepSeek Harness โหมด Minimal ขณะที่ผ่าน Codex ได้ 84.1 นักพัฒนาที่จะเสียบโมเดลนี้เข้า Codex หรือ Claude Code จึงควรคาดหวังตัวเลขกลุ่มหลังมากกว่า

อีกข้อที่นักพัฒนาไทยควรดูคือตาราง Base ซึ่งเป็นโมเดลตัวเดียวที่เทียบกับรุ่นก่อนได้ตรง ๆ MGSM (คณิตศาสตร์หลายภาษา) ได้ 80.2 ต่ำสุดในสามรุ่น (V4-Flash-Base 85.7, V4-Pro-Base 84.4) ส่วน MultiLoKo ได้ 45.5 ต่อ 50.9 ของ V4-Pro-Base และ SimpleQA-Verified ได้ 42.3 ต่อ 55.2 หมายความว่าความรู้เชิงข้อเท็จจริงและงานหลายภาษาคือจุดที่ “Flash ชนะ Pro” ไม่ครอบคลุม

ฝั่ง API: ราคาลด ชื่อใหม่ และ V4-Pro กำลังจะหายไป

หน้า Models & Pricing ระบุว่าราคาใหม่มีผลตั้งแต่ 04:00 UTC วันที่ 10 ก.ย. (11:00 น. เวลาไทยวันนี้) ยังคิดแบบ peak/off-peak เหมือนเดิม โดย off-peak เป็นครึ่งหนึ่งของ peak (ต่อ 1M โทเคน, USD)

ช่อง	V4-Flash เดิม (off-peak / peak)	V4.1-Flash (off-peak / peak)	เปลี่ยนแปลง
Input (cache hit)	$0.007 / $0.014	$0.003 / $0.006	−57%
Input (cache miss)	$0.22 / $0.44	$0.15 / $0.30	−32%
Output	$0.66 / $1.32	$0.60 / $1.20	−9%

(ราคาเดิมคืออัตราที่ DeepSeek ประกาศให้มีผลตั้งแต่ 16 ส.ค.)

ช่องที่ลดมากที่สุดคือ cache hit ตรงกับที่ประกาศเขียนไว้เองว่า “Cache-hit charges often account for a large share of agent costs” ส่วนคอนเท็กซ์ยังเป็น 1M เอาต์พุตสูงสุด 384K และ concurrency limit ของ deepseek-flash อยู่ที่ 2,500 เทียบ 500 ของ V4-Pro

การเปลี่ยนชื่อสำคัญกว่าราคา:

• ชื่อ deepseek-v4-flash กับ deepseek-v4-flash-vision-exp ถูกส่งไปหา V4.1-Flash แล้วตั้งแต่วันนี้ และคิดราคา Flash
• ตั้งแต่ 04:00 UTC 14 ก.ย. คำขอ deepseek-v4-pro ทั้งหมดจะถูกส่งไปหา V4.1-Flash และคิดราคา V4.1-Flash “until V4.1-Pro launches” สำหรับคนที่ใช้ V4-Pro อยู่ นั่นคือราคาลดลง 70–86% ทุกช่อง แต่ก็คือการเปลี่ยนโมเดลใต้ชื่อเดิมโดยที่คุณไม่ต้องแก้โค้ดสักบรรทัด ซึ่งเป็นทั้งข่าวดีและความเสี่ยงไปพร้อมกัน (อัปเดต 14 ก.ย.: DeepSeek ยกเลิกแผนนี้แล้วตั้งแต่ 11 ก.ย. changelog ระบุว่าจะให้บริการ V4 Pro ต่อหลัง 14 ก.ย. “with the billing method remaining unchanged” ชื่อ deepseek-v4-pro จึงยังเป็น V4-Pro-0813)
• API เปิดระดับการคิดไว้ 3 ระดับคือ low / high / max ซึ่งรายงานระบุว่าแมปไปที่ค่า effort 50 / 75 / 100 จากสเกลเต็ม 1–100 ที่โมเดลถูกเทรนด้วย length penalty ที่ลดลงแบบเอกซ์โพเนนเชียลตามระดับ effort

รันเองได้ไหม: ได้ถ้ามี H200 แปดใบ และต้องเขียน prompt encoder เอง

ไม่ใช่โมเดลสำหรับเครื่องผู้บริโภค น้ำหนัก 510 GB โค้ดอ้างอิงในโฟลเดอร์ inference/ แปลงเช็กพอยต์เป็น TP8 และ README ของโฟลเดอร์นั้นเขียนตรง ๆ ว่าเป็น “a readable reference implementation rather than a production serving engine”

ทางที่ใช้ได้จริงวันนี้คือ SGLang ซึ่ง merge คุ๊กบุ๊กของ V4.1 ในวันเปิดตัว มีสูตรสำหรับ H200, B200, B300, GB300 และ MI350X (แพลตฟอร์มอ้างอิงคือ GB300 สี่ใบที่ TP4 ส่วน H200 ใช้แปดใบที่ TP8) แต่ทุกสูตรใช้อิมเมจ preview lmsysorg/sglang:dev-dsv41 และคุ๊กบุ๊กเตือนเองว่าเอาต์พุตยังไม่คงที่แบบบิตต่อบิตเมื่อองค์ประกอบของแบตช์เปลี่ยน และปฏิเสธแฟล็ก --enable-deterministic-inference บนแบ็กเอนด์นี้ ฝั่ง vLLM มี PR นิยามโมเดลกับ SWA Bounded Replay เปิดวันนี้แต่ยังไม่ merge ส่วน llama.cpp มีแค่ PR ตัวแปลงที่ยังเปิดอยู่

กับดักที่คนจะเจอเป็นอย่างแรกคือ รีโปนี้ไม่มี chat template แบบ Jinja ต้องใช้ encoding/encoding.py ที่ให้มา หรือไลบรารี deepseek-recipe (Rust พร้อม Python bindings) ที่แปลงคำขอแบบ Messages, Chat Completions และ Responses เป็นพรอมต์ของ V4/V4.1 เครื่องมือที่พึ่ง apply_chat_template หรือเทมเพลตในไฟล์โมเดลจึงใช้ตรง ๆ ไม่ได้จนกว่าจะมีคนเขียนแปลงให้

มุมมอง AI Curator

ข่าวนี้ต้องอ่านเป็นข่าวเศรษฐศาสตร์ของเอเจนต์ มากกว่าข่าวเบนช์มาร์ก สิ่งที่ DeepSeek ทำคือเอาโครงสร้างบิลของงานเอเจนต์ ที่อินพุตยาว แคชเยอะ และเอาต์พุตสั้น มาใช้เป็นโจทย์ออกแบบสถาปัตยกรรมโดยตรง พารามิเตอร์ 8B ตอนอ่าน, KV cache 1/4, แคชถาวร 1/8 และราคา cache hit ที่ลดลงมากที่สุดในตาราง ล้วนชี้ไปทางเดียวกัน นี่เป็นครั้งแรกที่เราเห็นแล็บใหญ่ออกแบบโมเดลรอบวิธีคิดเงินของ agent loop อย่างเปิดเผยขนาดนี้ และคาดได้ว่าคู่แข่งจะต้องตอบด้วยราคาแคชมากกว่าราคาต่อโทเคนพาดหัว

แต่ข้อที่ทีมไทยควรลงมือก่อนวันจันทร์คือเรื่อง ชื่อโมเดลที่ไม่ได้ผูกกับโมเดล ถ้าระบบของคุณเรียก deepseek-v4-pro อยู่ วันที่ 14 ก.ย. เวลา 11:00 น. มันจะกลายเป็นอีกโมเดลหนึ่งที่มีสถาปัตยกรรมต่างกัน คะแนนหลายภาษาต่ำกว่า และความรู้เชิงข้อเท็จจริงน้อยกว่า โดยไม่มี error ไม่มี deprecation warning มีแค่บิลที่ถูกลง ทางที่ถูกคือรัน eval ชุดของคุณเองกับ deepseek-flash ด้วยข้อมูลภาษาไทย ตอนนี้เลย บันทึกชื่อโมเดลจริงจากทุก response ลง log และเลิกคิดว่าชื่อโมเดลของผู้ให้บริการใดก็ตามคือสัญญาว่าพฤติกรรมจะเหมือนเดิม (อัปเดต 14 ก.ย.: การสลับวันที่ 14 ก.ย. ถูกยกเลิกไปแล้ว ดูหมายเหตุในส่วน API ด้านบน แต่คำแนะนำเรื่องบันทึกชื่อโมเดลจริงยังใช้ได้ เพราะ DeepSeek บอกเพียงว่าจะ “แจ้งอีกครั้งหากมีการเปลี่ยนแปลง”)

อีกประโยคในรายงานที่สำคัญกว่าตารางคะแนนทั้งหมด คือทีมเขียนเองว่า selection error ของ CSA2 และการสร้างสถานะแบบประมาณของ SWA Bounded Replay “may still cause capability degradation in untested boundary cases” โดยเฉพาะ “sparse retrieval over long contexts and SWA state reconstruction at cache-resumption boundaries” ซึ่งก็คือการกลับมาทำงานต่อจากแคชในเซสชันยาว เป็นเส้นทางเดียวกับที่ coding agent ใช้ทุกครั้งที่ต่อบทสนทนาเดิม ใครจะย้ายงานเอเจนต์ระยะยาวมาใช้รุ่นนี้ควรเขียนเทสต์สำหรับกรณีนี้โดยเฉพาะ อย่าพึ่งแค่ Terminal-Bench

ส่วนฝั่งโอเพนเวต นี่คือ MIT แท้บนโมเดลที่ใกล้แนวหน้าที่สุดตัวหนึ่งที่เปิดให้ใช้เชิงพาณิชย์ได้โดยไม่มีเงื่อนไข สำหรับผู้ให้บริการคลาวด์และหน่วยงานในภูมิภาคที่ต้องการ sovereign AI ที่มี H200 แปดใบอยู่แล้ว เส้นทาง SGLang ใช้ได้ตั้งแต่วันแรก แต่ควรรอให้อิมเมจหลุดจากสถานะ preview และให้ปัญหา determinism ได้รับการแก้ก่อนขึ้นโปรดักชัน สำหรับคนอื่นทั้งหมด ทางที่คุ้มที่สุดยังเป็น API และถ้างานเลื่อนเวลาได้ ให้ย้ายไปรันหลัง 17:00 น. เวลาไทยเพื่อได้ราคา off-peak ครึ่งหนึ่ง

แหล่งข่าว

• deepseek-ai/DeepSeek-V4.1-Flash — Hugging Face model card
• DeepSeek-V4.1-Flash Release — DeepSeek API Docs News (10 ก.ย. 2026)
• Models & Pricing — DeepSeek API Docs
• DeepSeek-V4.1-Flash Technical Report (PDF)
• SGLang — Add DeepSeek-V4.1 Flash cookbook (PR #38802)