ผลวัดอิสระของ DeepSeek-V4.1-Flash ออกแล้ว: ขึ้นที่ 1 บน AutomationBench-AA เหนือ GPT-6 Astra — แต่ชนะเพราะละเมิด guardrail น้อยที่สุด ไม่ใช่เพราะทำงานสำเร็จมากที่สุด

ตอนที่เราเขียนถึง DeepSeek-V4.1-Flash วันที่ 10 กันยายน ตัวเลขทั้งหมดเป็นผลที่ DeepSeek วัดเอง และหน้าโมเดลบน Artificial Analysis (AA) ยังคืน 404 ตอนนี้ AA วัดเสร็จแล้วตามดัชนี Intelligence Index v4.3 (เราตรวจข้อมูลเมื่อ 14 ก.ย.) และผลที่ออกมาน่าสนใจตรงที่ มันขึ้นที่ 1 บน AutomationBench-AA เบนช์มาร์กงานอัตโนมัติทางธุรกิจที่เพิ่งเข้าดัชนี โดยชนะ GPT-6 Astra ไปเล็กน้อย

แก้ไข (14 ก.ย. 2026, รอบ 18:00 น.): ฉบับแรกของบทความนี้เขียนว่า DeepSeek เริ่มส่งคำขอ deepseek-v4-pro ทั้งหมดไปหา V4.1-Flash ตั้งแต่ 04:00 UTC วันนี้ ซึ่ง ไม่ถูกต้อง เราอ้างหน้าประกาศเปิดตัววันที่ 10 ก.ย. ที่ยังไม่ได้แก้ข้อความ แต่ DeepSeek กลับคำไปแล้วตั้งแต่ 11 ก.ย. ตามรายละเอียดด้านล่าง ขออภัยผู้อ่านครับ

หน้าประกาศเปิดตัววันที่ 10 ก.ย. ของ DeepSeek เขียนไว้ว่าตั้งแต่ 04:00 UTC วันที่ 14 ก.ย. ทุกคำขอที่ใช้ชื่อ deepseek-v4-pro จะถูกส่งไปหา V4.1-Flash และคิดราคา V4.1-Flash จนกว่า V4.1-Pro จะออก โดยอ้างว่า “การทดสอบจากหลายฝ่าย” ชี้ว่า V4.1-Flash ดีกว่า V4-Pro ทั้งด้านผลงาน ต้นทุน ความเร็ว และเวลารันรวม แต่ต่อมา DeepSeek ยกเลิกแผนนี้ หน้า changelog ของ DeepSeek เขียนว่า “In response to user demand, we have decided to continue providing API services for DeepSeek V4 Pro after September 14, 2026, with the billing method remaining unchanged” และ PANews รายงานการกลับคำนี้เมื่อ 11 ก.ย. (อ้าง Star Market Daily) ถึงอย่างนั้น ตัวเลขของ AA ก็ยังช่วยให้ตรวจข้ออ้างว่า V4.1-Flash ดีกว่า V4-Pro ได้เป็นครั้งแรก

ภาพรวม: เร็วและถูกมาก แต่ยังห่างแถวหน้า

ข้อมูลทั้งหมดดึงจากชุดข้อมูลที่ AA ฝังไว้ในหน้าเว็บ ใช้โหมด reasoning ระดับ max

ตัวชี้วัด	V4.1-Flash	V4-Pro-0813	เทียบแถวหน้า
Intelligence Index v4.3	39.5	36.3	Fable 5.1 53.4, Astra 52.8, GLM-5.3 44.9, Kimi K3 43.8
ต้นทุนต่องานในดัชนี	$0.27	$0.67	Astra $3.26, Fable 5.1 $7.63
ความเร็วเอาต์พุต	214.4 tok/s (อันดับ 3 จาก 113)	77.9 tok/s	Astra 59.8, Fable 5.1 65.1
Terminal-Bench v4.0	26.8%	14.1%	Astra (xhigh) 59.6%, GLM-5.3 41.9%
GDPval-AA v2 (Elo)	1632	1493	Fable 5.1 1764
AA-Briefcase (Elo)	1424	1265	Fable 5.1 1662, Astra 1562
AA-LCR v1.1 (คอนเท็กซ์ยาว)	84.0%	—	Kimi K3 88.7%
AA-Omniscience	−5.3	0.8	Fable 5.1 43.45, Astra 43.4

ถ้าเทียบกับ V4-Pro-0813 ที่ DeepSeek เคยตั้งใจให้มันเข้ามาแทน ข้ออ้างของ DeepSeek ส่วนใหญ่ถูก ดัชนีรวมสูงกว่า 3.3 จุด Terminal-Bench เกือบเท่าตัว ต้นทุนต่องานต่ำกว่า 2.5 เท่า และเวลาต่องานในดัชนีเหลือ 5.2 นาทีจาก 8.7 นาที ข้อยกเว้นที่ชัดคือ AA-Omniscience ซึ่งเป็นดัชนีที่หักคะแนนเมื่อตอบข้อเท็จจริงผิดแทนที่จะยอมบอกว่าไม่รู้ ค่าติดลบแปลว่ามันตอบผิดมากกว่าตอบถูก และแย่กว่ารุ่นที่มันแทน

ในกลุ่มโมเดลน้ำหนักเปิด บทความ v4.3 ของ AA ระบุว่า Qwen3.8 2.4T A95B ได้ 40 จุด V4.1-Flash จึงอยู่ระดับเดียวกัน แต่ยังตามหลัง GLM-5.3, Kimi K3 และ GLM-5.3-Flash (41.9)

AutomationBench-AA: ชนะด้วยการไม่ทำผิดกฎ

AutomationBench-AA เป็นเวอร์ชันที่ AA รันจากชุดทดสอบที่ Zapier เก็บไว้ไม่เปิดเผย มี 657 งาน ครอบคลุมการเงิน ทรัพยากรบุคคล การตลาด ปฏิบัติการ การขาย และซัพพอร์ต เอเจนต์ต้องค้นหา API ของแอปธุรกิจจำลองแล้วทำงานให้ครบ AA ให้คะแนนตามสัดส่วนเป้าหมายย่อยที่ทำสำเร็จ แต่ถ้าละเมิด guardrail แม้ครั้งเดียว งานนั้นได้ศูนย์ทันที เบนช์นี้เข้ามาแทน τ³-Banking ใน v4.3 (7 ก.ย.) ซึ่งออกมาแค่สามวันหลัง v4.2

ตัวเลขสามชุดของ AA บอกเรื่องต่างกันมาก

• คะแนนหลัก: V4.1-Flash 68.9% อันดับ 1, Astra (max) 68.5%, Grok 4.6 (xhigh) 67.0%, GLM-5.3 62.2%, Fable 5.1 59.4%, Opus 5 56.6%
• สัดส่วนเป้าหมายที่ทำสำเร็จ (ไม่นับการละเมิด): Astra 88.8%, Opus 5 88.7%, Fable 5.1 88.1% ส่วน V4.1-Flash ได้ 84.6% อยู่อันดับ 16 จาก 20 ตัวที่ AA แสดง
• เป้าหมายที่ทำสำเร็จต่อการละเมิดหนึ่งครั้ง: V4.1-Flash 76.6 ดีที่สุด, Astra 69.4, Fable 5.1 42.9, Opus 5 39.2

พูดง่าย ๆ คือ V4.1-Flash ทำงานได้น้อยกว่าตัวท็อป แต่แทบไม่แตะสิ่งที่ห้ามแตะ จึงเสียงานเป็นศูนย์น้อยกว่า ส่วน Claude ทำงานได้ครบกว่าแต่ละเมิดบ่อยกว่ามากในเบนช์นี้ ส่วนต่างอันดับ 1 กับ 2 คือ 0.4 จุด ซึ่งเล็กเกินกว่าจะสรุปว่าใครเก่งกว่า

มุมมอง AI Curator

AutomationBench-AA เป็นตัวอย่างที่ดีว่าวิธีให้คะแนนกำหนดว่าใครชนะ เบนช์ที่ตัดงานเป็นศูนย์เมื่อละเมิดกฎจะให้รางวัลกับโมเดลที่ระวังตัว มากกว่าโมเดลที่ทำงานเก่ง สำหรับงานอัตโนมัติจริงที่ต่อกับ CRM หรือระบบเงินเดือน นั่นอาจเป็นลำดับความสำคัญที่ถูกต้อง เพราะเอเจนต์ที่ทำงานได้ 85% แต่ไม่ส่งอีเมลผิดคนมีค่ากว่าเอเจนต์ที่ทำได้ 89% แต่ละเมิดบ่อยกว่าเกือบสองเท่า แต่พาดหัว “โมเดลเปิดชนะ Astra” ที่วนอยู่ในชุมชนตอนนี้ไม่ได้เล่าส่วนนี้ ถ้าเลือกโมเดลจากคะแนนหลักอย่างเดียว คุณจะเลือกด้วยเหตุผลที่ผิด

สำหรับทีมที่ใช้ deepseek-v4-pro อยู่ ชื่อนี้ยังชี้ไปที่ DeepSeek-V4-Pro-0813 ในราคาเดิม (หน้าราคาของ DeepSeek ยืนยันแบบนี้) การย้ายจึงเป็นทางเลือก ไม่ใช่สิ่งที่เกิดขึ้นเอง ข้อมูลของ AA บอกว่าการย้ายไป deepseek-flash โดยรวมเป็นการอัปเกรดจริง ทั้งถูกลงและเร็วขึ้น ยกเว้นงานที่ต้องตอบข้อเท็จจริงจากความรู้ของโมเดลเอง ซึ่งค่า Omniscience ติดลบเป็นสัญญาณชัดว่าต้องมี retrieval หรือเครื่องมือค้นหามาช่วย ทีมที่มีชุด eval ภายในควรรันเทียบทั้งสองตัวสัปดาห์นี้ และอย่าวางแผนระยะยาวบน V4-Pro เพราะ DeepSeek บอกเพียงว่าจะ “แจ้งอีกครั้งหากมีการเปลี่ยนแปลง” ยังไม่มีวันปลดระวางใหม่

ในบริบทไทย ต้นทุน $0.27 ต่องานในดัชนี เทียบกับ $3.26 ของ Astra และ $7.63 ของ Fable 5.1 ห่างกันมากพอจะเปลี่ยนการตัดสินใจของสตาร์ทอัพที่ทำเอเจนต์ซัพพอร์ตหรืองานหลังบ้านให้ SME ซึ่งทำงานซ้ำจำนวนมากและกำไรต่อลูกค้าบาง รูปแบบที่คุ้มคือให้โมเดลถูกและระวังตัวแบบนี้ทำงานประจำ แล้วส่งงานยากหรือแบบเปิด (ที่ Terminal-Bench v4 ยังห่างกันกว่าเท่าตัว) ไปหาโมเดลแถวหน้า และเพราะน้ำหนักเป็น MIT องค์กรที่ส่งข้อมูลลูกค้าออกนอกประเทศไม่ได้ก็ยังเลือกรันเองได้ด้วย

แหล่งข่าว

• DeepSeek V4.1 Flash (max) — Artificial Analysis (หน้าโมเดลและดัชนีรวม)
• AutomationBench-AA — Artificial Analysis (คะแนนหลัก, สัดส่วนเป้าหมายที่สำเร็จ, เป้าหมายต่อการละเมิด)
• Announcing the Artificial Analysis Intelligence Index v4.3 — Artificial Analysis (7 ก.ย. 2026)
• DeepSeek-V4.1-Flash Release — DeepSeek API Docs (ประกาศเดิม 10 ก.ย. ที่ยังเขียนว่าจะส่ง deepseek-v4-pro ไปหา V4.1-Flash)
• Change Log — DeepSeek API Docs (ยืนยันว่า V4 Pro ให้บริการต่อหลัง 14 ก.ย. ในราคาเดิม)
• PANews — DeepSeek V4 Pro API Call Service Will Not Be Discontinued (11 ก.ย. 2026)