DeepSeek-V4-Flash-0731 เปิดให้โหลดโมเดลทั้งก้อนไปไว้ในเครื่องของเราเองได้ ใช้ใบอนุญาต MIT

ตัวนี้คือของจริงที่มาแทนที่รุ่น preview ปล่อยออกมาวันที่ 31 กรกฎาคม รหัส 0731 ท้ายชื่อก็คือวันที่นั้น ทาง Unsloth แปลงเป็นไฟล์ GGUF ให้ทันที นำไปเปิดในโปรแกรมรันโมเดลในเครื่องได้เลย รายการไฟล์มีตั้งแต่ขนาดเล็กสุด 82.5 GB ไปจนถึงตัวละเอียดสุด 162 GB

สองเรื่องนี้จริงพร้อมกัน โมเดลรันเองตอนนี้ไล่จี้โมเดลปิดค่ายใหญ่ได้แล้วในงานที่ให้ AI ทำงานเป็นขั้นตอน แต่เครื่องที่รันไหวไม่ใช่โน้ตบุ๊กที่หิ้วไปประชุม

ใครที่กำลังคิดจะย้ายจากค่าบริการรายเดือนมารันเอง คำตอบอยู่ที่ตัวเลขสองชุด ชุดแรกคือคะแนนจากตารางที่ผู้สร้างวัดเอง ชุดที่สองคือจำนวนกิกะไบต์ที่บอกว่าเครื่องเราไหวไหม

จาก preview มาเป็นรุ่นจริง ที่เก่งขึ้นตรงงานเอเจนต์

งานสายนี้เรียกกันว่างานเอเจนต์ หน้าตาจริงของมันคือการเปิดไฟล์ในโปรเจกต์ แก้โค้ด สั่งรัน แล้วอ่านผลลัพธ์เพื่อตัดสินใจก้าวถัดไปเอง รุ่น preview ก่อนหน้านี้ยังทำได้ไม่ดีนัก ส่วนรุ่น 0731 นั้น หน้าโมเดลทางการระบุว่าเก่งงานสายนี้ขึ้นชัดเจน

พารามิเตอร์ซึ่งเป็นตัวเลขที่ใช้บอกขนาดของโมเดลอยู่ที่ 284B ทั้งหมด แต่ตอนตอบจริงหยิบมาใช้แค่ 13B ต่อรอบ จึงตอบได้เร็วกว่าขนาดบนกระดาษ แต่ยังต้องโหลดครบทั้ง 284B เพราะโมเดลต้องพร้อมดึงส่วนไหนมาใช้ก็ได้ในรอบถัดไป นี่คือสาเหตุที่ไฟล์บวมเป็นร้อยกิกะไบต์ ทั้งที่ 13B ฟังดูเล็กนิดเดียว

โมเดลรุ่นนี้ใช้โครงสร้างเดียวกับ DeepSeek-V4-Flash-DSpark จึงพ่วงระบบเร่งความเร็ว speculative decoding มาให้ในตัว ซึ่งเป็นตัวเดียวกับ DSpark ที่ DeepSeek เปิดซอร์สไว้ก่อนหน้านี้ ช่วยให้ตอบเร็วขึ้นโดยคำตอบไม่เปลี่ยนแม้แต่ตัวอักษรเดียว แต่ประโยชน์จะตกอยู่กับเซิร์ฟเวอร์ที่รับงานพร้อมกันหลายคน บนเครื่องส่วนตัวอาจไม่ช่วย หรือช้าลงด้วยซ้ำ ตัวอย่างในหน้าโมเดลทางการเป็นการรันบนเซิร์ฟเวอร์การ์ดจอสี่ใบ ไม่ใช่เครื่องที่บ้าน

อีกสองอย่างที่ติดมากับรุ่นนี้คือใบอนุญาต MIT และความยาวข้อความที่รับได้ในคราวเดียวสูงสุด 1,048,576 token หรือราวหนึ่งล้าน token

ตารางทางการ ช่องไหนสูสี ช่องไหนยังห่าง

ตัวเลขในตารางมาจากหน้าโมเดลทางการของ DeepSeek บนเว็บ Hugging Face โดยตรง ไม่ใช่คะแนนจากภายนอก และสิ่งที่หน้านั้นประกาศไว้ก็ตรงไปตรงมา คือ 0731 ทำคะแนนแซง DeepSeek-V4-Pro (Preview) ทั้งที่ใช้พารามิเตอร์จริงน้อยกว่าหลายเท่า ฝั่ง V4-Pro มีพารามิเตอร์รวม 1.6T และใช้จริงรอบละ 49B ส่วน 0731 ใช้แค่ 13B

ช่องที่ห่างกันชัดที่สุดคือชุดทดสอบ DeepSWE ที่ 0731 ได้ 54.4 ส่วน V4-Pro (Preview) ได้ 12.8 และรุ่น preview ของมันเองได้แค่ 7.3 การขยับจาก 7.3 มาเป็น 54.4 ในเวอร์ชันเดียว สะท้อนความเก่งงานเอเจนต์ออกมาเป็นตัวเลขชัดเจน

แต่สิ่งที่คนอยากรู้จริง คือพอเทียบกับโมเดลปิดแบบเสียเงินอย่าง GLM-5.2 และ Opus-4.8 แล้วเป็นอย่างไร

ผลลัพธ์ในตารางมีสองมุม มุมแรกคือช่องที่สูสีกันจริง Terminal Bench 2.1 ห่างกัน 2.3 คะแนน Agents' Last Exam ห่างกัน 0.5 และ AutomationBench Public ห่างกัน 2.1 สามช่องนี้คือที่มาของคำว่าไล่จี้ ส่วน GLM-5.2 นั้น 0731 นำอยู่ทุกช่องที่มีตัวเลขให้เทียบ

มุมที่สองคือช่องที่ยังห่างกันชัดเจน NL2Repo ห่างกัน 15.5 คะแนน และ DSBench-Hard ห่างกัน 12.1 งานที่ยาวและซับซ้อนขึ้นคือจุดที่ระยะห่างถ่างออก ใครคิดจะย้ายงานหนักที่สุดของทีมมาลงโมเดลตัวนี้ ควรอ่านสองแถวนี้ให้ดี

สองแถวล่างสุดเป็นชุดทดสอบภายในของ DeepSeek เอง ได้แก่ DSBench-FullStack ที่วัดงานพัฒนาครบทั้งระบบ และ DSBench-Hard ที่วัดโจทย์เอเจนต์เขียนโค้ดระดับยาก ชุดทดสอบที่เจ้าของออกแบบเองไม่ได้แปลว่าโกง แต่มันก็ยังเป็นไม้บรรทัดของเจ้าของโมเดลอยู่ดี

เครื่องแบบไหนรันไหว เมื่อไฟล์เล็กสุดคือ 82.5 GB

ตัวเลขชุดที่สองคือชุดที่ต้องดูก่อนกดโหลด เพราะ ไฟล์ GGUF ของ Unsloth ไม่ได้มีตัวเดียว แต่มีให้เลือกเป็นชั้นๆ ตามระดับการย่อ ซึ่งเรียกกันว่า quant คือการลดความละเอียดของตัวเลขในโมเดลให้ไฟล์เล็กลงและกินหน่วยความจำน้อยลง แลกกับความแม่นยำที่หายไปตามระดับที่ย่อ

ขนาดไฟล์ไม่ใช่สเปกจริงที่เครื่องต้องใช้ เวลารันจริงต้องเหลือพื้นที่สำหรับบทสนทนาด้วย ช่องขวาสุดของตารางจึงเป็นช่องที่ต้องดูก่อน Unsloth เตือนตรงๆ ว่าไฟล์ 3-bit ที่หนักราว 103 GB ต้องมีแรมอย่างน้อย 110 GB ถึงจะรันได้ ส่วนตัว 8-bit ขนาด 162 GB ต้องมีพื้นที่รวม 169 GB ตัวเลขนี้นับรวมแรมระบบกับแรมการ์ดจอเข้าด้วยกัน หรือหน่วยความจำรวมของเครื่องที่ใช้ร่วมกัน

พอเรียงตัวเลขมาวางแบบนี้ ระดับที่กินหน่วยความจำน้อยที่สุดยังขอ 92 GB ซึ่งเกินสเปกโน้ตบุ๊กทั่วไปไปไกล เครื่องที่รันไหวคือเครื่องที่ตั้งใจซื้อมาเพื่องานนี้โดยเฉพาะ ไม่ว่าจะเป็นเครื่องที่มีหน่วยความจำรวมระดับร้อยกิกะขึ้นไป หรือเครื่องที่เสียบการ์ดจอไว้หลายใบ

ย่อลงไปอีกได้ไหม ได้ แต่มีราคาที่ต้องจ่าย Unsloth วัดคุณภาพไฟล์แต่ละแบบเทียบกับต้นฉบับ โดยดูว่าเลือกคำถัดไปตรงกับต้นฉบับกี่เปอร์เซ็นต์ ตัว UD-Q8_K_XL ตรงกัน 100% ตัว UD-Q4_K_XL ตรงกัน 96.28% ส่วนไฟล์ที่ย่อเหลือ 86.7 GB ตรงกันแค่ 78.15% ไฟล์ตัวเล็กนี้มาจากผู้แปลงเจ้าอื่น ไม่ใช่ Unsloth แต่บอกทิศทางชัดเจนว่ายิ่งย่อลึก โมเดลยิ่งตอบไม่เหมือนเดิม

ถ้าตัวเลขทั้งหมดนี้เกินเครื่องที่มี ทางเลือกที่ตรงไปตรงมาคือมองหาโมเดลตัวเล็กที่ลงเครื่องธรรมดาได้จริง อย่าง Ornith-1.0 รุ่น 9B ที่โหลดไปใช้ในเครื่องได้ฟรี เพราะในตารางของ Unsloth ไม่มีระดับที่เล็กกว่า 1-bit ให้เลือกแล้ว การฝืนโหลดไฟล์ร้อยกว่ากิกะมาลงเครื่องที่ไม่ไหว มีแต่เสียเวลารอทั้งวันแล้วเปิดไม่ขึ้น

ลองวันนี้ด้วย llama.cpp · Ollama · LM Studio · Unsloth Studio

ถ้าเครื่องผ่านแล้ว มีสี่ทางเลือกให้ใช้งาน แต่ละทางเหมาะกับความต้องการต่างกัน

• llama.cpp สำหรับคนที่อยากได้เซิร์ฟเวอร์ในเครื่องไว้ให้เครื่องมืออื่นเรียกใช้ต่อ
• Ollama สำหรับคนที่ติดตั้งไว้อยู่แล้ว คำสั่งบรรทัดเดียวจบ
• LM Studio สำหรับคนที่ไม่อยากแตะเทอร์มินัล (หน้าต่างพิมพ์คำสั่ง) กดปุ่มจากหน้าโมเดลแล้วเปิดใช้งานได้เลย
• Unsloth Studio สำหรับคนที่อยากได้หน้าจอแชทของตัวเอง พร้อมปุ่มปรับระดับการคิด

สาย llama.cpp บนแมคและลินุกซ์ ติดตั้งแล้วเปิดเซิร์ฟเวอร์ด้วยสองบรรทัดนี้

curl -LsSf https://llama.app/install.sh | sh
llama serve -hf unsloth/DeepSeek-V4-Flash-0731-GGUF:UD-Q4_K_XL

บนวินโดวส์ให้เปลี่ยนบรรทัดแรกเป็น winget install llama.cpp แล้วบรรทัดที่สองใช้เหมือนกัน ส่วนใครที่อยากคุยผ่านเทอร์มินัลโดยไม่ต้องเปิดเซิร์ฟเวอร์ ให้เปลี่ยน llama serve เป็น llama cli ตรงนี้ยังต่อยอดได้อีก เพราะ llama.cpp ต่อกับเครื่องมือ MCP ในเครื่องได้เองแล้ว โมเดลในเครื่องจึงสั่งงานเครื่องมือรอบตัวได้จริง

ทาง Ollama สั้นกว่านั้นอีก

ollama run hf.co/unsloth/DeepSeek-V4-Flash-0731-GGUF:UD-Q4_K_XL

ส่วน Unsloth Studio ติดตั้งและเปิดหน้าจอด้วยสองบรรทัดนี้

curl -fsSL https://unsloth.ai/install.sh | sh
unsloth studio -H 0.0.0.0 -p 8888

เสร็จแล้วเปิด http://127.0.0.1:8888 ในเบราว์เซอร์ ครั้งแรกระบบจะให้ตั้งรหัสผ่าน จากนั้นค่อยค้นชื่อโมเดลในหน้าจอเพื่อโหลดและเริ่มคุย

เรื่องเลือก quant มีทางลัดที่ Unsloth บอกไว้เอง คือ UD-Q8_K_XL ตัวที่ตรงกับต้นฉบับใหญ่กว่า UD-Q4_K_XL แค่ 7 GB ใครที่มีหน่วยความจำถึงระดับนั้นอยู่แล้ว ข้ามไปตัวใหญ่ได้เลย ไม่ต้องเสียดายพื้นที่ วิธีเปลี่ยนคือแก้ท้ายคำสั่งจาก UD-Q4_K_XL เป็น UD-Q8_K_XL เท่านั้น ส่วนเหตุผลที่ไฟล์ชุดนี้เปิดได้ราบรื่น เพราะ Unsloth สร้างเทมเพลตบทสนทนาขึ้นใหม่ และไล่ตรวจกับบทสนทนากว่า 4,000 ชุดให้ตรงกับต้นฉบับ เนื่องจากรุ่นทางการไม่ได้แถมเทมเพลตแบบนั้นมาให้

ปุ่มสุดท้ายที่ควรรู้จักคือระดับการคิด หน้าโมเดลทางการให้มาสามระดับคือ low, high และ max ถ้ารันผ่าน llama.cpp ให้ใส่ --chat-template-kwargs '{"reasoning_effort":"max"}' ต่อท้าย หรือปิดการคิดด้วย --reasoning off เมื่ออยากได้คำตอบเร็ว ส่วนใน Unsloth Studio มีเมนูให้เลือกระหว่าง Non-think, Think High ที่เปิดเป็นค่าเริ่มต้น และ Think Max

โหมดคิดหนักสุดมีราคาที่ต้องจ่ายเช่นกัน คำแนะนำคือตั้งความยาวบทสนทนาไว้อย่างน้อย 384K token ซึ่งกินแรมเพิ่มจากตัวไฟล์อีกก้อน นี่คือเหตุผลที่ตัวเลขหน่วยความจำรวมสูงกว่าขนาดไฟล์เสมอ ถ้าเครื่องเริ่มตึง ให้ลด --ctx-size 32768 ลงมา หรือลดจำนวนชั้นบนการ์ดจอด้วย --n-gpu-layers 2 ให้พอดีกับที่มี

162 GB นั้นแลกอะไรกลับมา

สิ่งที่ได้กลับมาข้อแรกคือข้อมูลอยู่ในเครื่องเราตลอด ไม่ต้องส่งออกไปให้บริการข้างนอกประมวลผล คนทำธุรกิจที่ถือข้อมูลลูกค้าไว้ในมือ แล้วส่งขึ้นบริการข้างนอกไม่ได้เพราะติดสัญญาหรือกฎภายใน จะเข้าใจข้อนี้ทันที

ข้อสองคือไม่มีมิเตอร์เดินตามจำนวนคำ งานที่ต้องยิงซ้ำเป็นพันรอบเพื่อลองเงื่อนไขต่างๆ จะเปลี่ยนจากบิลปลายเดือนที่ต้องลุ้นตอนเปิดอ่าน มาเป็นค่าไฟกับเวลารอ และใบอนุญาต MIT ก็เปิดทางให้เอาไปใช้ในงานเชิงพาณิชย์ได้

ข้อแลกเปลี่ยนก็ตรงไปตรงมา คือต้องจ่ายล่วงหน้าเป็นหน่วยความจำ และไม่มีทีมหลังบ้านคอยอัปเดตให้เงียบๆ ตอนตีสาม

แต่ข้อเสียข้อนั้นแหละที่พลิกกลับมาเป็นข้อดี วันที่ในชื่อรุ่นหยุดเดินทันทีที่ไฟล์ลงมาอยู่ในดิสก์ของเรา สิ่งที่หน่วยความจำร้อยกว่ากิกะซื้อมาจริงๆ จึงไม่ใช่ความเร็ว แต่คือรุ่นที่เราทดสอบจนพอใจในวันนี้ ยังคงเป็นรุ่นเดิมทุกตัวอักษรในวันจันทร์หน้า

ที่มา:

• โมเดลทางการ deepseek-ai/DeepSeek-V4-Flash-0731 บน Hugging Face จาก DeepSeek
• เอกสารทางการ DeepSeek-V4: How to Run Locally จาก Unsloth
• ไฟล์ GGUF unsloth/DeepSeek-V4-Flash-0731-GGUF บน Hugging Face จาก Unsloth