DeepSeek แจกโมเดลรุ่นใหม่ให้โหลดไปใช้ฟรี แต่ไฟล์ใหญ่ราว 510GB คนทั่วไปลองผ่านแอปง่ายกว่า

DeepSeek บริษัท AI จากจีนที่คนไทยหลายคนรู้จักจากแอปแชตรูปวาฬสีฟ้า ไม่ได้แค่อัปเดตโมเดลในแอปของตัวเอง แต่ยังแจกตัวโมเดลรุ่นใหม่ชื่อ V4.1-Flash-1017 ให้ทุกคนดาวน์โหลดไปเก็บไว้ในเครื่องของตัวเองได้ด้วย จะใช้ส่วนตัวหรือนำไปทำธุรกิจก็ได้ โดยไม่ต้องขออนุญาตหรือจ่ายค่าใช้งานให้บริษัท

การแจกแบบนี้เรียกว่า open-weight เหมือนร้านอาหารที่แจกสูตรให้ลูกค้ากลับไปทำเองที่บ้าน แทนการขายเฉพาะอาหารที่หน้าร้าน DeepSeek ใช้สัญญาอนุญาต MIT ซึ่งเปิดกว้างมาก ขอเพียงคงข้อความลิขสิทธิ์ไว้ แต่ต่างจากสูตรอาหารตรงที่ครัวที่ต้องใช้กับสูตรนี้ใหญ่ระดับภัตตาคาร

ไฟล์ของโมเดลรวมกันราว 510GB ซึ่งต้องมีที่วางในเครื่องทั้งหมด ถึงจะใช้รุ่นที่ Unsloth ผู้ทำเครื่องมือรันโมเดลบีบอัดให้เล็กลงแล้ว เครื่องก็ยังต้องมีหน่วยความจำ (RAM) อย่างน้อย 128GB หรือ 8 เท่าของโน้ตบุ๊กทั่วไปที่มี 16GB พูดง่าย ๆ คือโมเดลนี้เปิดให้ทุกคนก็จริง แต่คนที่รันเองได้คือบริษัทหรือคนที่มีเครื่องระดับเวิร์กสเตชัน

ส่วนตัวเก่งขึ้นแค่ไหน ตัวเลขส่วนใหญ่ยังเป็นผลทดสอบที่ DeepSeek วัดเอง ข่าวดีคือ Artificial Analysis ซึ่งเป็นผู้วัดอิสระ ให้คะแนนรุ่นนี้สูงกว่ารุ่นเดือนกันยายน และพบว่าค่าใช้จ่ายต่องานลดลงเกือบครึ่ง ข่าวร้ายคือ Vals AI ซึ่งเป็นผู้วัดอิสระอีกราย วัดชุดทดสอบงานใน command line ได้ต่ำกว่าที่บริษัทประกาศอย่างเห็นได้ชัด

สำหรับคนทั่วไป ทางที่ง่ายที่สุดคือลองผ่านเว็บ chat.deepseek.com หรือแอป DeepSeek ที่ดาวน์โหลดได้ฟรี ซึ่งเปลี่ยนมาใช้โมเดลรุ่นนี้แล้ว แต่ควรรู้ว่าทุกข้อความที่พิมพ์จะถูกส่งไปเก็บและประมวลผลบนเซิร์ฟเวอร์ในจีน ตามที่นโยบายความเป็นส่วนตัวของบริษัทระบุ และอาจถูกนำไปใช้ปรับปรุงโมเดล ถ้าคุณจะใช้ อย่าใส่ข้อมูลลับหรือข้อมูลลูกค้า และถ้าใช้กับงาน ให้เช็กนโยบายขององค์กรก่อน ด้านล่างมีคำอธิบายว่าทำไมขนาดโมเดลมีทั้ง 552B และ 763B ตารางสเปกเครื่องที่ต้องใช้ ผลทดสอบเทียบผู้วัดอิสระ และวิธีปิดไม่ให้แชตถูกนำไปฝึกโมเดล

สรุปประเด็นสำคัญ

• ดาวน์โหลดได้ฟรี ใช้เชิงพาณิชย์ได้: DeepSeek เผยแพร่ DeepSeek-V4.1-Flash-1017 บน Hugging Face และ ModelScope เมื่อ 17 ต.ค. 2026 ภายใต้สัญญาอนุญาต MIT
• ตัวเลขขนาดนับคนละแบบ: แกนหลักของโมเดลมี 552B พารามิเตอร์ บวกหน่วยความจำแบบเปิดค้น (Engram) อีก 196B ส่วน 763B คือตัวเลขที่ Hugging Face นับอัตโนมัติจากทุกอย่างในไฟล์ แต่ละ token ใช้คำนวณจริงเพียง 8B–16B
• รันเองต้องใช้เครื่องใหญ่: ไฟล์ต้นฉบับราว 510GB รุ่นบีบอัดที่เล็กที่สุดของ Unsloth 233GB และต้องมี RAM รวมกับหน่วยความจำการ์ดจออย่างน้อยราว 128GB
• ผลทดสอบ: ผู้วัดอิสระยืนยันว่าดีขึ้นจากรุ่นก่อนจริง แต่คำอ้างว่าชนะโมเดลชั้นนำของคู่แข่งบางชุดทดสอบยังไม่มีใครยืนยัน
• นักพัฒนา: ผู้ที่เรียก Search และ Fetch API ผ่าน Claude Code, Codex หรือ DeepSeek Harness ใช้ได้ฟรีถึง 31 ต.ค. 2026 เวลา 23:00 น. ตามเวลาไทย

open-weight และสัญญาอนุญาต MIT หมายความว่าอะไร

โมเดลภาษาประกอบด้วยตัวเลขจำนวนมหาศาลที่เรียกว่าพารามิเตอร์ หรือน้ำหนัก (weights) ซึ่งได้มาจากการฝึก การเผยแพร่แบบ open-weight คือการแจกไฟล์ตัวเลขชุดนี้ให้ใครก็ดาวน์โหลดไปรันบนเครื่องของตัวเองได้ ต่างจากโมเดลแบบปิดที่ใช้ได้ผ่านแอปหรือ API ของบริษัทเท่านั้น ทั้งนี้ open-weight ไม่ได้แปลว่าเปิดข้อมูลหรือโค้ดที่ใช้ฝึกทั้งหมด

model card ของ DeepSeek ระบุว่าทั้ง repository และไฟล์น้ำหนักใช้สัญญาอนุญาต MIT ซึ่งอนุญาตให้ใช้ แก้ไข เผยแพร่ และขายต่อได้ โดยมีเงื่อนไขหลักเพียงต้องแนบข้อความลิขสิทธิ์และข้อความอนุญาตไปด้วย และผู้พัฒนาไม่รับประกันผลใด ๆ

รุ่น 1017 เป็น "การอัปเดตย่อย" ของ DeepSeek-V4.1-Flash ที่ออกเมื่อ 10 ก.ย. 2026 ไม่ใช่โมเดลที่ฝึกใหม่ทั้งหมด DeepSeek ระบุว่ารุ่นนี้เก่งขึ้นด้านการใช้เหตุผล การเขียนโค้ด งานแบบเอเจนต์ และงานด้านภาพ พร้อมใช้เวลาทำงานสั้นลงและตอบสั้นลง โดยใช้วิธีฝึกแบบ reinforcement learning ที่ให้โมเดลประเมินผลงานของตัวเอง (self-feedback) โมเดลนี้รับได้ทั้งข้อความและรูปภาพ และรับข้อมูลนำเข้ายาวได้ถึง 1 ล้าน token

ทำไมบางที่บอก 552B บางที่บอก 763B

ตัวเลขที่ต่างกันไม่ได้แปลว่ามีใครผิด แต่นับกันคนละส่วน

• 552B คือแกนหลัก (backbone) ของโมเดล ตามที่ model card ของ DeepSeek-V4.1-Flash ระบุ Artificial Analysis และ Unsloth ใช้ตัวเลขนี้กับรุ่น 1017 เช่นกัน ส่วน model card ของรุ่น 1017 เองไม่ได้ระบุจำนวนพารามิเตอร์ไว้
• 196B คือส่วนที่ DeepSeek เรียกว่า Engram conditional memory นึกถึงพจนานุกรมเล่มหนาบนชั้น ที่โมเดลเปิดค้นเฉพาะหน้าที่ตรงกับคำที่กำลังอ่าน แทนการคำนวณทั้งเล่ม Unsloth ระบุว่าส่วนนี้วางไว้บน SSD แล้วดึงขึ้นมาเฉพาะแถวที่ใช้ได้ จึงช่วยประหยัด RAM แต่ยังต้องมีพื้นที่ดิสก์เต็มจำนวน
• 763B คือตัวเลขที่หน้า Hugging Face คำนวณอัตโนมัติจากไฟล์ทั้งหมดของรุ่น 1017 ซึ่งรวมทั้งแกนหลัก Engram และส่วนอื่น 552 + 196 ได้ 748B ส่วนต่างอีกราว 15B DeepSeek ไม่ได้แจกแจง ReadEval ประเมินว่าน่าจะเป็นส่วนประกอบอื่นที่อยู่ในไฟล์ เช่น ตัวอ่านภาพ (vision encoder) และชั้นที่ช่วยเดาคำล่วงหน้า (DSpark) ซึ่งปรากฏในไฟล์ตั้งค่าของโมเดล

ตัวเลขที่บอกว่าโมเดลทำงานหนักแค่ไหนจริง ๆ คือ พารามิเตอร์ที่ใช้งานจริง (active) DeepSeek-V4.1-Flash เป็นโมเดลแบบ Mixture of Experts (MoE) ทุกชั้นมี "ผู้เชี่ยวชาญ" 384 ตัว และเรียกใช้เพียง 6 ตัวต่อ token บวกผู้เชี่ยวชาญกลางอีก 1 ตัว ผลคือตอนอ่านข้อมูลนำเข้าคำนวณจริงเพียง 8B และตอนสร้างคำตอบ 16B หรือไม่ถึง 3% ของแกนหลัก นี่คือเหตุผลที่โมเดลตอบได้เร็วและคิดค่าบริการถูก แต่ไม่ได้ช่วยเรื่องพื้นที่ เพราะทุกส่วนยังต้องโหลดเตรียมไว้ในเครื่อง

คอมพิวเตอร์ของฉันรันได้ไหม

ถ้าเป็นโน้ตบุ๊กหรือคอมพิวเตอร์ตั้งโต๊ะทั่วไป คำตอบคือไม่ได้ Kaspersky ระบุไว้ในคู่มือการใช้ DeepSeek อย่างปลอดภัยว่าโน้ตบุ๊กที่มี RAM 16–32GB เหมาะกับโมเดลขนาดราว 7B–13B ซึ่งเล็กกว่ารุ่นนี้หลายสิบเท่า

ตัวเลขหน่วยความจำของ Unsloth คิดแบบวางส่วน Engram ไว้บน SSD และอาจต้องใช้มากกว่านี้ตามความยาวของข้อมูลนำเข้า ส่วนคุณภาพของรุ่นบีบอัด Unsloth วัดว่ารุ่น 1 บิต (UD-IQ1_M) เลือกคำถัดไปตรงกับต้นฉบับ 87.1–88.2% ขณะที่รุ่น 4 บิตตรง 98.2–98.5% ตัวเลขนี้วัดความเหมือนต้นฉบับ ไม่ใช่คะแนนความเก่ง

ข้อควรรู้อีกข้อคือ ตอนนี้ยังไม่ใช่การติดตั้งแบบคลิกเดียว หน้าคู่มือของ Unsloth ให้ดาวน์โหลดโค้ดของ llama.cpp จาก pull request เฉพาะ (หมายเลข 30817) มาคอมไพล์เอง และไม่ได้พูดถึง Ollama หรือ LM Studio ReadEval ยังไม่ได้ยืนยันว่าสองโปรแกรมนี้รองรับรุ่นนี้แล้วหรือยัง

ลองใช้ฟรีได้ทางไหน

บนเว็บ

1. เข้า chat.deepseek.com แล้วล็อกอินหรือสมัครบัญชี
2. พิมพ์คำถามได้ทันที หน้าเว็บของ DeepSeek ระบุว่าเว็บและแอปเปลี่ยนมาใช้รุ่น 1017 แล้ว

บนมือถือ

1. ค้นหา DeepSeek ใน App Store หรือ Google Play
2. ตรวจชื่อผู้พัฒนาให้เป็น Hangzhou DeepSeek Artificial Intelligence Co., Ltd ตามที่หน้า App Store ประเทศไทยแสดง (ตรวจเมื่อ 26 ต.ค. 2026) เพื่อเลี่ยงแอปปลอม หน้านี้แสดงว่าแอปดาวน์โหลดได้ฟรี

สำหรับนักพัฒนา (API)

ใช้ชื่อโมเดล deepseek-flash ซึ่งตอนนี้ทำงานด้วยรุ่น 1017 ราคาตามหน้าราคาของ DeepSeek เป็นดังนี้

ช่วงราคาปกติคือ 01:00–04:00 และ 06:00–10:00 น. UTC วันจันทร์ถึงศุกร์ หรือ 08:00–11:00 และ 13:00–17:00 น. ตามเวลาไทย ไม่นับวันหยุดราชการของจีน ช่วงเวลาอื่นทั้งหมดรวมเสาร์อาทิตย์คิดราคาครึ่งเดียว

DeepSeek ยังเปิด Search และ Fetch API ซึ่งให้โปรแกรมค้นเว็บและดึงเนื้อหาหน้าเว็บผ่านเสิร์ชเอนจินของบริษัทเอง ราคา 0.75 ดอลลาร์ต่อ 1,000 ครั้งที่สำเร็จ ถ้าเรียกผ่านเครื่องมือฝั่งเซิร์ฟเวอร์ใน DeepSeek Harness, Claude Code หรือ Codex จะยังไม่คิดเงินจนถึง 31 ต.ค. 2026 เวลา 16:00 น. UTC (23:00 น. ตามเวลาไทย) ควรระวังว่าเมื่อตั้ง Claude Code หรือ Codex ให้ใช้ DeepSeek API โค้ดและคำสั่งที่ส่งให้โมเดลจะไปประมวลผลบนเซิร์ฟเวอร์ของ DeepSeek

ผลทดสอบ: ดีขึ้นจากรุ่นก่อนจริง แต่คำอ้างว่าชนะคู่แข่งต้องรอดู

ตารางด้านล่างคัดมาจาก model card ของรุ่น 1017 ซึ่ง DeepSeek วัดเองทั้งหมด

ยิ่งสูงยิ่งดี · † วัดเฉพาะโจทย์ที่เป็นข้อความ · DeepSeek ระบุว่าใช้ Claude Code เป็นตัวควบคุมการทดสอบ (harness) สำหรับ Terminal-Bench 4.0 และ Mini-SWE-V2 สำหรับ DeepSWE v1.1

จากตารางจะเห็นว่ารุ่น 1017 ดีขึ้นจากรุ่นเดือนกันยายนทุกแถว และชนะทุกคู่แข่งใน DeepSWE กับ Automation-Bench แต่ยังตาม Opus 5 ในชุดทดสอบส่วนใหญ่ DeepSeek ยังเผยแพร่กราฟที่อ้างว่ารุ่นนี้ได้ 77.0% บน DeepSWE ด้วยค่าใช้จ่ายเฉลี่ยไม่ถึง 0.20 ดอลลาร์ต่องาน และได้มากกว่า 72% ที่ราว 0.10 ดอลลาร์ต่องานเมื่อตั้งระดับการคิดต่ำ ตาม The Decoder รายงาน

ข้อควรระวังจากการอ่านตารางเอง

• Terminal-Bench 4.0 ไม่ได้วัดแบบเดียวกัน: model card ของรุ่นเดือนกันยายนระบุว่าวัดชุดทดสอบเขียนโค้ดด้วย DeepSeek Harness ของบริษัทเอง แต่รุ่น 1017 วัดด้วย Claude Code การกระโดดจาก 31.2 เป็น 42.3 จึงอาจมาจากทั้งตัวโมเดลและตัวควบคุมการทดสอบที่เปลี่ยน
• ตัวเลขของคู่แข่งเป็นชุดเดิม: คะแนนของ Opus 5, GPT-5.6 Sol, K3 และ GLM-5.3 ในตารางนี้ตรงกับตารางที่ DeepSeek ใช้ตอนเปิดตัวรุ่นเดือนกันยายนทุกตัว จึงไม่ได้วัดใหม่พร้อมกัน
• ตัวเลขรุ่นก่อนไม่ตรงกันเอง: NL2Repo-Bench ของรุ่นเดือนกันยายนเป็น 64.0 ใน model card เดิม แต่เป็น 65.4 ใน model card ของรุ่น 1017

ผู้วัดอิสระพบอะไร

ผลของ Artificial Analysis สนับสนุนคำอ้างหลักของ DeepSeek ว่ารุ่นใหม่เก่งขึ้น ตอบสั้นลง และถูกลงต่องาน แม้ยังถูกจัดว่า "ตอบยาวมาก" เมื่อเทียบกับโมเดลอื่น ส่วน Terminal-Bench 4.0 ที่ Vals AI วัดได้ 31.82% ต่ำกว่าตัวเลข 42.3 ที่ DeepSeek รายงานราว 10 จุด หน้าของ Vals AI ไม่ได้ระบุว่าใช้ harness ตัวไหน จึงยังสรุปไม่ได้ว่าความต่างมาจากอะไร

ระดับความน่าเชื่อถือของตัวเลขชุดนี้: 🟡 พอใช้อ้างอิงได้ (3 จาก 6) ReadEval ให้ผ่านข้อทำซ้ำได้ (โมเดลเปิด ชุดทดสอบเป็นของสาธารณะ และระบุ harness) ข้อบอกสภาพแวดล้อม (ระบุค่าการสุ่มและความยาว context) และข้อความเป็นอิสระ (มีผู้วัดอิสระยืนยันทิศทางว่าดีขึ้นจากรุ่นก่อน) แต่ไม่ผ่านข้อรายงานความแปรปรวน ข้อเทียบอย่างยุติธรรม (ใช้ตัวเลขคู่แข่งชุดเดิมและเปลี่ยน harness) และข้อยอมรับข้อจำกัด

ใช้แอปหรือเว็บ DeepSeek ข้อมูลของคุณไปไหน

นโยบายความเป็นส่วนตัวของ DeepSeek (ปรับปรุงล่าสุด 10 ก.พ. 2026) ระบุประเด็นหลักไว้ดังนี้

• ผู้ควบคุมข้อมูล: Hangzhou DeepSeek Artificial Intelligence Co., Ltd. บริษัทที่จดทะเบียนในจีน
• ข้อมูลที่เก็บ: ข้อความ เสียง ไฟล์และรูปที่อัปโหลด ประวัติแชต รวมถึงข้อมูลบัญชี เช่น อีเมลหรือเบอร์โทรศัพท์
• ที่เก็บข้อมูล: "เราเก็บรวบรวม ประมวลผล และจัดเก็บข้อมูลส่วนบุคคลของคุณโดยตรงในสาธารณรัฐประชาชนจีน"
• การนำไปฝึกโมเดล: ใช้ข้อมูลเพื่อ "ฝึกและปรับปรุงเทคโนโลยี" รวมถึงโมเดล machine learning ส่วนเอกสารอธิบายวิธีฝึกโมเดลของบริษัทระบุว่าข้อมูลฝึกบางส่วน "อาจมาจากข้อมูลที่ผู้ใช้ป้อน" โดยผ่านการเข้ารหัสและลบข้อมูลที่ระบุตัวตนก่อน
• สิทธิ์ของผู้ใช้: มีสิทธิ์ขอไม่ให้นำข้อมูลไปฝึกโมเดล ขอดู แก้ไข หรือลบข้อมูล ผ่านอีเมล [email protected]
• การส่งต่อให้หน่วยงานรัฐ: อาจเปิดเผยข้อมูลแก่หน่วยงานบังคับใช้กฎหมายหรือหน่วยงานรัฐเมื่อเชื่อว่าจำเป็นต้องทำตามกฎหมายหรือคำขอของรัฐ

ในหลักการ แชตบอตบนคลาวด์ทุกเจ้าต้องส่งข้อความไปประมวลผลที่เซิร์ฟเวอร์ของผู้ให้บริการ และ Kaspersky ก็ชี้ว่า ChatGPT และ Gemini ส่งข้อมูลผู้ใช้ให้เจ้าหน้าที่ตามคำขอได้เช่นกัน สิ่งที่ต่างคือกฎหมายที่ใช้บังคับ Kaspersky ระบุว่า DeepSeek อยู่ภายใต้กฎหมายจีน หน่วยงานบังคับใช้กฎหมายของจีนจึงอาจขอเข้าถึงแชตได้ตามที่กฎหมายท้องถิ่นกำหนด สำหรับคนไทย ReadEval ยังไม่ได้ตรวจว่ามีหน่วยงานรัฐไทยออกข้อห้ามใช้ DeepSeek หรือไม่ ถ้าคุณใช้กับงาน ให้ถามฝ่ายไอทีหรือดูนโยบายขององค์กรก่อน

วิธีปิดไม่ให้แชตถูกนำไปฝึกโมเดล (ตามคู่มือของ Kaspersky เดือนตุลาคม 2025 ชื่อเมนูอาจเปลี่ยนไปแล้ว)

1. บนเว็บ: เปิดแถบด้านซ้าย คลิกจุดสามจุดข้างชื่อของคุณด้านล่าง เลือก Settings ไปที่แท็บ Data แล้วปิด "Improve the model for everyone"
2. บนแอป: เปิดแถบด้านซ้าย แตะจุดสามจุดข้างชื่อ เลือก Settings ไปที่ Data controls แล้วปิด "Improve the model for everyone"
3. การปิดตัวเลือกนี้ไม่ย้อนกลับไปถึงแชตที่ส่งไปแล้ว ถ้าต้องการให้หยุดใช้ข้อมูลเก่า Kaspersky แนะนำให้อีเมลถึง [email protected] และระบุแชตหรือข้อมูลที่ต้องการ
4. การลบแชตในแอปทำได้ที่ Settings > Data (เว็บ) หรือ Data controls (แอป) > Delete all chats แต่ Kaspersky ระบุว่าการลบแชตออกจากบัญชีไม่ได้ลบข้อมูลออกจากเซิร์ฟเวอร์ของ DeepSeek

ถ้ารันในเครื่องเอง ข้อความที่พิมพ์จะไม่ถูกส่งไปที่ DeepSeek เลย เพราะโมเดลทำงานบนเครื่องของคุณ แต่ต้องแลกกับฮาร์ดแวร์ราคาสูงตามตารางด้านบน และ Kaspersky เตือนว่าโมเดลที่รันในเครื่องค้นข้อมูลล่าสุดจากอินเทอร์เน็ตไม่ได้ นอกจากต่อเครื่องมือค้นหาเพิ่มเอง

สิ่งที่แหล่งข่าวรายงานไม่ตรงกัน

• จำนวนพารามิเตอร์: 552B (DeepSeek, Artificial Analysis, Unsloth) กับ 763B (ตัวนับอัตโนมัติของ Hugging Face) นับคนละส่วนตามที่อธิบายด้านบน ReadEval ใช้ 552B ตามแหล่งต้นทางคือ DeepSeek และระบุ Engram 196B แยกไว้
• Terminal-Bench 4.0: DeepSeek รายงาน 42.3 (ใช้ Claude Code) ส่วน Vals AI วัดได้ 31.82
• ราคา API: ถ้าเห็นราคาข้อมูลนำเข้า 0.15 ดอลลาร์ในบางแห่ง และ 0.30 ดอลลาร์ต่อ 1 ล้าน token ในอีกแห่ง ทั้งสองตัวเลขถูก เพราะเป็นราคาช่วงคนใช้น้อยกับช่วงปกติตามหน้าราคาของ DeepSeek
• ราคา Search API: หน้าราคาภาษาอังกฤษของ DeepSeek ระบุ 0.75 ดอลลาร์ต่อ 1,000 ครั้ง ส่วน TechNews ของไต้หวันรายงาน 5 หยวนต่อ 1,000 ครั้ง ReadEval ยึดหน้าราคาภาษาอังกฤษ ตัวเลขหยวนน่าจะเป็นราคาสำหรับแพลตฟอร์มในจีน
• วันหมดช่วงใช้ฟรี: ประกาศของ DeepSeek ระบุ 31 ต.ค. 2026 เวลา 16:00 น. UTC ส่วนหน้าราคาระบุ 00:00 น. วันที่ 1 พ.ย. ตามเวลาปักกิ่ง ซึ่งเป็นเวลาเดียวกัน