อัปเดต DeepSeek-V4-Flash

 (api-docs.deepseek.com)
1 คะแนน โดย GN⁺ 2 시간 전 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • DeepSeek-V4-Flash API เวอร์ชันทางการ เปิดตัวเป็น public beta เมื่อวันที่ 31 กรกฎาคม 2026 และสามารถใช้งานได้โดยระบุเฉพาะชื่อโมเดลเป็น deepseek-v4-flash จากวิธีเรียกใช้งานเดิม
  • ประสิทธิภาพด้านเอเจนต์สูงกว่า V4-Pro-Preview อย่างมาก โดยทำได้ 82.7 คะแนนใน Terminal Bench 2.1 รวมถึง Cybergym 76.7, Toolathlon verified 70.3 และ DSBench-FullStack 68.7
  • เบนช์มาร์ก code agent วัดใน โหมดขั้นต่ำของ DeepSeek Harness ที่มีกำหนดเปิดตัว โดยใช้เงื่อนไข max effort, top_p=0.95, temperature=1.0
  • V4-Flash เวอร์ชันทางการ รองรับรูปแบบ Responses API เป็นค่าเริ่มต้น และปรับให้เหมาะกับ Codex โดยใช้โครงสร้างและขนาดโมเดลเดียวกับ Preview พร้อมใช้เฉพาะการฝึก post-processing ซ้ำ
  • ขอบเขตการเปลี่ยนแปลง จำกัดเฉพาะ V4-Flash API ส่วน V4-Pro API และโมเดล APP/WEB ยังคงเดิม และ V4-Pro เวอร์ชันทางการมีกำหนดเปิดตัวเร็ว ๆ นี้

การเปิดตัว public beta และวิธีใช้ API

  • DeepSeek-V4-Flash API เวอร์ชันทางการ เปิดตัวเป็น public beta เมื่อวันที่ 31 กรกฎาคม 2026
  • วิธีเรียกใช้งานเดิมยังคงเหมือนเดิม และสามารถใช้เวอร์ชันล่าสุดได้โดยตั้งค่าพารามิเตอร์โมเดลเป็น deepseek-v4-flash
  • ซีรีส์ V4 ให้บริการบน base_url เดิม ผ่าน OpenAI ChatCompletions และอินเทอร์เฟซ Anthropic
    • V4-Pro ใช้ deepseek-v4-pro ส่วน V4-Flash ใช้ deepseek-v4-flash
    • ชื่อโมเดลเดิมอย่าง deepseek-chat และ deepseek-reasoner มีกำหนดหยุดให้บริการในวันที่ 24 กรกฎาคม 2026
    • ในช่วงเปลี่ยนผ่าน ชื่อทั้งสองชี้ไปยังโหมดไม่ใช้การคิดและโหมดใช้การคิดของ V4-Flash ตามลำดับ

ผลเบนช์มาร์กเอเจนต์

  • V4-Flash เวอร์ชันทางการทำผลงาน ด้านประสิทธิภาพเอเจนต์สูงกว่า V4-Pro-Preview อย่างมาก
    • Terminal Bench 2.1: 82.7
    • NL2Repo: 54.2
    • Cybergym: 76.7
    • DeepSWE: 54.4
    • Toolathlon verified: 70.3
    • Agent Last Exam: 25.2
    • Automation Bench Public: 25.1
    • DSBench-FullStack: 68.7
    • DSBench-Hard: 59.6
  • โจทย์ code agent ในเบนช์มาร์กสาธารณะวัดด้วย โหมดขั้นต่ำของ DeepSeek Harness ที่มีกำหนดเปิดตัว
    • ระดับ effort เป็น max และตั้งค่า top_p=0.95, temperature=1.0
  • DSBench-FullStack เป็นชุดทดสอบการพัฒนา full-stack ภายใน และ DSBench-Hard เป็นชุดโจทย์ยากสำหรับ coding agent ภายใน

Responses API และการเชื่อมต่อ Codex

  • V4-Flash เวอร์ชันทางการ รองรับรูปแบบ Responses API เป็นค่าเริ่มต้น และปรับให้เหมาะกับ Codex
  • การตั้งค่าที่จำเป็นสำหรับการเชื่อมต่อ Codex ดูได้ใน เอกสารทางการ

ขอบเขตการเปลี่ยนแปลงของโมเดล

  • DeepSeek-V4-Flash-0731 ยังคงใช้ โครงสร้างและขนาดโมเดลเดียวกัน กับ V4-Flash-Preview
  • ไม่มีการเปลี่ยนแปลงโครงสร้างของตัวโมเดลเอง มีเพียงการฝึก post-processing ซ้ำเท่านั้น
  • อัปเดตนี้มีผลเฉพาะกับ DeepSeek-V4-Flash API
    • DeepSeek-V4-Pro API ไม่เปลี่ยนแปลง
    • โมเดลที่ให้บริการบน APP/WEB ยังคงเดิม
  • DeepSeek-V4-Pro เวอร์ชันทางการ มีกำหนดเปิดตัวเร็ว ๆ นี้

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2 시간 전
ความคิดเห็นจาก Hacker News

  • ส่วนตัวแล้วคาดหวังกับตัวนี้มากกว่า K3 ด้วยซ้ำ โมเดล DSV4 มีต้นทุนการให้บริการต่ำมาก ดังนั้นยิ่งประสิทธิภาพดีขึ้น ก็ยิ่งอาจกลายเป็นโมเดลที่ “ดีพอ” สำหรับงานมากขึ้น
    DeepSeek ให้บริการเวอร์ชัน Pro ในราคาถูกมากมานาน และเชื่อมกับ OpenCode เป็นต้น จึงมีโอกาสสูงที่จะเก็บข้อมูลจากงานพัฒนาจริงไว้มาก หากนำไปใช้ในการฝึกหลังโมเดลเสร็จ ก็ยังปรับปรุงเพิ่มเติมได้อีก
    ผมก็อยากรู้ว่าเมื่อ distill K3 ลงมาเป็น DSV4 แล้วจะดีขึ้นได้แค่ไหน โมเดลที่ถูกและเร็วมีประโยชน์ต่อชุมชนเป็นพิเศษ เพราะไม่หายไปตามใจผู้ให้บริการ และยังใช้ประโยชน์จากประสิทธิภาพได้ต่อไป อย่างน้อย Flash ก็รันที่บ้านได้ด้วย เครื่องราคาต่ำกว่า 10,000 ดอลลาร์ แต่โมเดลใหญ่ของ GLM หรือ K3 นั้นทำได้ยากในทางปฏิบัติ

    • ผู้ให้บริการที่ผมยอมให้ใช้ข้อมูลการฝึกได้มีแค่ DeepSeek และ Moonshot เท่านั้น
    • คาดว่าถ้ารวมกับ DwarfStar แล้วจะได้ AI แบบโลคัล ที่ใช้งานได้ดี

  • ตอนนี้ใช้ Flash จัดการงาน 90% อยู่ ไม่รู้เหมือนกันว่าทำไม แต่ดีกว่า Pro แถมถูกมากและเร็ว
    ถ้าคุมปริมาณการเปลี่ยนแปลงให้ต่ำกว่า 1,000 บรรทัด และตัดสินใจเรื่องสถาปัตยกรรมเอง แทบไม่รู้สึกต่างจากโมเดลระดับแนวหน้าเลย อีก 10% ที่เหลือใช้หาบั๊ก/ปัญหาความปลอดภัย หรือทบทวนโครงสร้างที่ดีกว่า ซึ่ง Flash ก็ทำได้ค่อนข้างดี แต่ผมยัง cross-check อยู่
    การวนซ้ำเร็ว ๆ ดีกว่าการรอ 5–10 นาทีสำหรับการแก้เล็ก ๆ มาก ช่วงหลัง Kimi กับ GLM อนุมานนานโดยไม่จำเป็นจนช้า ใส่ข้อมูลจำนวนมากอย่าง dependency, log, performance dump ได้โดยไม่ต้องกังวลเรื่องลิมิต และในการทำ binary reverse engineering ก็ไม่ติดข้อจำกัดด้านความปลอดภัย

    • อาจเป็นเพราะการเขียนพรอมป์ของผมไม่ค่อยชัดก็ได้ แต่โมเดล OpenAI ที่ใช้ผ่าน Codex ไม่เคยปฏิเสธงาน binary reverse engineering เลย ตอนนี้ก็กำลังวิเคราะห์ Codex กับเฟิร์มแวร์ของบุคคลที่สามอยู่ และไม่เคยเจอข้อจำกัดสักครั้ง
      ในทางกลับกันก็มีกรณีที่แม้แต่พรอมป์ที่ไม่เกี่ยวกับความปลอดภัยก็ถูกปฏิเสธ เลยสงสัยว่าความต่างตามแพลตฟอร์ม/ผู้ใช้มันมากขนาดนี้เลยหรือ
    • DeepSeek V4 Flash เพียงพอสำหรับงานส่วนใหญ่ และตอบกลับเร็ว โทเคนส่วนใหญ่ซื้อจาก FireWorks.ai ในสหรัฐฯ แต่ก็จ่ายล่วงหน้ากับ DeepSeek ไว้จำนวนมากด้วย
      ใช้ OpenCode เป็นหลัก เพราะใช้โทเคนน้อยกว่า Claude Code และกำลังรอให้ DeepSeek ออก coding harness ของตัวเองเช่นกัน
    • โดยรวมดี แต่บน OpenRouter ลิมิตโทเคนเอาต์พุต เข้มเกินไป ถ้าติดกับดักในการ reasoning มันพาตัวเองออกมาภายในลิมิตไม่ได้ แต่ถึงอย่างนั้นก็แทนที่โมเดล Kimi ไปแล้ว

  • สถิติ 30 วันที่ผ่านมา ซึ่งใช้ DeepSeek สำหรับงานเอเจนต์ประจำวันส่วนตัวเกือบทั้งหมดคือ ค่าใช้จ่าย 4.55 ดอลลาร์, คำขอ API 3,467 ครั้ง, โทเคน 323,183,886 โทเคน
    ในฐานะวิศวกรที่นำทีมเล็ก ๆ ผมมีมาตรฐานคุณภาพสูง และใช้มาตรฐานเดียวกันกับโปรเจกต์ส่วนตัว แต่ไม่ผิดหวังเลยกับงานเขียนโค้ดและรีวิว ส่วนงานอื่น ๆ ใช้โมเดลอื่น

    • อยากรู้ว่าเวลาใช้ LLM รีวิวโค้ด ใช้วิธีและพรอมป์แบบไหน คุณภาพคำตอบที่ได้ค่อนข้างต่ำ เลยอยากรู้ว่าเป็นเพราะวิธีใช้ของผมหรือเปล่า
    • อยากรู้ว่าใช้ harness อะไรถึงทำ token caching ได้ระดับนี้
    • อยากรู้ว่ามี hallucination เยอะไหม และถ้ามี ส่งผลต่อ workflow อย่างไร
    • คุณภาพไม่ได้ยอดเยี่ยม และ LLM ส่วนใหญ่ก็เป็นแบบนั้นเหมือนกัน

  • ตอนนี้งานแทบทั้งหมดใน pi รันด้วย Flash ถ้ามี MCP server, เครื่องมือลด context และ skill ที่เหมาะสม ก็ implement งานอะไรก็ได้
    บาง session ใช้เกิน 30 turn แต่เร็วและถูก ทำงานหนึ่งชั่วโมงก็ใช้เงินประมาณ 0.5 ดอลลาร์ก็พอ อย่างไรก็ตามใน workflow แบบมี sub-agent หลายตัว ก็ยังใช้โมเดลที่แพงกว่าในบทบาทวางแผน/รีวิว/oracle
    ไม่ได้ใช้ subscription Opus ที่ช้ามาหลายสัปดาห์แล้ว ยังสร้างแชต OpenWebUI แบบ self-host ที่ทำงานบนมือถือได้ และรองรับ MCP กับ skill จนแทนที่ Perplexity ได้หมด ค่าโฮสต์และ subscription อยู่ที่ราว 18 ดอลลาร์ต่อเดือน

    • ผมก็ใช้ชุด pi + DeepSeek พร้อมติดตั้งเครื่องมือ custom หลายตัวสำหรับติดตามงานและประหยัดโทเคน และใช้โมเดลระดับแนวหน้าเฉพาะงานที่ยากมากเท่านั้น คอนฟิกนี้ตอบโจทย์ฟีเจอร์ที่ต้องการทั้งหมดแล้ว
    • อยากได้คำแนะนำ extension ที่น่าใช้กับ pi
    • อยากรู้ว่าอัปเดตครั้งนี้มี improvement ที่รู้สึกได้ไหม
    • อยากรู้วิธีตั้งค่า top_p กับ temperature ใน pi

  • ถ้า benchmark สะท้อนประสิทธิภาพการใช้งานจริงได้ถูกต้อง นี่เป็นโมเดลที่น่าทึ่งมาก โมเดล 300B เหนือกว่าประสิทธิภาพของโมเดลพรีวิว DS4 Pro เดิมที่มีพารามิเตอร์ 1.8T และดูดีกว่า GPT 5.6 Luna ด้วย
    ยังถูกกว่า Luna หลังลดราคาอยู่ดี

    • ใน DeepSWE DeepSeek ได้ 54.4% ส่วน Luna ได้ 67%

  • การที่ โมเดล 200B แข่งกับ GLM-5.2 และเข้าใกล้ Opus 4.8 ได้นั้นน่าประทับใจมาก
    ถ้าตัวเลขนี้ต่อยอดไปถึงประสิทธิภาพทั่วไปได้ และรวมกับ caching ที่ยอดเยี่ยมของ DeepSeek ก็น่าจะมีการใช้งานสูงมาก

    • ไม่ใช่แค่เป็นโมเดล 200B เท่านั้น แต่ขนาดก็มีเพียง 160GiB ด้วย

  • สงสัยว่ามีเหตุผลอะไรที่ไม่เรียกว่า v4.1-Flash เพื่อแยกให้ชัดเจนกว่าเดิม

  • ถ้ารักษาความเร็วกับราคาถูกไว้ได้ พร้อมทั้ง เหนือกว่าประสิทธิภาพของ deepseek-v4-pro ที่ใช้งานได้ดีพออยู่แล้ว ก็น่าจับตามองมาก
    deepseek-v4-flash เป็นโมเดลที่คุ้มค่าราคา/ประสิทธิภาพดีที่สุดอยู่แล้ว ดังนั้นช่องว่างในดัชนี intelligence/cost น่าจะยิ่งกว้างขึ้น อย่างไรก็ตาม ต้นทุนที่ถูกของ DeepSeek API ก็แลกมากับการส่งข้อมูล codebase ไปให้จีนด้วย

    • อย่างน้อยใน benchmark หนึ่งบอกว่า ดีกว่า GLM 5.2

  • สงสัยว่าคอนฟิกที่ใช้ Kimi K3 แทน Opus สำหรับงานแพง ๆ และใช้ DSV4 Flash แทน Sonnet สำหรับงานทั่วไปนั้นสมเหตุสมผลไหม

    • ดูเหมือน deepseek-v4-pro เวอร์ชันอัปเดตกำลังจะออกเร็ว ๆ นี้ และเมื่อดูการพัฒนาครั้งใหญ่ของ DSV4 Flash ก็มีโอกาสสูงจะแซง Kimi K3 ได้ทั้งด้าน intelligence และ cost
    • สมเหตุสมผลพอเลย ใช้ DSV4 Flash เขียนโค้ดหรือตรวจเซิร์ฟเวอร์หนึ่งชั่วโมง ต้นทุน API ล้วน ๆ อยู่ราว 0.30 ดอลลาร์ ซึ่งน่าทึ่งทุกครั้ง
    • ใช้ model router ของผมให้สลับระหว่างสองโมเดลในเบื้องหลังได้

  • อยากรู้เคสที่ใช้ DSv4 กับเอเจนต์นอกเหนือจากงานโค้ด โดยเฉพาะอยากรู้ว่าผู้ใช้ที่เคยใช้ GPT-5.4 mini จัดการงานอย่างการจำแนกหรือจัดหมวดหมู่ นำ DSv4 ไปใช้อย่างไร