โมเดล 3T ของ DeepSeek: การขยายขนาดที่ต้องรอคลัสเตอร์

ในวันที่ 14 กันยายน DeepSeek จะเลิกให้บริการ DeepSeek V4 Pro — เรือธงขนาด 1.6 ล้านล้านพารามิเตอร์ที่เปิดให้ใช้งานทั่วไปเมื่อวันที่ 13 สิงหาคม — และตอบทุกการเรียกที่ไปยัง deepseek-v4-pro ด้วย DeepSeek V4.1 Flash ซึ่งเป็นโมเดลขนาด 552 พันล้านพารามิเตอร์ที่เปิดตัวเมื่อวันที่ 10 กันยายน สี่วันก่อนที่จะประกาศการเปลี่ยนดังกล่าว ผู้เฝ้าสังเกต DeepSeek ที่ใช้นามแฝงได้โพสต์ข้อความที่แหลมคมซึ่งชี้ไปในทางตรงกันข้ามว่า แล็บกำลังพัฒนาโมเดลขนาด 3 ล้านล้านพารามิเตอร์ "น่าจะเป็น Engram อีกตัวที่มีพารามิเตอร์ 1T" และเหตุผลที่มันยังไม่ออกมาคือเรื่องเศรษฐกิจ ไม่ใช่ขีดความสามารถ

ยังไม่มีอะไรเกี่ยวกับโมเดลนั้นที่ได้รับการยืนยัน ไม่มีชื่อ ไม่มีรีโพซิทอรี ไม่มีไฟล์คอนฟิก ไม่มีเบนช์มาร์ก ไม่มีช่วงเวลาการเปิดตัว — มีเพียงโพสต์บน X โพสต์เดียว ที่อ้างอิงจาก "แหล่งข่าวที่น่าเชื่อถือ" โดยรายละเอียดที่น่าสนใจที่สุดเพียงจุดเดียวของมันถูกผู้เขียนเองระบุไว้อย่างชัดเจนว่าเป็นการคาดเดา ให้มองมันเป็นสัญญาณ ไม่ใช่ข้อเท็จจริง ถึงอย่างนั้นก็ยังคุ้มค่าที่จะอ่าน เพราะสองครึ่งของข้อกล่าวอ้างดึงไปคนละทิศทาง และมีเพียงครึ่งเดียวเท่านั้นที่น่าจะอยู่รอดเมื่อเผชิญหน้ากับโรดแมปของ DeepSeek เอง

ข้อมูลรั่วไหลบอกอะไรจริงๆ และไม่ได้บอกอะไร

โพสต์นี้มาจากบัญชี teortaxesTex ผู้เฝ้าจับตาดู DeepSeek มาอย่างยาวนาน ซึ่งอธิบายตัวเองว่าเป็นแฟนของแล็บนี้ตั้งแต่ปี 2023 เนื้อหาทั้งหมดมีดังนี้: "จริงๆ แล้ว ผมมีแหล่งข่าวที่น่าเชื่อถือว่า DeepSeek กำลังทำงานกับโมเดลขนาด 3T (แบ็กโบน น่าจะเป็น Engram อีกตัวที่มีพารามิเตอร์ 1T แต่นั่นเป็นการคาดเดาของผมเอง) พวกเขาแค่ยังไม่แน่ใจว่ามันจะคุ้มค่าทางเศรษฐกิจที่จะทำ post-train และให้บริการหรือไม่ เมื่อคลัสเตอร์ของพวกเขาเติบโตขึ้น เราจะได้เห็นบางอย่าง..."

สี่สิ่งในสองประโยคนั้นมีน้ำหนัก และหนึ่งในนั้นไม่ใช่ข้อเท็จจริงเลยแม้แต่น้อย “แหล่งข่าวที่น่าเชื่อถือ” ไม่ถูกระบุชื่อ จำนวนพารามิเตอร์ถูกส่งมาเป็นตัวเลขเดียว โดยไม่มีการแยกระหว่างจำนวนทั้งหมดกับจำนวนที่ใช้งานจริง ข้อความแทรกเกี่ยวกับ Engram ถูกระบุว่าเป็นการคาดเดาโดยตัวผู้ที่กำลังคาดเดาเอง และ “เมื่อคลัสเตอร์ของพวกมันเติบโต” เป็นประโยคเงื่อนไขที่ไม่มีวันที่กำกับไว้กับมัน

• สิ่งที่กำลังถูกกล่าวอ้าง — ว่าโมเดล DeepSeek ขนาด 3 ล้านล้านพารามิเตอร์มีอยู่ในขั้นตอนใดขั้นตอนหนึ่งของการพัฒนา

• อะไรคือสิ่งที่ผู้เขียนคาดเดาเอาเองไว้อย่างชัดเจน — ว่าประมาณ 1T ของมันคือหน่วยความจำ Engram

• สิ่งที่ยังไม่ทราบ — ชื่อ สถาปัตยกรรม จำนวนพารามิเตอร์ที่ใช้งานจริง หน้าต่างบริบท สถานะการฝึก และว่าจะเปิดตัวเป็นผลิตภัณฑ์หรือไม่เลย

• สิ่งที่ตรวจสอบยืนยันได้ในตอนนี้ — ไม่มีเลย ไม่มีที่เก็บโค้ด การ์ดโมเดล แถวราคา หรือรายการเอกสารใดของ Deep​Seek ที่กล่าวถึงมัน

แม้แต่ตัวเลขก็ยังกำกวม "โมเดล 3T (แบ็กโบน อาจเป็น Engram อีกประมาณ 1T พารามิเตอร์)" ตีความได้สองแบบ: โมเดล 3T ที่ประมาณ 1T เป็น Engram หรือแบ็กโบน 3T ที่มี Engram อีก 1T อยู่เคียงข้าง รวมทั้งหมดประมาณ 4T ช่องว่างนั้นกว้างถึงหนึ่งล้านล้านพารามิเตอร์ และมันเปลี่ยนบิลค่าบริการมากกว่าที่แล็บส่วนใหญ่ใช้จ่ายในการฝึกโมเดลหนึ่งรอบ

เป็นเรื่องที่ควรจดจำไว้ด้วยว่า ผลงานที่ผ่านมาของบัญชีนี้คละกันไป มากกว่าระดับที่แม่นยำดั่งคำพยากรณ์ เขาตีความประกาศของ Deep​Seek วันที่ 9 กันยายน เกี่ยวกับการเปลี่ยนเส้นทางทราฟฟิกของ V4 Pro ว่าเป็นหลักฐานว่าห้องแล็บได้ "แก้ไขปัญหาสถาปัตยกรรมของตระกูล V4" แล้ว — ซึ่งเป็นการอนุมานที่สมเหตุสมผล แต่ก็ยังเป็นการอนุมานอยู่ ในต้นเดือนกันยายน เขายังได้เสนอความคิดว่าโมเดล stealth ที่ไม่ระบุตัวตนบนแพลตฟอร์มเขียนโค้ดของบุคคลที่สาม คือ MiMo-V3-Flash ของ Xiaomi ซึ่งยังไม่มีใครยืนยัน เป็นสัญญาณเริ่มต้นที่มีประโยชน์ แต่ไม่ใช่แหล่งข้อมูลที่น่าเชื่อถือ

ครึ่งที่น่าสนใจคือตารางหน่วยความจำ ไม่ใช่จำนวนพารามิเตอร์

Engram นั้นมีอยู่จริง และนี่คือเหตุผลที่คำกล่าวอ้าง 3T ดูน่าเชื่อถือมากกว่าที่ฟังครั้งแรก Deep​Seek ได้เผยแพร่สถาปัตยกรรมหน่วยความจำแบบมีเงื่อนไขในเดือนมกราคม 2026 พร้อมแนบโค้ดโอเพนซอร์ส และมันทำสิ่งที่ไม่ธรรมดา: มันแยกการดึงความรู้แบบสถิตออกจากการให้เหตุผลแบบไดนามิก แทนที่จะใช้การประมวลผล GPU ไปกับการระลึกถึงข้อเท็จจริง โมเดลจะแฮชบริบทของมันลงในตารางการฝังที่เก็บไว้ใน DRAM และดึงข้อมูลในเวลาคงที่ โดยไม่มีงาน GPU ในเส้นทางการค้นหา อีกทั้งยังมีกลไกการควบคุมที่ยับยั้งหน่วยความจำที่ถูกดึงมาเมื่อมันขัดแย้งกับบริบทโดยรอบ

ตัวเลขที่ Deep​Seek รายงานสำหรับการกำหนดค่าการทดสอบของตัวเองคือสิ่งที่ควรยึดไว้: ตาราง embedding ขนาด 100 พันล้านพารามิเตอร์ที่ offload ไปยัง DRAM โดยมี penalty ด้าน throughput ต่ำกว่า 3% และความแม่นยำแบบ needle-in-a-haystack 97% ที่ 1M โทเคน เทียบกับ 84.2% สำหรับ attention มาตรฐาน นั่นคือตัวเลขของทางแล็บเอง ไม่ใช่ค่าที่เราจำลองซ้ำได้ การประเมินเบื้องต้นโดยอิสระมีรายงานว่าอยู่ในช่วง 93–96% ที่ความยาวบริบทเดียวกัน — สูงกว่า baseline ชัดเจน แต่ต่ำกว่าข้ออ้าง

ขยายแนวคิดนั้นขึ้นสิบเท่า แล้วรูปร่างของการรั่วไหลก็เปลี่ยนไป หากพารามิเตอร์ส่วนเกินส่วนใหญ่ของโมเดล 3T เป็นหน่วยความจำตารางแฮชที่อยู่ใน DRAM แทนที่จะเป็นผู้เชี่ยวชาญที่แย่งชิง HBM กัน แล้ว "3T" ก็เลิกเป็นตัวแทนของ "ให้บริการไม่ได้" จำนวนพารามิเตอร์ทั้งหมดกับต้นทุนการให้บริการแยกออกจากกัน นั่นคือแนวคิดใหม่ที่แท้จริงในการรั่วไหลครั้งนี้ และเป็นส่วนที่งานวิจัยที่ตีพิมพ์รองรับจริง

ข้อแม้คือ ตามที่มีรายงานว่า เปเปอร์ Engram ไม่ได้กล่าวถึงโอเวอร์เฮด ณ เวลาที่ทำการอนุมาน — ความหน่วงและอัตราการประมวลผล — ซึ่งเป็นจุดที่ตารางค้นหาที่อยู่ใน DRAM จะโผล่ให้เห็นพอดี ถ้ามันจะโผล่ที่ใดเลย หน่วยความจำที่คุณต้องไปดึงมานั้นไม่ใช่หน่วยความจำที่คุณได้มาฟรี

ทำไม September ของ DeepSeek เองจึงโต้แย้งในทางตรงกันข้าม

ข้อโต้แย้งต่อการเปิดตัวผลิตภัณฑ์ 3T ในไม่ช้าก็คือ DeepSeek เพิ่งทดลองที่ 1.6T และตอบคำถามของตัวเองด้วยสิ่งที่เล็กกว่า บันได V4 ในสถานะปัจจุบัน:

• DeepSeek-V4-Flash-0731 — พารามิเตอร์รวม 284B, ใช้งานจริง 13B ต่อโทเคน

• DeepSeek-V4-Pro-0813 — จำนวนพารามิเตอร์รวม 1.6T, เปิดใช้งาน 49B, น้ำหนักแบบเปิดภายใต้สัญญาอนุญาต MIT

• DeepSeek V4.1 Flash — แกนหลัก 552B บนการออกแบบ Causal Encoder-Decoder ที่เปิดใช้งานพารามิเตอร์ 8B ต่อโทเคนระหว่าง prefill และ 16B ระหว่าง decode

วันที่ 14 กันยายน เวลาเที่ยงตามเวลาปักกิ่ง รุ่นกลางจะเปิดตัว DeepSeek จะปิดให้บริการ V4 Pro และเปลี่ยนเส้นทางคำขอสำหรับ deepseek-v4-pro ไปยัง V4.1 Flash โดยคิดค่าบริการในอัตราของ Flash จนกว่าจะมี V4.1 Pro หน้าค่าบริการอย่างเป็นทางการในวันนี้มีอยู่สองแถว และไม่มีแถวใดที่เป็นรุ่นสืบทอดของโมเดลที่ปลดระวางแล้วในเชิงขนาด: deepseek-flashอยู่ที่ $0.30 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และ $1.20 ต่อโทเค็นเอาต์พุตหนึ่งล้านโทเค็นในช่วงพีก deepseek-v4-proอยู่ที่ $1.32 และ $3.96 โดยอัตรานอกช่วงพีกเป็นครึ่งหนึ่งของตัวเลขเหล่านั้น ทั้งคู่ระบุหน้าต่างบริบทขนาด 1M โทเค็น และเพดานเอาต์พุต 384,000 โทเค็น

ทิศทางที่มุ่งไปนั้นชัดเจนจนไม่ต้องตีความ แล็บที่ปลดระวางโมเดลที่ใหญ่ที่สุดของตนเพื่อหันมาใช้โมเดลที่เปิดใช้พารามิเตอร์ต่อโทเคนเพียงหนึ่งในสิบ ได้ข้อสรุปไปแล้วว่าหน่วยเชิงเศรษฐศาสตร์ของความสามารถระดับแนวหน้าไม่ใช่เช็กพอยต์ที่ใหญ่ที่สุดที่มันฝึกได้ โมเดลขนาด 3T ซึ่งผู้สร้างไม่แน่ใจว่ามันจะสามารถ "post-trained and served economically" ได้ ไม่ใช่ข่าวลือเรื่องความลังเลใจ แต่บรรยายถึงแล็บที่บัดนี้มีข้อมูลจากการวัดเกี่ยวกับทางเลือกนั้นแล้ว

การทำโพสต์เทรนนิ่ง (post-training) คือครึ่งที่คมกว่าของปัญหานั้น การทำโพสต์เทรนนิ่งแบบพารามิเตอร์เต็มของตระกูล DeepSeek-V4-Pro บน CloudMatrix384 SuperPOD ของ Huawei มีรายงานโดยโครงการ SLAI T-Rex ซึ่งเป็นบุคคลที่สามว่าได้ 34.22% MFU หรือประมาณ 2.93 เท่าของสูตรพื้นฐานแบบเปิด นั่นเป็นตัวเลขที่ให้กำลังใจ — ตัวเลขจากบุคคลที่สาม บนโมเดลขนาด 1.6T การเพิ่มขนาดแบ็กโบนเป็นสองเท่าจะทำให้ค่าใช้จ่ายเพิ่มขึ้นราวสองเท่าก่อนที่จะมีการให้บริการโทเคนแม้แต่โทเคนเดียว

เมื่อกลุ่มของพวกมันเติบโตขึ้น

ข้อกำหนดที่มีน้ำหนักที่สุดในข้อมูลที่รั่วไหลคือข้อสุดท้าย เพราะเป็นส่วนเดียวที่มีร่องรอยเอกสารสาธารณะรองรับ มีการรายงานว่า DeepSeek วางแผนจะใช้ตัวเร่งความเร็ว Ascend 950DT ของ Huawei อย่างน้อย 160,000 ตัว ณ ศูนย์ข้อมูลแห่งใหม่ในอูลานชาบ เขตมองโกเลียใน ด้วยคำสั่งซื้อมูลค่าประมาณ 2.56 พันล้านดอลลาร์ — หนึ่งในคลัสเตอร์ซิลิกอน AI ที่ผลิตในจีนขนาดใหญ่ที่สุดเท่าที่มีใครเคยพยายามสร้าง

ข้อควรระวังที่แนบมากับแผนนั้นสำคัญกว่าพาดหัวข่าว ชิปเหล่านี้ถูกวางแผนไว้สำหรับการทำอินเฟอเรนซ์ ไม่ใช่การเทรน: DeepSeek เคยลองเทรนบนซิลิคอนของ Huawei มาก่อน และยังคงเทรนบนตัวเร่งความเร็วของ Nvidia ซึ่งเป็นขั้นตอนที่โมเดลขนาด 3T จะต้องใช้จริง ๆ การส่งมอบอาจใช้เวลามากกว่าหนึ่งปี คาดว่ากำลังการผลิตบางส่วนจะเริ่มใช้งานได้ในช่วงปลายปี 2027 ไปจนถึงต้นปี 2028 และคาดว่าอุปทานหน่วยความจำแบนด์วิดท์สูง ไม่ใช่ลอจิก จะเป็นตัวจำกัดจำนวนหน่วย 950DT ที่ Huawei สามารถผลิตได้ในปีนี้

ดังนั้นการตีความแบบมองโลกในแง่ดีของ “เมื่อคลัสเตอร์ของพวกเขาเติบโตขึ้น” จึงทำให้โมเดล 3T มีกรอบเวลาอย่างเร็วที่สุดในปี 2027–2028 และการตีความแบบมองโลกในแง่ร้าย — ที่ว่ามันยังคงเป็นเพียงอาร์ติแฟกต์งานวิจัยและไม่เคยกลายเป็นผลิตภัณฑ์ — ก็สอดคล้องกับทุกสิ่งที่ DeepSeek เปิดตัวในปี 2026 สภาพแวดล้อมด้านการประมวลผลรอบห้องแล็บก็เป็นนโยบายที่ถูกโต้แย้งเช่นกัน มากกว่าจะเป็นคำถามเรื่องอุปทานล้วน ๆ: เมื่อวันที่ 8–9 กันยายน NSA, FBI และ CISA กล่าวหาร่วมกันว่าแล็บจีน 6 แห่งซึ่งรวมถึง DeepSeek ได้ทำดิสทิลเลชันโมเดลแนวหน้าของสหรัฐฯ ใน “ระดับอุตสาหกรรม” ซึ่งเป็นข้อกล่าวหาที่กระทรวงพาณิชย์จีนปฏิเสธ ไม่ว่าจะตีความข้อกล่าวหานี้อย่างไร การเปิดตัวที่พึ่งพาการเติบโตของคลัสเตอร์ก็ย่อมขึ้นอยู่กับการตัดสินใจที่ไม่มีใครภายใน DeepSeek ควบคุมได้

อะไรจะเปลี่ยนสิ่งนี้จากเรื่องรั่วไหลให้กลายเป็นการเปิดตัว

รายการตรวจสอบนั้นสั้นและเฉพาะเจาะจง และยังไม่มีข้อใดถูกกระตุ้นให้ทำงานเลย:

• รีโพซิทอรีภายใต้องค์กร deepseek-ai บน Hugging Face ซึ่งมีชื่อเช็กพอยต์ที่ระบุเวอร์ชัน แทนที่จะเป็น slug ของตระกูล

• แถวใหม่บนหน้า Models & Pricing ของ Deep​Seek

• รายการที่ลงวันที่บนฟีดข่าวของเอกสาร API ในรูปแบบ newsYYMMDD ตามปกติของแล็บ

• ตัวระบุโมเดล ไม่ใช่ชื่อตระกูล — เวอร์ชันของ Deep​Seek เป็นเช็กพอยต์ และ slug ตระกูลเปล่า ๆ จนถึงตอนนี้หมายถึงพรีวิว

หมุดหมายที่ใกล้กว่าคือ V4.1 Pro ซึ่งสมาชิกทีม DeepSeek คนหนึ่งอ้างถึงเมื่อวันที่ 9 กันยายนว่าเป็นจุดสิ้นสุดของหน้าต่างการจัดเส้นทาง มันไม่มีสเปกที่เผยแพร่ ไม่มีจำนวนพารามิเตอร์ ไม่มีราคา และไม่มีวันที่เช่นกัน ในแง่หนึ่ง V4.1 Pro คือบททดสอบของข่าวรั่วนี้: หากเรือธงรุ่นถัดไปเปิดตัวที่ราว 1.6T ของ V4 Pro หรือต่ำกว่า คำกล่าวอ้างเรื่อง 3T ก็ถูกเลื่อนออกไปอย่างน้อยหนึ่งเจเนอเรชัน

ทั้งหมดนี้หมายความว่าอย่างไรหากคุณกำลังเลือกโมเดลในสัปดาห์นี้

โมเดล 3T ไม่ใช่การตัดสินใจซื้อในปี 2026 และบทเรียนเชิงปฏิบัติจากเดือนกันยายนของ DeepSeek ก็ไม่เกี่ยวกับขนาดเลยสักนิด สิ่งนั้นก็คือ โมเดลที่อยู่เบื้องหลัง endpoint หนึ่งสามารถเปลี่ยนไปได้ ในขณะที่ชื่อของ endpoint ยังคงเหมือนเดิมทุกประการ ใครก็ตามที่เรียก deepseek-v4-pro ผ่านชั้น abstraction จะได้โมเดลที่ต่างออกไป เล็กกว่า และถูกกว่าในวันที่ 14 กันยายน โดยไม่ต้องแตะโค้ดของตนเอง ส่วนใครที่เชื่อมต่อตรงเข้ากับ implementation ของผู้ให้บริการรายใดรายหนึ่งสำหรับ ID นั้น ก็จะได้สิ่งที่ผู้ให้บริการรายนั้นตัดสินใจจะทำ

ทั้ง DeepSeek V4.1 Flash และ DeepSeek V4 Pro อยู่บน OrcaRouter ภายใต้คีย์เดียวโดยบวกเพิ่ม 0% — ราคาตามรายการของผู้ให้บริการถูกส่งผ่านตรง ซึ่งหมายความว่าการเปลี่ยนแปลงราคาของ Deep​Seek เมื่อวันที่ 10 กันยายน มีผลที่นี่ในวันเดียวกันในราคาตามรายการ แทนที่จะเป็นเวอร์ชันที่บวกเพิ่ม หน้ารุ่นโมเดลระบุ $0.15 ต่ออินพุตหนึ่งล้านโทเค็น และ $0.60 ต่อเอาต์พุตหนึ่งล้านโทเค็นในช่วงออฟพีก ซึ่งเป็นตัวเลขออฟพีกของ Deep​Seek เอง และไม่มีอะไรบวกเพิ่ม การสลับไปใช้ผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดความล้มเหลวเป็นฟีเจอร์ที่ไม่หวือหวาแต่สำคัญที่สุดในสัปดาห์แบบนี้: เมื่อผู้ขายเปลี่ยนโมเดลที่ปลายทางพึ่งพาอยู่ เลเยอร์การกำหนดเส้นทางคือจุดที่สิ่งนั้นกลายเป็นการเปลี่ยนแปลงการตั้งค่าแทนที่จะเป็นการโยกย้าย

หากโมเดล Deep​Seek ขนาด 3T ออกให้บริการจริงสักวัน มันจะถูกให้บริการโดยใครก็ตามที่มีคลัสเตอร์มากพอจะรองรับมัน ในราคาที่ต้นทุนการประมวลผลกำหนด เลเยอร์การจัดเส้นทางเดียวกันคือจุดที่คุณจะได้พบมัน — โดยไม่ต้องมีสัญญาที่สอง และไม่ต้องสร้างอะไรใหม่

คำถามที่ยังไม่มีคำตอบไม่ใช่ว่า DeepSeek สามารถสร้างโมเดลขนาด 3 ล้านล้านพารามิเตอร์ได้หรือไม่ เอกสารสถาปัตยกรรมที่ตีพิมพ์แล้วสามฉบับ การออกแบบหน่วยความจำที่ใช้งานได้จริง และโมเดลขนาด 552B ที่ผู้ผลิตอ้างว่ามีประสิทธิภาพเหนือกว่ารุ่นก่อนหน้าขนาด 1.6T ของตัวเอง ล้วนบ่งชี้ว่าห้องแล็บนี้รู้วิธี คำถามคือว่าจะมีใครยอมจ่ายเพื่อให้บริการมันหรือไม่ — และจากหลักฐานในสองสัปดาห์ที่ผ่านมา DeepSeek เองก็ไม่แน่ใจ จับตาดูคลัสเตอร์ ไม่ใช่จำนวนพารามิเตอร์ หน้าราคาจะบอกคุณได้ว่าแท้จริงแล้ว DeepSeek ส่งมอบอะไรได้เร็วกว่าการรั่วไหลใด ๆ