DeepSeek V4.1 Flash: โมเดลพื้นฐานใหม่เอี่ยมที่สวมหมายเลขรุ่นย่อย

DeepSeek V4.1 Flashมีอายุได้หกวันแล้ว และคำถามสามข้อที่การเปิดตัวของมันทิ้งไว้ให้ค้างอยู่ก็ได้ปิดลงแล้ว — สองข้อเป็นผลดีต่อบริษัท และอีกข้อหนึ่งตรงกันข้ามอย่างรุนแรง ตัวโมเดลเองไม่เปลี่ยนแปลงไปจากวันที่ 10 กันยายน: เป็น mixture-of-experts ขนาด 552 พันล้านพารามิเตอร์ที่มีน้ำหนักเปิดภายใต้ MIT, บริบทหนึ่งล้านโทเค็น และสถาปัตยกรรม Causal Encoder-Decoder แบบใหม่ ซึ่งการ์ดโมเดลของผู้ขายเองจัดไว้ในสิ่งที่บริษัทเรียกว่า "ตระกูลสถาปัตยกรรมใหม่" สิ่งที่เปลี่ยนแปลงไปคือทุกอย่างรอบตัวมัน ผู้ประเมินอิสระได้เผยแพร่คะแนนในจุดที่เช้าวันเปิดตัวยังไม่มี บริษัทได้ถอนการเลิกใช้DeepSeek V4 Pro ที่เคยประกาศไว้ใน changelog ของตัวเอง และงานด้านการเสิร์ฟตั้งแต่วันแรกซึ่งยังไม่มีอยู่ในเช้าวันนั้น ตอนนี้ทำงานบนรันไทม์อินเฟอเรนซ์กระแสหลักหลายตัว — โดยสองส่วนที่ยากที่สุดของมัน คือตารางหน่วยความจำ Engram และการแยก prefill/decode ที่การปรับใช้ในโปรดักชันต้องพึ่งพา ยังคงถูกปรับปรุงใหม่อยู่ในที่สาธารณะอย่างต่อเนื่อง

ความไม่ลงรอยของการตั้งชื่อยังคงเป็นเหตุผลที่บทความนี้มีอยู่ การอ่าน "V4 Flash ไปยัง V4.1 Flash" ว่าเป็นขั้นตอนแพตช์เป็นเรื่องที่ทำกันตามธรรมชาติและเป็นการทำที่ผิด: หมายเลขเวอร์ชันห่างจากการจูนใหม่แค่ทศนิยมหนึ่งตำแหน่ง ขณะที่สถาปัตยกรรมข้างใต้ก่อกำเนิดตระกูลขึ้นมา หลักฐานหกวันไม่ได้ทำให้เรื่องนี้อ่อนลงเลย ถ้าจะพูด ตัวเลขอิสระยิ่งทำให้มันหนักแน่นขึ้น เพราะโมเดลที่ทำคะแนนได้สูงกว่าเรือธง 1.6 ล้านล้านพารามิเตอร์ของบริษัทผู้พัฒนาเอง ไม่ใช่การออกรุ่นย่อย — มันคือเจนเนอเรชันที่ปฏิเสธจะตั้งชื่อตัวเอง

สิ่งที่วางจำหน่ายจริงเมื่อวันที่ 10 กันยายน

นี่ไม่ใช่การรั่วไหลและไม่ใช่เวอร์ชันเบต้า การทดสอบ API เป็นเวลาสองวันที่เริ่มเมื่อวันที่ 8 กันยายน ภายใต้ ID โมเดล deepseek-v4.1-flash-expires-on-0910 จบลงอย่างที่คำต่อท้ายของมันบอกไว้ และการเปิดตัวก็ครอบคลุมทั้งเว็บแอป แอปมือถือ และ API ของทาง DeepSeek เอง โดยมีเวทโมเดลและรายงานทางเทคนิคเผยแพร่บน Hugging Face ภายใต้ deepseek-ai/DeepSeek-V4.1-Flash.

รายละเอียดในทางปฏิบัติไม่มีความคืบหน้าในหกวัน:

• ชื่อโมเดล — เรียก deepseek-flash. ชื่อเดิม deepseek-v4-flash และ deepseek-v4-flash-vision-exp ยังคงรองรับอยู่ แต่ไม่ชี้ไปยังโมเดลที่เคยชี้แล้ว: ทั้งคู่ถูกยกเลิก และคำขอที่ระบุชื่อเหล่านี้จะให้บริการโดย DeepSeek V4.1 Flash และคิดค่าบริการในอัตรา Flash

• สิ่งที่มีให้ — หน้าต่างบริบทขนาด 1M โทเคน, เอาต์พุตสูงสุด 384K, เอาต์พุต JSON, การเรียกใช้ฟังก์ชัน, อินพุตภาพแบบเนทีฟ และโหมดคิดที่เปิดใช้งานเป็นค่าเริ่มต้น พร้อมการตั้งค่าระดับความพยายามต่ำ สูง และสูงสุด

• สัญญาอนุญาต — MIT รวมน้ำหนักโมเดลไว้ด้วย พร้อมโฟลเดอร์ inference และโมดูลเข้ารหัสแยกต่างหากในรีโพซิทอรี DeepSeek เชิญชวนชุมชนโอเพนซอร์สอย่างชัดเจนให้สร้างการรองรับ inference ตั้งแต่วันแรก และชุมชนก็ตอบรับเร็วกว่าที่คำเชิญนั้นบอกเป็นนัยไว้

.1 ที่ไม่ใช่ point release

ข้อกล่าวหาที่เริ่มต้นบทความนี้มาจาก teortaxesTex ผู้เฝ้าติดตาม DeepSeek แบบไม่เปิดเผยตัวตนแต่เป็นที่จับตาอย่างใกล้ชิด ในโพสต์เมื่อวันที่ 10 กันยายน: ว่านี่คือ "ครั้งแรกที่ DeepSeek ตั้งชื่อรุ่นฐานใหม่ทั้งหมดด้วยเวอร์ชัน .1" ว่า V4.1 "แตกต่างจาก V4 มากกว่าอย่างเช่น LLaMA 3 แตกต่างจาก LLaMA 1" และว่า DeepSeek "ไม่รู้สึกว่านี่คู่ควรกับ V5 ในตอนนี้" — โดยที่ผู้โพสต์ไม่สามารถบอกได้ว่าทำไม

ให้ถือว่าส่วนเชิงเหตุเป็นการอนุมาน และส่วนเชิงโครงสร้างเป็นสิ่งที่ตรวจสอบได้ การอนุมานที่ว่าเหตุใด DeepSeek จึงเลือก .1 แทน V5 นั้นเป็นเพียงการอ่าน/ตีความของผู้สังเกตการณ์คนหนึ่งเท่านั้น ไม่มีใครนอกบริษัทอธิบายการตัดสินใจนี้ และเอกสารของ DeepSeek เองก็ไม่เคยพูดถึงมัน ส่วนที่ตรวจสอบได้คือสถาปัตยกรรม และมันไม่ได้ดูเหมือนการออกรุ่นย่อย บันทึกการเปลี่ยนแปลงของ DeepSeek อธิบาย V4.1 Flash ว่าเป็น "โมเดลที่เล็กที่สุดในตระกูลสถาปัตยกรรมใหม่ของเรา" ซึ่งเป็นประโยคที่แปลกที่จะเขียนเกี่ยวกับการเพิ่มเวอร์ชัน เพราะการเพิ่มเวอร์ชันเป็นการขยายตระกูล ไม่ใช่การก่อตั้งตระกูลใหม่

ความคลุมเครือนี้มีต้นทุนจริง และต้นทุนนั้นตกอยู่ที่ผู้ซื้อ ไม่ใช่ที่ DeepSeek หมายเลขเวอร์ชันเป็นสัญญาณที่ราคาถูกที่สุดที่นักพัฒนามีไว้ตอบคำถามว่า "นี่คือเจนเนอเรชันใหม่หรือแค่ปรับแต่งใหม่ และสมควรได้รับงบประมาณในการประเมินเท่าไร" ตอนนี้ DeepSeek ทำให้สัญญาณนั้นเชื่อถือไม่ได้ในทิศทางเดียว — โมเดลที่ก่อตั้งตระกูลสถาปัตยกรรมอยู่ห่างจากโมเดลที่เปลี่ยนสูตร post-training เพียงทศนิยมหนึ่งตำแหน่ง บริษัทได้เก็บเครื่องหมาย V5 ไว้สำรอง ส่วนทุกคนที่ทำการประเมินการย้ายระบบต่างจ่ายค่าความสับสนนี้

"new architecture" ในน้ำหนักหมายถึงอะไร

โมเดลการ์ดนี้เจาะจงอย่างผิดปกติ ซึ่งทำให้ข้ออ้างเรื่องรุ่นสามารถทดสอบได้โดยไม่ต้องใช้ benchmark แม้แต่ตัวเดียว มีห้าสิ่งที่โดดเด่น — สิ่งที่ห้าคือสิ่งที่การรายงานข่าวการเปิดตัวส่วนใหญ่ข้ามไป และเป็นสิ่งที่กลายเป็นว่าสำคัญที่สุดสำหรับใครก็ตามที่พยายามให้บริการโมเดลนี้

• การเปิดใช้งานแบบอสมมาตร — การแบ่ง Causal Encoder-Decoder คือทรานส์ฟอร์มเมอร์ 40 เลเยอร์ที่จัดเป็น causal encoder 20 เลเยอร์ตามด้วย decoder 20 เลเยอร์ โดย global KV cache ของ decoder ถูกโปรเจกต์จาก hidden states สุดท้ายของ encoder แทนที่จะได้มาจากแต่ละเลเยอร์ของตัว decoder เอง จุดประสงค์ของการออกแบบนี้คือ โมเดลจะเปิดใช้งานเพียง 8B พารามิเตอร์ต่อโทเค็นในระหว่าง prefill และ 16B ในระหว่าง decode เวิร์กโหลดของเอเจนต์ที่เน้นอินพุตหนัก — เอกสารยาว, trace เครื่องมือยาว — จะได้ครึ่งที่ราคาถูกของโมเดล ส่วนการสร้างเอาต์พุตจะได้ครึ่งที่ราคาแพง

• การบีบอัด KV cache วัดต่อโทเคน — DeepSeek-V4.1-Flash ใช้ FP4 main KV caching ที่ 890 ไบต์ต่อโทเคน ซึ่งการ์ดระบุว่าอยู่ที่ประมาณหนึ่งในสี่ของ DeepSeek V4 Flash การรายงานของฝั่งจีนไปไกลกว่านั้น โดยเทียบการบีบอัดกับโมเดล V4 รุ่นแรกว่าเป็นการลดลง 437 เท่า ตัวเลขที่ใหญ่กว่านั้นมาจากการคำนวณของฝั่งผู้จำหน่ายบนฐานที่ต่างกัน จึงควรถือเป็นข้อกล่าวอ้างมากกว่าผลการวัด

• SWA แบบ Bounded Replay — โดยปกติแล้ว attention แบบ sliding-window จะบังคับให้คุณเก็บสถานะ KV ลงใน SSD เพื่อสร้างบริบทขึ้นมาใหม่ วิธีนี้จะสร้างสถานะ KV ของ SWA ที่หายไปขึ้นมาใหม่โดยการเล่นซ้ำเฉพาะหน้าต่างโทเค็นล่าสุดแทน ซึ่งช่วยลดพื้นที่เก็บข้อมูล KV แบบถาวรลงเหลือประมาณหนึ่งในแปดของ DeepSeek V4 Flash

Compressed Sparse Attention 2 — แต่ละเลเยอร์แอตเทนชันทำงานในหนึ่งในสามโหมดคงที่ (Full, Reindex หรือ Reuse) โดยใช้สถานะ KV และตัวจัดทำดัชนีร่วมกันระหว่างเลเยอร์ ด้วยตัวจัดทำดัชนีแบบเบาบางแบบลำดับชั้นที่จำกัดต้นทุนของเลเยอร์ที่ลึกลงไปโดยไม่ขึ้นกับความยาวของบริบท

• Engram — โมดูลหน่วยความจำแบบมีเงื่อนไขที่แยกหน่วยความจำออกจากการคำนวณ โดยimplementเป็นารค้นหาแฮชแบบ n-gram ที่ถูก gate เข้าสู่ residual stream ของโมเดล แทนที่จะเป็น attention หรือ expert เพิ่มเติม ตาราง fp8 สองตารางบรรจุน้ำหนัก 189 GiB ตามบทความของ SGLang เองเกี่ยวกับสถาปัตยกรรมนี้ และผู้ให้บริการรันไทม์ที่ port checkpoint นี้ประเมินว่าตารางดังกล่าวมีพารามิเตอร์ราว 196B บน backbone ขนาด 552B — ซึ่งเป็นเหตุผลว่าทำไมจำนวนพารามิเตอร์ที่โฆษณาบนการ์ดจึงเป็นคำอธิบายของ backbone ไม่ใช่ของไฟล์ดาวน์โหลดทั้งหมด Engram ถูกฝึกที่สองเลเยอร์ ใช้ n-gram อันดับสอง อันดับสาม และอันดับสี่ กระจายไปยัง hash head แปดหัวต่ออันดับ และยุบรวมโทเคนที่ normalize แล้วเหมือนกัน เพื่อให้ตัวแปรตัวพิมพ์ใหญ่-เล็กแฮชไปยังบักเก็ตเดียวกัน รายละเอียดการออกแบบที่ควรจดจำคือต้นทุนที่มันเพิ่มเข้ามา: ทุกสเต็ปการ decode ต้องอ่านตารางเหล่านั้น ดังนั้นตำแหน่งที่คุณวางตารางจึงเป็นตัวกำหนดว่าเหลือ KV cache ให้คุณใช้เท่าไร

อ่านทั้งห้าข้อนี้รวมกันแล้ว ภาพเชิงกลยุทธ์ก็ชัดเจน: นี่คือสถาปัตยกรรมที่ให้ความสำคัญกับความเบาบาง ประสิทธิภาพของแคช และการออฟโหลดหน่วยความจำก่อนเป็นอันดับแรก โดยกำหนดขนาดไว้เพื่อให้โครงสร้างเดียวกันสามารถขยายเพิ่มได้ในภายหลัง การเอ่ยถึง “ตระกูลสถาปัตยกรรมใหม่” นั้นมีนัยสำคัญจริง ๆ — มันเป็นข้อความบ่งชี้ว่ายังมีสิ่งอื่นตามมาอีก

คะแนนอิสระในที่สุดก็เปิดเผยออกมาแล้ว — และมันสนับสนุนฝั่งผู้ขาย

เมื่อสี่วันก่อน ส่วนนี้คงอ่านได้ต่างออกไปมาก ตอนเปิดตัว Artificial Analysis ยังไม่ได้เผยแพร่สิ่งใดเกี่ยวกับ DeepSeek V4.1 Flash หน้าของโมเดลบน Hugging Face ยังมีข้อความระบุว่าโมเดลนี้ "ไม่ได้ถูกนำไปใช้งานโดยผู้ให้บริการ Inference รายใด" และข้ออ้างที่เป็นเสาหลักของการเปิดตัวครั้งนี้ — ว่าโมเดลระดับ Flash เอาชนะโมเดลเรือธงขนาด 1.6T พารามิเตอร์ได้อย่างครอบคลุมทั้งด้านประสิทธิภาพ ต้นทุน ความเร็ว และเวลารวมของงาน — ก็เป็นเพียงคำกล่าวอ้างของผู้พัฒนาโดยไม่มีการตรวจสอบจากภายนอก ช่องว่างทั้งสามนั้นได้ปิดลงแล้วนับแต่นั้น

ขณะนี้ Artificial Analysis ได้วัดโมเดลนี้บน Intelligence Index ของตนแล้ว และแบบสั้น ๆ ก็คือ ข้ออ้างของ DeepSeek ยังคงเป็นจริงเมื่อถูกตรวจสอบโดยบุคคลที่สาม:

• Intelligence Index — DeepSeek V4.1 Flash ได้คะแนน 40 เมื่อใช้ความพยายามในการให้เหตุผลสูงสุด จัดอยู่ในอันดับที่ 6 จาก 113 โมเดลในชั้นการเปรียบเทียบของตน และสูงกว่าค่ามัธยฐานที่ 18 สำหรับโมเดล open-weights ที่เทียบเคียงได้อย่างมาก DeepSeek V4 Pro 0813 ซึ่งเป็นเรือธงที่ V4.1 Flash ถูกกล่าวหาว่าเข้าแทนที่ ได้คะแนน 36 ในดัชนีเดียวกัน

• ต้นทุนต่องาน — $0.27 ต่องาน Intelligence Index สำหรับ V4.1 Flash เทียบกับ $0.67 สำหรับ V4 Pro 0813 นั่นคือข้อกล่าวอ้างเรื่องความสามารถต่อดอลลาร์ ซึ่งได้รับการทำซ้ำอย่างอิสระ: โมเดลที่ถูกกว่าคือโมเดลที่มีความสามารถมากกว่าเมื่อวัดด้วยตัวชี้วัดนี้ โดยมีต้นทุนประมาณ 40% ของต้นทุนต่องานที่ทำสำเร็จ

• ความเร็ว — 212.1 โทเค็นเอาต์พุตต่อวินาที เทียบกับค่ามัธยฐาน 73.1 t/s ในกลุ่มโมเดลที่เทียบเคียงได้ โดยมีเวลาไปยังโทเค็นแรกที่ 1.31 วินาที เทียบกับค่ามัธยฐาน 2.37 วินาที บนฮาร์เนสเดียวกัน V4 Pro 0813 วัดได้ 94.4 t/s และ TTFT 1.72 วินาที

• ราคา — Artificial Analysis บันทึกไว้ที่ 0.30 ดอลลาร์ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และ 1.20 ดอลลาร์ต่อโทเค็นเอาต์พุตหนึ่งล้านโทเค็น พร้อมส่วนลดแคช 98% ซึ่งเป็นตารางราคาอัตราสูงสุดของ DeepSeek ตามที่เผยแพร่ไว้ ไม่ใช่การบวกกำไรแบบพรีเมียมจากบุคคลที่สาม

ติดป้ายกำกับให้ถูกต้อง เพราะป้ายกำกับได้เปลี่ยนไปแล้ว นี่คือการวัดผลที่เป็นอิสระ ไม่ใช่ตัวเลขจากผู้จำหน่าย — แต่เป็นการวัดผลที่เป็นอิสระบนชุดทดสอบของบุคคลที่สามเพียงชุดเดียว และดัชนีหนึ่งตัวก็ไม่ใช่คำตัดสินชี้ขาดต่อโมเดล สิ่งที่มันสรุปได้นั้นแคบกว่าและมีประโยชน์มากกว่าตำแหน่งบนตารางจัดอันดับ นั่นคือ ข้ออ้างเฉพาะที่ DeepSeek ใช้เพื่อพิสูจน์สายผลิตภัณฑ์ของตนเอง ว่า Flash จะเอาชนะ Pro ได้ทั้งในด้านความสามารถและต้นทุนพร้อมกัน ตอนนี้มีหลักฐานยืนยันจากภายนอกหนุนหลัง แทนที่จะเป็นเพียงบันทึกการเปลี่ยนแปลง

อีกด้านหนึ่งก็มีข้อควรระวังอย่างตรงไปตรงมาเช่นกัน และมันมาจากการรายงานของผู้ขายรายเดิมเหมือนก่อนหน้า ตัวเลขของ DeepSeek เองระบุว่า V4.1 Flash ชนะ 13 จาก 16 การเปรียบเทียบกับ Kimi K3 และ 11 จาก 13 กับ GLM-5.3 ขณะที่ยังตามหลัง GPT-5.6 Sol และ Claude Opus 5 ในงาน Terminal-Bench 3.0 และ 4.0 ที่ใหม่กว่า และบน ProgramBench นั่นเป็นรูปทรงที่สอดคล้องกัน — แข็งแกร่งที่สุดในงานเขียนโค้ด เทอร์มินัล และระบบอัตโนมัติของเอเจนต์ที่สถาปัตยกรรมนี้ถูกปรับให้เหมาะที่สุด แต่อ่อนกว่าในงานการให้เหตุผลระดับแนวหน้า — และเป็นรูปทรงที่ก้าวกระโดดเชิงรุ่นจริง ๆ ควรมี ดัชนีอิสระเห็นด้วยกับภาพรวมโดยไม่ตัดสินทุกช่อง

การปลดระวาง Pro ที่ DeepSeek ประกาศ — แล้วก็ยกเลิกไปในภายหลัง

นี่คือส่วนที่เปลี่ยนแปลงไปจากแผนที่ DeepSeek ระบุไว้เอง และเป็นส่วนที่มีแนวโน้มจะส่งผลกระทบต่อการผสานรวมที่ใช้งานจริงมากที่สุด

ตอนเปิดตัว DeepSeek ระบุว่า DeepSeek V4 Pro จะถูกปลดระวางจาก API ของตน ตั้งแต่เวลา 12:00 น. ตามเวลาปักกิ่งของวันที่ 14 กันยายน คำขอที่ระบุชื่อ deepseek-v4-proจะถูกส่งต่อไปยัง V4.1 Flash และคิดค่าบริการในราคาของ Flash — ซึ่งเป็นการลดต้นทุนเอาต์พุตลงราว 70% สำหรับใครก็ตามที่ฝังชื่อโมเดล Pro ไว้ในโค้ด — และจะถูกส่งต่อไปในลักษณะนั้นจนกว่าจะมี V4.1 Pro ในอนาคตเปิดตัว บนตารางราคาของวันเปิดตัว นั่นหมายความว่า $3.96 ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคนของ Pro ลดลงเหลือ $1.20 ของ Flash ในช่วงพีค โดยไม่ต้องแก้โค้ดและไม่มีการแจ้งเตือนใด ๆ นอกเหนือจากรายการใน changelog

เรื่องนั้นไม่ได้เกิดขึ้น เมื่อวันที่ 11 กันยายน DeepSeek ได้เผยแพร่ประกาศบนแพลตฟอร์มเปิดของตัวเอง โดยระบุว่าเพื่อตอบสนองความต้องการของผู้ใช้ บริษัทจะให้บริการ DeepSeek V4 Pro API ต่อไปหลังวันที่ 14 กันยายน โดยการคิดค่าบริการไม่เปลี่ยนแปลง — ประกาศดังกล่าวยังคงแสดงอยู่บนแพลตฟอร์มในวันที่ 14 กันยายนเอง หลังจากช่วงเวลาสลับระบบผ่านไปแล้ว ดังนั้นนี่จึงเป็นคำแถลงจากเจ้าของโดยตรงที่ยังมีอยู่จริง ไม่ใช่ข่าวลือเกี่ยวกับคำแถลงดังกล่าว เหตุผลที่มีการรายงานเป็นสิ่งที่ไม่น่าแปลกใจที่สุดในเรื่องนี้: นักพัฒนาคัดค้านการที่ผู้ขายสลับเวตเบื้องหลังชื่อโมเดลอย่างเงียบ ๆ ในการผสานรวมระบบโปรดักชัน และการทดสอบแบบหลายฝ่ายของ DeepSeek เองพบว่า V4 Pro ยังคงรักษาความได้เปรียบด้านคุณภาพบนเวิร์กโหลดจริงของบางทีม แม้ในกรณีที่ V4.1 Flash ชนะการประเมินสาธารณะ

ข้อสรุปในทางปฏิบัติคือการกลับตาลปัตรจากสิ่งที่สื่อรายงานในวันเปิดตัวแนะนำไว้ หากคุณจดวันที่ 14 กันยายนลงในปฏิทินเพื่อทดสอบการผสานรวมที่ปักหมุดไว้กับ Pro ซ้ำ กำหนดเส้นตายนั้นก็เป็นโมฆะ: DeepSeek V4 Pro ยังคงเป็น DeepSeek V4 Pro และราคาก็ยังคงเหมือนเดิม ขณะที่ V4.1 Pro ยังไม่ถูกประกาศ ไม่มีการ์ดโมเดล ไม่มีจำนวนพารามิเตอร์ ไม่มีวันที่ และไม่มีน้ำหนักโมเดล สิ่งที่ยังไม่เปลี่ยนแปลงคือทิศทางที่มุ่งไป — DeepSeek ตั้งใจอย่างชัดเจนที่จะทำให้สายผลิตภัณฑ์ของตนมาบรรจบกับสถาปัตยกรรมใหม่ และสิ่งเดียวที่บริษัทยืนยันเกี่ยวกับสถาปัตยกรรมเดิมก็คือ บริษัทจะไม่บังคับให้เปลี่ยนในวันที่กำหนดตายตัว

การให้บริการ: ตาราง n-gram ขนาด 189 GiB และงานที่ยังเปิดอยู่

การวางกรอบเรื่องความพร้อมใช้งานในวันเปิดตัวคือ “ทำงานบน API ของผู้จำหน่าย และไม่มีที่อื่นเลย” ซึ่งตอนนี้ไม่เป็นความจริงอีกต่อไป และจุดที่มันเริ่มไม่เป็นความจริงนั้นให้บทเรียนเกี่ยวกับสถาปัตยกรรมนี้

SGLang และ Miles เปิดตัวการรองรับ DeepSeek V4.1 แบบ day-zero ในวันที่ 10 กันยายน ในช่วงเวลาเดียวกับตัวโมเดลเอง — ดังนั้นหมายเหตุ "ไม่มีการให้บริการโดยบุคคลที่สาม" ที่อยู่บนหน้า Hugging Face ตอนเปิดตัวจึงกลายเป็นข้อมูลล้าสมัยภายในไม่กี่ชั่วโมง ส่วนที่น่าสนใจไม่ใช่ว่ามันรันได้หรือไม่ แต่คือการรันมันมีต้นทุนเท่าไร เนื่องจากทุกขั้นตอนการถอดรหัส (decode) อ่านตาราง Engram วิธีของ SGLang คือให้คุณวางตารางเหล่านี้ไว้ในหน่วยความจำ GPU หรือหน่วยความจำโฮสต์ โดยการ offload ไปยังโฮสต์จะคืนพื้นที่ประมาณ 46 GiB ต่อ GPU สำหรับ KV cache แลกมาด้วย RAM โฮสต์ประมาณ 200 GB บนโหนดนั้น บนการกำหนดค่า GB300 แบบสี่ GPU การ offload ไปยังโฮสต์เพิ่มความจุ KV cache ขึ้น 36% โดยมีอัตราการส่งผ่านการถอดรหัสและเวลาถึงโทเคนแรกที่เทียบเคียงได้ และผลลัพธ์ completion จาก greedy probe ทั้ง 28 รายการตรงกับ baseline ที่อยู่บน GPU ทั้งหมด การเปิดใช้เป็นแบบ opt-in ผ่านตัวแปรสภาพแวดล้อมเพียงตัวเดียว ไม่ใช่ค่าเริ่มต้น vLLM มีงานคู่ขนานที่ไปในทิศทางตรงกันข้าม — การ memory-map ชิ้นส่วน (shard) ของตารางจากดิสก์แทนที่จะเก็บไว้ใน RAM โฮสต์ — ซึ่งบอกสิ่งเดียวกันจากสองมุมมอง: ตาราง Engram ต่างหาก ไม่ใช่น้ำหนัก (weights) ที่เป็นข้อจำกัดว่าคุณจะให้บริการโมเดลนี้ได้ในราคาถูกเพียงใด

การเปลี่ยนแปลงล่าสุดในเรื่องราวทั้งหมดอยู่ตรงนี้ และเป็นเรื่องเล็ก ๆ ที่สมควรถูกระบุว่าเป็นเรื่องเล็ก เมื่อวันที่ 15 กันยายน ผู้ร่วมพัฒนา SGLang ได้เปิด pull request #39666 โดยเพิ่มโมดูล Engram และอะแดปเตอร์ประวัติคำขอที่ใช้ร่วมกันให้กับสาขา DeepSeek V4.1 ของโปรเจกต์ — 7 ไฟล์, +1205/−11 โดยอะแดปเตอร์เปิดเผยฟิลด์ประวัติ n-gram แบบไม่บังคับบน scheduler และแบตช์ forward และสร้างประวัติเหล่านั้นขึ้นใหม่ข้ามการพบ prefix ซ้ำ การถอนคืน และการใช้สล็อตซ้ำ pull request นี้ยังเปิดอยู่และยังไม่ถูก merge การรัน CI ล้มเหลว และกำลังรอการตรวจทานจากเจ้าของโค้ดเก้าคน สรุปของผู้เขียนเองก็ตรงไปตรงมาเกี่ยวกับข้อจำกัด โดยระบุว่าการตรวจสอบการค้นหาไม่ได้พิสูจน์ความถูกต้องของวงจรชีวิตของคำขอ มันเป็นหนึ่งในชุด pull request ของ DeepSeek V4.1 ที่เปิดบนสาขานั้นเมื่อวันที่ 15 กันยายน ซึ่งส่วนใหญ่มาจากผู้ร่วมพัฒนาคนเดียวกัน ครอบคลุมตั้งแต่การสร้างโมเดล vision tower การเข้ารหัสแชต และเลเยอร์เคอร์เนล

จากนั้นในวันที่ 16 กันยายน แผนสำหรับครึ่งที่ยากขึ้นของงาน serving ก็ถูกเปิดเผยต่อสาธารณะ issue ใน roadmap หมายเลข #39700 กำหนดแนวทางการแยก prefill/decode สำหรับ DeepSeek V4.1 บนแพลตฟอร์ม B200 ไว้เป็นรายการแบบเป็นขั้นตอน โดยเริ่มจาก context parallelism ฝั่ง prefill ก่อน จากนั้นจึงเป็นงาน prefill นั้นรวมกับ MegaMoE, BCG และ multi-stream ต่อด้วยรายการฝั่ง decode ซึ่งมี DP attention และหน่วยความจำแบบ CUDA-graph รวมอยู่ด้วย ระยะแรกเข้ามาในรูปแบบ pull request #39748 ชื่อ "[DSV4.1-PD-1/8] Support prefill node use cp parallel strategy" และเปิดในวันเดียวกันโดยผู้เขียนคนเดียวกัน มันทำให้โหนด prefill ในการติดตั้งแบบ disaggregated สามารถรันกลยุทธ์ context-parallel ได้ โดยมีคอนฟิกอ้างอิงเป็น B200 จำนวนแปดตัวที่ TP4/EP4 ซึ่งรัน MoE runner flashinfer_mxfp4 และ DSPARK speculative decoding โหนด prefill ใช้ --enable-prefill-cp --cp-strategy interleave ควบคู่กับ --disaggregation-mode prefill ผ่าน backend การถ่ายโอน Mooncake; โหนด decode รันโดยไม่มีแฟล็ก CP เลย การตรวจสอบคือการให้คะแนน gsm8k บวกกับ unit tests บนเส้นทางข้อความและรูปภาพ เช่นเดียวกับ pull request ของ Engram มันยังเปิดอยู่ ยังไม่ถูก merge และปัจจุบันถูกบล็อกใน CI เนื่องจากขาด label run-ci

ต้องชัดเจนว่าทั้งหมดนั้นคืออะไรและไม่ใช่อะไร มันเป็นระบบท่อโครงสร้างพื้นฐานภายในรันไทม์ที่ให้บริการโมเดลอยู่แล้ว — ไม่ได้เปลี่ยนแปลงอะไรเกี่ยวกับสิ่งที่ DeepSeek V4.1 Flash ทำ ค่าใช้จ่ายของมัน หรือว่าคุณควรใช้มันหรือไม่ มันคุ้มค่าที่จะพูดถึงเพียงไม่กี่บรรทัดนี้ เพราะมันชี้ให้เห็นว่าจุดที่ยังต้องขัดเกลาที่เหลืออยู่ตรงไหน ในฝั่งของ Engram การที่ประวัติ n-gram อยู่รอดหลังการถอน และการใช้ prefix cache ซ้ำ เป็นรายละเอียดด้านความถูกต้องแบบที่แยกเดโมออกจากเอนด์พอยต์โปรดักชันพอดี ในฝั่ง disaggregation เป้าหมายคือผู้ดำเนินการที่แยก prefill กับ decode ไปยังพูลที่แยกจากกัน เพื่อให้แต่ละครึ่งสามารถทำขนานสำหรับคอขวดของตัวเองได้ — การติดตั้งที่การกำหนดค่าอ้างอิงเริ่มต้นที่ B200 แปดตัว ซึ่งเป็นการตัดสินใจลงทุนมากกว่าจะเป็นบรรทัดหนึ่งในไฟล์คอนฟิก และซีรีส์นี้ถูกติดป้ายว่า 1/8 ขณะที่ issue แผนงานแจกแจงขั้นตอนของมันออกเป็นหกส่วน โดยครึ่ง decode ทั้งหมดยังไม่ได้เขียน: แม้แต่การนับหมายเลขก็ยังเป็นเพียงชั่วคราว ถ้าคุณไม่ได้กำลังตัดสินใจลงทุนแบบนั้น ไม่มีสิ่งใดในนี้ที่มองเห็นได้จากจุดที่คุณอยู่ — DeepSeek V4.1 Flash เปิดให้ใช้งานจริงบน OrcaRouter ในอัตราส่งผ่านด้านล่าง และระบบท่อพื้นฐานยังคงอยู่ฝั่งผู้ดำเนินการของเอนด์พอยต์

กำลังเรียกใช้ DeepSeek V4.1 Flash วันนี้

สถานะความพร้อมให้บริการก็เปลี่ยนไปทางฝั่งเราเช่นกัน และเปลี่ยนไปในทิศทางที่ผู้อ่านเวอร์ชันวันเปิดตัวของบทความนี้ถูกบอกให้คาดไว้ว่าจะไม่เกิดขึ้น OrcaRouter ไม่ได้ให้บริการ DeepSeek V4.1 Flash เมื่อวันที่ 10 กันยายน — หน้ารุ่นโมเดลแสดงข้อความ “model not found” และบทความนี้ก็บอกเช่นนั้นอย่างตรงไปตรงมา แทนที่จะสื่อเป็นอย่างอื่น ตอนนี้ให้บริการแล้ว: deepseek/deepseek-v4.1-flashพร้อมให้บริการแล้วในแค็ตตาล็อก ในราคา $0.15 ต่อโทเคนอินพุต 1 ล้านโทเคน และ $0.60 ต่อโทเคนเอาต์พุต 1 ล้านโทเคน โดยเป็นอัตราของผู้ให้บริการ DeepSeek เองที่ส่งผ่านมาโดยคิดมาร์กอัป 0% ซึ่งก็เป็นตัวเลขที่ควรตรวจสอบในครั้งถัดไปที่ DeepSeek เปลี่ยนราคา นับตั้งแต่เปิดตัว มันได้ส่งผ่าน 54,982.2M โทเคนผ่านแพลตฟอร์ม โดยมี time to first token ที่ p50 อยู่ที่ 811 มิลลิวินาที และ p95 อยู่ที่ 3.03 วินาที

สิ่งที่คุณได้เพิ่มเติมจากเรตการ์ดเดิมก็คือความสามารถในการมองสถาปัตยกรรมที่เพิ่งมีอายุได้หกวันเป็นเพียงการทดลอง มากกว่าจะเป็นข้อผูกมัด Failover หมายความว่าการเรียก V4.1 Flash ที่เริ่มเกิดข้อผิดพลาดภายใต้โหลดสามารถเปลี่ยนให้ชี้ไปยังโมเดลอื่นได้โดยไม่ต้องดีพลอย; routing DSL หมายความว่าคุณสามารถนำโมเดลใหม่ไปใช้กับทราฟฟิกบางส่วน และใช้โมเดลที่รู้จักดีอยู่แล้วกับส่วนที่เหลือ แล้วเปรียบเทียบทั้งสองบนอินพุตของคุณเองแทนที่จะเปรียบเทียบบนลีดเดอร์บอร์ด; และ โมเดลอื่นทุกตัวในแค็ตตาล็อกอยู่เบื้องหลังคีย์เดียวกัน รวมถึงโมเดลที่เหลือในตระกูล DeepSeek — DeepSeek V4 Flash และ DeepSeek V4 Pro — ดังนั้นการสลับกลับจึงเป็นเพียงการเปลี่ยนสตริง ไม่ใช่สัญญาฉบับที่สอง

เรื่องนี้สำคัญกว่าปกติในบริบทนี้ ด้วยเหตุผลสองข้อที่ข่าวหกวันทำให้เห็นเป็นรูปธรรมชัดเจน ข้อแรกคือ ข้อได้เปรียบด้านราคาเป็นของจริง แต่มีเงื่อนไขว่าผู้ให้บริการต้องคงอัตราไว้ และข้อตกลงแบบส่งผ่านต้นทุนเป็นแบบเดียวที่ยังคงซื่อตรงเมื่อผู้ให้บริการไม่คงอัตรา ข้อที่สองคือ คำเตือนหนึ่งเดียวจากสัปดาห์เปิดตัวยังคงอยู่ ทั้งความได้เปรียบด้านขีดความสามารถและข้อได้เปรียบด้านต้นทุนตอนนี้ถูกวัดอย่างเป็นอิสระแล้ว แต่พวกมันถูกวัดบนฮาร์เนสเดียว บนโมเดลที่ชื่อบอกว่า "อัปเดตเล็กน้อย" แต่สถาปัตยกรรมบอกเป็นอย่างอื่น จงกำหนดเส้นทางให้มันเหมือนรุ่นใหม่ เพราะนั่นคือสิ่งที่มันเป็น และเก็บมันไว้หลังระดับที่คุณสามารถเลื่อนได้

ยังมีอะไรเปิดอยู่อีก

สามเรื่อง เรียงจากน้อยไปมากตามปริมาณข้อมูลที่มันจะบอกคุณได้

DeepSeek V4.1 Pro จะทดสอบข้ออ้างเรื่องตระกูลนี้ DeepSeek V4.1 Flash เรียกตัวเองว่าเป็นโมเดลที่เล็กที่สุดในตระกูลสถาปัตยกรรมใหม่ และพี่น้องที่จะพิสูจน์ว่าตระกูลนี้มีอยู่จริงก็ยังไม่มีโมเดลการ์ด ไม่มีจำนวนพารามิเตอร์ ไม่มีวันที่ ไม่มีเวต และไม่มีราคา มันยังเป็นโมเดลที่กลยุทธ์การจัดเส้นทางแบบ Pro ทั้งหมดถูกวางโครงสร้างไว้รอบ ๆ อีกด้วย ตอนนี้ที่กลยุทธ์นั้นถูกยกเลิกไปแล้ว

การประเมินผลโดยอิสระครั้งที่สองจะเป็นการทดสอบคะแนนนี้ Intelligence Index ที่ 40 เทียบกับ 36 ของโมเดลที่มันเข้ามาแทนที่ ถือเป็นผลลัพธ์ที่ชัดเจนบนฮาร์เนสหนึ่งตัว และเป็นข้อมูลเพียงจุดเดียวต่อคำถามว่าสถาปัตยกรรมนี้ล้ำหน้ากว่าหนึ่งเจเนอเรชัน หรือเป็นก้าวข้างที่ปรับแต่งมาอย่างดี จับตาดูผู้ประเมินรายที่สอง และดูว่าเส้นทางให้บริการแบบ Engram-offload ยังรับไหวภายใต้ทราฟฟิกจริงหรือไม่ แทนที่จะเป็นแค่บน greedy probes และดูว่าการแยก prefill/decode ที่ตอนนี้กำลังถูกทยอยนำเข้าใน pull requests จะกลายเป็นเรื่องราวการแพ็กเกจที่ทีมทั่วไปสามารถดีพลอยได้หรือไม่

และสิ่งที่มีประโยชน์แม้จะไม่น่าตื่นเต้น: ว่า DeepSeek จะทำแบบนี้อีกหรือไม่ การติดป้าย .1 เป็นครั้งที่สองบนโมเดลพื้นฐานใหม่ตัวอื่น จะเปลี่ยนความผิดปกติให้กลายเป็นธรรมเนียมปฏิบัติ และธรรมเนียมปฏิบัติคือสิ่งที่นักพัฒนาสามารถวางแผนรับมือได้ โมเดลหนึ่งเป็นเพียงความแปลกใหม่ การตั้งชื่อจะกลายเป็นสิ่งที่ทำให้เข้าใจผิดอย่างมีประโยชน์ก็ต่อเมื่อมีรูปแบบเกิดขึ้น

สำหรับตอนนี้ การตีความเชิงปฏิบัติแยกออกจากกันอย่างชัดเจนตามว่าคุณเป็นใคร หากคุณใช้ DeepSeek V4 Pro โมเดลที่อยู่เบื้องหลังชื่อนั้นจะไม่เปลี่ยนแปลงในวันที่ 14 กันยายน หรือวันที่ประกาศใด ๆ — DeepSeek ย้อนกลับเรื่องนั้น และคุณปล่อยให้อินทิเกรชันของคุณไว้เหมือนเดิมได้ หากคุณใช้ DeepSeek V4 Flash คุณกำลังถูกย้ายอยู่แล้ว ในราคาเดิม ไปสู่สถาปัตยกรรมที่ DeepSeek สร้างขึ้นเพื่อรองรับการขยายขนาด และหากคุณกำลังรอ V5 คำตอบที่ตรงไปตรงมาคือ DeepSeek ดูเหมือนจะเปิดตัวเจนเนอเรชันนั้นแล้ว ปฏิเสธที่จะตั้งชื่อให้มัน และจากนั้นก็พบว่าตัวเลขบนกล่องนั้นมีนัยสำคัญจริง ๆ