Kimi K3.1 เทียบกับ Kimi K3: สิ่งที่น้ำหนักแบบเปิดบอกไว้ แต่โพสต์เปิดตัวไม่ได้บอก

Kimi K3.1 Pro และ Kimi K3 ตอนนี้มาพร้อม safetensors shard 96 ชิ้นชุดเดียวกัน ใช้พื้นที่ดิสก์ 1.56 TB เท่ากัน แต่มีสแต็ก attention ที่แตกต่างกัน การกำหนดค่าในรีโพซิทอรีใหม่ของ Moonshot ระบุว่า 93 เลเยอร์เป็น "69 KDA + 24 Gated DSA" การกำหนดค่าในรีโพซิทอรีของ Kimi K3 ซึ่งเผยแพร่ในเดือนกรกฎาคม ระบุว่า "69 KDA + 24 Gated MLA" โพสต์เปิดตัว Kimi K3.1 Pro ของ Moonshot ลงวันที่ 24 ตุลาคม 2026 เรียกโมเดลที่ใหม่กว่าว่า "เวอร์ชันที่ผ่านการ post-train ต่อยอดจาก Kimi K3" และไม่ได้กล่าวถึงการสลับดังกล่าวเลย ทุกสิ่งอื่นในการเปรียบเทียบนี้ล้วนเป็นผลสืบเนื่องมาจากบรรทัดนั้น รวมถึงเหตุผลที่โมเดลที่ใหม่กว่ากลายเป็นรุ่นที่ถูกกว่า

น้ำหนักของโมเดลเองมาถึงโดยไม่มีการประกาศ บล็อกของ Moonshot ไม่มีรายการใดหลังวันที่ 24 ตุลาคม คอมมิตเดียวในรีพอซิทอรีมีเวลากำกับเป็นวันที่ 2 พฤศจิกายน 2026 ซึ่งเป็นสองวันก่อนกำหนดเส้นตายวันที่ 4 พฤศจิกายนที่บริษัทตั้งไว้สำหรับตัวเอง ว่าไฟล์เหล่านั้นเปิดให้อ่านได้แบบสาธารณะก่อนกำหนดเส้นตายนั้นหรือไม่ ไม่ใช่สิ่งที่รีพอซิทอรีบันทึกไว้ สิ่งที่มันบันทึกไว้คือสถาปัตยกรรม สัญญาอนุญาต และบัญชีรายการ — ซึ่งเป็นสิ่งที่โพสต์เปิดตัวละไว้พอดี

สวอปที่ประกาศไม่ได้กล่าวถึง

การ์ดโมเดลระบุข้อความยอมรับไว้ในเชิงอรรถ หนึ่งบรรทัดใต้ตารางข้อมูลจำเพาะที่ดูคุ้นเคย: “เมื่อเทียบกับ Kimi K3 เราแทนที่เลเยอร์ Gated MLA แบบ full-attention ด้วยเลเยอร์ Gated DeepSeek Sparse Attention (Gated DSA) เพื่อการสร้างแบบจำลองบริบทแบบยาวได้อย่างมีประสิทธิภาพมากขึ้น”

เลเยอร์ 24 จาก 93 เลเยอร์มีการเปลี่ยนแปลง อีก 69 เลเยอร์ยังคงเป็น Kimi Delta Attention ซึ่งเป็นกลไก linear attention ที่ Kimi K3 เปิดตัว และจำนวนเลเยอร์ จำนวน expert และ hidden dimensions ไม่ถูกแตะต้อง Gated MLA คือ full attention พร้อมแคช key-value แบบบีบอัด; Gated DSA เลือกชุดย่อยแบบ sparse ของโทเค็นในอดีตสำหรับแต่ละ query แล้ว gate ผลลัพธ์ ความแตกต่างในทางปฏิบัติอยู่ที่ว่าโมเดลใช้ compute และแคชอย่างไรเมื่อ context ขยายขึ้น ซึ่งเป็นส่วนของหน้าต่าง 1M โทเค็นที่ปรากฏในค่าใช้จ่ายในการเสิร์ฟของคุณมากกว่าจะอยู่ในตาราง benchmark

สิ่งที่การ์ดไม่ได้ระบุคือตัวเลข ไม่มีตัวเลข tokens-per-second ไม่มีการเปรียบเทียบหน่วยความจำแคช ไม่มีการวัดความหน่วงของบริบทยาว มีเพียงวลี "การสร้างแบบจำลองบริบทยาวที่มีประสิทธิภาพมากขึ้น" เท่านั้น โพสต์เปิดตัวของ Moonshot ไม่ได้ให้รายละเอียดด้านสถาปัตยกรรมใด ๆ เลย ดังนั้น ข้ออ้างที่ว่าการสลับครั้งนี้ทำให้อะไรเร็วขึ้นนั้น ณ จุดนี้เป็นเพียงข้อความเชิงการออกแบบมากกว่าการวัดผล และยังไม่มีใครนอก Moonshot ที่เผยแพร่การเปรียบเทียบการให้บริการระหว่าง checkpoint ทั้งสองแบบ

เรื่องนี้สำคัญกว่าที่ฟังดู หากคุณปรับแต่งการแบตช์ การจัดสรรแคช หรือการจัดการบริบทโดยอิงโปรไฟล์ attention ของ Kimi K3 แล้ว checkpoint ที่ใหม่กว่าจะไม่ใช่แบบ drop-in ที่เลเยอร์ serving แม้ว่าจะเป็นแบบ drop-in ที่เลเยอร์ API ก็ตาม API ซ่อนเรื่องนี้ไว้ แต่การติดตั้งแบบ self-hosted ไม่ได้ซ่อน

สิ่งที่เช็กพอยต์ทั้งสองมีร่วมกันอย่างแท้จริง

การดาวน์โหลดที่เหมือนกันคือสิ่งบ่งบอกว่านี่ไม่ใช่โมเดลที่ใหญ่กว่า ทุกมิติหลักด้านล่างนี้เหมือนกันบนการ์ดทั้งสองใบ และรายการไฟล์ก็ยืนยันเช่นนั้น:

• จำนวนพารามิเตอร์ทั้งหมดและพารามิเตอร์ที่ใช้งาน — ทั้งหมด 2.8 ล้านล้าน และใช้งาน 104 พันล้าน ในทั้งสองโมเดล

• ความลึก — 93 เลเยอร์ ซึ่งหนึ่งในนั้นเป็นแบบ dense ทั้งสอง

• ผู้เชี่ยวชาญ — ทั้งหมด 896 ราย, เลือก 16 รายต่อโทเคน, ใช้ร่วมกัน 2 ราย, ทั้งสองฝั่ง

• คำศัพท์ — 160K โทเค็นในทั้งคู่

• Vision — MoonViT-V2 ขนาด 401 ล้านพารามิเตอร์ ทั้งสอง

• บริบท — 1,048,576 โทเคนในทั้งสองรายการ; หน้าโมเดลของเราเองระบุเอาต์พุตสูงสุด 943,718 โทเคนสำหรับ Kimi K3.1 Pro

• การควอนไทเซชัน — น้ำหนักแบบ MXFP4 และแอ็กทิเวชันแบบ MXFP8 พร้อมการฝึกที่ตระหนักรู้การควอนไทเซชัน (quantization-aware training) ทั้งสองแบบ

• ดาวน์โหลด — safetensors 96 ชาร์ด รวม 1.56 TB สำหรับแต่ละรีโพซิทอรี

• รูปแบบข้อมูลนำเข้า — การ์ดของ Kimi K3 ระบุข้อความ รูปภาพ และวิดีโอ ส่วนการ์ดของ Kimi K3.1 Pro ระบุข้อความและรูปภาพ ขณะที่เอกสาร API ประกาศรองรับวิดีโอเช่นกัน ให้ถือว่าข้อกล่าวอ้างเรื่องวิดีโอยังไม่ได้รับการยืนยัน จนกว่าจะมีการรันทดสอบโค้ดของโปรเซสเซอร์

การอัปเดตเวอร์ชันย่อยที่คงจำนวนพารามิเตอร์ การจัดเส้นทางไปยัง expert และขนาดไฟล์ไว้ และเปลี่ยนเลเยอร์ attention จำนวน 24 ชั้น ถือเป็นการเปิดตัวที่ต่างชนิดจากการเปิดตัวรุ่นใหม่ โดยใกล้เคียงกับการปรับสถาปัตยกรรมกลางรอบบวกกับการรัน post-training ขนาดใหญ่ มากกว่าการเป็นโมเดลฐานใหม่ และราคาก็สะท้อนสิ่งนั้น

ตารางอัตราค่าบริการสองฉบับ และใบแจ้งหนี้ที่ไม่ลดลงหนึ่งในสาม

ในทางทฤษฎี โมเดลใหม่กว่ามีราคาถูกกว่าในทุกรายการ Kimi K3.1 Pro ราคา $2.00 ต่ออินพุตหนึ่งล้านโทเค็น และ $10.00 ต่อเอาต์พุตหนึ่งล้านโทเค็น ส่วน Kimi K3 ราคา $3.00 และ $15.00 อัตราการชนแคชลดลงจาก $0.30 เหลือ $0.20 การเขียนแคชจาก $3.00 และ $6.00 เหลือ $2.00 และ $4.00 ที่ TTL ห้านาทีและหนึ่งชั่วโมง และรุ่น Highspeed ที่ราคา $4.00 และ $20.00 แลกกับความเร็วเอาต์พุตสองถึงสามเท่า การอนุมานแบบแบตช์บน Kimi K3.1 Pro คิดค่าใช้จ่ายที่ 60% ของราคามาตรฐาน หรือ $1.20 และ $6.00

ใบแจ้งหนี้เป็นอีกเรื่องหนึ่ง Kimi K3.1 Pro ให้เหตุผลโดยค่าเริ่มต้นที่ความพยายามสูงสุด และความพยายามสูงสุดเขียนโทเค็นมากขึ้น การเปรียบเทียบการเขียนโค้ดแบบเอเจนต์ของ Bito พบว่าสองโมเดลเสมอกันที่ 72% โดยรวม ในขณะที่ Kimi K3.1 Pro ปล่อยโทเค็นเอาต์พุตประมาณ 98,000 โทเค็น เทียบกับ 44,000 ของ Kimi K3 ใช้เวลา 28 นาที เทียบกับ 17 นาที และมีค่าใช้จ่าย $4.28 เทียบกับ $2.46 สำหรับเซสชันยาว การรันวิเคราะห์ข้อมูลของ Plotly ไปในทางตรงกันข้ามในด้านคุณภาพ และไปในทางเดียวกันในด้านค่าใช้จ่าย: แก้ไขงานได้ 42 จาก 43 งาน เทียบกับ 35 โดยค่าใช้จ่ายเพิ่มขึ้นจาก $5.01 เป็น $13.47 และเวลามัธยฐานจาก 43 วินาทีเป็นสองนาทีครึ่ง Ultralytics ซึ่งทดสอบการแอนโนเทตอัตโนมัติ วัดการปรับปรุงได้ 33% ใน mAP50 คือ 0.444 เทียบกับ 0.334 ขยับจากอันดับที่ 19 ขึ้นเป็นอันดับที่ 9 จาก 39 โมเดล

การทดสอบทั้งสามชิ้นเป็นการทดสอบที่ผู้ขายเผยแพร่เองบนตัวอย่างขนาดเล็ก ไม่ใช่การประเมินที่ผ่านการทบทวนโดยผู้เชี่ยวชาญ และผลไม่ตรงกันว่ารุ่นใหม่ดีขึ้นมากแค่ไหน แต่เห็นตรงกันเรื่องทิศทางของต้นทุน: การลดราคาต่อโทเคนลงหนึ่งในสามไม่คงอยู่เมื่อเจอโมเดลที่ใช้เวลาคิดนานขึ้น ต้องจัดงบประมาณต่องานที่ทำเสร็จ ไม่ใช่ต่อล้านโทเคน

ทั้งสองฝั่งของการเปรียบเทียบนี้สามารถเรียกใช้ได้ด้วยคีย์เดียว Kimi K3.1 Pro ถูกกำหนดเส้นทางเป็น kimi/kimi-k3.1-pro ที่ราคา $2.00 และ $10.00 ของ Moonshot และ Kimi K3 เป็น kimi/kimi-k3 ที่ราคา $3.00 และ $15.00 โดยราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยตรงและไม่มีการบวกกำไรเพิ่ม ดังนั้นการเปลี่ยนแปลงบัตรราคาของ Moonshot จะมีผลที่นี่ในวันเดียวกัน นั่นคือเหตุผลเฉพาะที่ทำให้สิ่งนี้ควรอยู่ในส่วนราคาแทนที่จะเป็นส่วนท้าย: ข้อโต้แย้งทั้งหมดในการเปลี่ยนมาใช้คือช่องว่างราคา และส่วนต่างใดๆ ที่บวกเพิ่มบนราคาตามรายการจะกัดกินส่วนหนึ่งของเงินที่ประหยัดได้ก่อนที่คุณจะวัดงานได้แม้แต่งานเดียว

ตาราง benchmark ขยับเปลี่ยนไปภายใต้ทั้งสองโมเดล

Artificial Analysis สร้าง Intelligence Index ขึ้นใหม่เมื่อวันที่ 27 ตุลาคม 2026 และการสร้างใหม่นี้ส่งผลต่อการเปรียบเทียบครั้งนี้มากกว่าสิ่งใดก็ตามที่ Moonshot เผยแพร่ บนดัชนี v5 ปัจจุบัน Kimi K3.1 Pro ได้ 46 คะแนนและอยู่อันดับเก้า ตามหลัง Claude Opus 5.5 ซึ่งได้ 58 อยู่สิบสองคะแนน โดยมี Gemini 4 Carbon ที่ 59, GPT-6 Astra ที่ 57 และ GPT-6.1 Sol ที่ 55 อยู่เหนือขึ้นไป บนดัชนี v4.3.2 ก่อนหน้านี้ โมเดลเดียวกันได้ 55 คะแนนและอยู่ในอันดับสี่ ห่างจากผู้นำสามคะแนน

ตัวเลขสองตัวนั้นไม่ใช่การถดถอย และไม่สามารถนำมาเปรียบเทียบกันได้ เวอร์ชัน 5 ย้ายดัชนีราว 60% ไปยังชุดข้อมูลส่วนตัวที่กันไว้สำหรับการทดสอบ (held-out) เพิ่ม FrontierCode 2.0 และ Terminal-Bench-Science นำ SciCode และ AA-LCR ออก และเพิ่มความยาวเอาต์พุตมัธยฐานต่องานจากประมาณ 35,000 โทเค็นเป็นประมาณ 59,000 โทเค็น โมเดลที่ตอบสั้นจะเสียเปรียบในดัชนีที่ตอนนี้ให้รางวัลกับงานแบบเอเจนต์ที่ยาวนาน Kimi K3.1 Pro ยังคงเป็นโมเดลที่ได้รับการจัดอันดับสูงสุดซึ่งผู้จำหน่ายของโมเดลนั้นระบุว่าเป็นแบบ open-weight

ตัวเลขของรุ่นก่อนคือกับดัก Kimi K3 ทำคะแนนได้ 57 บนดัชนี v4 เมื่อเปิดตัว และอยู่ในอันดับที่สาม ค่า 43.6 ที่แพร่หลายสำหรับ Kimi K3 (max) มาจากสแนปช็อตของผู้รวบรวมข้อมูลที่ถ่ายไว้ก่อนการเปลี่ยนผ่านสู่ v5 และเราไม่พบคะแนน v5 ที่เผยแพร่สำหรับตัว Kimi K3 เอง ดังนั้น "46 เทียบกับ 43.6" จึงไม่ใช่คู่ที่ควบคุมตัวแปรแล้ว และใครก็ตามที่นำความต่างนี้เสนอว่าเป็นความสามารถที่เพิ่มขึ้นซึ่งวัดได้ กำลังลบค่าข้ามเครื่องมือวัดสองชนิด สิ่งที่พูดได้นั้นจำกัดกว่า: บนดัชนีปัจจุบัน รุ่นใหม่กว่าคือรุ่นที่ถูกให้คะแนนแล้ว และมันอยู่อันดับที่เก้า

ตารางของผู้พัฒนาเอง ซึ่งเป็นเครื่องมือวัดอีกชุดที่แตกต่างออกไปอีก ระบุว่า Kimi K3.1 Pro ได้ 65.7 ใน Terminal-Bench 4.0 เทียบกับ 66.4 ของ Claude Opus 5.5, 51.7 ใน SWE Marathon v1.1, 92.7 ใน BenchCAD เมื่อใช้เครื่องมือ, 94.2 ใน GPQA-Diamond และ 51.1 ใน HLE-Full จุดอ่อนก็เห็นได้ชัดพอๆ กัน: 38.1 ใน Terminal-Bench-Science เทียบกับ 68.1 ของ GPT-6 Astra และ 39.4 ใน HLE-Diamond เทียบกับ 60.9 ของ Opus 5.5 Moonshot รันการประเมินด้านการเขียนโค้ดผ่าน Claude Code harness ที่ความพยายามในการใช้เหตุผลสูงสุด ทั้งหมดนี้ยังไม่ได้รับการทำซ้ำอย่างเป็นอิสระ

ตัวเลขคู่ที่ชัดเจนที่สุดในการเปิดตัวคือตัวเลขที่ Moonshot วัดเทียบกับรุ่นก่อนหน้าของตัวเอง: Kimi Code Bench 3.0 Long-horizon อยู่ที่ 61.2% เทียบกับ 55.95% อัตราการสร้างข้อมูลเท็จระดับข้อกล่าวอ้างอยู่ที่ 8.3% เทียบกับ 23.4% เมื่อใช้เครื่องมือ และ 81.0% เทียบกับ 33.3% บน xdev-bench-hard เกณฑ์มาตรฐานภายในชุดเดียวกันนี้เป็นของ Moonshot ดังนั้นผลต่างจึงสอดคล้องกันแต่ไม่ใช่ผลจากการตรวจสอบภายนอก ตัวเลขการสร้างข้อมูลเท็จเป็นตัวเลขที่มีผลกระทบในทางปฏิบัติกว้างที่สุดและได้รับการยืนยันน้อยที่สุด

สัญญาอนุญาตนี้เป็นสัญญาอนุญาตของ Kimi K3 โดยเปลี่ยนชื่อไปหนึ่งชื่อ

ทั้งสองรีโพซิทอรีมีไฟล์สัญญาอนุญาตขนาดประมาณสามกิโลไบต์ และการเปรียบเทียบทีละบรรทัดพบความแตกต่างเชิงสาระเพียงจุดเดียว: "Kimi K3.1-Pro" ถูกใช้แทน "Kimi K3" ในข้อกำหนดเรื่องการให้เครดิต ส่วนที่เหลือเป็นเอกสารเดียวกันทั้งหมด

นั่นหมายความว่าข้อกำหนดต่าง ๆ เป็นที่ทราบกันแล้ว ไม่ได้อยู่ในสถานะรอดำเนินการ อนุญาตให้ใช้ คัดลอก ดัดแปลง แจกจ่าย อนุญาตช่วงสิทธิ และขาย และอนุญาตให้ทำ fine-tuning อย่างชัดเจน ธุรกิจที่ให้บริการ model-as-a-service และมีรายได้รวมเกิน 20 ล้านดอลลาร์สหรัฐในช่วงสิบสองเดือนติดต่อกันใด ๆ ต้องลงนามในข้อตกลงแยกต่างหากกับ Moonshot ก่อนการใช้งานเชิงพาณิชย์ ผลิตภัณฑ์ที่มีผู้ใช้งานรายเดือนที่ใช้งานอยู่เกิน 100 ล้านคน หรือมีรายได้รายเดือนเกิน 20 ล้านดอลลาร์สหรัฐ ต้องแสดงชื่อโมเดลอย่างเด่นชัด การใช้งานภายใน และการใช้ผ่านผลิตภัณฑ์อย่างเป็นทางการของ Moonshot หรือพันธมิตรด้าน inference ที่ได้รับการรับรอง ได้รับยกเว้นจากข้อกำหนดทั้งสองข้อ

ข้อยกเว้นสำหรับพันธมิตรที่ได้รับการรับรองเป็นข้อสัญญาที่ควรอ่านซ้ำหากคุณวางแผนจะขายต่อสิทธิ์การเข้าถึง เกณฑ์ 20 ล้านดอลลาร์วัดจากช่วงสิบสองเดือนแบบเลื่อน ไม่ได้แยกตามสายผลิตภัณฑ์ และ “model as a service” ถูกนิยามไว้กว้างพอที่จะครอบคลุม API ที่ให้ลูกค้าควบคุมอินพุต พารามิเตอร์ หรือข้อมูลการฝึก ขณะเดียวกันก็ตัดผลิตภัณฑ์สำหรับผู้ใช้ปลายทางที่โมเดลถูกฝังอยู่ในฟีเจอร์ และการส่งต่อคำขอไปยังโมเดลที่โฮสต์อยู่ที่อื่นโดยตรงออก

สิ่งที่ต้องใช้ในการรันอันใดอันหนึ่ง

{{1}}เช็กพอยต์ MXFP4 ขนาด 1.56 TB{{/1}} ไม่ใช่ไฟล์ที่ดาวน์โหลดลงเวิร์กสเตชัน และทั้งสองโมเดลก็หนักพอ ๆ กัน Moonshot ชี้ไปที่สแตกสำหรับให้บริการสามแบบ — สูตรของ vLLM, คุกก์บุ๊กของ SGLang และ TokenSpeed — และทั้งสามแบบถือว่าที่ขนาดนี้ต้องปรับใช้แบบหลายโหนด การฝึกแบบตระหนักถึงการควอนไทซ์ตั้งแต่ขั้นตอน supervised fine-tuning คือสิ่งที่ทำให้ไฟล์ยังคงมีขนาด 1.56 TB แทนที่จะเป็นประมาณ 5.6 TB ซึ่งสำเนาแบบ BF16 จะกินพื้นที่ และการควอนไทซ์นั้นถูกฝังอยู่ในคะแนนด้านบนแล้ว แทนที่จะนำมาใช้ภายหลัง

ผลในทางปฏิบัติของ footprint ที่เหมือนกันคือ การสลับสถาปัตยกรรมไม่ได้ช่วยบรรเทาภาระด้านฮาร์ดแวร์เลย หากคุณให้บริการ Kimi K3 ได้ คุณก็ให้บริการ Kimi K3.1 Pro ได้บนคลัสเตอร์ระดับเดียวกัน แต่คุณไม่สามารถให้บริการทั้งสองตัวบนโหนดเดียวได้

ควรเลือกอันไหน

• คุณโฮสต์ระบบด้วยตัวเองและสแตกของคุณปรับแต่งมาสำหรับ Kimi K3 — ควรทดสอบประสิทธิภาพใหม่ก่อนย้ายระบบ การเปลี่ยนแปลงกลไก attention ส่งผลต่อพฤติกรรมแคช และข้ออ้างด้านประสิทธิภาพเพียงข้อเดียวที่แนบมากับการเปลี่ยนแปลงนี้คือประโยคเดียวในเชิงอรรถ

• คุณเรียก API สำหรับการเขียนโค้ดเชิงเอเจนต์ การใช้เครื่องมือระยะยาว หรือการตรวจสอบเอกสาร — Kimi K3.1 Pro โดยพิจารณาจากเดลต้าภายในที่จับคู่กันและเรตการ์ดที่ต่ำกว่า พร้อมการประเมินแบบเงาก่อน

• คุณต้องใช้โมเดลที่มีโปรไฟล์ความล้มเหลวที่ชัดเจนแล้ว นั่นคือ Kimi K3 ซึ่งใช้งานจริงใน production มาตั้งแต่เดือนกรกฎาคม และคนอื่น ๆ ได้บันทึกพฤติกรรมแปลก ๆ ของมันไว้แล้ว ส่วนโมเดลที่ใหม่กว่านั้นเปลี่ยนพฤติกรรมการให้เหตุผลโดยการออกแบบ

• คุณต้องการความแน่นอนแบบดีเทอร์มินิสติก — ตรวจสอบก่อนที่จะสลับ Kimi K3.1 Pro กำหนด temperature ไว้ที่ 1.0 และ top_p ที่ 0.95 และปฏิเสธค่าทางเลือกอื่น และการเปลี่ยน reasoning effort ระหว่างบทสนทนาจะทำให้ prefix-cache hits ใช้ไม่ได้

สรุปตามจริงคือ Kimi K3.1 Pro เป็นโมเดลที่ดีกว่า Kimi K3 ในเกือบทุกแกนที่ผู้ขายวัด ดีขึ้นเล็กน้อยบนดัชนีอิสระเพียงตัวเดียวที่ให้คะแนนมัน และมีต้นทุนต่องานที่ทำเสร็จแล้วแพงกว่าที่การ์ดราคาของมันบ่งชี้ สิ่งที่เปลี่ยนไปในสัปดาห์นี้ไม่ใช่คำตัดสิน แต่เป็นหลักฐาน: ตอนนี้สามารถอ่าน ให้บริการ และทดสอบเช็กพอยต์ได้แล้ว แทนที่จะต้องเชื่อกันไปเฉย ๆ และสิ่งแรกที่การอ่านมันให้ออกมาคือการแก้ไขโพสต์เปิดตัว