DeepSeek เปิดตัวโมเดลมัลติโมดัล V4 Flash Vision Exp

DeepSeek ได้เปิดตัวสมาชิกใหม่ล่าสุดในซีรีส์โมเดลภาษาขนาดใหญ่รุ่นเรือธง V4 ของบริษัท ในชื่อ V4 Flash Vision Exp โดยจะเปิดให้ใช้งานผ่านแพลตฟอร์มสำหรับนักพัฒนาแบบชำระเงินของสตาร์ทอัพจากประเทศจีนแห่งนี้เท่านั้น อย่างไรก็ตาม บริษัทอาจปล่อยเวอร์ชันฟรีออกมาในภายหลัง เนื่องจากที่ผ่านมาบริษัทได้เปิดซอร์สโค้ดโมเดลรุ่นก่อนหน้าหลายรุ่น ซึ่งรวมถึง V4 Flash อัลกอริทึมที่เปิดตัวไปเมื่อเดือนเมษายนและเป็นรากฐานสำคัญของ V4 Flash Vision Exp

DeepSeek ได้เปรียบเทียบ LLM ทั้งสองรุ่นผ่านเกณฑ์มาตรฐาน 7 รายการที่มีความท้าทายด้านข้อความ โดย V4 Flash Vision Exp มีประสิทธิภาพเหนือกว่ารุ่นก่อนหน้าในการทดสอบเกือบทั้งหมด ยกเว้นรายการเดียวคือ Cybergym ซึ่งเป็นการทดสอบความสามารถของ LLM ในการตรวจหาช่องโหว่ในซอฟต์แวร์

ส่วนที่ V4 Flash Vision Exp มีการปรับปรุงประสิทธิภาพได้โดดเด่นที่สุดคือการวิเคราะห์ภาพ โดย DeepSeek ได้ทดสอบความสามารถของโมเดลในการประมวลผลเนื้อหาภาพโดยใช้เกณฑ์มาตรฐาน 4 รายการ และพบว่าโมเดลทำคะแนนได้สูงขึ้นกว่า 10% ในการทดสอบ 2 รายการ

เป็นที่น่าสังเกตว่า V4 Flash Vision Exp ยังสามารถทำคะแนนได้ดีกว่า Opus 4.8 ของ Anthropic ในเกณฑ์มาตรฐานด้านภาพ 2 รายการ ได้แก่ ALE และ ZeroBench โดยการทดสอบรายการแรกประกอบด้วยงานที่ต้องทำหลายขั้นตอนกว่า 1,000 รายการ ซึ่งกำหนดให้ LLM ต้องโต้ตอบกับแอปพลิเคชัน เขียนโค้ด และตีความไฟล์สื่อ ส่วน ZeroBench นั้นประกอบด้วยงานวิเคราะห์ภาพ 100 รายการที่ถูกออกแบบมาให้มีความท้าทายสูงสำหรับ LLM ระดับแนวหน้า

DeepSeek ยังไม่ได้เปิดเผยข้อมูลเกี่ยวกับสถาปัตยกรรมของ V4 Flash Vision Exp แต่อย่างใด อย่างไรก็ตาม หน้า Hugging Face ของบริษัทได้แสดงภาพรวมรายละเอียดของโมเดล V4 Flash ซึ่งเป็นต้นแบบที่ LLM รุ่นนี้พัฒนาต่อยอดขึ้นมา

V4 Flash เป็นโมเดลประเภท mixture of experts ที่มีพารามิเตอร์ 2.84 แสนล้านตัว โดยประกอบด้วยโครงข่ายประสาทเทียมหลายชุด ซึ่งแต่ละชุดมีพารามิเตอร์ 1.3 หมื่นล้านตัว เมื่อผู้ใช้ป้อนพรอมต์ LLM จะเปิดใช้งานเฉพาะโครงข่ายประสาทเทียมที่เหมาะสมที่สุดในการสร้างคำตอบเท่านั้น แนวทางดังกล่าวช่วยลดการใช้ฮาร์ดแวร์ได้มากกว่าการเปิดใช้งาน LLM ทั้งระบบ

โมเดลภาษาจะเก็บข้อมูลที่ใช้ตอบพรอมต์ไว้ในโครงสร้างข้อมูลที่เรียกว่า KV cache โดย V4 Flash ใช้เทคนิค 2 อย่างที่เรียกว่า HCA และ CSA เพื่อบีบอัดข้อมูลใน KV cache ซึ่งข้อมูลจาก DeepSeek ระบุว่าเทคโนโลยีเหล่านี้ช่วยลดกำลังการประมวลผลที่ต้องใช้สำหรับพรอมต์ที่มี 1 ล้านโทเค็นได้ถึง 73%

DeepSeek ฝึกฝน V4 Flash ด้วยข้อมูลการฝึกสอนจำนวน 3.2 หมื่นล้านล้านโทเค็น และใช้อัลกอริทึมที่เรียกว่า Muon เพื่อเร่งความเร็วในกระบวนการฝึกฝน โดย Muon ช่วยลดเวลาที่ต้องใช้ในการปรับจูนชั้นประมวลผลลับของ LLM ซึ่งเป็นส่วนประกอบหลักที่ทำหน้าที่ประมวลผลส่วนใหญ่ในการตอบพรอมต์ต่าง ๆ

V4 Flash เป็นหนึ่งใน LLM สองรุ่นที่ DeepSeek เปิดตัวเมื่อเดือนเมษายน โดยอีกรุ่นหนึ่งคือ V4 Pro ซึ่งมีพารามิเตอร์มากกว่าถึง 5 เท่า และด้วยการที่ V4 Flash Vision Exp พัฒนามาจาก V4 Flash จึงมีความเป็นไปได้ที่ในอนาคต V4 Pro อาจกลายเป็นพื้นฐานในการพัฒนาโมเดลเฉพาะทางที่ได้รับการปรับแต่งมาเพื่องานต่าง ๆ เช่น การวิเคราะห์ภาพ เป็นต้น

ที่มา: https://siliconangle.com/2026/08/21/deepseek-debuts-multimodal-language-model-competitive-with-opus-4-8/