สตาร์ทอัพจีน MiniMax เตรียมเปิดตัวโมเดล AI ขนาด 2.7 ล้านล้านพารามิเตอร์ คาดเป็น Open-Weight ที่ใหญ่ที่สุดในโลก

ข้อควรทราบ: ขณะที่แหล่งข่าวหลายแห่งเรียกโมเดลนี้ว่า 'M3 Pro' แต่รายงานของรอยเตอร์ ^R ไม่ได้ยืนยันชื่อนี้โดยตรง ดังนั้นชื่อจริงที่ใช้เปิดตัวอาจแตกต่างออกไป

เทียบกับโมเดลอื่นๆ ของ MiniMax เอง

เส้นทางการพัฒนาโมเดลของ MiniMax ดำเนินไปอย่างรวดเร็ว:

การก้าวกระโดดจาก M3 (~428B) มาสู่ 2.7T ถือเป็นการเพิ่มขนาดพารามิเตอร์รวมถึง ~6.3 เท่า หาก MiniMax ยังคงใช้สถาปัตยกรรม Mixture-of-Experts (MoE) เช่นเดิม จำนวนพารามิเตอร์ที่ทำงานจริงต่อการประมวลผลหนึ่งครั้ง (Active Parameters) อาจยังคงอยู่ที่หลักสิบถึงร้อยล้านล้าน แต่ขนาดรอยเท้าพารามิเตอร์รวม (Total Parameter Footprint) จะไม่เคยมีมาก่อนสำหรับโมเดลแบบ Open-Weight ^R

เทียบกับคู่แข่งอย่าง DeepSeek-V4-Pro

DeepSeek-V4-Pro เป็นโมเดล Open-Weight เรือธงของ DeepSeek ที่เปิดตัวเมื่อวันที่ 23 เมษายน 2026 ^D เปรียบเทียบสเปกสำคัญ:

• DeepSeek-V4-Pro: 1.6T พารามิเตอร์รวม, 49B ทำงานจริง, สัญญาอนุญาต MIT, ผู้เชี่ยวชาญด้านอัลกอริทึมแบบ Pure-Text โดยมีคะแนน Codeforces สูงที่สุดในบรรดาโมเดลภาษา และ 80.6% บน SWE-bench Verified (ดีที่สุดในกลุ่ม Open-Weight) ^MDT
• MiniMax M3 (ปัจจุบัน) : ~428B รวม / ~23B ทำงานจริง — แข็งแกร่งกว่าในงานมัลติโมดัลและคณิตศาสตร์ (เฉลี่ย 85.7 vs 31.7) แต่อ่อนแอกว่าในเกณฑ์วัดการเขียนโค้ด Pure-Text เมื่อเทียบกับ DeepSeek-V4-Pro ^TJ
• โมเดล 2.7T ที่วางแผนไว้ : จะมีขนาดพารามิเตอร์รวมที่มากกว่า DeepSeek-V4-Pro (1.6T) และ MiniMax M3 (428B) อย่างมาก ^R

อย่างไรก็ตาม บทวิเคราะห์ส่วนใหญ่ชี้ว่า MiniMax M3 และ DeepSeek V4-Pro "แทบจะไม่ใช่คู่แข่งโดยตรง" — พวกมันถูกปรับให้เหมาะสมกับงานคนละประเภท: M3 สำหรับงาน Coding แบบ Agentic, มัลติโมดัล และงานที่ต้องการบริบทยาว ในขณะที่ V4-Pro สำหรับงาน Coding แบบ Pure-Text เชิงอัลกอริทึมที่เน้นปริมาณงานสูงในต้นทุนที่ต่ำกว่า ^DD

ภาพรวมการแข่งขันของ AI แบบ Open-Weight ในจีน

ค่าย AI จีนต่างเร่งปล่อยโมเดล Open-Weight ที่ทรงพลังออกมาอย่างต่อเนื่องในช่วงปี 2025–2026:

• DeepSeek-V4-Pro (23 เม.ย. 2026) — 1.6T MoE, สัญญาอนุญาต MIT, ประสิทธิภาพการเขียนโค้ดระดับแนวหน้า ^DM
• Tencent Hy3 (Hunyuan 3.0) — ปล่อยตัวอย่าง 23 เม.ย. 2026; ปล่อยเต็มรูปแบบ 6 ก.ค. 2026 ภายใต้สัญญาอนุญาต Apache 2.0. โมเดล MoE ขนาด 295B พารามิเตอร์ (21B ทำงานจริง, 192 ผู้เชี่ยวชาญ, ใช้ 8 ตัวบนสุด) รองรับบริบท 256K, นำโดยอดีตนักวิจัย OpenAI Shunyu Yao ^GAB นับเป็นการปล่อยโมเดล Open-Weight ระดับแนวหน้าครั้งแรกของ Tencent ^K
• MiniMax-M1 (มิ.ย. 2025) — โมเดลเหตุผล Open-Weight ขนาด 456B, Apache 2.0, ถูกขนานนามว่าเป็นโมเดลเหตุผลแบบ Hybrid Attention ขนาดใหญ่ Open-Weight ตัวแรกของโลก ^BPW
• MiniMax-M3 (มิ.ย. 2026) — ~428B รวม, การเขียนโค้ดแบบมัลติโมดัลระดับแนวหน้า ^B
• Ant Group Ling-2.6-flash (22 เม.ย. 2026) — โมเดล MoE ขนาด 104B/7.4B ทำงานจริง เน้นประสิทธิภาพ ^F
• ค่ายอื่นๆ อย่าง Alibaba (Qwen) , ByteDance และ Baichuan ก็ได้ปล่อยโมเดล Open-Weight เช่นกัน

กลยุทธ์นี้สะท้อนความตั้งใจของค่าย AI จีนในการปล่อยโมเดลแบบ Open-Weight (มักใช้สัญญาอนุญาต Apache 2.0 หรือ MIT) ซึ่งตรงกันข้ามกับค่ายตะวันตกอย่าง OpenAI, Anthropic และ Google ที่มักเก็บเทคโนโลยีโมเดลระดับแนวหน้าไว้เป็นความลับ ^RPD

ความท้าทายในการประมวลผลโมเดลขนาด 2.7T

การนำโมเดล Open-Weight ขนาด 2.7T มาใช้งานจริงจะเผชิญกับอุปสรรคใหญ่:

• ข้อกำหนดด้านหน่วยความจำ: แม้จะบีบอัดด้วย 8-bit quantization การโหลดพารามิเตอร์ 2.7T ก็ยังต้องใช้หน่วยความจำ GPU ~2.7 TB. ในรูปแบบ FP16 จะพุ่งถึง ~5.4 TB ซึ่งต้องใช้ GPU หลายร้อยตัว (เช่น H100 200+ ตัวที่มี VRAM 80GB) เพียงแค่โหลดโมเดล
• สถาปัตยกรรม MoE: M1 และ M3 ของ MiniMax ใช้ MoE โดยมีพารามิเตอร์เพียงบางส่วนที่ทำงานจริงต่อโทเค็น (เช่น 23B จาก 428B สำหรับ M3) ^BP ถ้าโมเดล 2.7T เป็นไปในรูปแบบเดียวกัน (เช่น ~135B ทำงานจริง) การอนุมานผลอาจเป็นไปได้บนคลัสเตอร์ที่เล็กกว่าที่ขนาดพารามิเตอร์รวมแนะนำ แต่ก็ยังเกินกว่าที่ GPU ตัวเดียวจะรับไหว
• การฝึกสอน (Training) : การฝึกโมเดลขนาด 2.7T จะต้องใช้งบประมาณการคำนวณมหาศาล ถึงแม้จะใช้เทคนิค MoE ที่มีประสิทธิภาพ
• การแจกจ่าย: การโฮสต์และแจกจ่ายน้ำหนัก 2.7T (อาจมากกว่า 5 TB) จะเป็นความท้าทายด้านโลจิสติกส์สำหรับ Hugging Face และคลังข้อมูลอื่นๆ

อย่างไรก็ตาม MiniMax มีประวัติด้านวิศวกรรมประสิทธิภาพ — M1 ถูกฝึกโดยใช้ทรัพยากรคอมพิวเตอร์น้อยกว่า DeepSeek R1 ถึง 70% ในขณะที่มีผลงานเทียบเคียง ^PW และ M3 ใช้กลไก Sparse Attention ^B พวกเขาอาจใช้เทคโนโลยีที่เป็นนวัตกรรมคล้ายกันสำหรับโมเดล 2.7T นี้

การยอมรับโมเดล AI จีนในระดับโลก

โมเดล Open-Weight จากจีนได้รับการยอมรับเพิ่มขึ้นทั่วโลกด้วยสาเหตุหลายประการ:

• ราคา: DeepSeek V4 Pro คิดเงิน ~$0.435/1M input tokens ในขณะที่ MiniMax M3 อยู่ที่ ~$0.30 ซึ่งแข่งขันได้ดีมากเมื่อเทียบกับ API ของตะวันตก ^T
• สัญญาอนุญาตแบบเสรีนิยม: Apache 2.0 (MiniMax M1, Tencent Hy3) และ MIT (DeepSeek V4-Pro) อนุญาตให้ใช้เชิงพาณิชย์ ดัดแปลง และแจกจ่ายซ้ำได้โดยไม่มีข้อจำกัด ^PWMA
• ความสามารถเทียบชั้น: โมเดลเหล่านี้มีประสิทธิภาพเทียบเท่าหรือสูงกว่า GPT-5.5 และ Claude ในเกณฑ์วัดสำคัญ (การเขียนโค้ด การใช้เหตุผล คณิตศาสตร์) ^DTJ
• ระบบนิเวศนักพัฒนา: น้ำหนักโมเดลถูกโฮสต์บน Hugging Face และผสานรวมกับแพลตฟอร์มต่างๆ เช่น OpenRouter, Kilo Code ทำให้นักพัฒนาทั่วโลกเข้าถึงได้ง่าย ^BMB

แนวโน้มนี้ส่งสัญญาณว่า จีนไม่ได้เป็นแค่ผู้ตามที่ขาดแคลนฮาร์ดแวร์อีกต่อไป แต่กำลังเป็นผู้นำในการปล่อยโมเดล Open-Weight โดยใช้กลยุทธ์การเปิดกว้างเป็นปราการแข่งขันกับผู้นำตะวันตกที่ปิดกั้นโมเดล โมเดล 2.7T ที่วางแผนไว้ หากเป็นจริง จะเป็นข้อความที่แข็งแกร่งที่สุดในทิศทางนั้น