ดังนั้น Vision-Exp จึงไม่ได้เป็นเพียงระบบบรรยายภาพ แต่เป็นการนำความสามารถด้านภาพมาเสริมโมเดลข้อความและเอเจนต์ที่มีอยู่ เพื่อรองรับงานที่ต้องเข้าใจทั้งคำสั่งและสิ่งที่ปรากฏบนหน้าจอหรือในรูปภาพ

เทียบกับ Claude Opus 4.8 ได้แค่ไหน

DeepSeek ระบุว่า Vision-Exp ทำผลงานใกล้เคียง Claude Opus 4.8 ในการทดสอบเอเจนต์แบบมัลติโหมด พร้อมรักษาความสามารถด้านข้อความระดับ V4-Flash ไว้ โดยตารางเปรียบเทียบที่เผยแพร่และรายงานโดย The Next Web ระบุว่าโมเดลของ DeepSeek ทำคะแนนนำ Opus 4.8 ใน 3 จาก 11 การทดสอบ

แต่คำว่า “ใกล้เคียง” ควรตีความในกรอบที่จำกัด นั่นคือใกล้เคียงในชุดการประเมินที่ DeepSeek เลือกและรายงาน ไม่ได้แปลว่ามีคุณภาพเท่ากันในงานด้านภาพทุกประเภท งานเขียนโค้ดทุกลักษณะ หรือการทำงานของเอเจนต์ระยะยาว

ในบันทึกการเปลี่ยนแปลงอย่างเป็นทางการ DeepSeek ระบุคะแนนของ Vision-Exp ในการทดสอบที่เกี่ยวข้อง เช่น 36.5 ใน ApexBench, 27.3 ใน Agents’ Last Exam, 64.3 ใน Chartography และ 35.0 ใน ZeroBench Pass@5

คะแนนเหล่านี้ยังไม่ตอบคำถามสำคัญสำหรับการใช้งานจริง ไม่ว่าจะเป็นความเสถียรเมื่อเรียกใช้เครื่องมือ ความหน่วงในการตอบ ความสามารถในการรับมือข้อผิดพลาด หรือผลลัพธ์เมื่อใช้พรอมต์และสภาพแวดล้อมต่างจากการทดสอบของผู้พัฒนา ผลลัพธ์ของเบนช์มาร์กอาจเปลี่ยนไปตามพรอมต์ เครื่องมือ การคัดเลือกโจทย์ วิธีประเมิน และเงื่อนไขการทำงาน

จึงยังไม่มีหลักฐานอิสระมากพอที่จะสรุปว่า Vision-Exp อยู่ในระดับเดียวกับโมเดลเรือธงของ Anthropic ในภาพรวม

เรื่องความสามารถด้านข้อความยังเป็นการ “รักษาระดับ” มากกว่าการชนะขาด

ข้ออ้างที่ชัดเจนที่สุดในงานข้อความคือ Vision-Exp ยังคงความสามารถของ V4-Flash ไม่ใช่การประกาศว่าเอาชนะโมเดลระดับสูงกว่าอย่างชัดเจน

ความแตกต่างนี้ช่วยให้นักพัฒนาประเมินการใช้งานได้ตรงจุดมากขึ้น

• หากเป็นแอปพลิเคชันที่ใช้ข้อความล้วน Vision-Exp ถูกวางตำแหน่งเป็นส่วนขยายของ V4-Flash ไม่ใช่ตัวแทนที่พิสูจน์แล้วว่าสามารถทดแทนโมเดลระดับสูงกว่าได้ทุกงาน
• หากเป็นเอเจนต์ที่ต้องวิเคราะห์ภาพ จุดน่าสนใจหลักคือความสามารถด้านภาพที่เพิ่มเข้ามา
• หากจะนำไปใช้ในระบบจริง ควรทดสอบด้วยโจทย์ พรอมต์ เครื่องมือ และเป้าหมายด้านความหน่วงแบบเดียวกับระบบที่จะใช้งานจริง แทนการดูคะแนนรวมเพียงอย่างเดียว

วิธีเข้าถึง API และการส่งภาพ

DeepSeek เปิดให้ Vision-Exp ใช้งานผ่านแพลตฟอร์ม API โดยรองรับ Chat Completions, Messages และ Responses รวมถึงอินพุตแบบผสมระหว่างข้อความกับภาพ

นักพัฒนาส่งภาพได้ 3 วิธี ได้แก่

• ฝังภาพเป็น data URL แบบ base64
• ระบุลิงก์ HTTP(S) ที่เปิดให้เข้าถึงได้จากภายนอก
• อัปโหลดภาพผ่าน Files API แล้วใช้ file_id อ้างอิงในคำขอถัดไป

รูปแบบไฟล์ที่รองรับคือ JPEG, PNG, GIF และ WebP สำหรับ Responses API ภาพจะถูกส่งเป็นส่วนเนื้อหา input_image โดยระบุได้ทั้ง URL ของภาพ, data URL แบบ base64 หรือไฟล์ที่อัปโหลดไว้

ราคาและเพดานคิดค่าภาพ 384 โทเคน

ภาพจะถูกแปลงเป็นโทเคนอินพุตเพื่อใช้คำนวณค่าบริการ โดย DeepSeek ระบุว่าภาพแต่ละภาพจะมีจำนวนโทเคนที่คิดเงินไม่เกิน 384 โทเคน และใช้อัตราเดียวกับ V4-Flash

อัตราที่เผยแพร่สำหรับ V4-Flash ซึ่งใช้กับการเปิดตัวนี้มีดังนี้

• อินพุตที่ไม่พบแคช: 0.22 ดอลลาร์ต่อ 1 ล้านโทเคนในช่วงนอกพีก และ 0.44 ดอลลาร์ในช่วงพีก
• อินพุตที่พบแคช: 0.007 ดอลลาร์ต่อ 1 ล้านโทเคนในช่วงนอกพีก และ 0.014 ดอลลาร์ในช่วงพีก
• เอาต์พุต: 0.66 ดอลลาร์ต่อ 1 ล้านโทเคนในช่วงนอกพีก และ 1.32 ดอลลาร์ในช่วงพีก

เพดาน 384 โทเคนช่วยให้ต้นทุนเฉพาะส่วนภาพคาดการณ์ได้ง่ายขึ้น แต่ไม่ได้จำกัดจำนวนโทเคนของข้อความประกอบ การเรียกใช้เครื่องมือ หรือคำตอบที่โมเดลสร้างขึ้น ดังนั้นคำขอแบบเอเจนต์หนึ่งรอบอาจมีค่าใช้จ่ายรวมสูงกว่าส่วนภาพอย่างมาก

Harness และ Files API ที่เปิดตัวมาพร้อมกัน

DeepSeek เปิดตัว Harness 0.1.1 พร้อมการรองรับ Vision-Exp ตั้งแต่ต้น เรื่องนี้มีความสำคัญต่อนักพัฒนาที่สร้างเอเจนต์แบบเรียกใช้เครื่องมือ มากกว่าผู้ที่ต้องการส่งภาพเพื่อถามคำถามแยกเป็นครั้ง ๆ เพราะโมเดลถูกออกแบบมาให้ทำงานอยู่ภายในเวิร์กโฟลว์ของเอเจนต์

นอกจากนี้ยังมี Files API แบบไม่คิดค่าบริการ นักพัฒนาสามารถอัปโหลดภาพครั้งเดียว แล้วนำกลับมาใช้ในคำขอภายหลังด้วย file_id แทนการส่งข้อมูลภาพเดิมซ้ำทุกครั้ง โดย DeepSeek ระบุว่ารหัสไฟล์อยู่ในรูปแบบ file-api-...

ฟังก์ชันนี้เหมาะกับเอเจนต์ที่ต้องตรวจสอบภาพหน้าจอ หน้าเอกสาร หรือไฟล์ภาพเดิมหลายรอบและหลายขั้นตอน อย่างไรก็ตาม แม้ Files API จะไม่คิดค่าบริการ แต่การประมวลผลของโมเดลและการใช้โทเคนยังคงมีค่าใช้จ่าย

ความหมายต่อการแข่งขัน AI

การเปิดตัว Vision-Exp สะท้อนว่าการแข่งขัน AI ไม่ได้วัดกันที่คุณภาพของโมเดลเพียงอย่างเดียวอีกต่อไป แต่รวมถึงความสามารถแบบมัลติโหมด ความเข้ากันได้ของ API ราคา เครื่องมือสำหรับเอเจนต์ และความสะดวกในการนำไปพัฒนา

DeepSeek กำลังเสนอส่วนขยายด้านภาพของตระกูล Flash ด้วยอัตราค่าโทเคนที่เผยแพร่ในระดับเดียวกับ V4-Flash ขณะที่ Claude Opus 4.8 ถูกใช้เป็นจุดเปรียบเทียบระดับสูงในรายงานของ DeepSeek ภาพรวมนี้สะท้อนการแข่งขันระหว่างผู้พัฒนา AI จากจีนและสหรัฐฯ ที่กำลังขยับจากการสร้างโมเดลเก่ง ๆ ไปสู่การทำให้ความสามารถด้านภาพใช้งานได้จริงและมีต้นทุนเข้าถึงได้มากขึ้น

แต่ Vision-Exp ยังเป็นรุ่นทดลอง ไม่ใช่การเปิดตัวโมเดลเรือธงรุ่นใหม่ ผลกระทบที่แท้จริงจะขึ้นอยู่กับว่านักพัฒนาพบว่าโมเดลมีความน่าเชื่อถือเพียงใดในงานอย่างการเขียนโค้ดจากภาพหน้าจอ การวิเคราะห์เอกสาร เอเจนต์ควบคุมอินเทอร์เฟซ และการใช้เครื่องมือจากข้อมูลภาพ

ข้อสรุปที่เหมาะสมในตอนนี้จึงควรเป็นแบบมีเงื่อนไข: DeepSeek ทำให้การเพิ่มความสามารถด้านการมองเห็นให้เอเจนต์ผ่าน API มีต้นทุนและขั้นตอนที่เข้าถึงง่ายขึ้น ขณะที่ผลทดสอบระยะแรกชี้ว่าโมเดลอาจเป็นคู่แข่งที่น่าสนใจในงานมัลติโหมดบางประเภท แต่การทดสอบจากบุคคลที่สาม ความเสถียรในโลกจริง และการยอมรับจากนักพัฒนาจะเป็นตัวตัดสินว่า Vision-Exp จะกลายเป็นทางเลือกที่ใช้งานได้ยาวนาน หรือเป็นเพียงรุ่นทดลองที่สร้างความสนใจในช่วงเปิดตัว

ดังนั้น Vision-Exp จึงไม่ได้เป็นเพียงระบบบรรยายภาพ แต่เป็นการนำความสามารถด้านภาพมาเสริมโมเดลข้อความและเอเจนต์ที่มีอยู่ เพื่อรองรับงานที่ต้องเข้าใจทั้งคำสั่งและสิ่งที่ปรากฏบนหน้าจอหรือในรูปภาพ

เทียบกับ Claude Opus 4.8 ได้แค่ไหน

DeepSeek ระบุว่า Vision-Exp ทำผลงานใกล้เคียง Claude Opus 4.8 ในการทดสอบเอเจนต์แบบมัลติโหมด พร้อมรักษาความสามารถด้านข้อความระดับ V4-Flash ไว้ โดยตารางเปรียบเทียบที่เผยแพร่และรายงานโดย The Next Web ระบุว่าโมเดลของ DeepSeek ทำคะแนนนำ Opus 4.8 ใน 3 จาก 11 การทดสอบ

แต่คำว่า “ใกล้เคียง” ควรตีความในกรอบที่จำกัด นั่นคือใกล้เคียงในชุดการประเมินที่ DeepSeek เลือกและรายงาน ไม่ได้แปลว่ามีคุณภาพเท่ากันในงานด้านภาพทุกประเภท งานเขียนโค้ดทุกลักษณะ หรือการทำงานของเอเจนต์ระยะยาว

ในบันทึกการเปลี่ยนแปลงอย่างเป็นทางการ DeepSeek ระบุคะแนนของ Vision-Exp ในการทดสอบที่เกี่ยวข้อง เช่น 36.5 ใน ApexBench, 27.3 ใน Agents’ Last Exam, 64.3 ใน Chartography และ 35.0 ใน ZeroBench Pass@5

คะแนนเหล่านี้ยังไม่ตอบคำถามสำคัญสำหรับการใช้งานจริง ไม่ว่าจะเป็นความเสถียรเมื่อเรียกใช้เครื่องมือ ความหน่วงในการตอบ ความสามารถในการรับมือข้อผิดพลาด หรือผลลัพธ์เมื่อใช้พรอมต์และสภาพแวดล้อมต่างจากการทดสอบของผู้พัฒนา ผลลัพธ์ของเบนช์มาร์กอาจเปลี่ยนไปตามพรอมต์ เครื่องมือ การคัดเลือกโจทย์ วิธีประเมิน และเงื่อนไขการทำงาน

จึงยังไม่มีหลักฐานอิสระมากพอที่จะสรุปว่า Vision-Exp อยู่ในระดับเดียวกับโมเดลเรือธงของ Anthropic ในภาพรวม

เรื่องความสามารถด้านข้อความยังเป็นการ “รักษาระดับ” มากกว่าการชนะขาด

ข้ออ้างที่ชัดเจนที่สุดในงานข้อความคือ Vision-Exp ยังคงความสามารถของ V4-Flash ไม่ใช่การประกาศว่าเอาชนะโมเดลระดับสูงกว่าอย่างชัดเจน

ความแตกต่างนี้ช่วยให้นักพัฒนาประเมินการใช้งานได้ตรงจุดมากขึ้น

• หากเป็นแอปพลิเคชันที่ใช้ข้อความล้วน Vision-Exp ถูกวางตำแหน่งเป็นส่วนขยายของ V4-Flash ไม่ใช่ตัวแทนที่พิสูจน์แล้วว่าสามารถทดแทนโมเดลระดับสูงกว่าได้ทุกงาน
• หากเป็นเอเจนต์ที่ต้องวิเคราะห์ภาพ จุดน่าสนใจหลักคือความสามารถด้านภาพที่เพิ่มเข้ามา
• หากจะนำไปใช้ในระบบจริง ควรทดสอบด้วยโจทย์ พรอมต์ เครื่องมือ และเป้าหมายด้านความหน่วงแบบเดียวกับระบบที่จะใช้งานจริง แทนการดูคะแนนรวมเพียงอย่างเดียว

วิธีเข้าถึง API และการส่งภาพ

DeepSeek เปิดให้ Vision-Exp ใช้งานผ่านแพลตฟอร์ม API โดยรองรับ Chat Completions, Messages และ Responses รวมถึงอินพุตแบบผสมระหว่างข้อความกับภาพ

นักพัฒนาส่งภาพได้ 3 วิธี ได้แก่

• ฝังภาพเป็น data URL แบบ base64
• ระบุลิงก์ HTTP(S) ที่เปิดให้เข้าถึงได้จากภายนอก
• อัปโหลดภาพผ่าน Files API แล้วใช้ file_id อ้างอิงในคำขอถัดไป

รูปแบบไฟล์ที่รองรับคือ JPEG, PNG, GIF และ WebP สำหรับ Responses API ภาพจะถูกส่งเป็นส่วนเนื้อหา input_image โดยระบุได้ทั้ง URL ของภาพ, data URL แบบ base64 หรือไฟล์ที่อัปโหลดไว้

ราคาและเพดานคิดค่าภาพ 384 โทเคน

ภาพจะถูกแปลงเป็นโทเคนอินพุตเพื่อใช้คำนวณค่าบริการ โดย DeepSeek ระบุว่าภาพแต่ละภาพจะมีจำนวนโทเคนที่คิดเงินไม่เกิน 384 โทเคน และใช้อัตราเดียวกับ V4-Flash

อัตราที่เผยแพร่สำหรับ V4-Flash ซึ่งใช้กับการเปิดตัวนี้มีดังนี้

• อินพุตที่ไม่พบแคช: 0.22 ดอลลาร์ต่อ 1 ล้านโทเคนในช่วงนอกพีก และ 0.44 ดอลลาร์ในช่วงพีก
• อินพุตที่พบแคช: 0.007 ดอลลาร์ต่อ 1 ล้านโทเคนในช่วงนอกพีก และ 0.014 ดอลลาร์ในช่วงพีก
• เอาต์พุต: 0.66 ดอลลาร์ต่อ 1 ล้านโทเคนในช่วงนอกพีก และ 1.32 ดอลลาร์ในช่วงพีก

เพดาน 384 โทเคนช่วยให้ต้นทุนเฉพาะส่วนภาพคาดการณ์ได้ง่ายขึ้น แต่ไม่ได้จำกัดจำนวนโทเคนของข้อความประกอบ การเรียกใช้เครื่องมือ หรือคำตอบที่โมเดลสร้างขึ้น ดังนั้นคำขอแบบเอเจนต์หนึ่งรอบอาจมีค่าใช้จ่ายรวมสูงกว่าส่วนภาพอย่างมาก

Harness และ Files API ที่เปิดตัวมาพร้อมกัน

DeepSeek เปิดตัว Harness 0.1.1 พร้อมการรองรับ Vision-Exp ตั้งแต่ต้น เรื่องนี้มีความสำคัญต่อนักพัฒนาที่สร้างเอเจนต์แบบเรียกใช้เครื่องมือ มากกว่าผู้ที่ต้องการส่งภาพเพื่อถามคำถามแยกเป็นครั้ง ๆ เพราะโมเดลถูกออกแบบมาให้ทำงานอยู่ภายในเวิร์กโฟลว์ของเอเจนต์

นอกจากนี้ยังมี Files API แบบไม่คิดค่าบริการ นักพัฒนาสามารถอัปโหลดภาพครั้งเดียว แล้วนำกลับมาใช้ในคำขอภายหลังด้วย file_id แทนการส่งข้อมูลภาพเดิมซ้ำทุกครั้ง โดย DeepSeek ระบุว่ารหัสไฟล์อยู่ในรูปแบบ file-api-...

ฟังก์ชันนี้เหมาะกับเอเจนต์ที่ต้องตรวจสอบภาพหน้าจอ หน้าเอกสาร หรือไฟล์ภาพเดิมหลายรอบและหลายขั้นตอน อย่างไรก็ตาม แม้ Files API จะไม่คิดค่าบริการ แต่การประมวลผลของโมเดลและการใช้โทเคนยังคงมีค่าใช้จ่าย

ความหมายต่อการแข่งขัน AI

การเปิดตัว Vision-Exp สะท้อนว่าการแข่งขัน AI ไม่ได้วัดกันที่คุณภาพของโมเดลเพียงอย่างเดียวอีกต่อไป แต่รวมถึงความสามารถแบบมัลติโหมด ความเข้ากันได้ของ API ราคา เครื่องมือสำหรับเอเจนต์ และความสะดวกในการนำไปพัฒนา

DeepSeek กำลังเสนอส่วนขยายด้านภาพของตระกูล Flash ด้วยอัตราค่าโทเคนที่เผยแพร่ในระดับเดียวกับ V4-Flash ขณะที่ Claude Opus 4.8 ถูกใช้เป็นจุดเปรียบเทียบระดับสูงในรายงานของ DeepSeek ภาพรวมนี้สะท้อนการแข่งขันระหว่างผู้พัฒนา AI จากจีนและสหรัฐฯ ที่กำลังขยับจากการสร้างโมเดลเก่ง ๆ ไปสู่การทำให้ความสามารถด้านภาพใช้งานได้จริงและมีต้นทุนเข้าถึงได้มากขึ้น

แต่ Vision-Exp ยังเป็นรุ่นทดลอง ไม่ใช่การเปิดตัวโมเดลเรือธงรุ่นใหม่ ผลกระทบที่แท้จริงจะขึ้นอยู่กับว่านักพัฒนาพบว่าโมเดลมีความน่าเชื่อถือเพียงใดในงานอย่างการเขียนโค้ดจากภาพหน้าจอ การวิเคราะห์เอกสาร เอเจนต์ควบคุมอินเทอร์เฟซ และการใช้เครื่องมือจากข้อมูลภาพ

ข้อสรุปที่เหมาะสมในตอนนี้จึงควรเป็นแบบมีเงื่อนไข: DeepSeek ทำให้การเพิ่มความสามารถด้านการมองเห็นให้เอเจนต์ผ่าน API มีต้นทุนและขั้นตอนที่เข้าถึงง่ายขึ้น ขณะที่ผลทดสอบระยะแรกชี้ว่าโมเดลอาจเป็นคู่แข่งที่น่าสนใจในงานมัลติโหมดบางประเภท แต่การทดสอบจากบุคคลที่สาม ความเสถียรในโลกจริง และการยอมรับจากนักพัฒนาจะเป็นตัวตัดสินว่า Vision-Exp จะกลายเป็นทางเลือกที่ใช้งานได้ยาวนาน หรือเป็นเพียงรุ่นทดลองที่สร้างความสนใจในช่วงเปิดตัว