ศึก 3 ยักษ์ใหญ่ MoE จีน: เปรียบเทียบ Kimi K3, DeepSeek V4 Pro และ GLM-5.2 ในยุคโมเดลล้านล้านพารามิเตอร์

ห้องปฏิบัติการ AI ชั้นนำสามแห่งของจีนกำลังก้าวขึ้นมาครองตำแหน่งสูงสุดบนกระดานผู้นำโมเดลแบบ open-weight โดยมี Kimi K3 จาก Moonshot AI, DeepSeek V4 Pro และ GLM-5.2 จาก Zhipu AI เป็นตัวชูโรง ทั้งหมดใช้สถาปัตยกรรมแบบ sparse Mixture-of-Experts (MoE) พร้อมหน้าต่างบริบท (context window) ขนาด 1 ล้านโทเค็น มุ่งเน้นไปที่งานเขียนโค้ดระยะยาวและระบบ Agent

บทความนี้จะเปรียบเทียบโมเดลทั้งสามใน 3 แกนหลักที่ทีมพัฒนา AI ใช้ตัดสินใจเลือกใช้งานจริง ได้แก่ ความสามารถที่วัดผลได้ (Benchmarks), เงื่อนไขสิทธิ์การใช้งาน (License) และต้นทุนในการให้บริการจริง (Serving Cost)

นิยามของคำว่า 'ระดับล้านล้านพารามิเตอร์' (Trillion-parameter) นั้นเหมาะสมที่สุดสำหรับ Kimi K3 ที่มีขนาด 2.8T และ DeepSeek V4 Pro ขนาด 1.6T ในขณะที่ GLM-5.2 มีพารามิเตอร์รวมอยู่ที่ 744B ซึ่งถือเป็นรุ่นที่เล็กที่สุดในกลุ่มนี้ แต่ยังคงรักษาระดับความสามารถที่น่าสนใจไว้ได้หลังจากที่เคยครองอันดับหนึ่งในกลุ่ม open-weight ก่อน K3 จะเปิดตัว

ผู้ท้าชิงทั้งสาม

Kimi K3 คือโมเดล Stable LatentMoE ขนาด 2.8 ล้านล้านพารามิเตอร์ ทำงานโดยเรียกใช้ (activate) 16 จาก 896 expert ต่อหนึ่งโทเค็น แม้ทาง Moonshot จะยังไม่เปิดเผยพารามิเตอร์ขณะประมวลผล (active parameters) ที่แน่นอน แต่ K3 โดดเด่นด้วยความสามารถด้าน vision แบบ native และระบุว่าเป็นโมเดลระดับ 3T รุ่นแรกที่เป็นแบบ open โดยสามารถอ่านข่าวการเปิดตัวเพิ่มเติมได้

ที่นี่

DeepSeek V4 Pro เป็น MoE ขนาด 1.6 ล้านล้านพารามิเตอร์ มี active parameters 49B ใช้โครงสร้าง 384 routed experts ผสานกับ 1 shared expert ให้หน้าต่างบริบท 1M โทเค็นและเอาต์พุตสูงสุดถึง 384K นอกจากนี้ยังมีรุ่นย่อย V4 Flash สำหรับงานที่ต้องการราคาประหยัด โดยสามารถตรวจสอบน้ำหนักโมเดล (weights) ได้บน

Hugging Face

GLM-5.2 จาก Zhipu AI มาในขนาด 744 พันล้านพารามิเตอร์ (active ~40B) พร้อมหน้าต่างบริบท 1M โทเค็น โดยส่งมอบโมเดลพร้อมโหมดการให้เหตุผลแบบ High และ Max ผ่านช่องทาง API

Spec	Kimi K3	DeepSeek V4 Pro	GLM-5.2
พารามิเตอร์รวม	2.8T	1.6T	744B (753B ตาม Artificial Analysis)
Active parameters	ไม่เปิดเผย (16/896 experts)	49B	~40B
หน้าต่างบริบท	1M	1M (เอาต์พุตสูงสุด 384K)	1M (เอาต์พุตสูงสุด 131K)
รูปแบบข้อมูล	ข้อความ + ภาพ + วิดีโอ	ข้อความ	ข้อความ
วันที่เปิดตัว	16 กรกฎาคม 2026	24 เมษายน 2026	13 มิถุนายน 2026

Benchmarks เนื่องจากการรายงานผลของผู้พัฒนาแต่ละรายใช้มาตรวัดต่างกัน ข้อมูลจาก Artificial Analysis Intelligence Index จึงเป็นตัวกลางที่ดีที่สุดในการเปรียบเทียบบนมาตรฐานเดียวกัน

ในดัชนีนี้ Kimi K3 ทำคะแนนได้สูงสุดที่ 57 รั้งอันดับ 3 ของภาพรวม ตามหลังเพียง Claude Fable 5 และ GPT-5.6 Sol เท่านั้น ในขณะที่ GLM-5.2 ได้ 51 คะแนน และ DeepSeek V4 Pro (โหมด Max reasoning) ได้ 44 คะแนน K3 จึงถือเป็นโมเดลที่แข็งแกร่งที่สุดในกลุ่มหากวัดจากสติปัญญาโดยรวม

สำหรับการทดสอบด้านการเขียนโค้ด Kimi K3 นำหน้า GLM-5.2 อย่างชัดเจนในทุกการทดสอบของ Moonshot harness ดังตารางต่อไปนี้:

Benchmark (Moonshot harness)	Kimi K3	GLM-5.2
DeepSWE	67.5	46.2
Program Bench	77.8	63.7
Terminal Bench 2.1	88.3	82.7
FrontierSWE	81.2	67.3
SWE Marathon	42.0	13.0
Automation Bench	30.8	12.9
GPQA-Diamond	93.5	91.2

สำหรับ DeepSeek แม้จะไม่ปรากฏในตารางเปรียบเทียบตรงของ Moonshot แต่ผลทดสอบแยกต่างหากระบุว่า DeepSeek-V4-Pro-Max ทำคะแนนบน SWE-bench Verified ได้ถึง 80.6% ซึ่งเทียบเท่ากับ Gemini 3.1 Pro ทำให้มันเป็นคู่แข่งที่น่ากลัวในสายงานโค้ด

License

แม้สถานะจะเป็นโมเดล open-weight เหมือนกัน แต่เงื่อนไขสิทธิ์การใช้งานนั้นต่างกันอย่างมีนัยสำคัญ

DeepSeek V4 Pro ใช้สิทธิ์ MIT เช่นเดียวกับ GLM-5.2 ที่ใช้ MIT ภายใต้องค์กร zai-org ทั้งสองรุ่นอนุญาตให้ใช้งานเชิงพาณิชย์ ปรับแต่ง และติดตั้งในเซิร์ฟเวอร์ส่วนตัว (self-hosting) ได้อย่างอิสระตั้งแต่วันแรก

Kimi K3 เป็นข้อยกเว้นเพียงหนึ่งเดียว โดย Moonshot มีแผนจะปล่อยน้ำหนักโมเดลในวันที่ 27 กรกฎาคม 2026 ภายใต้สิทธิ์แบบ Modified MIT ซึ่งมีเงื่อนไขเรื่องการระบุที่มา (attribution) หากมีผู้ใช้งานรายเดือน (MAU) เกิน 100 ล้านคน

Serving cost

ราคา API ของแต่ละรุ่นมีความแตกต่างกันอย่างชัดเจนตามตารางด้านล่าง:

โมเดล	Input ($/MTok)	Output ($/MTok)	Cached input
Kimi K3	3.00	15.00	0.30
DeepSeek V4 Pro	0.435	0.87	~0.0036
GLM-5.2	1.40	4.40	0.26

DeepSeek V4 Pro คือผู้ชนะด้านราคาอย่างขาดลอย โดยเงิน 1 ดอลลาร์สามารถซื้อเอาต์พุตได้ถึง 1.15M โทเค็น ในขณะที่ K3 ได้เพียง 67K โทเค็นเท่านั้น นอกจากนี้ในแง่ของความเร็ว Artificial Analysis พบว่า GLM-5.2 ประมวลผลได้เร็วที่สุดที่ 168 tokens/sec ทิ้งห่างคู่แข่งอีกสองรายที่ทำได้ราว 62 tokens/sec

ความท้าทายหลักคือการติดตั้งใช้งานเอง (Self-hosting) เนื่องจากโมเดลเหล่านี้มีขนาดใหญ่มาก โดย Kimi K3 ต้องการหน่วยประมวลผลถึง 64 ตัวขึ้นไปในการรันน้ำหนักโมเดลแบบ MXFP4 ทำให้การเข้าถึงในระดับท้องถิ่นเป็นไปได้ยากสำหรับทีมขนาดเล็ก

สรุปประเด็นสำคัญ

• Kimi K3 มีความสามารถสูงสุด (อันดับ 3 ของโลกตาม Artificial Analysis Index) แต่ราคา API สูงกว่าเพื่อนและยังไม่เปิด open weights จนถึงปลายเดือนกรกฎาคม
• DeepSeek V4 Pro เป็นตัวเลือกที่คุ้มค่าที่สุดด้วยต้นทุนเฉลี่ย ~$0.04 ต่องาน และให้ประสิทธิภาพด้านการเขียนโค้ดที่ยอดเยี่ยม
• GLM-5.2 (744B) โดดเด่นเรื่องความเร็วในการประมวลผล (168 t/s) และเปิดให้ดาวน์โหลดน้ำหนักโมเดลภายใต้ MIT แล้ววันนี้

สำหรับองค์กรที่เน้นความประหยัดและสิทธิ์การใช้งานที่ยืดหยุ่น DeepSeek และ GLM คือคำตอบ แต่หากต้องการประสิทธิภาพสูงสุดระดับโมเดลเรือธงฝั่งอเมริกา Kimi K3 คือตัวเลือกที่น่าจับตามองที่สุดในขณะนี้