การปล่อยโอเพนเวต Step 5 Preview และการก้าวสู่โมเดลระดับฟรอนเทียร์
เมื่อวันที่ 15 ตุลาคม 2026 บริษัทเทคโนโลยีปัญญาประดิษฐ์สัญชาติจีน StepFun ได้ปล่อยน้ำหนักโมเดล (Open Weights) สำหรับโมเดลเรือธง Step 5 Preview อย่างเป็นทางการ หลังจากที่เคยเปิดให้ใช้งานเฉพาะรูปแบบ API ไปเมื่อวันที่ 20 กันยายน 2026 การเปิดเวตครั้งนี้ทำให้โมเดลรากฐานขนาดใหญ่พร้อมให้นักพัฒนาและองค์กรนำไปติดตั้งใช้งานบนเซิร์ฟเวอร์ของตนเองผ่านเฟรมเวิร์กยอดนิยม เช่น vLLM, SGLang และ Transformers
Step 5 Preview สร้างขึ้นด้วยสถาปัตยกรรม Mixture-of-Experts (MoE) แบบ Sparse ซึ่งมีขนาดพารามิเตอร์รวมทั้งหมด 600 พันล้านพารามิเตอร์ (600B) แต่ใช้การประมวลผลจริงเพียง 27 พันล้านพารามิเตอร์ต่อโทเค็น (600B-A27B) โครงสร้างโมเดลถูกออกแบบให้เป็น Transformer ทรงลึกและแคบจำนวน 92 เลเยอร์ พร้อมใช้งานกลไก Sparse Grouped-Query Attention (Sparse GQA) ที่มีระบบทำดัชนีแบบบล็อกขนาด 8 โทเค็น เพื่อเพิ่มประสิทธิภาพในการคำนวณ
จุดเด่นสำคัญของ Step 5 Preview คือการรองรับ Context Window ขนาดยาวถึง 1,000,000 โทเค็น (1M tokens) สำหรับอินพุต และรองรับการสร้างเอาต์พุตสูงสุดถึง 64,000 โทเค็น โดยมีความสามารถประมวลผลข้อมูลมัลติโมดัลแบบเนทีฟ ทั้งข้อความ รูปภาพ และวิดีโอ ซึ่งทางผู้พัฒนาระบุว่าโมเดลทำคะแนนได้ 44 คะแนนบน Artificial Analysis Intelligence Index
ข้อกำหนดด้านฮาร์ดแวร์ โมเดลเช็กพอยต์ และโครงสร้างราคา API
การแจกจ่ายน้ำหนักโมเดลเปิดให้ดาวน์โหลดทั้งในรูปแบบความละเอียด BF16 และ FP8 ผ่านแพลตฟอร์ม Hugging Face และ ModelScope อย่างไรก็ตาม สเกลขนาด 600B พารามิเตอร์ทำให้มีข้อกำหนดด้านฮาร์ดแวร์ในระดับสูงมาก โดยหากต้องการรันโมเดลเวอร์ชัน BF16 จำเป็นต้องใช้หน่วยความจำ VRAM รวมราว 1.2 TB ซึ่งหมายความว่าการรันโมเดลในระดับ Local ไม่สามารถทำได้บนฮาร์ดแวร์ระดับผู้บริโภคทั่วไป แต่ต้องอาศัยคลัสเตอร์เซิร์ฟเวอร์แบบมัลติ GPU เช่น NVIDIA H100 หรือ A100 หลายใบเชื่อมต่อกัน
แม้ว่าเวอร์ชันควอนไทเซชัน FP8 จะช่วยลดภาระหน่วยความจำลงได้ระดับหนึ่ง แต่ความต้องการพื้นฐานด้านแบนด์วิดท์หน่วยความจำและหน่วยประมวลผลยังคงจัดอยู่ในกลุ่มระดับศูนย์ข้อมูล (Data Center) สำหรับผู้ใช้ที่ไม่ต้องการแบกรับต้นทุนการตั้งเซิร์ฟเวอร์เอง StepFun ยังคงให้บริการผ่านคลาวด์ API ต่อไป
ในฝั่งของบริการ API ผู้พัฒนาได้ตั้งราคาอย่างดุดัน โดยคิดค่าบริการอินพุตมาตรฐานที่ 1.00 ดอลลาร์สหรัฐต่อ 1 ล้านโทเค็น พร้อมส่วนลดการแคชบริบท (Cached Input) เหลือเพียง 0.05 ดอลลาร์สหรัฐต่อ 1 ล้านโทเค็น และคิดค่าบริการเอาต์พุตที่ 2.70 ดอลลาร์สหรัฐต่อ 1 ล้านโทเค็น ซึ่งสร้างความได้เปรียบทางเศรษฐศาสตร์อย่างมากเมื่อเทียบกับโมเดลกรรมสิทธิ์ฝั่งตะวันตกที่มีสเปกใกล้เคียงกัน
เสียงสะท้อนจากกลุ่มนักพัฒนา ความท้าทาย และจุดที่ต้องรอการพิสูจน์
การเปิดตัวของ Step 5 Preview ได้รับความสนใจอย่างมากในหมู่วิศวกร AI และผู้เชี่ยวชาญด้านโอเพนซอร์ส โดยเสียงตอบรับส่วนใหญ่แสดงความตื่นเต้นต่อความจุบริบท 1 ล้านโทเค็น ซึ่งช่วยแก้ปัญหาคอขวดในการป้อนข้อมูลชุดใหญ่ในโมเดลเปิด นอกจากนี้ นักพัฒนายังชื่นชมราคาของ API และการเปิดเวตที่ช่วยลดการผูกขาดเทคโนโลยีจากผู้ให้บริการรายใหญ่
กระนั้น กลุ่มผู้ใช้งานและนักวิจัยโครงสร้างพื้นฐานยังคงมีความกังขาในหลายประเด็น เรื่องแรกคืออุปสรรคด้านฮาร์ดแวร์ที่หนักหน่วง วิศวกรจำนวนมากชี้ว่าการติดตั้งโมเดลขนาด 600B พารามิเตอร์ที่มีโครงสร้าง 92 เลเยอร์ด้วยตนเองนั้น สร้างภาระด้านวิศวกรรมการให้บริการ (Serving) อย่างมหาศาล และอาจไม่คุ้มค่าทางเศรษฐศาสตร์สำหรับทีมขนาดกลางหรือเล็ก หากไม่มีปริมาณงานที่ต่อเนื่องและหนาแน่นพอ
ประเด็นถัดมาคือข้อสงสัยเกี่ยวกับประโยชน์จริงของ Context Window ขนาด 1 ล้านโทเค็น ซึ่งนักปฏิบัติการบางส่วนตั้งคำถามว่าเป็นเพียงลูกเล่นทางการตลาดหรือไม่ เนื่องจากโมเดลยังคงมีสถานะเป็น "Preview" และยังขาดผลการตรวจสอบจากหน่วยงานภายนอกอย่างอิสระ โดยเฉพาะในแง่ของความแม่นยำในการค้นหาและวิเคราะห์ข้อมูล (Needle-in-a-Haystack) ตลอดจนประสิทธิภาพในการเขียนโค้ดเชิง Agentic และงานวิเคราะห์งบการเงินเมื่อต้องประมวลผลข้อมูลเต็มความยาวบริบท
นัยสำคัญต่อภาคธุรกิจและองค์กรในประเทศไทย
สำหรับผู้นำเทคโนโลยีและผู้บริหารในประเทศไทย การมาถึงของ Step 5 Preview สะท้อนให้เห็นว่าช่องว่างระหว่างโมเดลภาษาแบบปิดและโมเดลแบบโอเพนเวตกำลังแคบลงอย่างรวดเร็ว องค์กรในกลุ่มธุรกิจการเงิน โทรคมนาคม และหน่วยงานรัฐที่อยู่ภายใต้ข้อกำหนดการคุ้มครองข้อมูลส่วนบุคคล (PDPA) มักเผชิญข้อจำกัดในการส่งข้อมูลลูกค้าไปยังโมเดลคลาวด์ภายนอก การมีโมเดลระดับ 600B ที่เปิดน้ำหนักให้อิมพลีเมนต์ภายใน On-Premises หรือ Sovereign Cloud ได้ จึงเป็นทางเลือกเชิงยุทธศาสตร์ที่น่าจับตามอง
อย่างไรก็ตาม องค์กรในไทยต้องประเมินต้นทุนรวมในการเป็นเจ้าของ (Total Cost of Ownership - TCO) อย่างรอบคอบ การลงทุนจัดซื้อฮาร์ดแวร์เพื่อรองรับหน่วยความจำขนาด 1.2 TB ต้องใช้เม็ดเงินมหาศาล ทั้งในแง่ของเซิร์ฟเวอร์ ระบบระบายความร้อน และวิศวกรผู้เชี่ยวชาญด้าน MLOps ดังนั้น สำหรับองค์กรส่วนใหญ่ที่ไม่ได้มีโครงสร้างพื้นฐานระดับซูเปอร์คอมพิวเตอร์ การทดสอบความสามารถผ่าน API หรือรอคอยโมเดลเวอร์ชันย่อส่วนที่มีการควอนไทเซชันระดับสูงจึงเป็นแนวทางที่คุ้มค่ากว่า
ในระยะสั้น ผู้ประกอบการไทยสามารถใช้ประโยชน์จากบริบท 1 ล้านโทเค็นในการทดลองประมวลผลเอกสารสัญญาทางธุรกิจ บันทึกการประชุมหลายร้อยชั่วโมง หรือการประมวลผลวิดีโอเพื่อวิเคราะห์ข้อมูลเชิงลึก แต่ควรวางระบบประเมินผลภายใน (Evaluation Pipeline) เพื่อวัดอัตราการเกิดภาพหลอน (Hallucination) ก่อนนำไปใช้งานจริงในกระบวนการทางธุรกิจที่มีความเสี่ยงสูง
การเปิดโมเดลระดับ 600B พารามิเตอร์ให้เข้าถึงแบบโอเพนเวต พร้อมความจุบริบท 1 ล้านโทเค็น ช่วยให้องค์กรขนาดใหญ่สามารถรันเวิร์กโหลด AI วิเคราะห์เอกสารทางธุรกิจและโค้ดที่มีความซับซ้อนได้เอง โดยไม่ต้องพึ่งพาบริการคลาวด์แบบปิดจากต่างประเทศเพียงอย่างเดียว