มีเรื่องแปลก ๆ เกิดขึ้นกับวงการ AI ในช่วงแปดสัปดาห์ที่ผ่านมา

ในเดือนมิถุนายน Z.ai เปิดตัว GLM-5.2 และกลายเป็นโมเดลโอเพนเวตตัวแรกที่ทำคะแนน Terminal-Bench ทะลุ 80% อย่างเงียบ ๆ ในเดือนกรกฎาคม Moonshot AI ปล่อย Kimi K3 ซึ่งมีพารามิเตอร์ 2.8 ล้านล้านตัว เป็นโมเดลโอเพนเวตที่ใหญ่ที่สุดเท่าที่เคยเผยแพร่ และหุ้น AI จีนก็ร่วงลงอย่างหนักตามไปด้วย จากนั้นวันที่ 3 สิงหาคม Alibaba ก็ตอบโต้ด้วย Qwen3.8-Max ที่มีพารามิเตอร์ 2.4 ล้านล้านตัว และเปิดซอร์สโมเดลระดับ Max เป็นครั้งแรกในประวัติศาสตร์ของบริษัท

โมเดลสามตัวที่ใกล้เคียงระดับแนวหน้า ปรัชญาการให้สัญญาอนุญาตสามแบบที่ต่างกัน ระดับราคาที่ห่างกันสุดขั้วสามระดับ และบทความสับสนอีกมากมายที่มองว่าพวกมันใช้แทนกันได้

พวกมันใช้แทนกันไม่ได้ หนึ่งในนั้นมองภาพไม่ออก อีกตัวยังดาวน์โหลดไม่ได้จริง แม้จะมีพาดหัวข่าวเป็นร้อยที่เรียกมันว่า “โอเพนซอร์ส” และอีกตัวมีค่าใช้จ่ายต่อโทเคนเอาต์พุตสูงกว่าอีกตัวถึงห้าเท่า ทั้งที่ทำคะแนนได้แย่กว่าบนเบนช์มาร์กการเขียนโค้ดหลายรายการ

นี่คือการเปรียบเทียบที่จะทำให้กระจ่าง

TL;DR — คำตัดสินใน 30 วินาที

ถ้าคุณต้องการความสามารถดิบที่แรงที่สุดและจ่ายไหว: Kimi K3 ติดอันดับ 4 บน Artificial Analysis Intelligence Index และอันดับ 1 บน Frontend Code Arena และเป็นตัวเดียวในสามตัวที่สู้ได้สูสีกับเรือธงของ Claude และ GPT คุณจะจ่าย $3/$15 ต่อล้านโทเคนเพื่อสิ่งนี้

ถ้าคุณต้องการอัตราส่วนราคาต่อความสามารถที่ดีที่สุดสำหรับการเขียนโค้ด: GLM-5.2 ที่ราคา $1.40/$4.40 ต่ำกว่าหนึ่งในสามของราคาเอาต์พุตของ K3 ได้รับสัญญาอนุญาต MIT จริง ๆ และน้ำหนักโมเดลอยู่บน Hugging Face ตั้งแต่เดือนมิถุนายน แค่ประมวลผลภาพไม่ได้

ถ้าคุณต้องการอินพุตหลายรูปแบบและเอเจนต์ที่ทำงานยาวนานในโมเดลเดียว: Qwen3.8-Max รองรับข้อความ ภาพ และ และวิดีโอเป็นอินพุต พร้อมตัวเลขเอเจนต์ด้านภาพที่แข็งแกร่งที่สุดในบรรดาสามตัวตามที่เผยแพร่ แต่ ณ เวลาที่เขียนนี้ น้ำหนักโมเดลยังเป็นแค่คำสัญญา ไม่ใช่ไฟล์ให้ดาวน์โหลด

ถ้าคุณกำลังสร้างอะไรจริงจัง: ใช้มากกว่าหนึ่งตัว หัวข้อเรื่องการกำหนดเส้นทางด้านล่างอธิบายว่าทำไมนี่ไม่ใช่คำตอบเลี่ยงปัญหา

สารบัญ

ทำไมการเปรียบเทียบนี้จึงสำคัญตอนนี้
รู้จักผู้เข้าแข่งขัน
สเปกแบบเทียบกันตัวต่อตัว
เจาะลึกเบนช์มาร์ก
เครื่องหมายดอกจันในเบนช์มาร์กที่ไม่มีใครพูดถึง
ราคา: คำนวณต้นทุนจริง
ความหมายจริงของ “โอเพนเวต” ในที่นี้
คุณโฮสต์เองได้จริงหรือ?
หน้าต่างบริบท 1M สามตัวไม่เหมือนกัน
คุณควรเลือกโมเดลไหน?
กลยุทธ์การกำหนดเส้นทางหลายโมเดล
ความเสี่ยง ข้อควรระวัง และสัญญาณเตือน
สิ่งที่จะเกิดขึ้นต่อไป
คำถามที่พบบ่อย
บทสรุปสุดท้าย

ทำไมการเปรียบเทียบนี้จึงสำคัญตอนนี้

ตลอดช่วงปี 2024 และ 2025 โมเดลโอเพนเวตเป็นแค่ตัวเลือกสำรอง คุณเลือกโมเดลแนวหน้าของตะวันตกสำหรับงานหนัก และเลือกโมเดลเปิดสำหรับงานถูก ๆ ที่ต้องทำปริมาณมาก ช่องว่างนี้มีอยู่จริงและทุกคนก็รู้ดี

กรอบความคิดนั้นพังทลายลงในซัมเมอร์นี้

เมื่อ Moonshot เปิดตัว Kimi K3 ในกลางเดือนกรกฎาคม ปฏิกิริยาของตลาดเล่าเรื่องได้ดีกว่าตารางเบนช์มาร์กใด ๆ หุ้นของ Z.ai ที่จดทะเบียนในฮ่องกงร่วงลงมากถึง 30% MiniMax ลดลงถึง 16% Alibaba ลดลง 4% นักลงทุนไม่ได้ตอบสนองต่อรายงานวิจัย แต่ตอบสนองต่อโมเดลที่นักพัฒนาในการทดสอบแบบไม่เห็นชื่อเทียบกันเลือกใช้มากกว่าระบบชั้นนำของอเมริกาในงานเขียนโค้ดส่วนหน้าบ้าน

จากนั้นการเปิดตัว Qwen3.8-Max ของ Alibaba ก็ดันหุ้นของตัวเองขึ้น 7% ในฮ่องกง ในสัปดาห์เดียวกัน มีรายงานว่ารายได้รายวันของ Moonshot เพิ่มขึ้นอย่างน้อยหกเท่าหลังจาก K3 โดยบริษัทมีรายได้ประจำต่อปีแตะ $300 ล้านในเดือนมิถุนายน เพิ่มจาก $200 ล้านในเดือนเมษายน ขณะที่กำลังระดมทุนในรอบใหม่ด้วยมูลค่า $50,000 ล้าน

นี่ไม่ใช่เรื่องของทางเลือกราคาถูกอีกต่อไป แต่เป็นเรื่องว่าราคาของความสามารถระดับแนวหน้าลดฮวบลงแล้วหรือไม่ และถ้าใช่ คุณควรนำตัวไหนในสามตัวนี้ไปต่อเข้าระบบจริง

รู้จักผู้เข้าแข่งขัน

Kimi K3 (Moonshot AI)

เปิดตัว: July 16, 2026 (API) · July 27, 2026 (weights)

Kimi K3 เป็นกลยุทธ์ด้านขนาด ด้วยพารามิเตอร์รวม 2.8 ล้านล้านตัว ใหญ่กว่า V4 Pro ของ DeepSeek ประมาณ 75% ซึ่งเคยครองตำแหน่ง “โมเดลเปิดที่ใช้กันแพร่หลายที่ใหญ่ที่สุด” แต่ตัวเลขที่สำคัญสำหรับคนที่คิดเรื่องต้นทุนการอนุมานคือตัวเลขแบบสปาร์ส: K3 ใช้การออกแบบ mixture-of-experts ที่มีผู้เชี่ยวชาญ 896 ตัว และเปิดใช้งานเพียง 16 ตัวต่อโทเคน ทำให้มีพารามิเตอร์ประมาณ 50,000 ล้านตัวทำงานในแต่ละรอบการประมวลผล

สององค์ประกอบทางสถาปัตยกรรมเป็นของ Moonshot เอง: Kimi Delta Attentionซึ่งเป็นกลไก attention เชิงเส้นแบบไฮบริด และ Attention Residualsซึ่งบริษัทอธิบายว่าเป็นสิ่งทดแทนการเชื่อมต่อแบบ residual มาตรฐานที่ใส่เข้าไปได้ทันทีและให้ผลตอบแทนต่อเนื่องเมื่อขยายขนาด ทั้งสองชิ้นเคยเผยแพร่เป็นงานวิจัยเปิดบน GitHub ก่อน K3 จะออกวางจำหน่าย

การวางตำแหน่งชัดเจนมาก Moonshot สร้างมันขึ้นมาสำหรับงานวิศวกรรมที่ใช้เวลายาวนาน กรอบการนำเสนอของบริษัทคือการทำงานต่อเนื่องหลายชั่วโมง การนำทางในรีโพซิทอรีขนาดใหญ่ และการจัดเครื่องมือเทอร์มินัลให้ทำงานร่วมกันโดยมีการกำกับดูแลน้อยที่สุด มันมาพร้อมความเข้าใจภาพแบบเนทีฟและโหมดการให้เหตุผลที่เปิดตลอดเวลา และเข้ากันได้กับ OpenAI SDK ดังนั้นการเชื่อมต่อจึงเป็นการเปลี่ยน base URL เป็นหลัก

Qwen3.8-Max (Alibaba)

เปิดตัว: July 19, 2026 (preview at WAIC Shanghai) · August 3, 2026 (general availability)

Qwen3.8-Max มีพารามิเตอร์รวม 2.4 ล้านล้านตัว โดยเปิดใช้งานประมาณ 95,000 ล้านตัวต่อโทเคน เกือบสองเท่าของจำนวนที่ใช้งานของ K3 ซึ่งส่งผลจริงต่อต้นทุนการให้บริการ และเราจะกลับมาพูดถึงเรื่องนี้

สิ่งใหม่จริง ๆ ที่นี่ไม่ใช่ขนาด แต่คือรูปแบบข้อมูล นี่เป็นโมเดล Qwen ตัวแรกที่เกินหนึ่งล้านล้านพารามิเตอร์ที่รองรับหลายรูปแบบ โดยรับข้อความ ภาพ และ และวิดีโอเป็นอินพุต และเป็นครั้งแรกที่ Alibaba ให้คำมั่นว่าจะเปิดซอร์สเรือธงระดับ Max เลย โมเดล Max ทุกตัวก่อนหน้า ทั้ง Qwen3.7-Max และ Qwen3.6-Max-Preview ถูกจำกัดไว้หลัง API ขณะที่สายโอเพนเวตแยกไปพัฒนาที่ขนาดเล็กกว่า

เดโมงานยาวนานของ Alibaba เป็นการตลาดที่สะดุดตาที่สุดในบรรดาสามตัว ในเดโมหนึ่ง มีรายงานว่าโมเดลใช้เวลากว่าสิบวันสร้างฮาร์เนสซอฟต์แวร์ที่พัฒนาตัวเองได้ โดยนำข้อเสนอแนะเข้ามาใช้และวนซ้ำผ่านโค้ด พรีวิว และล็อก โดยไม่มีการแทรกแซงจากมนุษย์ ในอีกเดโมหนึ่ง มันจำลองงานวิจัยด้านแมชชีนเลิร์นนิงขึ้นมาใหม่ตั้งแต่ต้น: การฝึกด้วย GPU 33 รอบรวมประมาณ 125 ชั่วโมง โค้ด 7,600 บรรทัด จากนั้นสร้างแนวทางปรับปรุงขึ้นมาเอง 18 ข้อที่เอาชนะวิธีในงานวิจัยต้นฉบับได้ เมื่อส่งเข้าประกวดสดกับทีมมนุษย์ 526 ทีม มันอยู่ในอันดับที่เหนือกว่า 87% ของผู้เข้าแข่งขัน

มองสิ่งเหล่านี้เป็นเดโมของผู้ขาย เพราะนั่นคือสิ่งที่มันเป็น แต่มันเป็นเดโมผู้ขายที่เจาะจงรายละเอียดผิดปกติ

GLM-5.2 (Z.ai / Zhipu AI)

เปิดตัว: June 13, 2026 (Coding Plan preview) · mid-June 2026 (full open release)

GLM-5.2 เป็นโมเดลที่เล็กที่สุดในที่นี้อย่างชัดเจน และมีจุดโฟกัสคมที่สุด ด้วยพารามิเตอร์รวมประมาณ 744–753 พันล้านตัว และเปิดใช้งานประมาณ 40,000 ล้านตัวต่อโทเคน มันถูกสร้างขึ้นเพื่อสิ่งเดียว คือการเขียนโค้ดด้วยเอเจนต์ที่ใช้เวลายาวนาน

ความโฟกัสนั้นปรากฏออกมาเป็นการละเว้นโดยตั้งใจ GLM-5.2 ไม่มีตัวเข้ารหัสภาพ มันรับข้อความและโค้ด ถ้าคุณป้อนภาพหน้าจอ ไฟล์ PDF หรือม็อกอัป UI มันจะเกิดข้อผิดพลาด Jie Tang ผู้ร่วมก่อตั้ง Z.ai พูดต่อสาธารณะถึงเหตุผลนี้ เขามองว่าการให้เหตุผลจากข้อความ ไม่ใช่อินพุตภาพ คือความสามารถที่ยกเพดานของความฉลาดของเครื่องจักร โพลของชุมชนในเดือนมิถุนายนเกี่ยวกับฟีเจอร์ของเวอร์ชันถัดไปมียอดดูเกิน 466,000 ครั้ง และความสามารถด้านภาพคือคำขออันดับหนึ่งอย่างท่วมท้น แต่ก็ยังไม่ถูกส่งมอบ

สิ่งที่ GLM-5.2 มีคือเรื่องสัญญาอนุญาตที่สะอาดที่สุดในการเปรียบเทียบนี้ และราคาต่ำที่สุดแบบทิ้งห่าง มันออกภายใต้สัญญาอนุญาต MIT แบบไม่มีข้อจำกัด โดยมีน้ำหนักโมเดลอยู่บน Hugging Face และมาพร้อมการรองรับตั้งแต่วันแรกในสภาพแวดล้อมการเขียนโค้ดของบุคคลที่สามกว่ายี่สิบแห่ง

สเปกแบบเทียบกันตัวต่อตัว

	Kimi K3	Qwen3.8-Max	GLM-5.2
นักพัฒนา	Moonshot AI	Alibaba	Z.ai (Zhipu AI)
พารามิเตอร์ทั้งหมด	2.8T	2.4T	~744–753B
พารามิเตอร์ที่ใช้งานต่อโทเคน	~50B (16 จาก 896 ผู้เชี่ยวชาญ)	~95B	~40B
สถาปัตยกรรม	Sparse MoE + Kimi Delta Attention	Sparse MoE	Sparse MoE + IndexShare attention
หน้าต่างบริบท	1M โทเคน	1M โทเคน (อินพุตสูงสุด 991K)	1M โทเคน
เอาต์พุตสูงสุด	—	131K โทเคน	128K–131K โทเคน
อินพุตข้อความ	✅	✅	✅
อินพุตรูปภาพ	✅	✅	❌
อินพุตวิดีโอ	❌	✅	❌
โหมดการให้เหตุผล	คิดตลอดเวลา	มาตรฐาน / คิด (งบ 262K)	สูง / สูงสุด
มีเวตให้ดาวน์โหลด	✅ 27 กรกฎาคม 2026	⏳ ให้คำมั่นว่าสัปดาห์ของ 10 ส.ค.	✅ ตั้งแต่มิถุนายน 2026
สัญญาอนุญาต	MIT ดัดแปลง (มีเงื่อนไข)	ยังไม่ประกาศ	MIT (ไม่มีข้อจำกัด)
อินพุต API / 1M	$3.00	$2.00	$1.40
เอาต์พุต API / 1M	$15.00	$6.00	$4.40
อินพุตแคช / 1M	$0.30	$0.25	$0.26

มีสามสิ่งเด่นออกมาจากตารางนั้น

ข้อแรก, GLM-5.2 ทำได้มากกว่าด้วยทรัพยากรน้อยกว่าโดยมีขนาดรวมประมาณหนึ่งในสี่ของ K3 และยังแข่งขันได้บนเบนช์มาร์กการเขียนโค้ด ซึ่งบอกคุณว่าขนาดไม่ใช่เรื่องทั้งหมดในปี 2026

ข้อที่สอง, จำนวนพารามิเตอร์ที่ใช้งานของ Qwen3.8-Max คือค่าที่ผิดปกติที่ใช้งานประมาณ 95B นั้นเกือบสองเท่าของ K3 แม้จะมีขนาดรวมเล็กกว่า พารามิเตอร์ที่ใช้งานเป็นตัวกำหนดต้นทุนการให้บริการ ดังนั้นใครที่วางแผนโฮสต์เองควรทราบว่าเรือธงของ Qwen มีต้นทุนต่อโทเคนสูงกว่าโมเดลที่มีพารามิเตอร์มากกว่าถึง 400,000 ล้านตัว

ข้อที่สาม, ช่วงราคาห่างกันมหาศาลโทเคนเอาต์พุตของ K3 มีราคา 3.4 เท่าของ GLM-5.2 เมื่อใช้เอเจนต์หนัก ๆ หนึ่งเดือน นั่นไม่ใช่ความคลาดเคลื่อนจากการปัดเศษ

เจาะลึกเบนช์มาร์ก

ประสิทธิภาพด้านการเขียนโค้ดและเอเจนต์

นี่คือจุดที่โมเดลทั้งสามมุ่งเป้า ดังนั้นนี่คือจุดที่การเปรียบเทียบมีความหมายจริง

เบนช์มาร์ก	Kimi K3	Qwen3.8-Max	GLM-5.2
Terminal-Bench 2.1	88.3	86.6	81.0
SWE-bench Pro	—	67.7	62.1
FrontierSWE	81.2	73.5	74.4
SWE Marathon	42.0 (#1)	—	—
Program Bench	77.8 (#1)	—	—
DeepSWE	67.5	56.6	—
MCP-Atlas (การใช้เครื่องมือ)	~Fable 5 −0.5	—	77.0

เพื่อให้เห็นบริบทของตัวเลข Terminal-Bench เหล่านั้น: GPT-5.6 Sol ที่ใช้การให้เหตุผลสูงสุดได้ 88.8 ส่วน Claude Opus 4.8 และ Claude Fable 5 อยู่ที่ 84.6 ทั้งคู่ในตารางที่ Alibaba รายงาน คะแนน 88.3 ของ Kimi K3 ทำให้ห่างจากอันดับหนึ่งเพียงครึ่งคะแนน คะแนน 86.6 ของ Qwen3.8-Max เหนือกว่าโมเดล Claude ทั้งสองตัวในตารางเดียวกัน และ 81.0 ของ GLM-5.2 ในตอนนั้นเป็นคะแนนโอเพนเวตตัวแรกที่ข้าม 80

ชัยชนะสำคัญของ GLM-5.2 คือการเอาชนะ GPT-5.5 โดยเฉพาะ: 62.1 ต่อ 58.6 บน SWE-bench Pro และ 74.4 ต่อ 72.6 บน FrontierSWE ซึ่งตัวหลังทำให้มันเกือบเสมอกับ Claude Opus 4.8 ที่ 75.1 ในการใช้เครื่องมือบน MCP-Atlas มันทำได้ 77.0 เทียบกับ 75.3 ของ GPT-5.5 และ 77.8 ของ Opus 4.8

การให้เหตุผลและความรู้ทั่วไป

เบนช์มาร์ก	Kimi K3	Qwen3.8-Max	GLM-5.2
GPQA Diamond	93.5	92.6	89.5
Artificial Analysis Intelligence Index	57.11 (อันดับ 4 จาก 189)	—	51.09
BrowseComp	91.2 (#1)	—	—
PaperBench	—	93.0 (นำอยู่)	—
IFBench	—	82.8 (นำอยู่)	—

คะแนน 93.5 ของ K3 บน GPQA Diamond ในตอนเปิดตัวเป็นคะแนนที่ดีที่สุดที่โมเดลโอเพนเวตใด ๆ เคยเผยแพร่บนเบนช์มาร์กนั้น บนดัชนี Artificial Analysis Intelligence Index ที่เป็นอิสระ มันได้ 57.11 อยู่อันดับสี่จาก 189 โมเดลที่ติดตาม ตามหลัง Claude Fable 5 (59.86) และการตั้งค่าทั้งสองแบบของ GPT-5.6 Sol (58.89 และ 57.65) แต่ นำหน้า Claude Opus 4.8 ที่ 55.69

GLM-5.2 อยู่ในระดับต่ำกว่าอย่างเห็นได้ชัดบนดัชนีรวมนั้นที่ 51.09 ช่องว่างนี้คือต้นทุนที่แท้จริงของข้อได้เปรียบด้านราคาในเรื่องการให้เหตุผลทั่วไป แม้ว่ามันจะแคบลงอย่างรวดเร็วในงานเขียนโค้ดล้วน ๆ

หลายรูปแบบและความสามารถด้านภาพ

นี่คือหมวดที่ GLM-5.2 ไม่ได้แข่งขันเลย และเป็นที่ที่ Qwen3.8-Max ทำผลงานได้แข็งแกร่งที่สุด

เบนช์มาร์ก	Qwen3.8-Max	หมายเหตุ
OSWorld-Verified	86.1	งานเอเจนต์ที่ใช้คอมพิวเตอร์
Parametric CAD Bench	91.5	การให้เหตุผลด้านการออกแบบเชิงโครงสร้าง
OmniDocBench 1.5	92.1	ความเข้าใจเอกสาร
Vision Arena	อันดับ 2 ของโลก	เป็นรองเพียงตัวแปรหนึ่งของ Fable 5

Qwen3.8-Max ครองแถวด้านภาพส่วนใหญ่ในตารางที่ Alibaba เผยแพร่ และอันดับสองใน Vision Arena ก็เป็นสัญญาณอิสระที่แข็งแกร่งจริง Kimi K3 มีความเข้าใจภาพแบบเนทีฟและมีรายงานว่าทำงานกับแผนภูมิ เอกสาร และงานหลายรูปแบบได้ดี แต่ในบรรดาสามตัว Qwen ครองหมวดนี้

อันดับความชอบของมนุษย์

ผลอารีนาแบบไม่เห็นชื่อที่ให้ชุมชนโหวตควรอ่านแยกจากตารางเบนช์มาร์ก เพราะมันจับสิ่งบางอย่างที่ตารางมองข้าม

Frontend Code Arena: Kimi K3 อยู่อันดับ 1 ด้วย 1,679 Elo นำหน้า Claude Fable 5 ที่ 1,631 ส่วน Qwen3.8-Max อยู่อันดับ 4 ด้วย 1,668 น้อยกว่า Claude Opus 5 อยู่ 37 คะแนน
Text Arena: Qwen3.8-Max เข้ามาในฐานะโมเดลจีนที่อันดับสูงสุด แม้ยังตามหลังโมเดลของ Anthropic หลายตัว
Code Arena: GLM-5.2 ได้อันดับสองในกลุ่มโมเดลเขียนโค้ดบนลีดเดอร์บอร์ดแบบไม่เห็นชื่อ

การที่ Kimi K3 ชนะ Frontend Code Arena อย่างขาดลอย เหนือกว่า Fable 5 ได้ อาจเป็นผลลัพธ์ที่น่าประทับใจที่สุดเพียงหนึ่งเดียวในบทความนี้ทั้งหมด

เครื่องหมายดอกจันในเบนช์มาร์กที่ไม่มีใครพูดถึง

ทุกตารางข้างต้นสมควรมีคำเตือน และการเปรียบเทียบฉบับซื่อตรงต้องพูดเรื่องนี้ให้ชัด

ผลของฮาร์เนสนั้นมหาศาล เบนช์มาร์กของเอเจนต์เขียนโค้ดไม่ได้วัดตัวโมเดล แต่วัดโมเดล บวกกับ สภาพรันไทม์รอบ ๆ ตัวมัน: การเข้าถึงเครื่องมือ สิทธิ์ของไฟล์ ตรรกะการบีบอัดบริบท พฤติกรรมการลองใหม่ และกฎการหยุด Kimi Code, Claude Code, Codex, Terminus และ mini-SWE-agent ล้วนเป็นฮาร์เนสต่างกันที่มีความสามารถต่างกัน ผลลัพธ์ที่ติดป้ายว่า “Kimi K3 + Kimi Code” ไม่สามารถเทียบตรง ๆ กับผลจาก API เปล่า ๆ ได้

ตารางเปิดตัวของ Moonshot เองก็ผสมฮาร์เนสหลายตัว ทั้ง KimiCode และ Claude Code สำหรับ K3, Claude Code สำหรับแถวของ Claude และ GLM, Codex สำหรับ GPT คะแนนของคู่แข่งบางส่วนมาจากผู้ขายของคู่แข่งนั้นเอง ในการประเมินบางรายการ คำขอของ Fable 5 ที่ถูกปฏิเสธตามนโยบายการใช้งานถูกเปลี่ยนไปใช้ Opus 4.8 แทน อย่างไรก็ตาม มีการตรวจสอบเบื้องต้นที่มีประโยชน์ซ่อนอยู่ในข้อมูล: K3 ได้ 67.5 บน DeepSWE เมื่อใช้ KimiCode และ 67.3 เมื่อใช้ฮาร์เนส mini-SWE-agent ของเบนช์มาร์กเอง ช่วงห่าง 0.2 คะแนนบ่งชี้ว่าผลของฮาร์เนสต่องานนั้นมีน้อย

ตารางของผู้ขายมักยกย่องเจ้าของตัวเอง การเปรียบเทียบหลายรูปแบบของ Alibaba วัด Qwen3.8-Max เทียบกับ Qwen3.7-Plusไม่ใช่ Qwen3.7-Max ซึ่งทำให้การก้าวกระโดดข้ามรุ่นดูใหญ่กว่าความจริง ต้องให้เครดิต Alibaba ที่บริษัทก็เผยแพร่เส้นโค้งการขยายขนาด RL ที่ ไม่ได้ ยกย่องมัน: ประสิทธิภาพสูงสุดที่ 0.725 ราว 4,000 สภาพแวดล้อมการฝึก แล้วลดลงเป็น 0.719 และ 0.689 นั่นคือบริษัทที่เปิดเผยผลตอบแทนที่ลดน้อยถอยลงต่อสาธารณะ ซึ่งมากกว่าที่ห้องแล็บส่วนใหญ่ทำ

การตรวจสอบอิสระตามหลังอยู่ GLM-5.2 เปิดตัวโดยไม่มีตารางเบนช์มาร์กเลย ตัวเลขที่แพร่กระจายออกมาภายหลังมาจากข้อมูลผู้ขายและการทดสอบของบุคคลที่สาม คะแนนห้ารายการที่เผยแพร่ของ Qwen3.8-Max เป็นข้อมูลที่ผู้ขายรายงาน โดยไม่มีการประเมินอิสระใด ๆ ณ ต้นเดือนสิงหาคม Kimi K3 มีข้อมูลจากบุคคลที่สามหนุนหลังมากที่สุด ทั้ง Artificial Analysis, Vals และ Arena และแม้แต่ที่นั่น ผลลัพธ์ก็ยังขัดแย้งกันเอง Vals จัดให้ K3 อยู่อันดับสองโดยรวมเมื่อวันที่ 17 กรกฎาคม ระหว่าง Fable 5 กับ GPT-5.6 Sol ขณะเดียวกันก็จัดให้ Sol นำหน้า K3 ใน Terminal-Bench 2.1 และ SWE-bench Verified โดยเฉพาะ

การทดสอบอิสระที่มีประโยชน์ที่สุดที่ผมพบมาจาก Fireworks AI ซึ่งนำ K3 มาเทียบกับ Claude Fable 5 ในงานเอเจนต์ราว 1,000 งาน ผลลัพธ์ไม่ใช่ชัยชนะแบบขาดลอยของใคร K3 เหนือกว่าในงานด้านความปลอดภัย คริปโต และลูปเทอร์มินัลยาว ๆ ส่วน Fable 5 ชนะในงานหลายภาษาและการแสดงภาพข้อมูลบนเว็บ ไม่มีตัวไหนครองทั้งหมด

บทเรียนที่ใช้ได้จริง: จงประเมินด้วยงานของคุณเองก่อนตัดสินใจ โมเดลเหล่านี้ใกล้เคียงกันมากพอที่อันดับบนลีดเดอร์บอร์ดจะทำนายผลลัพธ์ของคุณไม่ได้

ราคา: คำนวณต้นทุนจริง

อัตราค่า API ต่อโทเคน

รุ่น	อินพุต / 1M	เอาต์พุต / 1M	อินพุตแคช / 1M
GLM-5.2	$1.40	$4.40	$0.26
Qwen3.8-Max	$2.00	$6.00	$0.25
Kimi K3	$3.00	$15.00	$0.30
Claude Sonnet 5	$2.00	$10.00	—
Claude Opus 5	$5.00	$25.00	$0.50
Claude Fable 5	$10.00	$50.00	—

สองข้อสังเกตที่สำคัญกว่าตัวเลขดิบ

Kimi K3 ตั้งราคาเหมือนโมเดลระดับกลางของตะวันตก ไม่ใช่ทางเลือกประหยัด ที่ $3/$15 มีต้นทุนต่อโทเคนเอาต์พุตสูงกว่า Claude Sonnet 5 และสูงกว่า GLM-5.2 ถึง 3.4 เท่า ถ้าคุณเคยคิดว่า “โมเดลโอเพนเวตจีน” หมายถึง “ถูก” K3 ทำลายสมมติฐานนั้น

แคชคือคันโยกจริง ไม่ใช่ราคาบนป้าย อินพุตแคชของ Qwen ที่ $0.25 ถูกกว่าอินพุตใหม่ถึงแปดเท่า และเอกสารของ Alibaba เองก็ชี้ว่าความเสถียรของพรีฟิกซ์มีผลต่อต้นทุนมากกว่าความยาวของพรอมต์ สำหรับงานเอเจนต์ที่มีพรอมต์ระบบคงที่และบทสนทนาที่ยาวขึ้นเรื่อย ๆ การแคชอย่างจริงจังจะเปลี่ยนบิลของคุณมากกว่าการเลือกโมเดล Qwen ยังมีตัวเลือกสร้างแคชแบบชัดเจนที่ $2.50 และอ่านแคชแบบชัดเจนที่ $0.17 สำหรับงานที่คุณวางแผนล่วงหน้าได้

แผนการสมัครสมาชิก

ถ้าคุณเป็นนักพัฒนาคนเดียวหรือทีมเล็ก ราคาต่อโทเคนอาจไม่ใช่วิธีที่คุณจ่ายเลย

GLM Coding Plan มีสามระดับ ราคาพื้นฐานรายเดือนคือ $18 (Lite), $72 (Pro) และ $160 (Max) พร้อมส่วนลดตามรอบบิล รายเดือน 10% รายไตรมาส 20% รายปี 30% หากจ่ายรายปีจะตกประมาณ $12.60, $50.40 และ $112 ต่อเดือน แต่ละระดับให้พูลพรอมต์ที่รีเฟรชทุกห้าชั่วโมง และแผนนี้ใช้ได้ทันทีกับ Claude Code, Cline, Kilo Code และ OpenClaw

มีข้อควรรู้หนึ่งข้อ: การใช้โควตาใช้ตัวคูณ การใช้ GLM-5.2 นอกช่วงเวลาที่มีคนใช้มากเป็น 1× จนถึงกันยายน 2026 ในฐานะโปรโมชัน หลังจากนั้นจะกลับไปเป็น 2× นอกช่วงเวลา และ 3× ในช่วงพีค ซึ่งหมายความว่าโควตาที่ใช้ได้จริงของคุณขึ้นอยู่กับ เวลา ที่คุณทำงาน ไม่ใช่แค่ว่าทำมากแค่ไหน

Qwen มีแผนการสมัครสมาชิก Token Plan เริ่มต้นประมาณ $6 ต่อเดือน (39 หยวน) ในระดับ Lite เป็นทางเลือกแทนการคิดค่าบริการต่อโทเคน

Moonshot มีระดับการสมัครสมาชิกสำหรับแอป Kimi ที่ตั้งชื่อตามเครื่องหมายจังหวะ Moderato, Allegro, Allegretto และ Vivace โดยตัวแอปใช้ฟรีภายใต้ขีดจำกัดอัตราทั่วไป

ต้นทุนต่องานเทียบกับต้นทุนต่อโทเคน

นี่คือกับดัก: ราคาต่อโทเคนไม่ใช่ต้นทุนต่องานที่ทำเสร็จ

โมเดลที่แก้ปัญหาของคุณได้ในครั้งเดียวด้วยราคา $15/1M เอาต์พุตอาจถูกกว่าโมเดลที่ต้องวนสี่รอบในราคา $4.40/1M ได้ง่าย ๆ โทเคนการให้เหตุผลคิดในอัตราเอาต์พุตในทั้งสามโมเดลนี้ และโดยเฉพาะ K3 ที่เปิดโหมดคิดตลอดเวลา มีการวิเคราะห์หนึ่งระบุว่า K3 ทำชุดทดสอบ Artificial Analysis เสร็จด้วยต้นทุนรวมต่ำกว่า GPT-5.6 Sol เล็กน้อย ทั้งที่ สร้างเอาต์พุตโทเคนมากขึ้นอย่างเห็นได้ชัด เพราะต้องลองน้อยครั้งกว่า

วัดต้นทุนต่อตั๋วที่แก้ไขเสร็จ ไม่ใช่ต้นทุนต่อล้านโทเคน นี่คือตัวเลขเดียวที่สะท้อนความเป็นจริง

ความหมายจริงของ “โอเพนเวต” ในที่นี้

นี่คือส่วนที่การรายงานข่าวเกี่ยวกับโมเดลทั้งสามตัวนี้ส่วนใหญ่พังทลาย เพราะคำว่า “open” กำลังทำงานหนักมหาศาลในพาดหัวข่าวจำนวนมาก

สามสถานะที่ต่างกันกำลังถูกยุบรวมเป็นคำเดียว:

ใช้งานได้ผ่าน API — เรียกใช้ได้ แต่ไม่ได้ครอบครองมัน
โอเพนเวต — ดาวน์โหลดพารามิเตอร์ได้
โอเพนซอร์สภายใต้สัญญาอนุญาตแบบเปิดกว้าง — ดาวน์โหลด แก้ไข แจกจ่ายต่อ และใช้เชิงพาณิชย์ได้อย่างอิสระ

นี่คือสถานะที่แท้จริงของแต่ละโมเดล

GLM-5.2: เปิดอย่างแท้จริง

สัญญาอนุญาต MIT ไม่มีข้อจำกัด น้ำหนักโมเดลอยู่บน Hugging Face ภายใต้ zai-org/GLM-5.2ดาวน์โหลด ไฟน์ทูน โฮสต์เอง ขายผลิตภัณฑ์ที่สร้างบนโมเดลนี้ได้ ไม่มีเกณฑ์รายได้ ไม่มีข้อกำหนดด้านเครดิต ไม่ต้องเจรจา นี่คือสัญญาอนุญาตโอเพนเวตที่สะอาดที่สุดเท่าที่จะเป็นไปได้ และเป็นความได้เปรียบทางการแข่งขันจริงที่ถูกพูดถึงน้อยเกินไป เพราะสัญญาอนุญาต MIT ไม่ใช่พาดหัวข่าว

Kimi K3: เปิดแบบมีเงื่อนไข

น้ำหนักโมเดลเปิดตัวเมื่อ 27 กรกฎาคม ภายใต้สัญญาอนุญาตเฉพาะที่ Moonshot เรียกว่า Kimi K3 License อนุญาตให้ใช้เชิงพาณิชย์ได้กว้างขวาง แต่มีเงื่อนไขสองข้อ:

บริษัทใดที่มี รายได้ต่อปีเกิน $20 ล้าน ต้องเจรจาสัญญากับ Moonshot ก่อนให้บริการ K3 แก่ลูกค้าภายนอก
บริษัทใดที่มี รายได้ต่อเดือนเกิน $20 ล้าน หรือมีผู้ใช้งานรายเดือนมากกว่า 100 ล้านคน ต้องแสดงเครดิต Kimi K3 ในผลิตภัณฑ์ใดก็ตามที่รวมโมเดลนี้ไว้

สำหรับนักพัฒนาอิสระหรือสตาร์ตอัป เงื่อนไขทั้งสองข้อไม่มีผลบังคับ สำหรับบริษัท SaaS ที่มั่นคงซึ่งวางแผนจะขายต่อบริการอนุมานที่ขับเคลื่อนด้วย K3 เงื่อนไขข้อแรกมีผลแน่นอน อ่านสัญญาอนุญาตก่อนสร้างโมเดลธุรกิจบนมัน

Qwen3.8-Max: ยังไม่เปิด

นี่คือส่วนที่ต้องพูดกันตรง ๆ เพราะพาดหัวข่าวจำนวนมากเรียก Qwen3.8-Max ว่าโอเพนซอร์สไปแล้ว

ณ วันที่ 5 สิงหาคม 2026 น้ำหนักโมเดล Qwen3.8-Max ยังดาวน์โหลดไม่ได้ Alibaba ให้คำมั่นตอนเปิดตัวว่าจะปล่อยน้ำหนักโมเดล “สัปดาห์หน้า” — หมายถึงสัปดาห์ของวันที่ 10 สิงหาคม — บน Hugging Face และ ModelScope ทั้งสำหรับ Qwen3.8-Max และ checkpoint Qwen3.8-27B ที่เล็กกว่า ยังไม่มีการระบุชื่อสัญญาอนุญาต การค้นหา Qwen3.8 บน Hugging Face ณ วันที่ 4 สิงหาคม ไม่พบ model card ทางการของ Alibaba มีเพียงอัปโหลดจากชุมชนที่ใช้ชื่ออย่าง Qwen3.8_4B_Distilled — โมเดลกลั่นจากบุคคลที่สาม ไม่ใช่เรือธง และเข้าใจผิดว่าเป็นตัวจริงได้ง่ายถ้าคุณดูผ่าน ๆ

มีเหตุผลให้มองโลกในแง่ดีอย่างระมัดระวัง: Alibaba มีประวัติโอเพนซอร์สจริง โดยตระกูล Qwen3 และ Qwen3.5 เปิดตัวภายใต้ Apache 2.0 แต่ก็มีรูปแบบที่ตรงกันข้ามเช่นกัน — เรือธงระดับ Max ทุกรุ่นตั้งแต่ Qwen3-Max เป็นกรรมสิทธิ์ปิด ถ้าน้ำหนักโมเดลออกมาพร้อมสัญญาอนุญาตแบบเปิดกว้าง มันจะทำลายรูปแบบนั้นโดยสิ้นเชิง และอาจเป็นเรื่องใหญ่กว่าจำนวนพารามิเตอร์เสียอีก จนกว่าจะมีรีโพซิทอรีและไฟล์สัญญาอนุญาต ให้วางแผนโดยอิงกับ API

คุณโฮสต์เองได้จริงหรือ?

น้ำหนักแบบเปิดจะมีประโยชน์ก็ต่อเมื่อคุณรันมันได้ และนี่คือจุดที่การตลาดกับความเป็นจริงด้านฮาร์ดแวร์แยกจากกันอย่างชัดเจน

Kimi K3 คือไฟล์ดาวน์โหลดขนาด 1.56 TB ที่จัดส่งในความแม่นยำ MXFP4 เพื่อความเข้ากันได้กับฮาร์ดแวร์ที่กว้างขึ้น ถึงอย่างนั้น โมเดล 2.8 ล้านล้านพารามิเตอร์ก็ต้องใช้โครงสร้างพื้นฐานระดับ supernode — ตัวเลขที่แนะนำคือตัวเร่ง 64 ตัวขึ้นไป สำหรับทีมเกือบทั้งหมด น้ำหนักโมเดลเป็นสิ่งประดิษฐ์เพื่อการวิจัยและการรับประกันอธิปไตย ไม่ใช่แผนการติดตั้งใช้งาน คุณจะใช้ API

Qwen3.8-Max ที่ขนาดรวม 2.4T ก็เป็นสิ่งประดิษฐ์สำหรับศูนย์ข้อมูลหลายโหนดเช่นกัน รุ่นเล็กของ Alibaba อย่าง Qwen3.8-27B checkpoint คือเส้นทาง on-premise ที่เป็นจริง และเป็นตัวที่ควรสนใจสำหรับใครก็ตามที่วางแผนจะโฮสต์เองจริง ๆ

GLM-5.2 ที่ขนาดรวม ~753B และแอ็กทีฟ ~40B จัดการได้ง่ายที่สุดในสามตัว แต่ “จัดการได้ง่ายที่สุด” ก็ยังหมายถึงโครงสร้างพื้นฐาน GPU ระดับจริงจัง ธุรกิจขนาดเล็กโดยทั่วไปไม่มี

แล้วทำไมน้ำหนักแบบเปิดถึงสำคัญ ถ้าแทบไม่มีใครรันมันได้? มีสองเหตุผล และทั้งสองเป็นเรื่องจริง

เหตุผลแรกคือ อธิปไตยประเทศที่ใช้เงินหลายพันล้านกับโครงสร้างพื้นฐาน AI ภายในประเทศส่วนใหญ่เป็นเจ้าของฮาร์ดแวร์ แต่เช่าโมเดลจากผู้ให้บริการอเมริกัน โมเดลระดับแนวหน้าที่มีน้ำหนักแบบเปิดเปลี่ยนสมการนั้น — รัฐบาลสามารถรันมันบนดินแดนของตัวเอง รีเทรนสำหรับภาษาและบริบททางกฎหมายของตัวเอง และเก็บข้อมูลพลเมืองไว้ในพรมแดน

เหตุผลที่สองคือ ตลาดการอนุมานน้ำหนักแบบเปิดหมายความว่าผู้ให้บริการโฮสติงรายใดก็สามารถให้บริการโมเดลได้ ซึ่งกดราคาต่อโทเคนลงผ่านการแข่งขัน ไม่ใช่ความเมตตาของผู้ขาย นั่นเป็นส่วนใหญ่ที่ทำให้ GLM-5.2 มีให้ใช้ในราคาอินพุต $1.00–$1.20 ผ่านเราเตอร์ของบุคคลที่สาม ต่ำกว่า $1.40 ของ Z.ai เอง

หน้าต่างบริบท 1M สามตัวไม่เหมือนกัน

ทั้งสามโมเดลโฆษณาหน้าต่างบริบท 1 ล้านโทเคน นั่นประมาณ 750,000 คำ — ฐานโค้ดขนาดใหญ่ทั้งชุด หรือเอกสารราว 400 หน้า ในคำขอเดียว

รายละเอียดแตกต่างกันในแบบที่สำคัญต่อการปฏิบัติงาน:

Qwen3.8-Max จำกัดอินพุตจริงไว้ที่ 991K โทเคน ลดเหลือ 983K เมื่อเปิดโหมดคิด พร้อมงบการให้เหตุผลสูงสุดแยกต่างหาก 262K เอาต์พุตสูงสุดที่ 131K โทเคนในทั้งสองโหมด ขีดจำกัดอัตราคือ 2M โทเคนต่อนาที และ 15K คำขอต่อนาที
GLM-5.2 รองรับเอาต์พุตสูงสุด 128–131K โทเคน เพียงพอสำหรับ diff หลายไฟล์ขนาดใหญ่ในครั้งเดียว หน้าต่าง 1M ของมันเป็นการกระโดดราว 5 เท่าจาก ~200K ของ GLM-5.1 และเป็นการอัปเกรดที่เปลี่ยนสิ่งที่โมเดลทำได้มากที่สุด
Kimi K3 มีบริบท 1M พร้อมสัญญาณการค้นคืนบริบทยาวที่แข็งแกร่งที่สุดในสามตัว เนื่องจากสถาปัตยกรรมออกแบบมาเพื่อเซสชันระยะยาวโดยเฉพาะ

คำถามที่มีประโยชน์กว่าคำว่า “หน้าต่างใหญ่แค่ไหน” คือ “โมเดลยังคงสอดคล้องต่อเนื่องที่ปลายอีกด้านหรือไม่” บริบทที่โฆษณาไว้กับ บริบทที่ใช้งานได้จริง แตกต่างกัน และไม่มีตัวไหนในสามตัวนี้ที่ถูกทดสอบความเครียดอย่างอิสระที่ความยาวเต็มในแบบที่ฉันคิดว่าสรุปได้ชัดเจน ถ้าภาระงานของคุณขึ้นอยู่กับการเรียกคืน 800K โทเคนจริง ๆ ให้ทดสอบก่อนออกแบบสถาปัตยกรรมรอบ ๆ มัน

คุณควรเลือกโมเดลไหน?

สำหรับนักพัฒนาคนเดียวหรืออินดีแฮกเกอร์ → GLM-5.2

ตัวเลขทางเศรษฐศาสตร์ชี้ขาด แพ็ก Lite Coding Plan ราคา $12.60/เดือนเมื่อจ่ายรายปี ให้คุณได้เอเจนต์เขียนโค้ดที่สามารถจริง ๆ ภายใน Claude Code หรือ Cline พร้อมทดลองใช้ฟรีห้าวันผ่าน ZCode (โทเคน GLM-5.2 3 ล้าน + โทเคน GLM-5-Turbo 2 ล้านต่อวัน) เพื่อให้ตัดสินใจได้จริงก่อนจ่ายเงิน

คุณต้องแลกกับการมองเห็นภาพ ถ้างานของคุณเป็นแบ็กเอนด์ CLI สคริปต์ หรือการพัฒนา API คุณแทบไม่สังเกต ถ้าคุณทำงานฟรอนต์เอนด์จากม็อกอัปดีไซน์ คุณจะสังเกตทันที

สำหรับทีมวิศวกรรมของสตาร์ตอัป → GLM-5.2 เป็นหลัก, Kimi K3 สำหรับงานที่ต้องยกระดับ

ส่งงานส่วนกลางจำนวนมาก — การแก้บั๊กตามปกติ การรีแฟกเตอร์ การสร้างเทสต์ โค้ดแบบซ้ำ ๆ — ไปที่ GLM-5.2 และเก็บ K3 ไว้สำหรับงานที่ความสามารถที่เพิ่มขึ้นแปลงเป็นตั๋วที่ปิดได้จริง ช่องว่าง 7 คะแนนบน SWE-bench Pro ระหว่างสองตัวนั้นมีจริง แต่สำคัญเฉพาะกับหางที่ยาก

สำหรับองค์กรและอุตสาหกรรมที่มีการกำกับดูแล → GLM-5.2 แบบโฮสต์เอง หรือ Qwen3.8-27B เมื่อออกมา

รายละเอียดสำคัญ: API คลาวด์ของ Z.ai วิ่งผ่านโครงสร้างพื้นฐานที่ตั้งอยู่ในจีน สำหรับโปรเจกต์ส่วนตัวและสตาร์ตอัปส่วนใหญ่ เรื่องนี้ไม่ใช่ปัญหา สำหรับองค์กรที่มีการกำกับดูแล มันต้องมีการตรวจสอบทางกฎหมายหรือเปลี่ยนไปใช้การโฮสต์เอง สัญญาอนุญาต MIT ทำให้การโฮสต์เองเป็นไปได้จริง ในแบบที่เงื่อนไขเกณฑ์รายได้ของ K3 ทำไม่ได้

สำหรับเวิร์กโฟลว์มัลติโหมดและการใช้คอมพิวเตอร์ → Qwen3.8-Max

ถ้าเอเจนต์ของคุณต้องอ่านภาพหน้าจอ แยกวิเคราะห์เอกสารด้วยภาพ หรือประมวลผลวิดีโอ GLM-5.2 ถูกตัดสิทธิ์ และ Qwen นำ Kimi ในตัวเลขด้านวิสัยทัศน์ที่เผยแพร่ OSWorld-Verified ที่ 86.1 และ OmniDocBench ที่ 92.1 เป็นสัญญาณที่แข็งแกร่งด้านการใช้คอมพิวเตอร์และความเข้าใจเอกสาร เพียงจัดงบสำหรับการเข้าถึงผ่าน API แทนการโฮสต์เอง จนกว่าน้ำหนักโมเดลและสัญญาอนุญาตจะปรากฏจริง

สำหรับนักวิจัยและการติดตั้งที่เน้นอธิปไตย → Kimi K3

checkpoint โอเพนเวตที่ใหญ่ที่สุดเท่าที่เคยเผยแพร่ พร้อมรายงานทางเทคนิคที่ครอบคลุมการออกแบบ วิธีการฝึก และระเบียบวิธีเบนช์มาร์ก ถ้าคุณกำลังศึกษาสถาปัตยกรรม MoE ระดับแนวหน้า Kimi Delta Attention หรือ Attention Residuals นี่คือโมเดลที่สามารถที่สุดที่คุณตรวจสอบได้จริง

สำหรับความสามารถสูงสุดโดยไม่สนราคา → Kimi K3

อันดับสี่บน Artificial Analysis อันดับสองบน Vals Index อันดับหนึ่งบน Frontend Code Arena และเป็นโมเดลเดียวในสามตัวที่สลับชนะกับเรือธง Claude และ GPT อย่างสม่ำเสมอ ราคาก็สูงตามไปด้วย

กลยุทธ์การกำหนดเส้นทางหลายโมเดล

คำตอบที่ตรงไปตรงมาต่อคำถาม “ควรใช้ตัวไหน” คือ การเลือกเพียงตัวเดียวมักเป็นกรอบความคิดที่ผิด

ทั้งสามโมเดลนี้เข้ากันได้กับ OpenAI-SDK นอกจากนี้ GLM-5.2 ยังมี endpoint ที่เข้ากันได้กับ Anthropic และ Qwen รองรับทั้งสเปก OpenAI และ DashScope การสลับระหว่างกันคือเปลี่ยน base URL กับ model ID แทบไม่มีต้นทุนจากการผูกติดผู้ขาย

นั่นทำให้สถาปัตยกรรมแบบเราเตอร์สร้างได้ถูก และแพงถ้าไม่ทำ:

ระดับราคาถูกสำหรับงานปริมาณมากและความเสี่ยงต่ำ การจำแนกประเภท การสรุป การแก้ไขตรงไปตรงมา GLM-4.7 ที่ $0.60/$2.20 จัดการได้มากกว่าที่คนคาด — ยังทำได้ 73.8% บน SWE-bench Verified
ระดับเริ่มต้นสำหรับงานจริงส่วนใหญ่ GLM-5.2 หรือ Qwen3.8-Max ขึ้นอยู่กับว่าคุณต้องการความสามารถด้านภาพหรือไม่
ระดับยกระดับสำหรับหางที่ยาก Kimi K3 หรือเรือธงตะวันตก สำหรับงานที่ความล้มเหลวมีราคาแพงและต้นทุนการทำซ้ำเกินต้นทุนโทเคน
การเราเตอร์แบบผู้เชี่ยวชาญตามประเภทงาน ข้อมูลของ Fireworks ให้บทเรียนตรงนี้ — K3 ทำได้ดีกว่าในด้านความปลอดภัยและลูปเทอร์มินัลยาว ขณะที่ Fable 5 ชนะด้านหลายภาษาและการแสดงข้อมูลด้วยภาพ นั่นคือความแตกต่างที่ใช้เราเตอร์ได้ ไม่ใช่เสียงรบกวน

ทีมที่ได้ประโยชน์สูงสุดจากภูมิทัศน์โมเดลปี 2026 ไม่ใช่ทีมที่เลือกถูก แต่เป็นทีมที่สร้างสวิตช์ไว้

ความเสี่ยง ข้อควรระวัง และสัญญาณเตือน

ข้อกล่าวหาเรื่องการกลั่นโมเดล Michael Kratsios ผู้อำนวยการสำนักงานนโยบายวิทยาศาสตร์และเทคโนโลยีของทำเนียบขาว กล่าวหาสาธารณะว่า Moonshot สร้าง Kimi K3 โดยการกลั่นโมเดล Claude Fable ของ Anthropic Moonshot ไม่ได้ยอมรับข้อนี้ เป็นข้อพิพาทที่ยังไม่ได้ข้อยุติซึ่งอาจมีผลทางกฎหมายและการจัดซื้อจัดจ้าง และถ้าคุณอยู่ในบริบทที่ที่มาของโมเดลสำคัญ — เช่น การรับงานราชการ — ควรใส่ไว้ในทะเบียนความเสี่ยง

การส่งข้อมูลและเขตอำนาจศาล ทั้งสามบริษัทดำเนินงานหลักภายใต้เขตอำนาจศาลจีน การเรียก API วิ่งผ่านโครงสร้างพื้นฐานของพวกเขา การโฮสต์เองแก้ปัญหานี้ได้ การใช้ API ไม่ได้ นี่เป็นคำถามด้านการปฏิบัติตามกฎระเบียบ ไม่ใช่การเมือง และมีคำตอบทางเทคนิคที่ชัดเจนถ้าข้อกำหนดของคุณต้องการ

การตรวจสอบผลเบนช์มาร์กนั้นบางเบาจริง ๆ ตารางเบนช์มาร์กของ Qwen3.8-Max เป็นข้อมูลที่ผู้ขายรายงานทั้งหมด โดยไม่มีการเผยแพร่การทำซ้ำอย่างอิสระ ตัวเลขของ GLM-5.2 มาหลังเปิดตัวจากแหล่งที่หลากหลาย มีเพียง K3 ที่มีการประเมินจากบุคคลที่สามอย่างมีนัยสำคัญ และการประเมินเหล่านั้นก็ไม่ตรงกัน

ความไม่แน่นอนด้านสัญญาอนุญาตของ Qwen แบบอย่างไม่ใช่คำมั่นสัญญา จนกว่าจะมีรีโพซิทอรีบน Hugging Face พร้อมไฟล์สัญญาอนุญาตจริง แผนใดก็ตามที่พึ่งพาน้ำหนักโมเดล Qwen3.8-Max คือแผนที่สร้างบนข่าวประชาสัมพันธ์

กลไกโควตาเปลี่ยน โปรโมชันตัวคูณ 1× นอกช่วงพีคของ GLM หมดอายุในกันยายน 2026 หลังจากนั้นการใช้โควตาจะเพิ่มขึ้นราวสองเท่านอกช่วงพีค และสามเท่าในช่วงพีค ถ้าคุณกำลังกำหนดขนาดการสมัครสมาชิกจากปริมาณงานที่ได้ผลจริงในปัจจุบัน ให้จำลองตัวเลขหลังโปรโมชันด้วย

จังหวะการเปิดตัวโหดร้าย GLM-5 ออกในเดือนกุมภาพันธ์ 5.1 ในเมษายน 5.2 ในมิถุนายน Kimi ออก K2.5 ในมกราคม K2.6 ในเมษายน K2.7 Code ในมิถุนายน K3 ในกรกฎาคม สิ่งใดก็ตามที่คุณสรุปวันนี้มีอายุการใช้งานนับเป็นสัปดาห์

สิ่งที่จะเกิดขึ้นต่อไป

เรือธงรุ่นถัดไปของ Z.ai คือการเปิดตัวระยะใกล้นที่ทุกคนรอคอยที่สุด บันทึกวิจัยของ JPMorgan ที่ Reuters และ CGTN นำเสนอ ชี้ไปที่ช่วงเดือนสิงหาคม 2026 ข้อมูลรั่วจากชุมชนอธิบายโมเดลที่เกินหนึ่งล้านล้านพารามิเตอร์ พร้อมหน้าต่างบริบท 1M ที่สืบทอดมาและน้ำหนักแบบเปิด เน้นเอเจนต์เขียนโค้ดที่ทำงานยาวนาน แม้แต่ชื่อก็ยังเป็นที่โต้แย้ง — GLM-5.3, GLM-5.5 และ GLM-6 ปรากฏทั้งหมดในการอภิปรายปัจจุบัน โดยมีรายงานบางส่วนชี้ว่า Z.ai อาจข้าม 5.3 และ 5.4 ไปเลย ณ วันที่ 4 สิงหาคม เอกสารของ Z.ai ยังระบุ GLM-5.2 เป็นรุ่นล่าสุด การรองรับภาพเป็นคำขอจากชุมชนที่ดังที่สุดอย่างท่วมท้น

น้ำหนักโมเดล Qwen3.8-Max เป็นเหตุการณ์ที่เป็นรูปธรรมใกล้ที่สุด โดยสัญญาไว้สำหรับสัปดาห์ของวันที่ 10 สิงหาคม พร้อมกับ Qwen3.8-27B checkpoint 27B คือตัวที่ต้องจับตาสำหรับการติดตั้ง on-premise ที่ใช้งานได้จริง

รายงานทางเทคนิคฉบับเต็มของ Kimi K3 ที่ครอบคลุมการออกแบบ วิธีการฝึก และการทำซ้ำผลเบนช์มาร์ก คาดว่าจะตามมาหลังการปล่อยน้ำหนักโมเดล

ฉันจะอัปเดตการเปรียบเทียบนี้เมื่อแต่ละอย่างเกิดขึ้น

คำถามที่พบบ่อย

ตอนนี้โมเดล AI โอเพนเวตตัวไหนดีที่สุด?

ในแง่ความสามารถดิบ Kimi K3 — อยู่อันดับสี่จาก 189 โมเดลบน Artificial Analysis Intelligence Index และอันดับหนึ่งบน Frontend Code Arena ในแง่ความคุ้มค่าสำหรับงานเขียนโค้ด GLM-5.2 ที่ต้นทุนเอาต์พุตน้อยกว่าหนึ่งในสามของ K3 พร้อมสัญญาอนุญาต MIT ที่ไม่มีข้อจำกัดจริง ๆ “ดีที่สุด” ขึ้นอยู่กับว่าคุณกำลังปรับให้เหมาะกับความสามารถหรือต้นทุนต่องานที่แก้เสร็จ

Qwen3.8-Max เป็นโอเพนซอร์สจริงหรือ?

ยังไม่ใช่ ณ วันที่ 5 สิงหาคม 2026 มันมีเฉพาะ API Alibaba ให้คำมั่นว่าจะปล่อยน้ำหนักโมเดลในสัปดาห์ของวันที่ 10 สิงหาคม บน Hugging Face และ ModelScope แต่ยังไม่มีรีโพซิทอรีหรือสัญญาอนุญาตปรากฏ พาดหัวข่าวที่เรียกมันว่าโอเพนซอร์สกำลังบรรยายคำมั่น ไม่ใช่ไฟล์ดาวน์โหลด

GLM-5.2 ประมวลผลภาพได้หรือไม่?

ไม่ได้ GLM-5.2 ไม่มีตัวเข้ารหัสภาพ — รับเฉพาะข้อความและโค้ด นี่เป็นการตัดสินใจเชิงสถาปัตยกรรมโดยเจตนา ไม่ใช่การมองข้าม และความสามารถด้านภาพเป็นคำขออันดับหนึ่งจากชุมชนสำหรับรุ่นถัดไป

Kimi K3 ราคาเท่าไร?

$3 ต่อล้านโทเคนอินพุต และ $15 ต่อล้านโทเคนเอาต์พุต โดยอินพุตที่แคชไว้อยู่ที่ $0.30 นั่นทำให้มันแพงที่สุดในสามตัวนี้อย่างมาก แม้จะยังต่ำกว่า Claude Opus 5 ที่ $5/$25 และ Claude Fable 5 ที่ $10/$50 อยู่มาก

ฉันรันโมเดลเหล่านี้บนฮาร์ดแวร์ของตัวเองได้ไหม?

ตามจริงแล้ว เรือธงไม่ได้ Kimi K3 เป็นไฟล์ดาวน์โหลด 1.56 TB ที่ต้องใช้ตัวเร่ง 64 ตัวขึ้นไป Qwen3.8-Max ที่ 2.4T เป็นการติดตั้งในศูนย์ข้อมูลหลายโหนด GLM-5.2 ที่รวม ~753B และแอ็กทีฟ ~40B จัดการได้ง่ายที่สุด แต่ก็ยังต้องใช้โครงสร้างพื้นฐาน GPU ระดับจริงจัง Qwen3.8-27B ที่กำลังจะมาคือตัวเลือก on-premise ที่เป็นจริง

โมเดลไหนดีที่สุดสำหรับเอเจนต์เขียนโค้ด?

Kimi K3 นำใน Terminal-Bench 2.1 (88.3), Program Bench และ SWE Marathon GLM-5.2 ให้สัดส่วนต้นทุนต่อความสามารถดีที่สุดที่ 81.0 บน Terminal-Bench และ 62.1 บน SWE-bench Pro Qwen3.8-Max อยู่ระหว่างกลางที่ 86.6 และ 67.7 พร้อมเพิ่มอินพุตมัลติโหมด ทั้งสามตัวใช้ได้กับ Claude Code, Cline และ harness ที่คล้ายกัน

โมเดลเหล่านี้ชนะ Claude และ GPT หรือไม่?

ในเบนช์มาร์กเฉพาะ บางครั้ง Kimi K3 นำ Frontend Code Arena เหนือ Claude Fable 5 และได้คะแนนสูงกว่า Claude Opus 4.8 บนดัชนี Artificial Analysis แต่ Moonshot เองก็ยอมรับว่า K3 ยังตามหลัง Fable 5 และ GPT-5.6 Sol โดยรวม และการทดสอบอิสระแสดงผลลัพธ์ที่คละกันตามหมวดหมู่งาน มากกว่าจะมีผู้ชนะชัดเจน

ตัวไหนมีสัญญาอนุญาตที่ดีที่สุดสำหรับการใช้เชิงพาณิชย์?

GLM-5.2 อย่างชัดเจน MIT แบบไม่มีข้อจำกัด ไม่มีเกณฑ์รายได้หรือข้อกำหนดด้านเครดิต สัญญาอนุญาตเฉพาะของ Kimi K3 อนุญาตการใช้เชิงพาณิชย์กว้างขวาง แต่เพิ่มเงื่อนไขสำหรับบริษัทที่มีรายได้เกิน $20M ที่ขายต่อเป็นบริการ Qwen3.8-Max ไม่มีสัญญาอนุญาตที่ประกาศเลย

ปลอดภัยไหมที่จะใช้โมเดล AI จีนกับข้อมูลธุรกิจ?

การเรียก API วิ่งผ่านโครงสร้างพื้นฐานภายใต้เขตอำนาจศาลจีน สำหรับโปรเจกต์ส่วนตัวและสตาร์ตอัปส่วนใหญ่ เรื่องนี้ไม่ใช่ปัญหา สำหรับอุตสาหกรรมที่มีการกำกับดูแล ต้องมีการตรวจสอบทางกฎหมายหรือการโฮสต์เอง — ซึ่งเป็นเหตุผลที่สัญญาอนุญาต MIT ของ GLM-5.2 สำคัญกว่าคะแนนเบนช์มาร์กสำหรับบางองค์กร

พารามิเตอร์ทั้งหมดกับพารามิเตอร์แอ็กทีฟต่างกันอย่างไร?

โมเดลแบบ mixture-of-experts เปิดใช้งานเพียงเศษเสี้ยวของพารามิเตอร์ต่อโทเคน Kimi K3 มีทั้งหมด 2.8T แต่เปิดใช้งานราว 50B (16 จาก 896 ผู้เชี่ยวชาญ) Qwen3.8-Max มีทั้งหมด 2.4T โดยแอ็กทีฟ ~95B GLM-5.2 มี ~753B โดยแอ็กทีฟ ~40B พารามิเตอร์แอ็กทีฟเป็นตัวกำหนดต้นทุนการอนุมาน — ซึ่งเป็นเหตุผลที่เรือธงของ Qwen ให้บริการแพงกว่า K3 ที่ใหญ่กว่า

บทสรุปสุดท้าย

สิ่งสำคัญที่สุดที่การเปรียบเทียบนี้เปิดเผยไม่ใช่โมเดลไหนชนะ แต่คือคำถามเปลี่ยนไปแล้ว

สองปีก่อน คำถามที่น่าสนใจเกี่ยวกับโมเดลโอเพนเวตคือพวกมันตามหลังแค่ไหน ตอนนี้คำถามนั้นน่าเบื่อ เพราะคำตอบคือ “ใกล้พอที่ขึ้นอยู่กับงานของคุณ” Kimi K3 ชนะ Claude Fable 5 บนกระดานจัดอันดับความชอบของมนุษย์แบบไม่ระบุชื่อสำหรับโค้ดฟรอนต์เอนด์ GLM-5.2 ชนะ GPT-5.5 ในการแก้บั๊กจริงด้วยต้นทุนหนึ่งในหก ผลลัพธ์เหล่านี้ไม่ใช่ผลของคู่แข่งระดับรอง

คำถามที่น่าสนใจตอนนี้คือ สิ่งที่คุณกำลังซื้อจริง ๆและคำตอบแตกต่างกันสำหรับแต่ละตัวในสามตัวนี้ ในแบบที่ไม่เกี่ยวกับอันดับเบนช์มาร์กเลย:

GLM-5.2 ขายให้คุณ ความเป็นอิสระน้ำหนักแบบ MIT ไม่มีเงื่อนไข ไม่ต้องเจรจา ราคาต่ำที่สุดในการเปรียบเทียบ คุณกำลังซื้อสิทธิ์ที่จะเลิกพึ่งพาผู้ขาย
Kimi K3 ขายให้คุณ ความสามารถคะแนนแข็งแกร่งที่สุดในที่นี้ ในราคาที่สะท้อนสิ่งนั้น พร้อมเงื่อนไขสัญญาอนุญาตที่กัดก็ต่อเมื่อคุณใหญ่ขึ้น
Qwen3.8-Max ขายให้คุณ ความกว้างข้อความ ภาพ และวิดีโอในโมเดลเดียว ตัวเลขเอเจนต์ที่แข็งแกร่ง หนุนหลังด้วยคำมั่นด้านโครงสร้างพื้นฐาน $53 พันล้านของ Alibaba — และตอนนี้ เป็นเพียงคำมั่นเรื่องน้ำหนักโมเดล ไม่ใช่น้ำหนักโมเดล

ถ้าต้องย่อให้เหลือบรรทัดละหนึ่งประโยค: เลือก GLM-5.2 ถ้าคุณจ่ายบิลเอง เลือก Kimi K3 ถ้าความสามารถคุ้มกับราคาที่แพงขึ้น และเลือก Qwen3.8-Max ถ้าเอเจนต์ของคุณต้องมีตา

และไม่ว่าคุณจะเลือกตัวไหน จงสร้างเราเตอร์ ในภูมิทัศน์ที่โมเดลใกล้ระดับแนวหน้าสามตัวเปิดตัวในแปดสัปดาห์ ความสามารถในการสลับมีค่ามากกว่าความสามารถในการเลือกให้ถูก

อัปเดตล่าสุด: 5 สิงหาคม 2026 ราคา เบนช์มาร์ก และสัญญาอนุญาตในสาขานี้เปลี่ยนทุกสัปดาห์ — ตรวจสอบตัวเลขปัจจุบันกับเอกสารทางการก่อนตัดสินใจจัดซื้อ แหล่งข้อมูลได้แก่ VentureBeat, MarkTechPost, Fortune, SCMP, Quartz, Artificial Analysis, Northflank และเอกสารผู้ขายจาก Moonshot AI, Alibaba Qwen และ Z.ai