โมเดลที่แม่นกว่ารออยู่ ราคาแค่ 1.45 ดอลลาร์
แล้วเราเลือกไม่ใช้

27 กรกฎาคม 2026 Moonshot ปล่อย weights ของ Kimi K3 ออกมา รุ่นล่าสุดในตระกูล kimi ai วันเดียวกันนั้นเราหยิบมันมาใช้ผ่าน API ถอดหนังสือไทยเล่มหนึ่ง 165 หน้า ที่ text layer พังทั้งเล่ม เครื่องอ่านตัวอักษรไม่ออกสักหน้า

สองวันถัดมามีหนังสืออีกเล่ม 85 หน้า โจทย์เหมือนกันเป๊ะ โมเดลตัวเดิมที่แม่นกว่ารออยู่ตรงนั้น ราคาถอดทั้งเล่มแค่ 1.45 ดอลลาร์ แล้วเราเลือกไม่ใช้

การตัดสินใจนั้นคือหัวใจของรีวิวนี้ Kimi K3 เป็นโมเดลที่แรง แต่ปรากฏว่า "แรง" เป็นเกณฑ์ผิดที่จะเอามาให้คะแนนมัน ต่อจากนี้จะเล่าว่ามันคืออะไร ใช้แล้วเสียเท่าไหร่ ข้อ license ที่คนส่วนใหญ่พลาด และคำถามที่ทำให้เลือกได้ง่ายขึ้น

Kimi K3 คืออะไรกันแน่

Kimi คือตระกูลโมเดลของ Moonshot AI เป็นสมองเบื้องหลังผู้ช่วย kimi ai ส่วน K3 คือรุ่นล่าสุด ข่าวที่สำคัญคือ Moonshot ปล่อยตัว weights ออกมาจริง นั่นแหละคือความหมายของคำว่า open weight ในทางหลักการเราเอาโมเดลไปตั้งรันบนเครื่องตัวเองได้ ไม่ต้องผูกกับบริการเจ้าเดียว แต่ให้จำคำว่า "หลักการ" ไว้ก่อน เพราะสเปกจะเป็นตัวบอกว่ามันจริงแค่ไหน

นี่คือสเปกสี่ข้อที่มีผลกับการตัดสินใจ และมีแค่นี้พอ:

• 2.78 ล้านล้านพารามิเตอร์ แบบ MoE แต่ละ token จะปลุกใช้แค่ 16 expert ที่วิ่ง กับอีก 2 ตัวที่ใช้ร่วมกันทุกครั้ง ไม่ปลุกทั้งตัว นั่นคือวิธีที่โมเดลใหญ่ขนาดนี้ยังคิดเงินต่อครั้งได้ไม่แพง แต่ตัวเต็มๆ ก็ยังมหึมาอยู่ดี
• ปล่อยมาเป็น 4-bit แล้วยังหนัก 1.56TB ไฟล์ที่โหลดได้จริงรวมกัน 1.56TB ใน 118 ไฟล์ และเล็กได้เท่านี้เพราะไฟล์โมเดล (checkpoint) ที่ปล่อยมาถูก quantize เป็น 4-bit อยู่แล้ว ของขนาดนี้ต้องใช้เครื่องระดับเซิร์ฟเวอร์ ไม่ใช่แล็ปท็อป คำว่า open weight ยื่นทางเลือกให้รันเอง แต่ไม่ได้แปลว่าฟรีหรือรันง่าย
• เป็นโมเดลหลายสื่อ (multimodal) มันอ่านภาพได้ ไม่ใช่แค่ข้อความ ซึ่งเป็นเหตุผลเดียวที่เราเอา PDF ที่ text layer พังทั้งไฟล์มาให้มันอ่านจากภาพได้
• context ราว 1 ล้าน token รับหนังสือทั้งเล่มในทีเดียวได้ ไม่ต้องมานั่งต่อบททีละท่อนเอง

ขอตั้งข้อสังเกตตรงๆ ไว้ในรีวิวนี้ข้อหนึ่ง เราไม่ได้โหลด 1.56TB นั้นมา แต่เข้าถึง K3 ผ่าน hosted API ของ Moonshot ซึ่งเป็นทางที่คนส่วนใหญ่จะได้เจอมันจริงๆ ฉะนั้นตัวเลขทุกตัวข้างล่างนี้คือ "ใช้ K3" ไม่ใช่ "รัน K3 เอง"

ใช้จริง แล้วเสียเท่าไหร่

ถอดหนังสือเล่มแรก 165 หน้าผ่าน hosted API ตกราว 0.017 ดอลลาร์ต่อหน้า ทั้งเล่มก็ประมาณ 2.4 ดอลลาร์ ถือว่าถูกเทียบกับสิ่งที่มันทำให้ได้ แต่ของที่มีประโยชน์ในรีวิว Kimi K3 ไม่ใช่ราคาป้าย แต่คือสิ่งที่ไม่มีเขียนใน docs ที่ไหนต่างหาก

K3 เป็นโมเดลที่คิดก่อนตอบได้ ถ้าเปิดโหมดคิดทิ้งไว้ตอนถอดข้อความเฉยๆ มันก็จะผลาญ token ไปกับการคิดจนหมดโควตา แล้วบางทีก็คืนไฟล์เปล่ากลับมาทั้งที่จ่ายเงินเต็ม รอบแรกที่เราพลาดแบบนั้น ราคาต่อหน้าพุ่งไปเกือบสามเท่าโดยไม่ได้อะไรกลับมา ทางแก้คือสั่งปิดโหมดคิด (พอปิดแล้ว API จะบังคับค่าความสุ่มไว้ที่ 0.6 ซึ่งก็ใช้ได้ดี) config (ค่าตั้งค่าของโปรแกรม) บรรทัดเดียวช่วยประหยัดค่าใช้จ่ายไปได้เกือบทั้งก้อน

บทเรียนที่กว้างกว่านั้น ซึ่งเราเคยเขียนไว้แล้วเรื่อง การตรวจว่าโมเดลอ่านถูกไหม คือตัวเลขที่ใช้ตัดสินใจงานได้จริงไม่ได้อยู่บนหน้าราคา ต้องจ่ายเงินรันจริงสักรอบถึงจะได้มันมา

กับดัก license ที่ไม่ค่อยมีใครอ่าน

หลายคนเรียกมันว่า MIT หรือ Modified MIT แต่จริงๆ ไม่ใช่ model card ประกาศ license: other และตัวไฟล์ตั้งชื่อว่า "Kimi K3 License" ใช้ถ้อยคำของ MIT มา แล้วเติมเงื่อนไขที่ MIT ไม่มีอีกสี่ข้อ สองข้อที่มีผลถ้าคุณคิดจะเอามันไปสร้างต่อ:

• ข้อว่าด้วยการเปิดเป็นบริการ (model as a service) ถ้าเอา K3 ไปเปิดเป็นบริการให้คนอื่นเรียกใช้ แล้วธุรกิจนั้นโตเกินเส้นรายได้ที่กำหนด ต้องไปทำสัญญาแยกกับ Moonshot
• ข้อว่าด้วยการขึ้นชื่อ พอโตเกินร้อยล้านผู้ใช้ต่อเดือน หรือรายได้เกิน 20 ล้านดอลลาร์ต่อเดือน ต้องแสดงคำว่า "Kimi K3" ให้เห็นบนหน้าจอ

ตรงนี้แหละที่คุ้มค่าอ่าน ข้อ 4 เขียนยกเว้นไว้ ว่าการใช้ภายในองค์กรที่ไม่เปิดให้คนนอก กับการเรียกผ่าน API ทางการของ Moonshot หรือพาร์ตเนอร์ที่ได้รับรอง ไม่ติดสองเงื่อนไขนั้นเลย พูดง่ายๆ คือเลนที่คนส่วนใหญ่จะใช้จริง คือเรียก hosted API ทำงานภายใน หลุดจากข้อที่ดูน่ากลัวไปหมดพอดี นั่นคือเรื่องที่ควรเล่า ไม่ใช่คำว่า MIT

คำถามที่ทำให้รีวิวนี้ มีประโยชน์กับคุณ

เมื่อก่อนการเลือกโมเดลคือการเลือกระหว่างแม่นกับถูก open weight เพิ่มแกนที่สามเข้ามา โมเดลไปหาข้อมูลได้ แทนที่ข้อมูลจะต้องไปหาโมเดล เพราะพอ weights อยู่ในมือแล้ว ในทางหลักการก็เอาไปตั้งไว้ตรงไหนก็ได้ที่ข้อมูลอยู่ แค่นี้ก็พลิกโจทย์ทั้งอันไปเลย

คำถามแรกจึงไม่ใช่ "งานนี้ยากแค่ไหน" แต่คือ ข้อมูลชุดนี้ออกจากบ้านได้ไหม ซึ่งเป็นเหตุผลตรงๆ ที่เราตอบว่าไม่กับ K3 ในหนังสือเล่มสอง เล่มนั้นมีชื่อคนจริงอยู่ในนั้น และมีบทว่าด้วยการขอความยินยอมใช้เสียงคน เสียงคือข้อมูลชีวมาตร (ข้อมูลร่างกายที่ระบุตัวคนได้) ส่งเข้า API เมื่อไหร่ ก็แปลว่ามันออกจากบ้านไปอยู่ในมือคนที่ไม่เคยเห็นข้อมูลชุดนี้ คำถามเลยจบตั้งแต่ตรงนั้น ก่อนจะไปถึงเรื่องราคาหรือความแม่นด้วยซ้ำ

และการปฏิเสธโมเดลที่แม่นกว่าก็ไม่ได้ทำให้เราเสียอะไรที่สำคัญ เราส่งเล่มนั้นให้โมเดลที่ถูกกว่า ตัวที่อยู่ในแพ็กเกจที่ใช้อยู่แล้ว ไม่มีข้อมูลออกนอกบ้านชุดใหม่ แล้ววัดว่าอะไรพังบ้าง ปรากฏว่าร้อยแก้วไทยเละ แต่โค้ดกับค่า config ออกมาถูกหมด และโค้ดคือของชิ้นเดียวที่เราอยากได้จริงๆ การเลือกโมเดลที่ "แย่กว่า" เลยไม่ใช่การยอมแพ้ แต่เป็นวันที่เรารู้ชัดว่าตัวเองต้องการอะไร

สรุป Kimi K3 เหมาะกับใคร

Kimi K3 สมกับกระแสในแง่ความสามารถ ทั้งอ่านหลายสื่อ context ใหญ่มาก และเป็น open weight จริงพร้อม license ที่หลบทางให้กับการใช้ภายในองค์กรและการเรียกผ่าน API ในฐานะคำตัดสินของรีวิว มันคือโมเดลแนวหน้าที่เอาไปสร้างต่อได้จริง

แต่ให้คะแนนมันด้วยเกณฑ์ที่ถูก หยิบ K3 หรือ open weight model ตัวไหนก็ตาม ตอนที่ข้อจำกัดของคุณคือข้อมูล ตอนที่แต้มต่ออยู่ตรงที่โมเดลไปหาข้อมูลได้ ถ้าข้อมูลออกนอกบ้านได้สบายๆ โมเดลปิดบนคลาวด์อาจยังชนะเรื่องความง่ายและความแม่น ซึ่งก็เป็นคำตอบที่ดีเหมือนกัน ถ้าอยากชั่งเรื่องรันเองในภาพกว้างกว่านี้ เราเคยวางกรอบไว้แล้วใน การเลือก local LLM ให้เข้ากับงาน

คำถามไม่เคยอยู่ที่ว่า Kimi K3 ฉลาดแค่ไหน แต่อยู่ที่ว่าข้อมูลของคุณมีพาสปอร์ตหรือเปล่า ตอบข้อนี้ก่อน แล้วโมเดลจะเลือกตัวมันเองแทบจะทันที