- 30
- กันยายน
"Claude vs OpenAI vs AI จีน กันยายน 2569 — คะแนน benchmark ห่างกันแค่ไหน: Opus 5.5, GPT-6 Astra, MiMo, GLM, Kimi, DeepSeek บนดัชนีอิสระ 5 ชุด" — คำตอบสั้นที่สุดคือ ณ 30 กันยายน 2569 บนดัชนีอิสระ Claude Opus 5.5 นำสองไม้บรรทัด (Artificial Analysis 58 และ Arena 1,509) GPT-6 Astra นำอีกสองไม้บรรทัด (Epoch ECI 166.6 และ ARC-AGI-2 95%) ส่วนโมเดลเปิดจีนที่ดีที่สุดคือ MiMo-V2.6-Pro (46) GLM-5.3 (45) และ Kimi K3 (44) ตามหลังตัวท็อป 12 คะแนนบน Artificial Analysis ราว 9 คะแนนบน Epoch และ 21–30 Elo บน Arena คิดเป็นเวลาราว 4–8 เดือนแล้วแต่ไม้บรรทัด ช่องว่างแทบไม่มีในข้อสอบความรู้ แต่กว้างมากในเหตุผลเชิงนามธรรม และจีนชนะขาดเรื่องราคาต่องานที่ถูกกว่าได้ถึงกว่า 40 เท่า บทความนี้ต่อจากClaude vs OpenAI สิงหาคม 2569 และรวมข้อมูลจากอัปเดต AI ฝั่งจีน กับอัปเดต OpenAI ประจำเดือนกันยายนไว้ในตารางเดียว
สรุปในบรรทัดเดียว: ค่ายอเมริกันสองค่ายผลัดกันนำแล้วแต่ไม้บรรทัด จีนตามหลัง 4–8 เดือนแต่ถูกกว่า 10–40 เท่า และตัวเลขทุกตัวในเดือนนี้มีอายุสั้น
- ใครนำ: Opus 5.5 อันดับ 1 บน Artificial Analysis (58) และ Arena (1,509) · GPT-6 Astra อันดับ 1 บน Epoch ECI (166.6) และ ARC-AGI-2 (95.0%) · Sonnet 5.5 อันดับ 1 บน Terminal-Bench 4.0 ที่ Artificial Analysis รันเอง (63.6%)
- จีนอยู่ตรงไหน: MiMo-V2.6-Pro 46 · GLM-5.3 45 · Qwen3.8 Max 45 · Kimi K3 44 · DeepSeek V4.1-Flash 39 บนดัชนี Artificial Analysis · Kimi K3 เป็นโมเดลจีนที่สูงสุดบน Epoch (157.68)
- ห่างแค่ไหน: 12 คะแนน Artificial Analysis · 8.9 คะแนน Epoch (ราว 7–8 เดือนตามอัตราที่แนวหน้าขยับ) · 21–30 Elo บน Arena · แต่ ARC-AGI-2 ห่างราว 34 จุด และ ARC-AGI-3 ยังไม่มีโมเดลจีนที่มีคะแนนตรวจสอบแล้ว
- ราคาต่องาน: MiMo-V2.6-Pro $0.13 ต่องานบนดัชนี Artificial Analysis เทียบ Opus 5.5 $5.98 และ Fable 5.1 $7.63
- ระวัง: ดัชนี Artificial Analysis เปลี่ยนสูตร 2 ครั้งในเดือนกันยายน · SWE-bench Verified ถูก OpenAI และ Anthropic เลิกรายงานแล้ว · ยังไม่มี benchmark ภาษาไทยปี 2569 สำหรับโมเดลกลุ่มนี้
หมายเหตุครั้งเดียวสำหรับทั้งบทความ: ตรวจข้อมูลวันที่ 30 กันยายน 2569 · ตัวเลขที่ระบุว่า "อิสระ" มาจากผู้ประเมินภายนอก (Artificial Analysis, Arena, Epoch AI, ARC Prize, Scale, NIST CAISI) ตัวเลขที่ระบุว่า "ผู้ผลิต" มาจากประกาศของบริษัทเจ้าของโมเดล · ราคาเป็นดอลลาร์สหรัฐต่อ 1 ล้านโทเคนจากหน้าราคาทางการ ไม่แปลงเป็นบาท · โมเดลที่ยังไม่มีคะแนนบนไม้บรรทัดใดเขียนว่า "ยังไม่มี" ไม่ประมาณการแทน
1. ก่อนอ่านตัวเลข: ไม้บรรทัด 5 อัน วัดคนละอย่าง และเดือนนี้ไม้บรรทัดเองก็เปลี่ยน
คำถาม "โมเดลไหนเก่งกว่า" ไม่มีคำตอบเดียว เพราะไม้บรรทัดแต่ละอันวัดคนละเรื่อง บทความนี้ยึดไม้บรรทัดที่มีคนนอกเป็นผู้วัดเป็นหลัก และใช้ตัวเลขที่ผู้ผลิตรายงานเองเฉพาะเมื่อไม่มีการวัดอิสระ
| ไม้บรรทัด | ใครวัด | วัดอะไร | จุดอ่อนที่ต้องรู้ |
|---|---|---|---|
| Artificial Analysis Intelligence Index (v4.3.2) | Artificial Analysis รันเองกับโมเดล 216 ตัว | คะแนนรวมจากชุดทดสอบหลายชุด ทั้งเหตุผล โค้ด งานเอเจนต์ และความรู้ ถ่วงน้ำหนักชุดทดสอบส่วนตัว 45% เพื่อกันการฝึกเพื่อสอบ | เปลี่ยนสูตรสองครั้งในเดือนกันยายน (4 และ 19 ก.ย.) คะแนนก่อนและหลังเทียบกันไม่ได้ |
| Arena (เดิมชื่อ LMArena) Text และ WebDev | ผู้ใช้จริงโหวตคำตอบคู่โดยไม่รู้ชื่อโมเดล | ความชอบของมนุษย์ เป็นคะแนน Elo | วัดความถูกใจ ไม่ใช่ความถูกต้อง · โมเดลใหม่ต้องรอโหวตสะสม GPT-6 Astra เพิ่มเข้า 11 ก.ย. ยังไม่ติด 25 อันดับแรกของ Text |
| Epoch Capabilities Index (ECI) | Epoch AI | รวมผลจาก benchmark หลายชุดเป็นสเกลเดียวที่เทียบข้ามเวลาได้ แนวหน้าขยับราว 14 คะแนนต่อปี | โมเดลที่ออกปลายเดือน (Opus 5.5, Sonnet 5.5, GPT-6 Sol) ยังไม่มีคะแนน |
| ARC-AGI-2 / ARC-AGI-3 (ชุด Semi-Private) | ARC Prize | เหตุผลเชิงนามธรรมกับโจทย์ที่โมเดลไม่เคยเห็น พร้อมต้นทุนต่อข้อ | คะแนนขึ้นกับ harness มาก GPT-6 Astra ได้ 62.7% หรือ 99.95% บน ARC-AGI-3 แล้วแต่ว่าใช้ตัวเชื่อมของ OpenAI เองหรือไม่ |
| Terminal-Bench 4.0 | Artificial Analysis รันเอง และผู้ผลิตรายงานเอง | งานเอเจนต์ใน terminal ตั้งแต่ต้นจนจบ ชุดใหม่ที่ยากกว่ารุ่น 2.x มาก | ตัวเลขผู้ผลิตสูงกว่าที่วัดอิสระ 6–7 จุด · โมเดลจีนมีแต่ตัวเลขที่รายงานเอง |
ทำไมคะแนนเดือนนี้ดูต่ำกว่าเดือนก่อนทั้งที่โมเดลไม่เปลี่ยน
Artificial Analysis สร้างดัชนีใหม่เป็น v4.2 วันที่ 4 กันยายน แล้วปรับเป็น v4.3.2 วันที่ 19 กันยายน แทน Terminal-Bench 2.1 ที่ทุกค่ายทำได้ 86–90 จนแยกกันไม่ออกด้วย Terminal-Bench 4.0 และแทน τ³-Banking ด้วย AutomationBench ผลคือ Claude Fable 5.1 จาก 66 เหลือ 53 Kimi K3 จาก 57 เหลือ 44 Qwen3.8 Max จาก 56 เหลือ 45 และ GPT-6 Astra จาก 61.2 เหลือ 53 โดยที่โมเดลไม่ได้เปลี่ยนเลย ถ้าเห็นตัวเลขจากบทความเดือนสิงหาคมไม่ตรงกับตารางนี้ นี่คือสาเหตุ
ใช้ Claude ในองค์กร? ขอใบเสนอราคาเป็นเงินบาท พร้อมใบกำกับภาษี
บริการจัดหาของเรารับตั้งแต่ 5 ที่นั่ง · น้อยกว่านั้นแนะนำซื้อตรงจาก Anthropic · Enterprise ปรึกษาทีมขาย
2. ตารางใหญ่: 14 โมเดล บนไม้บรรทัดอิสระ 5 อัน
เรียงตามคะแนน Artificial Analysis ยกเว้น Gemini 3.8 Flash ที่ใส่ไว้ท้ายตารางเป็นจุดอ้างอิงของ Google ตัวเลขในวงเล็บคืออันดับ "ผู้ผลิต" หมายถึงตัวเลขที่บริษัทเจ้าของโมเดลรายงานเอง
| โมเดล (ค่าย · วันออก) | น้ำหนัก | Artificial Analysis | Arena Text (Elo) | Epoch ECI | ARC-AGI-2 | Terminal-Bench 4.0 | ราคา $/1M (input / output) |
|---|---|---|---|---|---|---|---|
| Claude Opus 5.5 (Anthropic · 22 ก.ย.) | ปิด | 58 (#1) | 1,509 (#1) | ยังไม่มี | 93.3% | 59.6% อิสระ · 66.4% ผู้ผลิต | $4 / $20 |
| Claude Sonnet 5.5 (Anthropic · 28 ก.ย.) | ปิด | 56 (#3) | ยังไม่ติดอันดับ | ยังไม่มี | ยังไม่มี | 63.6% อิสระ (#1) · 70.6% ผู้ผลิต | $2 / $10 |
| Claude Fable 5.1 (Anthropic · 1 ก.ย.) | ปิด | 53 (#5) | 1,501 (#5) | 165.0 | 90.0% | 52% อิสระ · 55.8% ผู้ผลิต | $10 / $50 |
| GPT-6 Astra (OpenAI · 3 ก.ย.) | ปิด | 53 (#7) | ยังไม่ติด 25 อันดับแรก | 166.6 (#1) | 95.0% · ARC-AGI-3 62.7% | 59% อิสระ · 57.7% ผู้ผลิต | $10 / $50 |
| GPT-6 Sol (OpenAI · 22 ก.ย.) | ปิด | 48 (#20) | ยังไม่ติด 25 อันดับแรก | ยังไม่มี | ยังไม่มี | ยังไม่มี | $2 / $10 |
| GPT-5.6 Sol (OpenAI · ก.ค.) | ปิด | 47 (#21) | 1,483 (#19) | 161.99 | 92.5% | 37.3% ผู้ผลิต | $4 / $20 |
| MiMo-V2.6-Pro (Xiaomi · 22 ก.ย.) | เปิด MIT | 46 (#1 ของโมเดลเปิด) | 1,480 (#23) | ยังไม่มี | ยังไม่มี | 34.9% ผู้ผลิต | $0.43 / $0.87 |
| GLM-5.3 (Zhipu · 14 ส.ค.) | เปิด | 45 | 1,480 (#24) | 155.56 | ยังไม่มี | ยังไม่มี | $1.40 / $4.40 |
| Qwen3.8 Max (Alibaba · 3 ส.ค. อัปเดต 2 ก.ย.) | ปิด (ประกาศว่าจะเปิด) | 45 (#27) | 1,479 (#25) | 156.69 | ยังไม่มี | ยังไม่มี | $2 / $6 |
| Kimi K3 (Moonshot · 16 ก.ค.) | เปิด (ไลเซนส์เฉพาะ) | 44 | 1,488 (#16) | 157.68 (สูงสุดฝั่งจีน) | 60.4% | ยังไม่มี | $3 / $15 |
| DeepSeek V4.1-Flash (DeepSeek · 10 ก.ย.) | เปิด MIT | 39 | ยังไม่ติด 25 อันดับแรก | 155.01 | ยังไม่มี | 31.2% ผู้ผลิต | $0.30 / $1.20 ช่วงเร่งด่วน |
| DeepSeek V4-Pro (DeepSeek · 13 ส.ค.) | เปิด MIT | 36 | ยังไม่ติด 25 อันดับแรก | 155.39 | 61.3% | 12.4% ผู้ผลิต | $1.32 / $3.96 ช่วงเร่งด่วน |
| MiniMax M3 (MiniMax · 1 มิ.ย.) | เปิด | 29 | ยังไม่ติด 25 อันดับแรก | 147.0 | ยังไม่มี | ยังไม่มี | $0.30 / $1.20 |
| Gemini 3.8 Flash (Google · 2 ก.ย. อ้างอิง) | ปิด | 41 (#43) | 1,492 (#10) | 157.13 | 89.2% · ARC-AGI-3 35.0% | 19.1% ผู้ผลิต | $0.75 / $3.75 |
สามอย่างที่ตารางบอกทันที หนึ่ง ค่ายอเมริกันสองค่ายผลัดกันนำ Anthropic นำเมื่อวัดด้วยคะแนนรวมและความชอบของคน OpenAI นำเมื่อวัดด้วยดัชนีข้ามเวลาของ Epoch และเหตุผลเชิงนามธรรม สอง Google ตอนนี้อยู่ต่ำกว่า Kimi K3 และ GLM-5.3 บน Artificial Analysis เพราะรุ่นเรือธง Gemini 4 ยังอยู่ระหว่างฝึก สาม โมเดลจีนสี่ตัวเกาะกลุ่มกันที่ 44–46 ห่างกันเองแค่ 2 คะแนน ต่างจากฝั่งอเมริกันที่ตัวบนกับตัวรองห่างกัน 5–10 คะแนน อ่านรายละเอียดรุ่นได้ที่ Opus 5.5, Sonnet 5.5, Fable 5.1, GPT-6 Astra, Kimi และ DeepSeek
3. ห่างกันแค่ไหน — ช่องว่างสหรัฐ–จีนบนไม้บรรทัดแต่ละอัน และเมื่อคิดเป็นเดือน
คำถามของผู้อ่านคือ "ห่างกันแค่ไหน" ตารางนี้เอาผู้นำกับโมเดลจีนที่สูงสุดของแต่ละไม้บรรทัดมาลบกัน แล้วแปลงเป็นเวลาเฉพาะเมื่อผู้วัดมีสูตรแปลงให้
| ไม้บรรทัด | ผู้นำ | จีนสูงสุด | ห่าง | หมายเหตุ |
|---|---|---|---|---|
| Artificial Analysis Index | Opus 5.5 = 58 | MiMo-V2.6-Pro = 46 | 12 คะแนน | ก่อน Opus 5.5 ออก (22 ก.ย.) ช่องว่างคือ 53 ต่อ 45 หรือ 8–9 คะแนน ซึ่งเป็นตัวเลขที่บทความอัปเดต AI จีนใช้ |
| Epoch ECI | GPT-6 Astra = 166.6 | Kimi K3 = 157.68 | 8.9 คะแนน | Epoch วัดว่าแนวหน้าขยับราว 14 คะแนนต่อปี ตัวเลขนี้จึงราว 7–8 เดือน |
| Arena Text | Opus 5.5 = 1,509 | Kimi K3 = 1,488 | 21 Elo | MiMo และ GLM-5.3 ที่ 1,480 ห่าง 29–30 Elo · Stanford HAI วัดช่องว่างสหรัฐ–จีนบน Arena ไว้ที่ 2.7% เมื่อ มี.ค. 2569 |
| Arena WebDev (โค้ดเว็บที่คนโหวต) | Opus 5.5 = 1,820 | Qwen3.8 Max = 1,671 | 149 Elo | Kimi K3 1,659 · GLM-5.3 1,623 · DeepSeek V4.1-Flash 1,620 |
| ARC-AGI-2 | Astra 95.0% / Opus 5.5 93.3% | DeepSeek V4-Pro 61.3% / Kimi K3 60.4% | ราว 34 จุด | ช่องว่างที่กว้างที่สุดในทุกไม้บรรทัด |
| ARC-AGI-3 | Astra 62.7% | ยังไม่มีโมเดลจีนที่มีคะแนนตรวจสอบแล้ว | — | Opus 5.5 ก็ยังไม่ได้รัน · Gemini 3.8 Flash 35.0% · Opus 5 30.2% |
| Terminal-Bench 4.0 (ผู้ผลิตรายงานเอง) | Sonnet 5.5 70.6% / Opus 5.5 66.4% | MiMo 34.9% / DeepSeek V4.1-Flash 31.2% | ราว 32–36 จุด | เทียบตัวเลขผู้ผลิตกับผู้ผลิตเท่านั้น เพราะฝั่งจีนไม่มีการวัดอิสระ |
| GPQA Diamond (ความรู้ระดับปริญญาเอก) | Astra 96.0% | Kimi K3 93.5% | 2.5 จุด | ทุกค่ายอยู่ที่ 90–96 ชุดนี้แยกโมเดลไม่ออกแล้ว |
สำนักที่ประเมินช่องว่างเป็นเวลาให้คำตอบใกล้เคียงกัน แม้ใช้วิธีต่างกัน
| ผู้ประเมิน | ข้อสรุป | วันที่ |
|---|---|---|
| Epoch AI | โมเดลจีนตามหลังแนวหน้าสหรัฐเฉลี่ย 7 เดือน (ช่วง 4–14 เดือน) | 2 ม.ค. 2569 |
| Epoch AI | โมเดลเปิดตามหลังโมเดลปิดราว 4 เดือน หรือ 8 คะแนน ECI | 29 พ.ค. 2569 |
| NIST CAISI (สหรัฐ) | DeepSeek V4 Pro ตามหลังแนวหน้าราว 8 เดือน แต่คุ้มค่ากว่าใน 5 จาก 7 ชุดทดสอบ | 1 พ.ค. 2569 |
| Mozilla — State of Open Source AI v1.1 | โมเดลเปิดที่ดีที่สุดตามหลังแนวหน้าปิด 4.4 เดือน · โมเดลปิดยังนำ 92 Elo ในงานความรู้ผู้เชี่ยวชาญ (GDPval-AA) · "ช่องว่างรีเซ็ตทุกรอบการออกรุ่น" | 15 ก.ย. 2569 |
| Interconnects | โมเดลเปิดจีนตามหลังแนวหน้าปิดอเมริกัน 2–5 เดือน ส่วนโมเดลเปิดอเมริกันตามหลัง 6–9 เดือน · โมเดลจีนกินการใช้งานบน OpenRouter มากกว่า 80% | 21 ก.ย. 2569 |
| Stanford HAI — AI Index 2026 | ช่องว่างสหรัฐ–จีนบน Arena 2.7% · ช่องว่างปิด–เปิด 3.3% (จาก 0.5% เมื่อ ส.ค. 2567) · สองประเทศ "สลับกันนำหลายครั้งตั้งแต่ต้นปี 2568" | ข้อมูลถึง มี.ค. 2569 |
4. แยกตามประเภทงาน — ช่องว่างไม่ได้กว้างเท่ากันทุกงาน
ตัวเลขรวมซ่อนความจริงข้อหนึ่ง คือช่องว่างกว้างมากในงานบางแบบ และแทบไม่มีในงานอีกแบบ ถ้าองค์กรรู้ว่างานของตัวเองอยู่แถวไหนของตารางนี้ ก็เลือกโมเดลได้โดยไม่ต้องจ่ายแพงเกินจำเป็น
| ประเภทงาน | ตัวชี้วัด | ฝั่งสหรัฐ | ฝั่งจีน | อ่านว่า |
|---|---|---|---|---|
| ความรู้ระดับสูง ตอบคำถามวิชาการ | GPQA Diamond (ผู้ผลิต) | Astra 96.0 · GPT-5.6 Sol 94.6 · Fable 5.1 93.7 | Kimi K3 93.5 · Qwen3.8 Max 92.6 · MiniMax M3 92.7 (อิสระ) · DeepSeek V4.1-Flash 90.9 | แทบเท่ากัน |
| ข้อสอบยากหลายสาขา | Humanity's Last Exam มีเครื่องมือ (ผู้ผลิต) | Opus 5.5 67.7 · Fable 5.1 65.0 · Sonnet 5.5 64.5 · Astra 57.2 | GLM-5.3 62.5 · Qwen3.8 Max 56.2 · Kimi K3 56.0 | จีนใกล้ แต่ตัวเลขผู้ผลิตแต่ละรายไม่ตรงกัน Scale วัดอิสระได้ Astra 54.8 และ Fable 5.1 46.5 |
| เขียนโค้ดเว็บที่คนโหวต | Arena WebDev (อิสระ) | Opus 5.5 1,820 · Astra 1,792 · Fable 5.1 1,753 · Sonnet 5.5 1,699 | Qwen3.8 Max 1,671 · Kimi K3 1,659 · Hy4 1,633 · GLM-5.3 1,623 | ห่าง 150–200 Elo |
| เอเจนต์ทำงานใน terminal จนจบ | Terminal-Bench 4.0 | Sonnet 5.5 63.6 · Opus 5.5 59.6 · Astra 59 (อิสระ) | MiMo 34.9 · DeepSeek V4.1-Flash 31.2 (ผู้ผลิต) | กว้างมาก |
| เหตุผลเชิงนามธรรม โจทย์ไม่เคยเห็น | ARC-AGI-2 (อิสระ) | Astra 95.0 · Opus 5.5 93.3 · Fable 5.1 90.0 | DeepSeek V4-Pro 61.3 · Kimi K3 60.4 | กว้างที่สุด |
| งานสำนักงานระดับผู้เชี่ยวชาญ | GDPval-AA (Elo) | Opus 5.5 1,846 · Sonnet 5.5 1,844 (ผู้ผลิต) | Mozilla สรุปว่าโมเดลปิดนำ 92 Elo | กว้างปานกลาง |
| ปริมาณการใช้จริง | โทเคนบน OpenRouter | — | โมเดลจีนมากกว่า 80% ของโทเคน (Interconnects) · 7 ใน 10 อันดับแรก | จีนนำขาด เพราะราคา |
ภาพที่ออกมาชัด งานที่ต้องการ "ความรู้" จีนตามทันแล้ว งานที่ต้องการ "การคิดหลายขั้นโดยไม่มีคนคุม" ทั้งเอเจนต์ใน terminal และโจทย์เชิงนามธรรม ยังห่าง 30 จุดขึ้นไป ตารางของ Zhipu เองก็สะท้อนแบบเดียวกัน GLM-5.3 เฉือน Mythos 5 ได้บน CyberGym (84.5 ต่อ 83.8) แต่ตามหลังมากบน ExploitBench (54.4 ต่อ 78.0)
5. ราคาต่อความฉลาด — ตารางที่จีนชนะขาด และเหตุผลที่ราคาป้ายหลอกตาได้
Artificial Analysis คิด "ต้นทุนต่องาน" จากโทเคนที่โมเดลใช้จริงตอนรันดัชนี ไม่ใช่จากราคาป้าย ตัวเลขนี้จึงสะท้อนบิลจริงมากกว่า และให้ผลที่ต่างจากราคาป้ายในหลายกรณี
| โมเดล | Artificial Analysis Index | ต้นทุนต่องานบนดัชนี (อิสระ) | ราคาป้าย $/1M (input / output) |
|---|---|---|---|
| MiMo-V2.6-Pro | 46 | $0.13 | $0.43 / $0.87 |
| DeepSeek V4.1-Flash | 39 | $0.27 | $0.30 / $1.20 ช่วงเร่งด่วน |
| MiniMax M3 | 29 | $0.51 | $0.30 / $1.20 |
| GPT-6 Sol | 48 | $1.05 | $2 / $10 |
| Gemini 3.8 Flash | 41 | $1.24 | $0.75 / $3.75 |
| GPT-5.6 Sol | 47 | $1.99 | $4 / $20 |
| Kimi K3 | 44 | $2.00 | $3 / $15 |
| GLM-5.3 | 45 | $2.01 | $1.40 / $4.40 |
| GPT-6 Astra | 53 | $3.26 | $10 / $50 |
| Qwen3.8 Max | 45 | $5.41 | $2 / $6 |
| Claude Opus 5.5 | 58 | $5.98 | $4 / $20 |
| Claude Sonnet 5.5 | 56 | $7.60 | $2 / $10 |
| Claude Fable 5.1 | 53 | $7.63 | $10 / $50 |
สามจุดที่ราคาป้ายหลอกตา หนึ่ง Sonnet 5.5 ราคาป้ายครึ่งหนึ่งของ Opus 5.5 แต่ต้นทุนต่องานบนดัชนีสูงกว่า เพราะตอนรันดัชนีมันสร้างโทเคนคำตอบ 410 ล้านโทเคน เทียบ Opus 5.5 ที่ 260 ล้าน (Artificial Analysis ระบุด้วยว่า Sonnet 5.5 ที่ระดับ max ได้คะแนนต่ำกว่าระดับ xhigh) สอง Qwen3.8 Max ราคาป้ายถูกกว่า Kimi K3 แต่ต้นทุนต่องานแพงกว่า 2.7 เท่า เพราะตอบยาวและช้า สาม GPT-6 Astra ราคาป้ายเท่า Fable 5.1 ทุกช่อง แต่ต้นทุนต่องานต่ำกว่าครึ่ง เพราะใช้โทเคนคำตอบราว 27,000 ต่องาน เทียบ 78,000 อีกเรื่องที่ต้องรู้คือหน้าราคาของ Anthropic ระบุว่าโมเดลตั้งแต่รุ่น 4.7 ใช้ tokenizer ที่ "สร้างโทเคนมากกว่าราว 30% สำหรับข้อความเดียวกัน" เทียบกับ Sonnet 4.6 ลงไป การเทียบราคาป้ายข้ามค่ายจึงต้องเทียบที่ต้นทุนต่องานเสมอ
6. ข้อควรระวัง 6 ข้อก่อนเอาตัวเลขไปตัดสินใจ
| ข้อควรระวัง | หลักฐาน |
|---|---|
| 1. SWE-bench Verified เลิกใช้แล้ว | OpenAI หยุดรายงานตั้งแต่ 23 ก.พ. 2569 เพราะทุกโมเดลแนวหน้า "เคยเห็นโจทย์และเฉลยบางส่วนตอนฝึก" และ Epoch AI จัดชุดนี้เป็น "Flawed" (3 ก.ย.) Anthropic ไม่รายงานสำหรับ Opus 5.5 · แต่ผู้ผลิตจีนยังใช้เป็นพาดหัว (DeepSeek V4 Pro 80.6, MiniMax M3 80.5) และโมเดลเดียวกันอ่านได้ 80.6 (ผู้ผลิต) 74 (CAISI) หรือ 96.4 (Vals) แล้วแต่ checkpoint และ harness |
| 2. Harness เปลี่ยนคะแนนได้มากกว่าโมเดล | Astra บน ARC-AGI-3 ได้ 62.7% หรือ 99.95% แล้วแต่ตัวเชื่อม · OSWorld 2.0 ของ Fable 5.1 ได้ 77.9% แบบ partial แต่ 41.7% แบบ strict · Terminal-Bench 4.0 ที่ผู้ผลิตรายงาน (Opus 5.5 66.4 ที่ xhigh, Sonnet 5.5 70.6) สูงกว่าที่ Artificial Analysis รัน (59.6, 63.6) 6–7 จุด |
| 3. ชุดทดสอบอิ่มตัวเร็ว ดัชนีจึงเปลี่ยนสูตรบ่อย | Stanford HAI: "ชุดที่ตั้งใจให้ยากไปหลายปี อิ่มตัวในไม่กี่เดือน" HLE ขึ้น 30 จุดในหนึ่งปี · GPQA อยู่ที่ 90–96 ทุกค่าย · Terminal-Bench 2.1 อยู่ที่ 86–90 ทุกค่าย จน Artificial Analysis ต้องเปลี่ยนเป็น 4.0 และเพิ่มน้ำหนักชุดส่วนตัวเป็น 45% "เพื่อกันการเล่นเกม" |
| 4. ตัวเลขผู้ผลิตไม่ตรงกันเอง และไม่ตรงกับผู้วัดอิสระ | HLE ของ GPT-5.6 Sol เป็น 58.0 ในตารางของ Kimi แต่ 64.5 ในตารางของ Zhipu · HLE ของ Kimi K3 เป็น 56.0 ในเอกสารตัวเอง แต่ 59.8 ในตารางของ Zhipu · Scale วัด HLE อิสระได้ Astra 54.8 และ Fable 5.1 46.5 เทียบผู้ผลิต 57.2 และ 65.0 · CAISI พบว่าผลที่ DeepSeek รายงานเอง "สูงกว่าที่ CAISI ทดสอบ" ในชุดนอกรายงานทางเทคนิค |
| 5. ช่องว่างจริงอาจกว้างกว่าที่วัดได้ | Epoch AI เตือนว่าโมเดลเปิด "มักปรับจูนกับ benchmark หนักกว่า" จึงอาจทำให้ช่องว่างดูแคบเกินจริง · Interconnects ชี้ว่าค่ายปิด "เก็บระบบที่แรงสุดไว้ภายในและปล่อยแบบระมัดระวัง" · แต่ต้นทุนต่องานของจีนเป็นความได้เปรียบที่วัดได้จริง |
| 6. ไม่มี benchmark ภาษาไทยปี 2569 สำหรับโมเดลกลุ่มนี้ | SEA-HELM (18 ก.ย. 2569) วัดภาษาไทยแต่มีเฉพาะโมเดลเปิดขนาดกลาง ไม่มี Opus 5.5, GPT-6 หรือ Kimi K3 · ตัวเลขข้อสอบไทยล่าสุดของโมเดลแนวหน้าเป็นของปี 2567 (Claude 3.5 Sonnet 68.41% ต่อ GPT-4o 66.26% จากงานวิจัย OpenThaiGPT 1.5) · ใครอ้างคะแนนภาษาไทยของโมเดลรุ่นใหม่ ให้ขอดูแหล่งก่อน |
แล้วองค์กรไทยควรใช้ตัวเลขพวกนี้อย่างไร
ห้าข้อสำหรับคนที่ต้องเลือกโมเดลในไตรมาสนี้
1. เลือกไม้บรรทัดให้ตรงงานก่อนเลือกโมเดล — งานถามตอบความรู้ ดู GPQA และ HLE จีนทำได้ใกล้เคียง · งานเอเจนต์ที่ทำหลายขั้นเอง ดู Terminal-Bench 4.0 และ ARC-AGI-2 ช่องว่างยัง 30 จุดขึ้นไป · งานเขียนโค้ดหน้าเว็บ ดู Arena WebDev
2. ทดสอบด้วยงานของตัวเองเป็นภาษาไทย 20–50 ชิ้น — เพราะไม่มีใครวัดภาษาไทยของโมเดลกลุ่มนี้ให้ ใช้เอกสารจริง ตารางจริง และให้คนที่รู้งานตรวจ นี่คือ benchmark ที่เชื่อถือได้ที่สุดสำหรับองค์กรของคุณ
3. คิดที่ต้นทุนต่องาน ไม่ใช่ราคาป้าย — วัดโทเคนที่ใช้จริงต่อชิ้นงานในการทดสอบข้อ 2 แล้วคูณราคา โมเดลราคาป้ายถูกอาจตอบยาวจนแพงกว่า (กรณี Qwen3.8 Max) และโมเดลราคาป้ายแพงอาจตอบสั้นจนถูกกว่า (กรณี Astra เทียบ Fable 5.1)
4. อ่านช่องว่าง 4–8 เดือนให้ถูก — หมายความว่าความสามารถที่ตัวท็อปทำได้วันนี้ โมเดลเปิดราคาถูกกว่า 10 เท่าจะทำได้ในครึ่งปีหน้า งานที่ไม่รีบและมีขอบเขตชัดจึงรอได้ ส่วนงานที่ต้องการความสามารถสูงสุดตอนนี้ยังต้องจ่ายราคาตัวท็อป
5. ออกแบบให้เปลี่ยนโมเดลได้ — อันดับในตารางนี้เปลี่ยนไปแล้ว 3 ครั้งในเดือนเดียว (Astra 3 ก.ย. → Opus 5.5 22 ก.ย. → Sonnet 5.5 28 ก.ย.) และ Qwen 4, Haiku 5.5, Gemini 4 กำลังจะออก ชั้นเชื่อมต่อของคุณต้องสลับโมเดลได้ด้วยการแก้ค่าเดียว
สรุป
ณ สิ้นเดือนกันยายน 2569 ไม่มีค่ายไหนนำทุกไม้บรรทัด Anthropic นำที่คะแนนรวมและความชอบของคน OpenAI นำที่ดัชนีข้ามเวลาและเหตุผลเชิงนามธรรม จีนตามหลัง 4–8 เดือนแต่นำเรื่องราคาต่องานอย่างขาดลอย และช่องว่างนั้นแคบมากในงานความรู้ กว้างมากในงานเอเจนต์ องค์กรที่ตัดสินใจได้ดีคือองค์กรที่รู้ว่างานของตัวเองอยู่แถวไหนของตาราง ทดสอบด้วยงานจริงภาษาไทย และไม่ผูกระบบกับผู้ชนะของเดือนนี้
ช่องว่าง 12 คะแนนบอกว่าใครนำในเดือนนี้ ต้นทุนต่องานที่ต่างกันกว่า 40 เท่าบอกว่างานไหนควรใช้ใคร ตัวเลขสองชุดนี้ไม่ได้ขัดกัน มันตอบคนละคำถาม
- ไพฑูรย์ บุตรี · ผู้เชี่ยวชาญด้านระบบเน็ตเวิร์คและระบบความปลอดภัยเซิร์ฟเวอร์ บริษัท แกรนด์ลีนุกซ์ โซลูชั่น จำกัด
แหล่งอ้างอิง
- Artificial Analysis — Claude Opus 5.5 (ตรวจ 30 ก.ย. 2569)
- Artificial Analysis — Claude Sonnet 5.5
- Artificial Analysis — Claude Fable 5.1
- Artificial Analysis — GPT-6 Astra
- Artificial Analysis — GPT-6 Sol
- Artificial Analysis — GPT-5.6 Sol
- Artificial Analysis — MiMo-V2.6-Pro
- Artificial Analysis — GLM-5.3
- Artificial Analysis — Qwen3.8 Max
- Artificial Analysis — Kimi K3
- Artificial Analysis — DeepSeek V4.1 Flash
- Artificial Analysis — MiniMax-M3
- Artificial Analysis — Gemini 3.8 Flash
- Artificial Analysis — Announcing Intelligence Index v4.3 (7 ก.ย. 2569)
- Artificial Analysis — Changelog (4, 7, 19 ก.ย. 2569)
- Artificial Analysis — Claude Opus 5.5 takes the top spot (22 ก.ย. 2569)
- Artificial Analysis — Benchmarking GPT-6 Astra (9 ก.ย. 2569)
- Artificial Analysis — Terminal-Bench 4.0 evaluation
- Arena — Text leaderboard (25 ก.ย. 2569)
- Arena — Code / WebDev leaderboard (29 ก.ย. 2569)
- Epoch AI — Epoch Capabilities Index (ECI) และไฟล์คะแนน eci_scores.csv (30 ก.ย. 2569)
- Epoch AI — Chinese AI models have lagged the US frontier by 7 months (2 ม.ค. 2569)
- Epoch AI — Open models lag closed models by about 4 months (29 พ.ค. 2569)
- Epoch AI — The ECI frontier advances about 14 points per year (1 ก.ย. 2569)
- Epoch AI — SWE-bench Verified review (3 ก.ย. 2569)
- ARC Prize — Verified results (Opus 5.5, GPT-6 Astra, Fable 5.1, Kimi K3, DeepSeek V4 Pro, Gemini 3.8 Flash)
- ARC Prize — OpenAI's GPT-6 Astra on ARC-AGI-3 (3 ก.ย. 2569)
- Scale AI — Humanity's Last Exam leaderboard (17 ก.ย. 2569)
- NIST CAISI — Evaluation of DeepSeek V4 Pro (1 พ.ค. 2569)
- Stanford HAI — AI Index 2026: Technical Performance
- Mozilla — The State of Open Source AI v1.1 (15 ก.ย. 2569)
- Interconnects — The current balance of power in open models (21 ก.ย. 2569)
- Anthropic — Introducing Claude Opus 5.5 (22 ก.ย. 2569)
- Anthropic — Introducing Claude Sonnet 5.5 (28 ก.ย. 2569)
- Anthropic — Introducing Claude Fable 5.1 and Claude Mythos 5.1 (1 ก.ย. 2569)
- Claude Platform Docs — Pricing (ตรวจ 30 ก.ย. 2569)
- OpenAI Developers — Pricing (ตรวจ 30 ก.ย. 2569)
- DataCamp — GPT-6 Astra benchmarks (ถ่ายทอดตารางประกาศของ OpenAI, 3 ก.ย. 2569)
- OpenAI — Why SWE-bench Verified no longer measures frontier coding (23 ก.พ. 2569)
- Hugging Face — DeepSeek-V4.1-Flash model card
- DeepSeek API Docs — Models & Pricing
- Hugging Face — Kimi-K3 model card
- Kimi Platform — Pricing
- Hugging Face — GLM-5.3 model card
- Z.ai — Pricing
- DataCamp — Qwen3.8-Max (5 ส.ค. 2569)
- VentureBeat — Xiaomi's MiMo-V2.6-Pro debuts as the top open-weights model (21 ก.ย. 2569)
- Vals AI — MiniMax-M3 (2 มิ.ย. 2569)
- Google DeepMind — Gemini 3.8 Flash model card
- AI News — What Zhipu's own GLM-5.3 data says about the benchmark gap (18 ส.ค. 2569)
- Angulo et al. — Benchmark Contamination: A Taxonomy Organized by Defeated Mitigation (arXiv, 29 ส.ค. 2569)
- SEA-HELM — Southeast Asian language leaderboard (18 ก.ย. 2569)
- OpenThaiGPT 1.5 — คะแนนข้อสอบไทยของ Claude 3.5 Sonnet และ GPT-4o (พ.ย. 2567)
อยากใช้ Claude Opus 5.5 หรือ Sonnet 5.5 ในองค์กร พร้อมใบกำกับภาษีไทย?
Grand Linux จัดหา Claude Team (ตั้งแต่ 5 ที่นั่ง) และ Enterprise (ตั้งแต่ 20 ที่นั่ง) ออกใบเสนอราคาเป็นบาท ใบกำกับภาษี และรับ PO พร้อมงานเชื่อม Claude เข้าระบบหลังบ้านผ่าน MCP (Model Context Protocol) แบบกำหนดสิทธิ์และมีบันทึกการใช้งาน
ปรึกษา / ขอใบเสนอราคาโทร 02-347-7730 | sale@grandlinux.com
