รัน DeepSeek ในเครื่องหรือใช้ API? ฮาร์ดแวร์ ความเร็ว ค่าใช้จ่าย

คงไม่ เว้นแต่คุณมี RAM 128 GB หรือเครื่องระดับ Mac Studio หรือมีเหตุผลที่ต้องเก็บทุกโทเคนไว้บนดิสก์ของคุณเอง ไฟล์ DeepSeek V4-Flash เพียงไฟล์เดียวมีขนาดราว 100 GB และคู่มือจากคอมมูนิตี้ฉบับหนึ่งรายงานว่าทำได้ราว 6–10 โทเคนต่อวินาทีแม้บนฮาร์ดแวร์ราคาแพง สำหรับแอปและลูปเอเจนต์ส่วนใหญ่ เส้นทางที่สั้นกว่าคือชี้ไคลเอนต์ OpenAI ไปที่ API แบบโฮสต์: คุณเปลี่ยน base_url และคีย์ และไม่มีอะไรอื่นในโค้ดของคุณ

ด้านล่าง: วิธีตรวจสอบเครื่องของคุณเองในห้านาที ความเร็วที่ควรคาดหวัง และภาระงานจริงมีค่าใช้จ่ายเท่าไรผ่าน API

DeepSeek จะพอดีกับหน่วยความจำของคุณหรือไม่?#

ขนาดที่ระบุที่นี่มาจากคู่มือคอมมูนิตี้เกี่ยวกับการรัน DeepSeek ในเครื่อง (deepseek-local-guide-ru บน GitHub, 18 ตอน, CC BY 4.0, อ่านเมื่อ 22 ตุลาคม 2026) เป็นข้อมูลไม่เป็นทางการและไม่มีความเกี่ยวข้องกับ DeepSeek หน้าต่างๆ ในคู่มือเองไม่ตรงกันทั้งหมดเรื่องขนาด ดังนั้นโปรดยืนยันขนาดไฟล์บนโมเดลการ์ดของ Hugging Face ก่อนเริ่มดาวน์โหลด 100 GB

ตามคู่มือ DeepSeek V4-Flash-0731 มี 284B พารามิเตอร์ โดย 13B เป็นพารามิเตอร์ที่ทำงานต่อโทเคน ไฟล์มีดังนี้:

โมเดลไม่จำเป็นต้องอยู่ในหน่วยความจำวิดีโอทั้งหมด llama.cpp สามารถเก็บเลเยอร์ expert ไว้ใน RAM ของระบบได้ แต่หลักง่ายๆ ในคู่มือนั้นตรงไปตรงมา: GPU 24 GB ต้องมี RAM 128 GB อยู่ข้างๆ

สมมติว่าคุณมีพีซีเกมที่ดีพร้อม GPU 24 GB และ RAM 64 GB บวกสองอย่างเข้าด้วยกันแล้วเทียบกับไฟล์ที่เล็กที่สุด:

24 + 64 = 88 GB และไฟล์ Q3 คือ 103 GB

มันไม่พอดี และระบบปฏิบัติการยังต้องใช้หน่วยความจำของตัวเองด้วย ด้วย VRAM 24 GB และ RAM 128 GB คุณมี 152 GB และไฟล์ 103 GB พอดีโดยมีเหลือเผื่อ

DeepSeek-V4.1-Flash-1017 ที่ใหม่กว่านั้นใหญ่กว่า: ประมาณ 552B พารามิเตอร์บวก Engram 196B ราว 510 GB ใน FP8 และประมาณ 167 GB ที่ 2-bit ตามคู่มือเดียวกัน การรองรับเป็นอีกปัญหาหนึ่ง ณ เวลาของคู่มือ (ตรวจสอบเมื่อ 22 ตุลาคม 2026) มันไม่ทำงานใน Ollama เพราะสถาปัตยกรรม deepseek_v41 ไม่ได้รับการรองรับ และการรองรับใน llama.cpp และ LM Studio ยังไม่อยู่ในสาขาหลัก สิ่งนี้เปลี่ยนแปลงเร็ว ดังนั้นดูบันทึกการออกรุ่นของเอนจินของคุณก่อนวางแผนอิงกับมัน

มันเร็วแค่ไหน?#

คู่มือให้การวัดสองค่า ทั้งคู่ที่การควอนไทซ์หนักและทั้งคู่เป็นตัวเลขจากคอมมูนิตี้ ดังนั้นอ่านเป็นลำดับขนาด ไม่ใช่เป็น benchmark:

• DGX Spark พร้อม 128 GB, V4-Flash ที่ IQ2: ประมาณ 6–7 โทเคนต่อวินาที
• Mac Studio M3 Ultra พร้อม 256 GB, V4.1-Flash ใน MLX 2-bit: ประมาณ 9.5 โทเคนต่อวินาที

คู่มือไม่มีตัวเลขสำหรับ RTX 4090 หรือ 5090

รู้สึกอย่างไร? คำตอบ 1,000 โทเคนมีขนาดราวหนึ่งหน้าเศษ:

1,000 ÷ 9.5 = 105.3 วินาที

1,000 ÷ 6 = 166.7 วินาที

สำหรับแชทที่คุณอ่านขณะสตรีม มันช้าแต่ใช้งานได้ สำหรับเอเจนต์ที่เรียกหลายสิบครั้งต่องาน มันสะสมเร็ว สมมติว่าลูปของคุณสร้างเอาต์พุต 2,000,000 โทเคนต่อวัน และเครื่องสร้างได้จริง 9.5 โทเคนต่อวินาทีโดยไม่หยุดพัก:

2,000,000 ÷ 9.5 = 210,526 วินาที

210,526 ÷ 3,600 = 58.5 ชั่วโมง

นั่นคือการสร้างมากกว่าหนึ่งวันสำหรับงานหนึ่งวัน เซิร์ฟเวอร์จริงทำ batching หลายคำขอพร้อมกัน ภาพจึงไม่มืดมนขนาดนั้นสำหรับทีม แต่คุณจะต้องปรับแต่งเอนจินแทนการสร้างผลิตภัณฑ์ของคุณ

ภาระงานเดียวกันมีค่าใช้จ่ายเท่าไรผ่าน API#

มาทำตัวอย่างให้ชัดเจน สมมติลูปเอเจนต์ที่ส่งอินพุต 10 ล้านโทเคนและได้เอาต์พุต 2 ล้านโทเคนต่อวัน นี่เป็นตัวเลขสมมติ เปลี่ยนเป็นของคุณจากบันทึกการใช้งาน

หน้าราคาของ DeepSeek เอง (22 ตุลาคม 2026 หน้าตัวเองไม่แสดงวันที่) ระบุ deepseek-flash ให้บริการโดย DeepSeek-V4.1-Flash-1017 ในราคาต่อ 1M โทเคน นอกช่วงพีค / พีค: อินพุตที่ cache miss $0.15 / $0.30, เอาต์พุต $0.60 / $1.20 ช่วงพีคคือ 01:00–04:00 และ 06:00–10:00 UTC วันจันทร์ถึงศุกร์ ไม่รวมวันหยุดราชการจีน; นอกพีคคือครึ่งหนึ่งของพีค อินพุตที่ cache hit ถูกกว่ามาก ($0.003 / $0.006) ดังนั้นลูปที่ส่งคำนำหน้ายาวเดิมซ้ำจะต่ำกว่าตัวเลขที่นี่

สำหรับภาระงานสมมติ โดยมี cache miss:

นอกพีค: 10 × $0.15 + 2 × $0.60 = $2.70 ต่อวัน

พีค: 10 × $0.30 + 2 × $1.20 = $5.40 ต่อวัน

บน CheapTokens สำหรับลูปเอเจนต์ประเภทเดียวกัน ใช้ MiniMax-M2.7 (minimax-m2.7): ราคาเดียวคงที่ทุกชั่วโมง ไม่มีช่วงพีค เอาต์พุตสูงสุด 8,192 โทเคนต่อคำตอบ คอนเท็กซ์ 180K และยอดคงเหลือเดียวสำหรับทุกโมเดล อินพุต 10M และเอาต์พุต 2M โทเคนเดียวกันมีค่าใช้จ่าย $0.80 ต่อวัน โดยรวมเมื่อนับอินพุตและเอาต์พุตรวมกัน มันถูกกว่า OpenRouter; นี่คือตารางสดสำหรับภาระงานนี้พอดี:

ตารางอ่านรายการราคาปัจจุบันทุกครั้งที่แสดง จึงยังถูกต้องเมื่อราคาเปลี่ยน รายการราคาเต็มอยู่ที่ หน้าราคา CheapTokens และ ราคา DeepSeek API ในปี 2026 อธิบายว่า cache hit และช่วงพีคเปลี่ยนบิลอย่างไร

ฮาร์ดแวร์ของคุณเองคุ้มค่าเมื่อไร?#

โทเคนในเครื่องไม่มีค่าใช้จ่ายต่อคำขอ แต่เครื่องมี วิธีตรวจสอบง่ายๆ:

payback days = hardware price ÷ (daily API bill − daily electricity)

ฉันไม่ให้ราคาฮาร์ดแวร์ที่นี่เพราะมันเปลี่ยนแปลงมากเกินไป ใส่ราคาที่คุณได้รับใบเสนอมา เพื่อให้เข้าใจง่ายๆ ใช้บิลนอกพีคจากหน้าราคา DeepSeek ด้านบน ฮาร์ดแวร์ทุก $1,000 ต้องใช้บิล API กี่วันจึงจะคุ้มทุน ก่อนค่าไฟและเวลาของคุณเอง:

1,000 ÷ 2.70 = 370.4 วัน

และนั่นสมมติว่าเครื่องสามารถให้ปริมาณนี้ได้เลย: ที่ 9.5 โทเคนต่อวินาทีมันทำไม่ได้ (ดูส่วนความเร็วด้านบน) ดังนั้นสำหรับภาระงานเอเจนต์การคืนทุนไม่ลงตัว การรันในเครื่องสมเหตุสมผลกว่าเมื่อ:

• ข้อมูลต้องไม่ออกจากเครือข่ายของคุณ และสิ่งนั้นสำคัญกว่าบิล;
• คุณมีเครื่องอยู่แล้วและภาระเบา เช่นไม่กี่ร้อยคำขอต่อวันสำหรับเครื่องมือส่วนตัว;
• คุณต้องการทดลองกับน้ำหนักโมเดลเอง: การควอนไทซ์ การ fine-tune เอนจินที่คุณเลือก

API สมเหตุสมผลกว่าเมื่อภาระงานเป็นเอเจนต์หรือบริการ เมื่อคุณต้องการคำตอบในไม่กี่วินาที หรือเมื่อฮาร์ดแวร์ของคุณต่ำกว่าขนาดหน่วยความจำด้านบน หากเครื่องของคุณเล็กเกินไปแม้สำหรับไฟล์ DeepSeek ที่เบาที่สุด MiniMax-M2.7 (คอนเท็กซ์ 180K เอาต์พุตสูงสุด 8,192 โทเคนต่อคำตอบ โดยรวมถูกกว่า OpenRouter) เป็นโมเดลที่ควรลองผ่านไคลเอนต์เดียวกัน

ย้ายจากในเครื่องไปยัง API แบบโฮสต์#

โปรเจกต์งานอดิเรกมักเริ่มบน Ollama แล้วโตเกินมัน ข่าวดี: เอนจินในเครื่องพูดโปรโตคอล OpenAI หน้า compatibility ของ Ollama (docs.ollama.com ตรวจสอบเมื่อ 22 ตุลาคม 2026) แสดง endpoint http://localhost:11434/v1/; ไคลเอนต์ต้องการค่า api_key บางค่า แต่ Ollama ไม่สนใจมัน สตรีมมิ่ง โหมด JSON และ tools ทำงานได้; logprobs ไม่ได้

ดังนั้นการสลับคือสองบรรทัดบวกชื่อโมเดล:

import os
from openai import OpenAI

# Local Ollama: the key is required by the client but ignored by the server
# client = OpenAI(base_url="http://localhost:11434/v1/", api_key="ollama")

client = OpenAI(
    base_url="https://api.cheaptokens.dev/v1",
    api_key=os.environ["CHEAPTOKENS_API_KEY"],
)

reply = client.chat.completions.create(
    model="MiniMaxAI/MiniMax-M2.7",  # take the exact id from the CheapTokens docs
    messages=[{"role": "user", "content": "Summarize this ticket in one sentence: ..."}],
    max_tokens=200,
)
print(reply.choices[0].message.content)
print(reply.usage)

เมื่อมันทำงาน คุณจะเห็นสรุปหนึ่งประโยคและออบเจกต์ usage พร้อมจำนวนโทเคน prompt และ completion ซึ่งเป็นตัวเลขเดียวกับที่บิลของคุณสร้างจาก CheapTokens API ยังรับรูปแบบ Anthropic Messages และ เอกสาร แสดงคำขอแรกทีละขั้นตอน หาก base_url เป็นเรื่องใหม่สำหรับคุณ API ที่เข้ากันได้กับ OpenAI: base_url คืออะไร ใช้เวลาสองนาที

หากมันไม่ทำงาน#

• Connection refused บน localhost:11434: Ollama ไม่ได้ทำงาน หรือคุณยังชี้ไปที่ที่อยู่ในเครื่อง
• 401: คีย์หายไปหรือคัดลอกมาพร้อมช่องว่าง; อ่านจากตัวแปรสภาพแวดล้อมดังในตัวอย่าง
• 404 หรือโมเดลไม่รู้จัก: model id ไม่ตรงกัน ชื่อในเครื่องและชื่อแบบโฮสต์ต่างกัน ดังนั้นคัดลอก id จากเอกสาร

เลือกอันไหน#

หากคุณมี 128 GB ขึ้นไปและอยากรู้อยากเห็น รันน้ำหนักโมเดลที่บ้านและสนุกกับการควบคุม หากคุณสร้างเอเจนต์ที่เผาโทเคนหลายล้านต่อวัน หรือบริการที่ผู้ใช้รอคำตอบ ใช้ API และเก็บการตั้งค่าในเครื่องไว้สำหรับการทดลอง โค้ดยังเหมือนเดิมทั้งสองทาง ดังนั้นคุณเริ่มจากอันหนึ่งและย้ายไปอีกอันได้ภายหลัง สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการโฮสต์เอง ดู DeepInfer หมายความว่าอย่างไรสำหรับการโฮสต์เอง; หากต้องการลอง DeepSeek ผ่าน API ดู โมเดล DeepSeek บน CheapTokens