The latest articles on DEV Community by Thanawat Wongchai (@thanawat_wonchai). https://dev.to/thanawat_wonchai https://media2.dev.to/dynamic/image/width=90,height=90,fit=cover,gravity=auto,format=auto/https:%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Fuser%2Fprofile_image%2F3821627%2F91172568-3a21-4fd5-9802-0ebae2983f0a.png https://dev.to/thanawat_wonchai en Thanawat Wongchai Fri, 02 Oct 2026 13:38:11 +0000 https://dev.to/thanawat_wonchai/phl-benchmark-gemini-4-argon-khrb-19-raaykaar-withiithii-google-thdsb-aela-5-cchudthiiphaayaeph-g37 https://dev.to/thanawat_wonchai/phl-benchmark-gemini-4-argon-khrb-19-raaykaar-withiithii-google-thdsb-aela-5-cchudthiiphaayaeph-g37 <p>Gemini 4 Argon นำ 13 จาก 19 แถวในตารางเปิดตัวของ Google อย่างชัดเจน เสมอ 1 แถวใน CWE-bench v1 กับ GPT-6 Astra และตามหลัง 5 แถว ได้แก่ FrontierSWE v2, Terminal-bench 4.0, PostTrainBench, Terminal-bench Science 0.1 และ OSWorld-2.0 อย่างไรก็ตาม Argon ยังเข้าถึงได้เฉพาะผู้เข้าร่วมโปรแกรม Fairwind จึงยังไม่สามารถทำซ้ำผลลัพธ์เหล่านี้ได้โดยทั่วไปนอกเครือข่ายพาร์ตเนอร์ของ Google และองค์กรเกณฑ์มาตรฐานบางแห่ง</p> <p><a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation" class="crayons-btn crayons-btn--primary">ลองใช้ Apidog วันนี้</a> </p> <p>บทความนี้สรุปตารางเต็ม ผู้วัดผลแต่ละแถว จุดที่ Argon แพ้ ข้อจำกัดด้านระเบียบวิธี คะแนนไซเบอร์ กระดานคะแนนภายนอก และขั้นตอนสร้าง evaluation ของคุณเองใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> เพื่อพร้อมทดสอบทันทีเมื่อเปิดการเข้าถึง</p> <ul> <li>ดูภาพรวมโมเดล: <a href="https://apidog.com/th/blog/what-is-gemini-4-argon?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Gemini 4 Argon คืออะไร</a> </li> <li>เปรียบเทียบเพื่อการตัดสินใจ: <a href="https://apidog.com/th/blog/gemini-4-argon-vs-gpt-6-astra-vs-claude-opus-5-5?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Argon vs GPT-6 Astra vs Claude Opus 5.5</a> </li> </ul> <h2> ตารางฉบับเต็ม พร้อมผู้ที่วัดผลแต่ละแถว </h2> <p>ตัวเลขต่อไปนี้เป็นผลที่ Google รายงานจาก<a href="https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/" rel="noopener noreferrer">โพสต์เปิดตัว</a> และ<a href="https://deepmind.google/models/evals-methodology/gemini-4-argon" rel="noopener noreferrer">เอกสาร PDF ระเบียบวิธีการประเมิน</a> ซึ่งระบุว่าเป็น “ผลลัพธ์ ณ เดือนตุลาคม 2026”</p> <p>วิธีอ่านตาราง:</p> <ul> <li>Google คำนวณคะแนน Argon เอง 10 จาก 19 แถว</li> <li>อีก 9 แถวมาจากกระดานผู้นำสาธารณะ</li> <li>คะแนนคู่แข่งอาจมาจากกระดานผู้นำ การทดสอบ Google การ์ดระบบ หรือบล็อกโพสต์ของผู้จำหน่าย</li> <li>ระเบียบวิธีจึงไม่เหมือนกันในทุกแถว</li> <li> <strong>ตัวหนา</strong> คือคะแนนสูงสุดในแถวนั้น</li> </ul> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>เกณฑ์มาตรฐาน</th> <th>Gemini 4 Argon</th> <th>GPT-6 Astra</th> <th>Claude Fable 5.1</th> <th>Claude Opus 5.5</th> <th>ผู้ที่วัดผล</th> </tr> </thead> <tbody> <tr> <td>Vals Index</td> <td><strong>68.9%</strong></td> <td>63.1%</td> <td>65.8%</td> <td>67.0%</td> <td>Vals AI</td> </tr> <tr> <td>AutomationBench</td> <td><strong>51.3%</strong></td> <td>41.4%</td> <td>31.4%</td> <td>42.5%</td> <td>กระดานผู้นำ Zapier (ชุดข้อมูลส่วนตัว)</td> </tr> <tr> <td>Vals Finance Agent v2</td> <td><strong>65.4%</strong></td> <td>53.5%</td> <td>58.9%</td> <td>58.6%</td> <td>Vals AI</td> </tr> <tr> <td>Harvey Legal Agent</td> <td><strong>19.6%</strong></td> <td>5.4%</td> <td>6.7%</td> <td>3.8%</td> <td>Vals AI</td> </tr> <tr> <td>DeepSWE v1.1</td> <td><strong>77.9%</strong></td> <td>74.1%</td> <td>67.4%</td> <td>74.2%</td> <td>Argon คำนวณเอง; กระดานผู้นำ Astra; การ์ดระบบ Anthropic</td> </tr> <tr> <td>FrontierSWE v2</td> <td>55.0%</td> <td><strong>65.5%</strong></td> <td>56.3%</td> <td>62.3%</td> <td>กระดานผู้นำ Proximal</td> </tr> <tr> <td>Vibe Code Bench</td> <td><strong>91.9%</strong></td> <td>89.6%</td> <td>90.3%</td> <td>90.3%</td> <td>Vals AI</td> </tr> <tr> <td>Terminal-bench 4.0</td> <td>57.4%</td> <td>58.2%</td> <td>57.9%</td> <td><strong>66.4%</strong></td> <td>Argon คำนวณเอง; กระดานผู้นำคู่แข่ง</td> </tr> <tr> <td>PostTrainBench</td> <td>45.3%</td> <td>44.3%</td> <td>40.2%</td> <td><strong>49.3%</strong></td> <td>คำนวณเองสำหรับทุกโมเดล</td> </tr> <tr> <td>Terminal-Bench Science 0.1</td> <td>57.6%</td> <td><strong>68.1%</strong></td> <td>52.6%</td> <td>63.3%</td> <td>Argon คำนวณเอง; กระดานผู้นำคู่แข่ง</td> </tr> <tr> <td>LABBench 2</td> <td><strong>88.8%</strong></td> <td>85.4%</td> <td>68.6%</td> <td>73.1%</td> <td>คำนวณเองสำหรับทุกโมเดล</td> </tr> <tr> <td>RiemannBench</td> <td><strong>76.0%</strong></td> <td>72.0%</td> <td>65.6%</td> <td>69.6%</td> <td>กระดานผู้นำ Surge</td> </tr> <tr> <td>GraphWalks up to 128K</td> <td><strong>99.7%</strong></td> <td>98.7%</td> <td>91.4%</td> <td>90.6%</td> <td>คำนวณเองสำหรับทุกโมเดล</td> </tr> <tr> <td>GraphWalks 256K to 1M</td> <td><strong>84.2%</strong></td> <td>71.8%</td> <td>65.0%</td> <td>66.8%</td> <td>คำนวณเองสำหรับทุกโมเดล</td> </tr> <tr> <td>Agent’s Last Exam</td> <td><strong>39.5%</strong></td> <td>34.2%</td> <td>n/r</td> <td>38.2%</td> <td>Argon คำนวณเอง; กระดานผู้นำคู่แข่ง</td> </tr> <tr> <td>OSWorld-2.0 (offline)</td> <td>69.2%</td> <td><strong>72.6%</strong></td> <td>n/r</td> <td>n/r</td> <td>Argon คำนวณเอง; Astra จากบล็อกโพสต์ของ OpenAI</td> </tr> <tr> <td>Chartography</td> <td><strong>71.6%</strong></td> <td>71.0%</td> <td>46.2%</td> <td>66.3%</td> <td>กระดานผู้นำ Surge</td> </tr> <tr> <td>LVBench</td> <td><strong>91.7%</strong></td> <td>87.5%</td> <td>79.7%</td> <td>83.7%</td> <td>คำนวณเองสำหรับทุกโมเดล</td> </tr> <tr> <td>CWE-bench v1</td> <td><strong>68.0%</strong></td> <td><strong>68.0%</strong></td> <td>58.0%</td> <td>67.0%</td> <td>กระดานผู้นำสาธารณะ</td> </tr> </tbody> </table></div> <blockquote> <p><code>n/r</code> = ไม่ได้รายงาน</p> </blockquote> <p>Grok 4.7 ซึ่งไม่อยู่ในตารางของ Google ก็ได้ 68% บนกระดานผู้นำ CWE-bench เช่นกัน ทำให้ CWE-bench เป็นการเสมอกันสามทาง</p> <p>เมื่อจัดตามแหล่งข้อมูล:</p> <ol> <li> <p><strong>9 แถวจากกระดานผู้นำสาธารณะ</strong> สำหรับทุกโมเดล เช่น Vals AI, Zapier, Proximal, Surge และ CWE-bench </p> <ul> <li>Argon นำ 7 แถว</li> <li>เสมอ 1 แถว</li> </ul> </li> <li> <p><strong>5 แถวที่ Google ทดสอบเองสำหรับทั้งสี่โมเดล</strong> </p> <ul> <li>Argon นำ 4 แถว</li> </ul> </li> <li> <p><strong>5 แถวผสม</strong> ที่ Google ทดสอบ Argon แล้วนำคะแนนคู่แข่งจากแหล่งอื่นมาเทียบ </p> <ul> <li>Argon แพ้ 3 จาก 5 ความพ่ายแพ้ในกลุ่มนี้</li> </ul> </li> </ol> <p>หากการคำนวณเองของ Google ทำให้ Argon ดูดีเกินจริง ผลลัพธ์ควรออกมาในทิศทางตรงข้ามมากกว่านี้ แต่ข้อมูลที่เผยแพร่ไม่ได้แสดงรูปแบบนั้น</p> <h2> จุดที่ Argon ตามหลัง และเหตุใดจึงสำคัญสำหรับการเขียนโค้ดแบบเอเจนต์ </h2> <p>จุดที่ Argon แพ้ไม่ใช่รายละเอียดเล็กน้อย โดยเฉพาะหากคุณกำลังเลือกโมเดลให้กับ coding agent, terminal workflow หรือ repository task</p> <ul> <li><p><strong>FrontierSWE v2:</strong> Argon ได้ 55.0% เทียบกับ Astra ที่ 65.5%<br><br> Argon อยู่อันดับสุดท้ายจากสี่โมเดล รองจาก Fable 5.1 ที่ 56.3% และ Opus 5.5 ที่ 62.3%</p></li> <li><p><strong>Terminal-bench 4.0:</strong> Argon ได้ 57.4% เทียบกับ Opus 5.5 ที่ 66.4%<br><br> Argon อยู่อันดับสุดท้ายอีกครั้ง แม้ Astra และ Fable 5.1 จะมีคะแนนใกล้กัน</p></li> <li><p><strong>PostTrainBench:</strong> Argon ได้ 45.3% เทียบกับ Opus 5.5 ที่ 49.3%<br><br> Argon เป็นอันดับสองในแถวที่ Google ทดสอบทุกโมเดลด้วยตนเอง</p></li> <li><p><strong>Terminal-bench Science 0.1:</strong> Argon ได้ 57.6% เทียบกับ Astra ที่ 68.1%<br><br> Argon อยู่อันดับสาม นำหน้าเพียง Fable 5.1 และ Google ทดสอบ Argon ด้วยการจำกัดเวลาตรวจสอบ 6 เท่า</p></li> <li><p><strong>OSWorld-2.0 (ชุดย่อยออฟไลน์):</strong> Argon ได้ 69.2% เทียบกับ Astra ที่ 72.6%<br><br> ไม่มีคะแนน Claude เพราะ Anthropic รายงานเฉพาะคะแนนรวมของชุดออนไลน์และออฟไลน์</p></li> </ul> <p>สำหรับงานเขียนโค้ดแบบเอเจนต์ ผลลัพธ์แบ่งเป็น 2 ต่อ 2:</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>กลุ่มงาน</th> <th>ผลของ Argon</th> </tr> </thead> <tbody> <tr> <td>DeepSWE v1.1</td> <td>ชนะ</td> </tr> <tr> <td>Vibe Code Bench</td> <td>ชนะ</td> </tr> <tr> <td>FrontierSWE v2</td> <td>อันดับสุดท้าย</td> </tr> <tr> <td>Terminal-bench 4.0</td> <td>อันดับสุดท้าย</td> </tr> </tbody> </table></div> <p>มีข้อควรระวังสำหรับ DeepSWE v1.1: วิธีทดสอบต่างกันระหว่างแต่ละโมเดล</p> <ul> <li>Argon ใช้ <code>mini-swe agent harness</code> </li> <li>คะแนน Astra มาจากกระดานผู้นำสาธารณะ</li> <li>คะแนน Claude มาจาก system card</li> </ul> <p>Vibe Code Bench เปรียบเทียบได้ตรงกว่า เพราะ Vals AI วัดทั้งสี่โมเดล แต่ส่วนต่างระหว่าง Argon กับ Astra อยู่ที่เพียง 1.6 คะแนน</p> <p>หาก workload ของคุณเป็นงาน terminal-heavy หรือ repository task ที่ยาวและมีหลายขั้นตอน ควรให้ความสำคัญกับ FrontierSWE v2 และ Terminal-bench 4.0 มากกว่าดูจำนวนแถวที่ชนะรวมเพียงอย่างเดียว</p> <p>Astra เป็นผู้นำใน FrontierSWE และคุณสามารถดูพฤติกรรมในการใช้งานจริงได้จาก <a href="https://apidog.com/th/blog/gpt-6-astra-hands-on?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การทดลองใช้ GPT-6 Astra ของเรา</a> ส่วนข้อมูลฝั่ง Anthropic ดูได้จาก <a href="https://apidog.com/th/blog/claude-fable-5-1-benchmarks?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">รายละเอียดเกณฑ์มาตรฐานของ Claude Fable 5.1</a></p> <p>Bloomberg รายงานว่าพนักงาน Google ที่ไม่เปิดเผยชื่อซึ่งเข้าถึงโมเดลได้ระบุว่า Argon ทำงานได้ไม่น่าประทับใจนักในงานเขียนโค้ดและออกแบบส่วนหน้าบางประเภทเมื่อเทียบกับคะแนน benchmark ขณะที่ Google ระบุว่าลักษณะดังกล่าวไม่ถูกต้อง</p> <h2> ข้อควรระวังเกี่ยวกับระเบียบวิธีที่เปลี่ยนวิธีที่คุณอ่านตาราง </h2> <p>อย่าใช้คะแนนในตารางเป็นตัวแทนต้นทุน ความเร็ว หรือพฤติกรรมค่าเริ่มต้นในการใช้งานจริงโดยตรง</p> <ul> <li><p><strong>ใช้การตั้งค่าความพยายามสูงสุด</strong><br><br> Argon ทำงานด้วย Gemini API ที่ตั้งค่าการคิดสูงสุด ส่วน Astra, Fable 5.1 และ Opus 5.5 ถูกตั้งเป็นระดับ thinking/reasoning สูงสุดที่มีอยู่ นี่เป็นการเทียบขีดจำกัดบน ไม่ใช่การวัดค่าใช้จ่ายหรือ latency ของค่าเริ่มต้น</p></li> <li> <p><strong>อินพุตของ LVBench ไม่เท่ากัน</strong><br><br> Google ทดสอบ LVBench เองสำหรับทั้งสี่โมเดลโดยไม่มีเครื่องมือ Gemini และสุ่มตัวอย่างวิดีโอที่ 1 FPS </p> <ul> <li>Astra ได้ 800 เฟรม </li> <li>Fable 5.1 ได้ 300 เฟรม </li> <li>Opus 5.5 ได้ 600 เฟรม เหตุผลที่ระบุคือข้อจำกัด API ดังนั้นโมเดลไม่ได้รับอินพุตชุดเดียวกัน</li> </ul> </li> <li><p><strong>OSWorld ใช้คะแนนดีที่สุดจากสามรอบ</strong><br><br> คะแนน Argon คือ “สูงสุดจากการรัน 3 ครั้ง โดยพยายามครั้งเดียวต่อการรัน” จึงเป็น best-of-three ไม่ใช่ค่าเฉลี่ย</p></li> <li><p><strong>Agent’s Last Exam มีกรอบเวลา 5 ชั่วโมง</strong><br><br> Argon ทำงานบน ALE-Claw harness ด้วยระยะเวลา 5 ชั่วโมง</p></li> <li><p><strong>เปิดตัวกรองความปลอดภัยไว้</strong><br><br> Agent’s Last Exam และ OSWorld ทำงานโดยเปิด safety filters และคำตอบที่ถูกตั้งค่าสถานะจะคืนค่าเป็นสตริงว่าง ซึ่งหากมีผล ก็มีแนวโน้มทำให้คะแนน Argon ลดลง</p></li> </ul> <h2> แถวไซเบอร์จากหน้าไซเบอร์ของ DeepMind </h2> <p><a href="https://deepmind.google/models/gemini/cyber/" rel="noopener noreferrer">หน้าไซเบอร์ของ DeepMind</a> เพิ่มผลการประเมินอีก 4 รายการนอกตารางเปิดตัวหลัก</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>การประเมินไซเบอร์</th> <th>Gemini 4 Argon</th> <th>การเปรียบเทียบ</th> </tr> </thead> <tbody> <tr> <td>การค้นพบช่องโหว่ในโลกจริง</td> <td>85.8%</td> <td>Gemini 3.8 Flash Cyber 71.0%</td> </tr> <tr> <td>เกณฑ์มาตรฐานการทดสอบการเจาะระบบ Wiz</td> <td>70.9%</td> <td>Gemini 3.8 Flash Cyber 58.2%</td> </tr> <tr> <td>ความสำเร็จของการโจมตี Gray Swan IPI (<code>k=15</code>, ยิ่งน้อยยิ่งดี)</td> <td>0.7%</td> <td>ต่ำสุดในกราฟ; Kimi K3 สูงสุดที่ 52.7%</td> </tr> <tr> <td>CWE-bench v1</td> <td>68%</td> <td>เสมอกันสามทางกับ Grok 4.7 และ GPT-6 Astra; Opus 5.5 ที่ 67%</td> </tr> </tbody> </table></div> <p>การประเมินการค้นหาช่องโหว่ใช้ Antigravity harness ภายในที่ “ไม่เชี่ยวชาญด้านไซเบอร์” และให้โมเดลเข้าถึงซอร์สโค้ด</p> <p>ส่วนการทดสอบ Wiz ให้โมเดลเข้าถึงเฉพาะเว็บไซต์ที่กำลังทำงานและพฤติกรรมสาธารณะ โดยไม่มีซอร์สโค้ดของแอปพลิเคชัน</p> <p>ข้อเปรียบเทียบสำคัญคือผลพาดหัวทั้งสองรายการเทียบกับโมเดลไซเบอร์รุ่นก่อนหน้าของ Google ไม่ใช่โมเดลคู่แข่ง ดูผลกระทบต่อ API ที่คุณดูแลได้ใน <a href="https://apidog.com/th/blog/gemini-4-argon-cyber-defense?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คำอธิบายการป้องกันทางไซเบอร์ของ Argon</a></p> <h2> กระดานคะแนนของบุคคลที่สาม </h2> <p>องค์กรต่อไปนี้โพสต์คะแนนภายในไม่กี่นาทีหลังเปิดตัว จึงมีแนวโน้มว่าเข้าถึงโมเดลได้ก่อนเผยแพร่สู่สาธารณะ</p> <ul> <li><p><strong>Artificial Analysis</strong><br><br> จัดอันดับ Gemini 4 Argon (สูง) ที่ดัชนีความฉลาด 53 เป็นอันดับ 8 จาก 223 การจัดอันดับนับแต่ละ reasoning setting แยกเป็นโมเดลต่างกัน Argon เสมอกับ Fable 5.1 และ GPT-6 Astra และตามหลัง Opus 5.5 ที่ 58 และ Sonnet 5.5 ที่ 56<br><br> Artificial Analysis รายงาน hallucination rate 15% บน AA-Omniscience เทียบกับ Astra ที่สูงสุด 51% และความแม่นยำ 50% เทียบกับ 63% ค่าใช้จ่ายในการรันดัชนีคือ 1.99 ดอลลาร์ต่อภารกิจ โดย Argon ใช้เอาต์พุตประมาณ 62K โทเค็นต่อภารกิจ เทียบกับ Astra ที่สูงสุดประมาณ 27K โทเค็น<br><br> <a href="https://artificialanalysis.ai/models/gemini-4-argon" rel="noopener noreferrer">ดูข้อมูล Artificial Analysis</a></p></li> <li><p><strong>Vals AI</strong><br><br> ให้ Argon ได้ 68.90% บน Vals Index เป็นอันดับ 1 จาก 41 และเป็นโมเดล Gemini รุ่นแรกที่ขึ้นอันดับสูงสุด ค่าใช้จ่ายอยู่ที่ 15.68 ดอลลาร์ต่อการทดสอบ<br><br> Vals AI ระบุเอาต์พุตสูงสุด 262K สำหรับ configuration ที่ทดสอบ ซึ่งต่ำกว่า 1M ที่ Google ระบุ<br><br> <a href="https://www.vals.ai/models/google_gemini-4-argon" rel="noopener noreferrer">ดูข้อมูล Vals AI</a></p></li> <li><p><strong>Arena</strong><br><br> จัด Argon เป็นอันดับ 1 บน <a href="https://arena.ai/leaderboard/text" rel="noopener noreferrer">Text</a> ที่คะแนน 1525 โดยมีสถานะ “เบื้องต้น” จาก 4,942 โหวต และอยู่อันดับ 8 บน WebDev</p></li> </ul> <h2> เหตุผลที่สื่อเผยแพร่จำนวนชัยชนะ 12, 13 และ 14 ครั้ง </h2> <p>จำนวนชัยชนะขึ้นอยู่กับว่าคุณกำลังเทียบ Argon กับใคร</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>นับเทียบกับ</th> <th>Argon ชนะ</th> <th>เสมอ</th> <th>Argon แพ้</th> <th>ไม่ได้รายงาน</th> </tr> </thead> <tbody> <tr> <td>ดีที่สุดในบรรดาคู่แข่งทั้งสาม</td> <td>13</td> <td>1</td> <td>5</td> <td>0</td> </tr> <tr> <td>GPT-6 Astra เท่านั้น</td> <td>14</td> <td>1</td> <td>4</td> <td>0</td> </tr> <tr> <td>Claude Opus 5.5 เท่านั้น</td> <td>14</td> <td>0</td> <td>4</td> <td>1</td> </tr> <tr> <td>Claude Fable 5.1 เท่านั้น</td> <td>15</td> <td>0</td> <td>2</td> <td>2</td> </tr> </tbody> </table></div> <p>สรุป:</p> <ul> <li> <strong>13 ชัยชนะ</strong> ถูกต้องเมื่อเปรียบเทียบกับคู่แข่งที่ดีที่สุดในทุกแถว</li> <li> <strong>14 ชัยชนะ</strong> ถูกต้องเมื่อเทียบตัวต่อตัวกับ Astra หรือ Opus 5.5</li> <li> <strong>12 ชัยชนะ</strong> ไม่ตรงกับการนับตามกรอบใดใน 19 แถวนี้</li> </ul> <p>ก่อนอ้างอิงตัวเลขจากแหล่งใด ให้ตรวจสอบว่าแหล่งนั้นนับแถวใดและเปรียบเทียบกับโมเดลใด</p> <p>ขนาดส่วนต่างก็สำคัญเช่นกัน:</p> <ul> <li>Harvey Legal Agent: Argon 19.6% เทียบกับ Fable 5.1 ที่ 6.7%</li> <li>Chartography: Argon 71.6% เทียบกับ Astra 71.0% หรือแตกต่างเพียง 0.6 คะแนน</li> </ul> <h2> วิธีเรียกใช้การประเมินของคุณเองในวันที่เปิดการเข้าถึง </h2> <p>Benchmark บอกข้อมูลเกี่ยวกับระบบทดสอบของ Google แต่ไม่ได้แทน prompt, toolchain และข้อจำกัดในผลิตภัณฑ์ของคุณ วิธีที่ใช้งานได้จริงคือสร้าง evaluation suite ตอนนี้ด้วยโมเดลที่เรียกใช้ได้ แล้วเปลี่ยนเฉพาะ model ID เมื่อ Argon เปิดตัว</p> <h3> 1. เลือก prompt จากงานจริง </h3> <p>เลือก prompt ที่สะท้อน workflow ที่คุณต้องการวัด เช่น</p> <ul> <li>แก้ไข repository</li> <li>วิเคราะห์หรือแก้ปัญหาผ่าน terminal</li> <li>ตอบคำถามจากเอกสารขนาดยาว</li> <li>สร้างหรือแก้ API integration</li> <li>ตรวจสอบผลลัพธ์แบบมีโครงสร้าง JSON</li> </ul> <p>อย่าเริ่มจาก prompt สังเคราะห์เพียงอย่างเดียว หากคุณมี incident, bug report หรือ PR จริง ให้แปลงงานเหล่านั้นเป็น test case ที่ลบข้อมูลละเอียดอ่อนแล้ว</p> <h3> 2. สร้าง environment ใน Apidog </h3> <p>ใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> สร้าง environment และกำหนดตัวแปรอย่างน้อยดังนี้<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>GEMINI_API_KEY=&lt;your-api-key&gt; GEMINI_MODEL=gemini-3.8-flash </code></pre> </div> <p>Google ยังไม่ได้เผยแพร่ model ID ของ Argon ดังนั้น <code>GEMINI_MODEL</code> ควรเป็นตัวแปรเดียวที่ต้องเปลี่ยนเมื่อโมเดลพร้อมใช้งาน</p> <h3> 3. บันทึกคำขอให้ใช้ model variable </h3> <p>สร้างคำขอหนึ่งรายการต่อหนึ่ง test case และอ้างอิง model จาก <code>{{GEMINI_MODEL}}</code></p> <p>ตัวอย่าง payload เชิงแนวคิด:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight json"><code><span class="p">{</span><span class="w"> </span><span class="nl">"model"</span><span class="p">:</span><span class="w"> </span><span class="s2">"{{GEMINI_MODEL}}"</span><span class="p">,</span><span class="w"> </span><span class="nl">"input"</span><span class="p">:</span><span class="w"> </span><span class="s2">"{{test_prompt}}"</span><span class="w"> </span><span class="p">}</span><span class="w"> </span></code></pre> </div> <p>จัดคำขอเป็นกลุ่มตามสถานการณ์ เช่น<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>evals/ repository-fix/ terminal-task/ long-context-docs/ api-contract-validation/ </code></pre> </div> <p>แนวทางนี้ช่วยให้คุณรันชุดทดสอบเดียวกันกับหลายโมเดลได้โดยไม่ต้องแก้ request body ทุกครั้ง</p> <h3> 4. เพิ่ม assertion ที่วัดผลได้ </h3> <p>อย่าวัดแค่ HTTP status ให้เพิ่ม assertions กับข้อมูลที่สำคัญต่อผลิตภัณฑ์ เช่น</p> <ul> <li>response status สำเร็จ</li> <li>ฟิลด์ที่จำเป็นต้องมี</li> <li>JSON ต้อง parse ได้</li> <li>คำตอบต้องมีเนื้อหาหรือ keyword ที่คาดหวัง</li> <li>ห้ามมีข้อความปฏิเสธในกรณีที่ควรตอบได้</li> <li>จำนวนโทเค็นต้องอยู่ภายใต้งบประมาณ</li> </ul> <p>ตัวอย่างเงื่อนไขที่ควรติดตาม:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>status == 200 response.output is not empty response.usageMetadata exists response.usageMetadata.thoughtsTokenCount &lt;= budget </code></pre> </div> <p>กำหนดเพดาน <code>thoughtsTokenCount</code> ให้สอดคล้องกับงบประมาณต้นทุนของคุณ ไม่เช่นนั้นโมเดลที่ได้คำตอบดีขึ้นเล็กน้อยอาจมีต้นทุนสูงเกินรับได้ในการใช้งานจริง</p> <h3> 5. รัน baseline บน Gemini 3.8 Flash </h3> <p>รันทุก scenario บน <code>gemini-3.8-flash</code> ตอนนี้ และเก็บผลลัพธ์เป็น baseline</p> <p>ควรบันทึกอย่างน้อย:</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>ฟิลด์</th> <th>เหตุผล</th> </tr> </thead> <tbody> <tr> <td>Test case ID</td> <td>ใช้เปรียบเทียบผลซ้ำ</td> </tr> <tr> <td>Model ID</td> <td>ระบุรุ่นที่รัน</td> </tr> <tr> <td>Prompt version</td> <td>ป้องกันการเปลี่ยน prompt โดยไม่ตั้งใจ</td> </tr> <tr> <td>Pass/fail</td> <td>วัดความถูกต้องตามเกณฑ์</td> </tr> <tr> <td>Output</td> <td>ตรวจทานกรณีผิดพลาด</td> </tr> <tr> <td>Latency</td> <td>ใช้วัดผลกระทบต่อผู้ใช้</td> </tr> <tr> <td>Usage metadata</td> <td>ตรวจสอบต้นทุนและ token usage</td> </tr> <tr> <td>Run timestamp</td> <td>ติดตามความเปลี่ยนแปลงตามเวลา</td> </tr> </tbody> </table></div> <h3> 6. สลับเป็น Argon เมื่อเผยแพร่ model ID </h3> <p>เมื่อ Google เปิดเผย ID ของ Argon ให้เปลี่ยนเพียงค่าเดียว:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>GEMINI_MODEL=&lt;argon-model-id&gt; </code></pre> </div> <p>จากนั้นรัน collection หรือ scenario เดิมซ้ำทั้งหมด และเทียบกับ baseline</p> <p>Google ระบุว่า “โมเดลใหม่ทั้งหมด” จะเปิดตัวบน Interactions API ดังนั้นควรบันทึก request เวอร์ชัน Interactions ของแต่ละ test case ไว้ด้วย</p> <p>ดูความแตกต่างด้านราคาและข้อจำกัดได้จาก <a href="https://apidog.com/th/blog/gemini-4-argon-vs-gemini-3-8-flash?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การเปรียบเทียบ Argon กับ Gemini 3.8 Flash</a></p> <h2> คำถามที่พบบ่อย </h2> <h3> เกณฑ์มาตรฐานของ Gemini 4 Argon ได้รับการตรวจสอบอย่างอิสระหรือไม่? </h3> <p>บางส่วน เก้าใน 19 แถวมาจากกระดานผู้นำสาธารณะสำหรับทุกโมเดล และ Artificial Analysis, Vals AI และ Arena ได้เผยแพร่ผลของตนเอง ส่วนที่เหลือเป็นการทดสอบโดย Google สำหรับ Argon</p> <h3> คะแนน DeepSWE ของ Gemini 4 Argon คือเท่าไร? </h3> <p>77.9% บน DeepSWE v1.1 นำหน้า Opus 5.5 ที่ 74.2% และ Astra ที่ 74.1% อย่างไรก็ตาม Argon ใช้ mini-swe agent harness ขณะที่ตัวเลขคู่แข่งมาจากกระดานผู้นำและ system cards</p> <h3> Argon ชนะ GPT-6 Astra ในเกณฑ์มาตรฐานหรือไม่? </h3> <p>เมื่อเทียบตัวต่อตัวในตารางของ Google Argon ชนะ 14 แถว เสมอ 1 แถว และแพ้ 4 แถว บน Artificial Analysis ทั้งคู่เสมอกันที่ 53</p> <h3> ฉันสามารถรันเกณฑ์มาตรฐานเหล่านี้ด้วยตนเองได้หรือไม่? </h3> <p>ยังไม่ได้ Argon ถูกจำกัดให้ใช้เฉพาะพาร์ตเนอร์ Fairwind และ Google ยังไม่ได้ระบุวันเปิดตัวสู่สาธารณะ ติดตามสถานะได้จาก <a href="https://apidog.com/th/blog/gemini-4-argon-release-date?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ตัวติดตามวันวางจำหน่าย Argon</a></p> <h2> ขั้นตอนต่อไป </h2> <p>สร้าง scenario จากงานจริงของคุณตอนนี้ รันบน Gemini 3.8 Flash และเก็บรายงานไว้เป็น baseline เมื่อ Argon เปิดให้ใช้งาน คุณจะสามารถสลับ model variable และได้ผลเปรียบเทียบของตัวเองภายในไม่กี่นาที</p> <p><a href="https://apidog.com/download?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ดาวน์โหลด Apidog</a> เพื่อตั้งค่า evaluation workflow ของคุณ</p> Thanawat Wongchai Fri, 02 Oct 2026 13:35:57 +0000 https://dev.to/thanawat_wonchai/gemini-4-argon-ethiiybkab-gemini-38-flash-khwrr-argon-hruueaichngaan-flash-tnniidii-2ape https://dev.to/thanawat_wonchai/gemini-4-argon-ethiiybkab-gemini-38-flash-khwrr-argon-hruueaichngaan-flash-tnniidii-2ape <p>Gemini 3.8 Flash พร้อมใช้งานแล้ววันนี้ในสถานะโมเดลเสถียร พร้อมแพ็กเกจ API ฟรี ราคาอยู่ที่ 0.75 ดอลลาร์สำหรับอินพุต และ 3.75 ดอลลาร์สำหรับเอาต์พุตต่อ 1 ล้านโทเค็นจนถึงวันที่ 31 ธันวาคม 2569 หลังจากนั้นจะเปลี่ยนเป็น 1.50 ดอลลาร์และ 7.50 ดอลลาร์ตามลำดับ โดยเอาต์พุตสูงสุดคือ 64K โทเค็น ส่วน Gemini 4 Argon ยังไม่เปิดให้ใช้งานทั่วไป <a href="https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/" rel="noopener noreferrer">โพสต์เปิดตัว</a> ของ Google ระบุราคาแนะนำที่ 2 ดอลลาร์และ 10 ดอลลาร์ ก่อนเปลี่ยนเป็น 4 ดอลลาร์และ 20 ดอลลาร์ โดยยังไม่ระบุวันสิ้นสุดของราคาแนะนำ Argon รองรับเอาต์พุตได้สูงสุด 1 ล้านโทเค็นตามที่ Google ระบุ แต่ปัจจุบันเปิดให้เฉพาะผู้เข้าร่วมโครงการ Fairwind เท่านั้น หากต้องเปิดตัวในไตรมาสนี้ ให้เริ่มด้วย Flash และออกแบบคอนฟิกให้สลับไป Argon ได้ด้วยการเปลี่ยนตัวแปรเดียว</p> <p><a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation" class="crayons-btn crayons-btn--primary">ลองใช้ Apidog วันนี้</a> </p> <p>บทความนี้เปรียบเทียบความพร้อมใช้งาน ราคา เกณฑ์มาตรฐาน ความปลอดภัยไซเบอร์ และต้นทุนของคำขอเดียวกัน เพื่อช่วยตัดสินใจเลือกโมเดล สำหรับข้อมูลพื้นฐาน ดู <a href="https://apidog.com/th/blog/what-is-gemini-4-argon?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Gemini 4 Argon คืออะไร</a> และ <a href="https://apidog.com/th/blog/what-is-gemini-3-8-flash?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Gemini 3.8 Flash คืออะไร</a> ส่วนท้ายของบทความจะแสดงวิธีตั้งค่า <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> เพื่อสลับโมเดลโดยแก้ตัวแปรเดียว</p> <h2> เปรียบเทียบ: สิ่งที่เรียกใช้งานได้แล้ววันนี้ </h2> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th></th> <th>Gemini 3.8 Flash</th> <th>Gemini 4 Argon</th> </tr> </thead> <tbody> <tr> <td>ความพร้อมใช้งาน</td> <td>เสถียรบน Gemini API, AI Studio, Antigravity และ Gemini Enterprise</td> <td>พาร์ทเนอร์บางรายในโครงการ Fairwind ในฐานะโมเดลที่ได้รับการจัดการบน Gemini Enterprise</td> </tr> <tr> <td>Model ID</td> <td><code>gemini-3.8-flash</code></td> <td>ยังไม่เผยแพร่</td> </tr> <tr> <td>ราคาต่อ 1 ล้านโทเค็น (อินพุต / เอาต์พุต)</td> <td>0.75 ดอลลาร์ / 3.75 ดอลลาร์ จนถึง 31 ธ.ค. 2569 จากนั้น 1.50 ดอลลาร์ / 7.50 ดอลลาร์</td> <td>2 ดอลลาร์ / 10 ดอลลาร์ในช่วงแนะนำ จากนั้น 4 ดอลลาร์ / 20 ดอลลาร์</td> </tr> <tr> <td>อินพุตที่แคชต่อ 1 ล้าน</td> <td>0.075 ดอลลาร์ จากนั้น 0.15 ดอลลาร์</td> <td>0.10 ดอลลาร์ในช่วงแนะนำ จากนั้น 0.20 ดอลลาร์ (ลด 95% สำหรับอินพุต)</td> </tr> <tr> <td>ขีดจำกัดเอาต์พุต</td> <td>65,536 โทเค็น</td> <td>1 ล้านโทเค็น ตามขีดจำกัดที่ Google ระบุ</td> </tr> <tr> <td>Input window</td> <td>1,048,576 โทเค็น</td> <td>ยังไม่เผยแพร่</td> </tr> <tr> <td>ระดับการคิด</td> <td> <code>low</code>, <code>medium</code> (ค่าเริ่มต้น), <code>high</code>; <code>minimal</code> จะคืนค่า HTTP 400</td> <td>ไม่ได้ระบุในเอกสาร</td> </tr> <tr> <td>แพ็กเกจ API ฟรี</td> <td>มี แต่จำกัดอัตราการใช้งาน</td> <td>ยังไม่มีประกาศ</td> </tr> <tr> <td>การเข้าถึงสำหรับผู้ใช้</td> <td>แอป Gemini บน AI Pro และ Ultra, โหมด AI ใน Search</td> <td>ยังไม่พร้อมใช้งาน; ผู้สมัครสมาชิก AI Ultra อยู่ในกลุ่มแรก แต่ยังไม่มีวันที่</td> </tr> </tbody> </table></div> <p>มีรายละเอียดสำคัญที่ต้องระวัง:</p> <ul> <li>Google ยังไม่เผยแพร่ Input window ของ Argon แม้ว่าการประเมิน context แบบยาวของบริษัทจะใช้ prompt สูงสุด 1 ล้านโทเค็น</li> <li>Google ระบุเอาต์พุตสูงสุดของ Argon ที่ 1 ล้านโทเค็น แต่ Vals AI รายงานเอาต์พุตสูงสุด 262K สำหรับการตั้งค่าที่ใช้ทดสอบ</li> <li>การประเมิน Argon ใช้ “การตั้งค่าการคิดสูงสุด” จึงมีแนวโน้มว่าระดับสูงจะมีอยู่จริง แต่ Google ยังไม่ได้ระบุชื่อระดับหรือค่าเริ่มต้น</li> <li>Flash รองรับระดับการคิดตาม <a href="https://ai.google.dev/gemini-api/docs/thinking" rel="noopener noreferrer">เอกสารเกี่ยวกับการคิด</a> ของ Google และ <a href="https://apidog.com/th/blog/gemini-3-8-flash-thinking-levels?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือระดับการคิดของ 3.8 Flash</a> </li> </ul> <p>แพ็กเกจฟรีของ Flash มี rate limit และ Google ระบุว่าข้อมูลจากแพ็กเกจฟรี “ถูกนำไปใช้เพื่อปรับปรุงผลิตภัณฑ์ของเรา” ขณะที่ Argon ยังไม่มีประกาศเรื่องการใช้งานฟรี หากต้องการตัวเลือกสำหรับทดลองใช้งาน ดู <a href="https://apidog.com/th/blog/gemini-4-argon-free?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คำอธิบายการเข้าถึง Argon ฟรี</a></p> <h2> แถวเกณฑ์มาตรฐานที่โพสต์เปิดตัวทั้งสองฉบับระบุไว้ </h2> <p>ตารางเปิดตัวของ Google สำหรับทั้งสองโมเดลมีเกณฑ์มาตรฐานสองรายการที่ระบุในข้อความ ตัวเลขทั้งหมดเป็นข้อมูลที่ Google รายงาน และระเบียบวิธีของ Argon อ้างอิง Vals AI สำหรับทั้งสองแถว</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>เกณฑ์มาตรฐาน</th> <th>Gemini 3.8 Flash (ตาราง 2 ก.ย.)</th> <th>Gemini 4 Argon (ตาราง 30 ก.ย.)</th> </tr> </thead> <tbody> <tr> <td>Vals Finance Agent v2</td> <td>61.4%</td> <td>65.4%</td> </tr> <tr> <td>Harvey Legal Agent Benchmark</td> <td>10.0%</td> <td>19.6%</td> </tr> </tbody> </table></div> <p>Google เผยแพร่ตารางเหล่านี้ห่างกันหนึ่งเดือน และเปรียบเทียบกับคู่แข่งคนละชุด จึงควรใช้ตัวเลขเป็นแนวทาง ไม่ใช่การทดสอบแบบควบคุมโดยตรง</p> <p>อย่างไรก็ตาม ช่องว่างด้านกฎหมายมีนัยสำคัญ: Argon ได้ 19.6% เทียบกับ Flash ที่ 10.0% ส่วนงานการเงินต่างกัน 4 จุด</p> <p>ตาราง Argon ยังมีข้อมูลอีกหลายรายการที่ไม่มีคู่เทียบตรงกับ Flash ในโพสต์เดียวกัน ตัวอย่างเช่น ตาราง Flash มี HLE-Verified แต่ตาราง Argon ไม่มี ขณะที่คะแนน DeepSWE ของ Flash ปรากฏเฉพาะในภาพการ์ดโมเดล</p> <p>บนกระดานผู้นำ Text ของ Arena ซึ่งเป็นการจัดอันดับจากบุคคลที่สาม Argon (High) อยู่ที่อันดับ 1 ในผลโหวตเบื้องต้น ส่วน Gemini 3.8 Flash (High) อยู่อันดับ 11 ดูตาราง Argon แบบเต็ม 19 แถวและแหล่งวัดของแต่ละแถวได้ที่ <a href="https://apidog.com/th/blog/gemini-4-argon-benchmarks?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">รายละเอียดเกณฑ์มาตรฐานของ Argon</a></p> <h2> ความปลอดภัยไซเบอร์: Argon เทียบกับ 3.8 Flash Cyber </h2> <p><a href="https://deepmind.google/models/gemini/cyber/" rel="noopener noreferrer">หน้าความปลอดภัยไซเบอร์ของ DeepMind</a> เปรียบเทียบ Argon กับ Gemini 3.8 Flash Cyber ซึ่งเป็นรุ่นด้านความปลอดภัยไซเบอร์ของ Flash ที่มีการควบคุมการเข้าถึงผ่าน Fairwind</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>การประเมินความปลอดภัยไซเบอร์</th> <th>Gemini 4 Argon</th> <th>Gemini 3.8 Flash Cyber</th> </tr> </thead> <tbody> <tr> <td>การค้นพบช่องโหว่ในโลกจริง</td> <td>85.8%</td> <td>71.0%</td> </tr> <tr> <td>Wiz Penetration Test Benchmark</td> <td>70.9%</td> <td>58.2%</td> </tr> </tbody> </table></div> <p>ทั้งสองโมเดลมีข้อจำกัดด้านการเข้าถึง:</p> <ul> <li>Gemini 3.8 Flash Cyber เปิดให้ใช้งานทั่วไปเฉพาะบัญชีที่อยู่ใน allowlist บน Gemini Enterprise Agent Platform</li> <li>Argon ใช้งานได้เฉพาะผู้เข้าร่วม Fairwind</li> </ul> <p>หากคุณไม่ใช่พาร์ทเนอร์ Fairwind ตัวเลขเหล่านี้ไม่ได้เปลี่ยนตัวเลือกที่นำไปพัฒนาได้ในวันนี้: Gemini 3.8 Flash รุ่นทั่วไปคือโมเดลที่พร้อมใช้งาน</p> <h2> ค่าใช้จ่ายของคำขอเดียวกันในทั้งสองโมเดล </h2> <p>สมมติคำขอหนึ่งครั้งใช้:</p> <ul> <li>อินพุต 100,000 โทเค็น</li> <li>เอาต์พุต 8,000 โทเค็น</li> </ul> <p>โมเดล Gemini ปัจจุบันรวมถึง 3.8 Flash คิดค่า thinking tokens เป็นเอาต์พุต ดังนั้น 8,000 โทเค็นนี้รวม thinking tokens แล้ว Google ยังไม่ได้ระบุวิธีคิดค่าบริการ thinking tokens ของ Argon จึงคำนวณโดยสมมติว่าใช้แนวทางเดียวกับโมเดล Gemini ปัจจุบัน</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>โมเดลและช่วงเวลา</th> <th>ค่าใช้จ่ายอินพุต</th> <th>ค่าใช้จ่ายเอาต์พุต</th> <th>รวมต่อคำขอ</th> </tr> </thead> <tbody> <tr> <td>3.8 Flash, ช่วงแนะนำ</td> <td>0.1M × $0.75 = $0.075</td> <td>0.008M × $3.75 = $0.030</td> <td>$0.105</td> </tr> <tr> <td>3.8 Flash, ตั้งแต่ 2027-01-01</td> <td>0.1M × $1.50 = $0.150</td> <td>0.008M × $7.50 = $0.060</td> <td>$0.210</td> </tr> <tr> <td>Argon, ช่วงแนะนำ</td> <td>0.1M × $2 = $0.200</td> <td>0.008M × $10 = $0.080</td> <td>$0.280</td> </tr> <tr> <td>Argon, มาตรฐาน</td> <td>0.1M × $4 = $0.400</td> <td>0.008M × $20 = $0.160</td> <td>$0.560</td> </tr> </tbody> </table></div> <p>Argon มีอัตราต่อโทเค็นเป็น <code>8/3</code> หรือประมาณ 2.67 เท่าของ Flash ทั้งในช่วงแนะนำและราคามาตรฐาน</p> <p>หากมีคำขอลักษณะนี้ 1,000 ครั้งต่อวัน:</p> <ul> <li>Flash ช่วงแนะนำ: 105 ดอลลาร์ต่อวัน</li> <li>Argon ช่วงแนะนำ: 280 ดอลลาร์ต่อวัน</li> </ul> <p>ก่อนนำตัวเลขนี้ไปใช้วางงบประมาณ ต้องพิจารณา 3 จุด:</p> <ol> <li><p><strong>จำนวนโทเค็นอาจไม่เท่ากัน</strong><br><br> Prompt เดียวกันอาจใช้เอาต์พุตและ thinking tokens ไม่เท่ากันในแต่ละโมเดล การประเมิน Argon ใช้การคิดระดับสูงสุด และ Google เตือนว่าระดับความพยายามที่สูงขึ้นของ Flash อาจใช้โทเค็นมากกว่า</p></li> <li> <p><strong>เอาต์พุตยาวเปลี่ยนรูปแบบการคิดต้นทุน</strong><br><br> คำตอบ 200,000 โทเค็นเกินขีดจำกัด 65,536 โทเค็นของ Flash จึงต้องแบ่งเป็นหลายคำขอ แต่ภายใต้ขีดจำกัดที่ Google ระบุ Argon อาจตอบได้ในครั้งเดียว:</p> <ul> <li>ช่วงแนะนำ: <code>0.2M × $10 = $2.00</code> </li> <li>ราคามาตรฐาน: <code>0.2M × $20 = $4.00</code> </li> </ul> </li> </ol> <p>สำหรับเอาต์พุต 1 ล้านโทเค็นเต็ม:</p> <ul> <li>ช่วงแนะนำ: 10 ดอลลาร์</li> <li>ราคามาตรฐาน: 20 ดอลลาร์</li> </ul> <ol> <li> <strong>วันสิ้นสุดราคาแนะนำไม่เท่ากัน</strong> ราคาแนะนำของ Flash สิ้นสุดวันที่ 31 ธันวาคม 2569 แต่ Google ยังไม่ระบุว่า Argon จะสิ้นสุดราคาแนะนำเมื่อใด</li> </ol> <p>Flash ยังมี Batch ที่ลดราคา 50% — 0.375 ดอลลาร์สำหรับอินพุต และ 1.875 ดอลลาร์สำหรับเอาต์พุตจนถึงวันที่ 31 ธันวาคม — ตาม <a href="https://ai.google.dev/gemini-api/docs/pricing" rel="noopener noreferrer">หน้าการกำหนดราคา Gemini API</a> ขณะที่ Google ยังไม่เผยแพร่ราคา Batch ของ Argon</p> <p>ดูรายละเอียดเพิ่มเติมได้ที่ <a href="https://apidog.com/th/blog/gemini-4-argon-pricing?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือการกำหนดราคา Argon</a> และ <a href="https://apidog.com/th/blog/gemini-3-8-flash-pricing?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือการกำหนดราคา 3.8 Flash</a></p> <h2> คุณควรรอ Argon หรือใช้ Flash? </h2> <h3> ใช้ 3.8 Flash ตอนนี้เมื่อ </h3> <ul> <li><p><strong>งบประมาณเป็นข้อจำกัดหลัก</strong><br><br> Flash มีราคา 3/8 ของ Argon ต่อโทเค็น และ Batch ลดราคาได้อีกครึ่งหนึ่ง</p></li> <li><p><strong>คุณมีทราฟฟิกปริมาณมาก</strong><br><br> งานจัดหมวดหมู่ ดึงข้อมูล กำหนดเส้นทาง และแชตจำนวนมากจะสะสมต้นทุนอย่างรวดเร็วเมื่อเอาต์พุตอยู่ที่ 10 ดอลลาร์ต่อ 1 ล้านโทเค็น</p></li> <li><p><strong>ต้องเปิดใช้งานวันนี้</strong><br><br> Flash มี Model ID ที่เสถียร แพ็กเกจฟรีสำหรับทำ prototype และตารางราคาที่เผยแพร่แล้ว</p></li> <li><p><strong>เอาต์พุตไม่เกิน 65,536 โทเค็น</strong><br><br> งาน API ส่วนใหญ่อยู่ในขอบเขตนี้</p></li> </ul> <h3> วางแผนใช้ Argon เมื่อ </h3> <ul> <li><p><strong>งานมี context และขั้นตอนการให้เหตุผลระยะยาว</strong><br><br> Google ระบุว่า Argon “สร้างขึ้นเพื่อรองรับการให้เหตุผลเชิงลึกในเวิร์กโฟลว์ที่ซับซ้อนและมีขอบเขตระยะยาว”</p></li> <li><p><strong>ต้องการเอาต์พุตเกิน 64K</strong><br><br> เช่น การเขียนโมดูลใหม่ทั้งหมด รายงานขนาดยาว หรือการย้ายข้อมูลขนาดใหญ่</p></li> <li><p><strong>คุณสร้าง agent ด้านกฎหมายหรือการเงิน</strong><br><br> เป็นสองหมวดที่ Google เผยแพร่ผลเปรียบเทียบทั้งสองโมเดล และ Argon ทำคะแนนสูงกว่า</p></li> <li><p><strong>คุณเป็นผู้เข้าร่วม Fairwind ที่มีสิทธิ์</strong><br><br> Argon คือโมเดลที่โครงการนี้เปิดให้ใช้งานอยู่ในขณะนี้</p></li> </ul> <p>แนวทางที่เหมาะกับระบบจริงคือส่งงานส่วนใหญ่ไป Flash และกำหนดเส้นทางงานที่ยากกว่าไป Argon เมื่อโมเดลเปิดให้ใช้งาน โดยใช้โครงสร้างคอนฟิกเดียวกัน</p> <h2> หนึ่งคำขอที่บันทึกไว้, สองโมเดล </h2> <p>เก็บชื่อโมเดลไว้ใน environment variable ใช้ 3.8 Flash สำหรับคำขอจริงวันนี้ และสลับค่าเมื่อ Google เผยแพร่ Model ID ของ Argon อย่าคาดเดา ID ล่วงหน้า เพราะ Google ยังไม่ได้ประกาศ<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code><span class="nv">MODEL</span><span class="o">=</span><span class="s2">"</span><span class="k">${</span><span class="nv">GEMINI_MODEL</span><span class="k">:-</span><span class="nv">gemini</span><span class="p">-3.8-flash</span><span class="k">}</span><span class="s2">"</span> curl <span class="nt">-s</span> <span class="nt">-X</span> POST <span class="se">\</span> <span class="s2">"https://generativelanguage.googleapis.com/v1beta/models/</span><span class="k">${</span><span class="nv">MODEL</span><span class="k">}</span><span class="s2">:generateContent"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"x-goog-api-key: </span><span class="nv">$GEMINI_API_KEY</span><span class="s2">"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"Content-Type: application/json"</span> <span class="se">\</span> <span class="nt">-d</span> <span class="s1">'{"contents":[{"parts":[{"text":"Summarize this contract clause in 3 bullets."}]}], "generationConfig":{"thinkingConfig":{"thinkingLevel":"medium"},"maxOutputTokens":8192}}'</span> </code></pre> </div> <p>นำคำขอนี้ไปใช้เป็น baseline ด้วยขั้นตอนต่อไปนี้:</p> <ol> <li>สร้าง environment เช่น <code>flash-baseline</code> </li> <li>เพิ่มตัวแปร <code>GEMINI_API_KEY</code> </li> <li>เพิ่มตัวแปร <code>GEMINI_MODEL=gemini-3.8-flash</code> </li> <li>บันทึกคำขอ <code>generateContent</code> </li> <li>เพิ่ม assertion อย่างน้อย: <ul> <li>HTTP status ต้องเป็น <code>200</code> </li> <li>ฟิลด์ผลลัพธ์ที่แอปพลิเคชันอ่านต้องมีอยู่</li> <li> <code>usageMetadata.thoughtsTokenCount</code> ต้องไม่เกินเพดานตามงบประมาณ</li> </ul> </li> <li>ตั้ง <code>maxOutputTokens</code> เพื่อป้องกันคำตอบยาวเกินคาด</li> <li>รันใน test scenario และเก็บรายงานไว้เป็น baseline</li> </ol> <p>การตอบกลับ <code>generateContent</code> ทุกครั้งมี <code>usageMetadata</code> ใช้ <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> เก็บตัวแปรสภาพแวดล้อม บันทึกคำขอ และเปรียบเทียบผลลัพธ์ระหว่างโมเดลในภายหลังได้</p> <p>มีข้อควรระวังสำหรับวันเปิดตัว Argon สองข้อ:</p> <ul> <li>Google ระบุว่า “โมเดลใหม่ทั้งหมด” จะเปิดตัวบน Interactions API แต่ยังไม่ได้ยืนยันว่า Argon รองรับ <code>generateContent</code> หรือไม่</li> <li>ควรบันทึกคำขอ Interactions API ไว้คู่กัน: </li> </ul> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>POST https://generativelanguage.googleapis.com/v1beta/interactions </code></pre> </div> <p>โดยใช้ <code>generation_config.thinking_level</code></p> <p>นอกจากนี้ Google ยังไม่ได้ระบุชื่อระดับการคิดของ Argon ดังนั้น <code>medium</code> อาจใช้ไม่ได้ เมื่อ Argon เปิดตัว ให้เปลี่ยนเฉพาะ <code>GEMINI_MODEL</code> รันชุดทดสอบเดิม แล้วเปรียบเทียบเอาต์พุตและ <code>usageMetadata</code> แบบเคียงข้างกัน</p> <h2> คำถามที่พบบ่อย </h2> <p><strong>Gemini 4 Argon ดีกว่า Gemini 3.8 Flash หรือไม่?</strong><br><br> จากสองแถวที่ตารางเปิดตัวทั้งสองระบุไว้ ใช่: Argon ได้ 65.4% เทียบกับ Flash ที่ 61.4% ใน Vals Finance Agent v2 และ 19.6% เทียบกับ 10.0% ใน Harvey’s Legal Agent Benchmark อย่างไรก็ตาม Argon มีค่าใช้จ่ายต่อโทเค็นประมาณ 2.67 เท่า และยังเรียกใช้งานทั่วไปไม่ได้</p> <p><strong>ควรรอ Gemini 4 Argon หรือไม่?</strong><br><br> ไม่ หากคุณต้องเปิดตัวตอนนี้ Google ยังไม่ได้ประกาศวันวางจำหน่ายทั่วไป โดยระบุเพียงว่าจะเริ่มจากลูกค้า API แบบชำระเงินและผู้สมัครสมาชิก AI Ultra โดยเร็วที่สุด</p> <p><strong>สำหรับโครงการใหม่ ควรเลือก Gemini 3.8 Flash หรือ Argon?</strong><br><br> เริ่มด้วย 3.8 Flash และเก็บชื่อโมเดลไว้ในตัวแปร ย้ายเฉพาะคำขอที่ต้องการเอาต์พุตยาว หรืองานกฎหมายและการเงินที่ซับซ้อนไป Argon หลังจากทดสอบด้วย prompt จริงของคุณแล้ว</p> <p><strong>มีวิธีใช้งาน Argon ฟรีหรือไม่?</strong><br><br> ไม่มี Google ยังไม่ได้ประกาศแพ็กเกจฟรี ดู <a href="https://apidog.com/th/blog/gemini-4-argon-free?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คำอธิบายการเข้าถึง Argon ฟรี</a> สำหรับโมเดล Gemini ฟรีที่ใช้ได้ในวันนี้</p> <p><strong>Argon จะมาแทนที่ Gemini 3.8 Flash หรือไม่?</strong><br><br> Google ยังไม่ได้กล่าวเช่นนั้น Google เรียก Argon ว่าเป็นโมเดลแนวหน้าใหม่ และ Reuters รายงานว่ามีขนาดใหญ่กว่า Pro line ก่อนหน้า จึงเป็นโมเดลคนละระดับกับ Flash</p> <h2> ขั้นตอนถัดไป </h2> <p>ตั้งค่าคำขอของคุณวันนี้ รันบน Gemini 3.8 Flash และเก็บรายงานต้นทุนกับ <code>usageMetadata</code> ไว้ เมื่อ Argon เปิดตัว คุณจะเปรียบเทียบคุณภาพ เวลา และค่าใช้จ่ายกับ workload จริงได้ภายในไม่กี่นาที</p> <p><a href="https://apidog.com/download?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ดาวน์โหลด Apidog</a> เพื่อสร้างและบันทึกชุดทดสอบเปรียบเทียบโมเดลของคุณ</p> Thanawat Wongchai Fri, 02 Oct 2026 13:34:38 +0000 https://dev.to/thanawat_wonchai/gemini-4-argon-ethiiybkab-gpt-6-astra-aela-claude-opus-55-2i4l https://dev.to/thanawat_wonchai/gemini-4-argon-ethiiybkab-gpt-6-astra-aela-claude-opus-55-2i4l <p>Gemini 4 Argon นำตารางเปรียบเทียบของ Google ใน 13 จาก 19 แถว เมื่อเทียบกับ GPT-6 Astra, Claude Opus 5.5 และ Claude Fable 5.1 แต่ประเด็นสำคัญกว่าคะแนนคือ: วันนี้คุณซื้อและเรียกใช้ Astra กับ Opus 5.5 ได้แล้ว ขณะที่ Argon ยังเปิดให้เฉพาะผู้เข้าร่วม Fairwind Program ของ Google เท่านั้น Argon มีราคาแนะนำ $2/$10 ต่อล้านโทเค็น และจะเป็น $4/$20 หลังจากนั้น ซึ่งเท่ากับราคา Claude Opus 5.5</p> <p><a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation" class="crayons-btn crayons-btn--primary">ลองใช้ Apidog วันนี้</a> </p> <p>บทความนี้สรุปราคา ข้อจำกัด และผล benchmark ของทั้งสี่โมเดล พร้อมแนวทางเลือกโมเดลตามประเภทงาน และขั้นตอนทดสอบ GPT-6 Astra, Claude Opus 5.5 และ Gemini ด้วยพรอมต์จริงของคุณใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> หากเพิ่งเริ่มศึกษา Argon ให้ดู <a href="https://apidog.com/th/blog/what-is-gemini-4-argon?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Gemini 4 Argon คืออะไร</a> และดูสถานะการเปิดตัวจาก<a href="https://apidog.com/th/blog/gemini-4-argon-release-date?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือกำหนดวันวางจำหน่าย Argon</a></p> <h2> ราคาและข้อจำกัดเคียงข้างกัน </h2> <p>Google เปรียบเทียบ Argon กับ Claude Fable 5.1 ด้วย ตารางด้านล่างใช้ราคาต่อ 1 ล้านโทเค็นจาก<a href="https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/" rel="noopener noreferrer">โพสต์เปิดตัวของ Google</a>, <a href="https://developers.openai.com/api/docs/models/gpt-6-astra" rel="noopener noreferrer">หน้าโมเดล GPT-6 Astra ของ OpenAI</a> และ<a href="https://platform.claude.com/docs/en/about-claude/pricing" rel="noopener noreferrer">หน้าราคาของ Anthropic</a></p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th></th> <th>Gemini 4 Argon</th> <th>GPT-6 Astra</th> <th>Claude Opus 5.5</th> <th>Claude Fable 5.1</th> </tr> </thead> <tbody> <tr> <td>วันนี้เรียกใช้ได้หรือไม่</td> <td>ไม่, เฉพาะ Fairwind</td> <td>ใช่</td> <td>ใช่</td> <td>ใช่</td> </tr> <tr> <td>รหัสโมเดล API</td> <td>ยังไม่เผยแพร่</td> <td><code>gpt-6-astra</code></td> <td><code>claude-opus-5-5</code></td> <td><code>claude-fable-5-1</code></td> </tr> <tr> <td>อินพุต</td> <td>$2 ช่วงแนะนำ, จากนั้น $4</td> <td>$10</td> <td>$4</td> <td>$10</td> </tr> <tr> <td>แคชอินพุต</td> <td>$0.10 ช่วงแนะนำ, จากนั้น $0.20</td> <td>$1</td> <td>$0.20</td> <td>$0.25</td> </tr> <tr> <td>เอาต์พุต</td> <td>$10 ช่วงแนะนำ, จากนั้น $20</td> <td>$50</td> <td>$20</td> <td>$50</td> </tr> <tr> <td>เอาต์พุตสูงสุด</td> <td>1 ล้าน (ตามที่ Google ระบุ)</td> <td>128K</td> <td>128K; 300K สำหรับ Batch รุ่นเบต้า</td> <td>128K</td> </tr> <tr> <td>หน้าต่างบริบท</td> <td>ยังไม่เผยแพร่</td> <td>1,050,000; อินพุตสูงสุด 922K</td> <td>1 ล้าน</td> <td>1 ล้าน</td> </tr> <tr> <td>ค่าธรรมเนียมสำหรับพรอมต์ยาว</td> <td>ไม่ได้ระบุ</td> <td>อินพุตเกิน 272K: อินพุตและแคช 2 เท่า, เอาต์พุต 1.5 เท่า สำหรับคำขอทั้งหมด</td> <td>ไม่มี</td> <td>ไม่มี</td> </tr> </tbody> </table></div> <p>ข้อสังเกตสำหรับการวางแผนต้นทุน:</p> <ul> <li>ราคา Argon หลังช่วงแนะนำเท่ากับ Opus 5.5 ทั้งอินพุต แคช และเอาต์พุต</li> <li>Astra และ Fable 5.1 มีราคาอินพุต/เอาต์พุต 2.5 เท่าของ Argon ในอัตราปกติ และ 5 เท่าของอัตราแนะนำ</li> <li>Google ยังไม่ประกาศวันสิ้นสุดราคาแนะนำของ Argon</li> <li>ตัวเลขเอาต์พุต 1 ล้านเป็นตัวเลขที่ Google ระบุ ขณะที่ Vals AI รายงานเอาต์พุตสูงสุด 262K สำหรับการตั้งค่า Argon ที่ทดสอบ</li> </ul> <p>สำหรับตัวอย่างคำนวณต้นทุนต่อคำขอ ดู<a href="https://apidog.com/th/blog/gemini-4-argon-pricing?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ราคา Gemini 4 Argon</a></p> <h2> โมเดลใดนำในตารางของ Google </h2> <p>ก่อนใช้ผลลัพธ์ตัดสินใจ ต้องอ่านตัวเลขเป็น “สัญญาณ” ไม่ใช่ข้อสรุปเด็ดขาด: คะแนน Argon รายงานโดย Google ส่วนคะแนนคู่แข่งส่วนใหญ่มาจากผู้ให้บริการหรือ leaderboard สาธารณะ และชุดการทดสอบไม่เหมือนกัน</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>ผู้นำ</th> <th>เกณฑ์มาตรฐาน</th> <th>Argon</th> <th>Astra</th> <th>Fable 5.1</th> <th>Opus 5.5</th> </tr> </thead> <tbody> <tr> <td>Argon: งานความรู้</td> <td>Vals Index</td> <td><strong>68.9%</strong></td> <td>63.1%</td> <td>65.8%</td> <td>67.0%</td> </tr> <tr> <td>Argon: งานความรู้</td> <td>AutomationBench</td> <td><strong>51.3%</strong></td> <td>41.4%</td> <td>31.4%</td> <td>42.5%</td> </tr> <tr> <td>Argon: งานความรู้</td> <td>เกณฑ์มาตรฐานตัวแทนทางกฎหมายของ Harvey</td> <td><strong>19.6%</strong></td> <td>5.4%</td> <td>6.7%</td> <td>3.8%</td> </tr> <tr> <td>Argon: การเขียนโค้ด</td> <td>DeepSWE v1.1</td> <td><strong>77.9%</strong></td> <td>74.1%</td> <td>67.4%</td> <td>74.2%</td> </tr> <tr> <td>Argon: บริบทยาว</td> <td>GraphWalks 256K ถึง 1M (F1)</td> <td><strong>84.2%</strong></td> <td>71.8%</td> <td>65.0%</td> <td>66.8%</td> </tr> <tr> <td>Argon: มัลติโมเดล</td> <td>LVBench</td> <td><strong>91.7%</strong></td> <td>87.5%</td> <td>79.7%</td> <td>83.7%</td> </tr> <tr> <td>Argon: มัลติโมเดล</td> <td>Chartography</td> <td><strong>71.6%</strong></td> <td>71.0%</td> <td>46.2%</td> <td>66.3%</td> </tr> <tr> <td>Astra</td> <td>FrontierSWE v2</td> <td>55.0%</td> <td><strong>65.5%</strong></td> <td>56.3%</td> <td>62.3%</td> </tr> <tr> <td>Astra</td> <td>Terminal-Bench Science 0.1</td> <td>57.6%</td> <td><strong>68.1%</strong></td> <td>52.6%</td> <td>63.3%</td> </tr> <tr> <td>Astra</td> <td>OSWorld-2.0 (ออฟไลน์, บางส่วน)</td> <td>69.2%</td> <td><strong>72.6%</strong></td> <td>ไม่ได้รายงาน</td> <td>ไม่ได้รายงาน</td> </tr> <tr> <td>Opus 5.5</td> <td>Terminal-bench 4.0</td> <td>57.4%</td> <td>58.2%</td> <td>57.9%</td> <td><strong>66.4%</strong></td> </tr> <tr> <td>Opus 5.5</td> <td>PostTrainBench</td> <td>45.3%</td> <td>44.3%</td> <td>40.2%</td> <td><strong>49.3%</strong></td> </tr> <tr> <td>เสมอ</td> <td>CWE-bench v1</td> <td><strong>68.0%</strong></td> <td><strong>68.0%</strong></td> <td>58.0%</td> <td>67.0%</td> </tr> </tbody> </table></div> <p>Argon ยังนำใน Vals Finance Agent v2, Vibe Code Bench, LABBench 2, RiemannBench, GraphWalks สูงสุด 128K และ Agent’s Last Exam</p> <p>Claude Fable 5.1 ไม่ได้นำในแถวใดของตารางนี้ สำหรับ CWE-bench v1 <a href="https://deepmind.google/models/gemini/cyber/" rel="noopener noreferrer">Cyber leaderboard ของ DeepMind</a> แสดงผลเสมอสามทางที่ 68% ระหว่าง Argon, Astra และ Grok 4.7 โดย Opus 5.5 อยู่ที่ 67%</p> <p>เมื่อเทียบ Argon กับ Fable 5.1 โดยตรง Argon ทำคะแนนสูงกว่า 15 จาก 17 แถวที่ทั้งสองรุ่นมีตัวเลขรายงาน ส่วน Fable ชนะเล็กน้อยใน FrontierSWE v2 (56.3% เทียบกับ 55.0%) และ Terminal-bench 4.0 (57.9% เทียบกับ 57.4%) ดูตัวเลขของ Anthropic เพิ่มเติมได้ที่<a href="https://apidog.com/th/blog/claude-fable-5-1-benchmarks?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">เกณฑ์มาตรฐาน Claude Fable 5.1</a> และดูตาราง 19 แถวฉบับเต็มได้ที่<a href="https://apidog.com/th/blog/gemini-4-argon-benchmarks?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">เกณฑ์มาตรฐาน Gemini 4 Argon</a></p> <h2> สามข้อควรระวังก่อนเชื่อความแตกต่างของคะแนน </h2> <h3> 1. คะแนนคู่แข่งไม่ใช่ผลทดสอบที่ Google รันทั้งหมด </h3> <p><a href="https://deepmind.google/models/evals-methodology/gemini-4-argon" rel="noopener noreferrer">เอกสารวิธีการของ Google</a> ระบุว่าผลลัพธ์ของโมเดลที่ไม่ใช่ Gemini “มาจากตัวเลขที่ผู้ให้บริการรายงานเอง เว้นแต่จะระบุไว้เป็นอย่างอื่น” หลายแถวมาจาก leaderboard สาธารณะของ Vals AI, Proximal และ Surge</p> <h3> 2. ชุดทดสอบและการตั้งค่าไม่เหมือนกัน </h3> <p>ตัวอย่างเช่น DeepSWE v1.1:</p> <ul> <li>Google คำนวณ Argon ที่ 77.9% ด้วยชุดทดสอบ <code>mini-swe-agent</code> </li> <li>คะแนน Astra มาจาก leaderboard สาธารณะ</li> <li>คะแนน Anthropic มาจาก system cards</li> </ul> <p>สำหรับ LVBench, Gemini สุ่มวิดีโอที่ 1 เฟรมต่อวินาที ขณะที่ Astra ใช้ 800 เฟรม, Opus 5.5 ใช้ 600 เฟรม และ Fable 5.1 ใช้ 300 เฟรม เนื่องจากข้อจำกัดของ API</p> <h3> 3. โมเดลเดียวกันอาจมีหลายคะแนน </h3> <p>Terminal-bench 4.0 ของ Opus 5.5 เปลี่ยนไปตามชุดทดสอบและระดับความพยายาม <a href="https://www.anthropic.com/news/claude-opus-5-5" rel="noopener noreferrer">Anthropic รายงาน</a> 66.4% ที่ระดับความพยายาม <code>xhigh</code> ดังนั้นอย่านำคะแนนจากคนละแหล่ง คนละเวอร์ชัน หรือคนละ configuration มารวมเป็นตารางเดียวโดยไม่ระบุเงื่อนไข</p> <h2> สิ่งที่ผู้ประเมินภายนอกกล่าวถึง </h2> <p>Leaderboard อิสระให้ภาพที่ต่างออกไป:</p> <ul> <li> <a href="https://artificialanalysis.ai/leaderboards/models" rel="noopener noreferrer">Artificial Analysis</a> จัด Argon อันดับ 8 จาก 223 รายการ แต่รายการแยกการตั้งค่า reasoning ออกเป็นคนละรายการ</li> <li>เมื่อนับเฉพาะโมเดลที่แตกต่างกัน Argon ได้ 53 เท่ากับ GPT-6 Astra และ Claude Fable 5.1 ตามหลัง Opus 5.5 ที่ 58 และ Sonnet 5.5 ที่ 56</li> <li>Artificial Analysis รายงานอัตราหลอนของ Argon บน AA-Omniscience ที่ 15% เทียบกับ Astra 51% ที่การตั้งค่าสูงสุด</li> <li>บน <a href="https://arena.ai/leaderboard/text" rel="noopener noreferrer">Arena</a> Argon อยู่อันดับหนึ่งด้าน Text ที่ 1525 คะแนน แต่มีสถานะ Preliminary จาก 4,942 คะแนนโหวต ขณะที่ Opus 5.5 อยู่อันดับสี่</li> <li>Vals AI จัด Argon อันดับหนึ่งจาก 41 โมเดลใน Vals Index ซึ่งเป็น Gemini รุ่นแรกที่ขึ้นนำ</li> </ul> <p>อย่างไรก็ตาม ผลใช้งานจริงอาจต่างจาก benchmark: <a href="https://www.bloomberg.com/news/articles/2026-09-30/google-grapples-with-employee-skepticism-about-new-gemini-model" rel="noopener noreferrer">Bloomberg รายงาน</a> ว่าพนักงาน Google บางคนที่เข้าถึงโมเดลกล่าวว่า Argon ทำงานด้านการเขียนโค้ดและออกแบบ frontend บางงานได้ไม่น่าประทับใจเมื่อเทียบกับ benchmark ซึ่ง Google ระบุว่าคำอธิบายดังกล่าวไม่ถูกต้อง</p> <h2> ควรเลือกใช้โมเดลใด </h2> <p>อย่าเลือกจากคะแนนรวมเพียงตัวเดียว ให้ route ตามประเภทงาน ต้นทุน ความยาว context และข้อจำกัด output</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>งาน</th> <th>เส้นทางวันนี้</th> <th>เมื่อ Argon พร้อมใช้งาน</th> </tr> </thead> <tbody> <tr> <td>ตัวแทนด้านกฎหมาย การเงิน และระบบอัตโนมัติในสำนักงาน</td> <td>Opus 5.5: Vals Index 67.0%</td> <td>ทดสอบ Argon เพราะนำในสี่แถวงานความรู้</td> </tr> <tr> <td>ตัวแทนเขียนโค้ดที่เน้นเทอร์มินัล</td> <td>Opus 5.5: Terminal-bench 4.0 66.4%</td> <td>Opus 5.5 ยังนำ</td> </tr> <tr> <td>วิศวกรรมซอฟต์แวร์แบบตัวแทน</td> <td>Astra: FrontierSWE v2 65.5% หรือ Opus 5.5</td> <td>Argon นำ DeepSWE แต่ตาม FrontierSWE; ทดสอบทั้งคู่</td> </tr> <tr> <td>ตัวแทนใช้งานคอมพิวเตอร์และ GUI</td> <td>Astra: OSWorld-2.0 72.6%</td> <td>Astra นำ OSWorld; Argon นำ Agent’s Last Exam</td> </tr> <tr> <td>Reasoning กับพรอมต์เกิน 256K โทเค็น</td> <td>Opus 5.5 ไม่มีค่าธรรมเนียมเพิ่ม หรือ Astra ที่มีค่าธรรมเนียมเกิน 272K</td> <td>Argon: GraphWalks 256K ถึง 1M 84.2%</td> </tr> <tr> <td>ความเข้าใจวิดีโอและแผนภูมิ</td> <td>Astra: LVBench 87.5%</td> <td>Argon 91.7% แต่ต้องควบคุมจำนวนเฟรมให้เท่ากัน</td> </tr> <tr> <td>วิทยาศาสตร์และวิศวกรรม ML</td> <td>Astra สำหรับ Terminal-Bench Science; Opus 5.5 สำหรับ PostTrainBench</td> <td>Argon นำ LABBench 2 และ RiemannBench; ทดสอบจริง</td> </tr> <tr> <td>การตอบกลับเดี่ยวเกิน 128K โทเค็น</td> <td>Opus 5.5 บน Batch: 300K รุ่นเบต้า</td> <td>Argon: สูงสุด 1 ล้านตามที่ Google ระบุ</td> </tr> <tr> <td>งานปริมาณมากที่ไวต่อต้นทุน</td> <td>Opus 5.5: $4/$20</td> <td>Argon: $2/$10 ตราบใดที่ราคาแนะนำยังอยู่</td> </tr> </tbody> </table></div> <p>หากต้นทุนสำคัญกว่าคะแนนสูงสุด ดูการเปรียบเทียบ <a href="https://apidog.com/th/blog/gpt-6-sol-vs-claude-opus-5-5?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">GPT-6 Sol เทียบกับ Claude Opus 5.5</a> สำหรับตัวเลือก OpenAI ที่ราคาต่ำกว่า</p> <h2> เปรียบเทียบทั้งสามด้วยพรอมต์ของคุณเอง </h2> <p>Benchmark ของผู้ขายตอบไม่ได้ว่าโมเดลใดเหมาะกับ schema, tool call, codebase หรือข้อกำหนด latency ของระบบคุณ วิธีที่ใช้งานได้จริงคือสร้าง evaluation ขนาดเล็กด้วย<a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a></p> <h3> 1. สร้างคำขอแยกตามผู้ให้บริการ </h3> <p>สร้างโปรเจกต์เดียวที่มีคำขอ 3 รายการ:</p> <ol> <li>GPT-6 Astra</li> <li>Claude Opus 5.5</li> <li>Gemini โดยใช้ตัวแปร <code>{{GEMINI_MODEL}}</code> </li> </ol> <p>ตั้งค่า <code>GEMINI_MODEL</code> เป็น <code>gemini-3.8-flash</code> ชั่วคราว จนกว่า Google จะเปิดเผย model ID ของ Argon</p> <p>ดูรูปแบบ API ของแต่ละผู้ให้บริการจาก<a href="https://apidog.com/th/blog/gpt-6-astra-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ API ของ GPT-6 Astra</a> และ<a href="https://apidog.com/th/blog/what-is-claude-opus-5-5?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Claude Opus 5.5 คืออะไร</a></p> <h3> 2. ใช้ environment variables สำหรับคีย์และพรอมต์ </h3> <p>เก็บ API key ของแต่ละผู้ให้บริการเป็น environment variable และใช้ prompt variable เดียวกันในทุกคำขอ<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>OPENAI_API_KEY=... ANTHROPIC_API_KEY=... GEMINI_API_KEY=... GEMINI_MODEL=gemini-3.8-flash PROMPT=สรุปข้อกำหนด API นี้เป็น JSON ตาม schema ที่ระบุ </code></pre> </div> <p>แนวทางนี้ช่วยให้ทั้งสามโมเดลรับอินพุตเดียวกัน และลดความผิดพลาดจากการแก้พรอมต์ไม่พร้อมกัน</p> <h3> 3. เพิ่ม assertions ที่วัดผลได้ </h3> <p>อย่างน้อยควรตรวจสอบ:</p> <ul> <li>HTTP status เป็น <code>200</code> </li> <li>ฟิลด์คำตอบไม่ว่าง</li> <li>JSON parse ได้ หากระบบต้องการ JSON</li> <li>จำนวน output token ไม่เกินเพดาน</li> <li>ค่าใช้จ่ายต่อคำขออยู่ภายใต้งบ</li> <li>การเรียก tool หรือ function ตรงตาม schema ที่กำหนด</li> </ul> <p>ตัวอย่าง pseudocode สำหรับตรวจงบประมาณ:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight javascript"><code><span class="kd">const</span> <span class="nx">inputTokens</span> <span class="o">=</span> <span class="mi">20000</span><span class="p">;</span> <span class="kd">const</span> <span class="nx">outputTokens</span> <span class="o">=</span> <span class="mi">4000</span><span class="p">;</span> <span class="kd">const</span> <span class="nx">inputPricePerMillion</span> <span class="o">=</span> <span class="mi">10</span><span class="p">;</span> <span class="kd">const</span> <span class="nx">outputPricePerMillion</span> <span class="o">=</span> <span class="mi">50</span><span class="p">;</span> <span class="kd">const</span> <span class="nx">estimatedCost</span> <span class="o">=</span> <span class="p">(</span><span class="nx">inputTokens</span> <span class="o">/</span> <span class="mi">1</span><span class="nx">_000_000</span><span class="p">)</span> <span class="o">*</span> <span class="nx">inputPricePerMillion</span> <span class="o">+</span> <span class="p">(</span><span class="nx">outputTokens</span> <span class="o">/</span> <span class="mi">1</span><span class="nx">_000_000</span><span class="p">)</span> <span class="o">*</span> <span class="nx">outputPricePerMillion</span><span class="p">;</span> <span class="k">if </span><span class="p">(</span><span class="nx">estimatedCost</span> <span class="o">&gt;</span> <span class="mf">0.5</span><span class="p">)</span> <span class="p">{</span> <span class="k">throw</span> <span class="k">new</span> <span class="nc">Error</span><span class="p">(</span><span class="s2">`เกินงบประมาณ: $</span><span class="p">${</span><span class="nx">estimatedCost</span><span class="p">}</span><span class="s2">`</span><span class="p">);</span> <span class="p">}</span> </code></pre> </div> <h3> 4. รันเป็น test scenario เดียว </h3> <p>รันคำขอทั้งสามในสถานการณ์เดียวกัน แล้วเปรียบเทียบ:</p> <ul> <li>คุณภาพคำตอบ</li> <li>ความถูกต้องตาม schema</li> <li>เวลา response</li> <li>input/output tokens</li> <li>ต้นทุนโดยประมาณ</li> <li>ความเสถียรเมื่อรันซ้ำหลายครั้ง</li> </ul> <p>อย่าทดสอบแค่พรอมต์เดียว ควรใช้ชุดพรอมต์ที่แทน workload จริง เช่น งานสรุปเอกสาร งานสร้างโค้ด งานแก้บั๊ก งาน tool use และงาน long-context</p> <h2> ตัวอย่างคำนวณต้นทุนต่อคำขอ </h2> <p>สำหรับคำขอที่มีอินพุต 20,000 โทเค็น และเอาต์พุต 4,000 โทเค็น:</p> <h3> GPT-6 Astra </h3> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>อินพุต: 20,000 × $10 / 1,000,000 = $0.20 เอาต์พุต: 4,000 × $50 / 1,000,000 = $0.20 รวม: $0.40 </code></pre> </div> <h3> Claude Opus 5.5 </h3> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>อินพุต: 20,000 × $4 / 1,000,000 = $0.08 เอาต์พุต: 4,000 × $20 / 1,000,000 = $0.08 รวม: $0.16 </code></pre> </div> <h3> Gemini 4 Argon </h3> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>ราคาแนะนำ: $0.08 ราคาปกติ: $0.16 </code></pre> </div> <p>แต่ราคาต่อโทเค็นไม่ใช่ต้นทุนต่อภารกิจทั้งหมด Artificial Analysis วัดว่า Argon ใช้เอาต์พุตราว 62K โทเค็นต่อภารกิจ เทียบกับ Astra ราว 27K โทเค็นที่ระดับความพยายามสูงสุด ดังนั้นให้วัด output token จาก workload ของคุณเอง ไม่ใช่ตัดสินจากอัตราราคาเพียงอย่างเดียว</p> <p>เมื่อ Argon ใช้งานได้ ให้เปลี่ยนค่า <code>GEMINI_MODEL</code> เป็น ID จริงของ Argon แล้วรัน test scenario เดิมอีกครั้ง คุณจะได้การเปรียบเทียบแบบ apples-to-apples กับ Astra และ Opus 5.5 ที่ใช้งานได้อยู่แล้ว</p> <h2> คำถามที่พบบ่อย </h2> <h3> Gemini 4 Argon ดีกว่า GPT-6 Astra หรือไม่? </h3> <p>ทั้งคู่ได้ 53 บน Artificial Analysis ในตารางของ Google Argon ได้คะแนนสูงกว่าในแถวส่วนใหญ่ แต่ Astra ชนะ FrontierSWE v2, Terminal-Bench Science 0.1 และ OSWorld-2.0 ที่สำคัญ Astra เป็นรุ่นที่คุณเรียกใช้ได้วันนี้</p> <h3> Gemini 4 Argon เทียบกับ Claude Opus 5.5 รุ่นไหนดีกว่า? </h3> <p>ตารางของ Google ให้ Argon นำในแถวส่วนใหญ่ ขณะที่ Opus 5.5 ชนะ Terminal-bench 4.0 และ PostTrainBench Opus 5.5 ยังนำ Artificial Analysis ที่ 58 ต่อ 53 และราคา Argon หลังช่วงแนะนำจะเท่ากับ Opus 5.5</p> <h3> Gemini 4 Argon ถูกกว่า Claude Opus 5.5 หรือไม่? </h3> <p>ในช่วงราคาแนะนำ Argon ถูกกว่าครึ่งหนึ่ง: $2/$10 เทียบกับ $4/$20 หลังจากนั้นราคา Argon ที่ระบุจะเท่ากับ Opus 5.5 และ Google ยังไม่ประกาศวันสิ้นสุดช่วงแนะนำ</p> <h3> โมเดลใดมีขีดจำกัดเอาต์พุตสูงสุด? </h3> <p>Argon ระบุเอาต์พุตสูงสุด 1 ล้านโทเค็น แม้ Vals AI จะรายงาน 262K สำหรับ configuration ที่ทดสอบ โมเดลอื่นจำกัด synchronous output ที่ 128K ส่วน Opus 5.5 Batch รุ่นเบต้ารองรับ 300K ดูรายละเอียดผลกระทบต่อไคลเอ็นต์ได้ใน<a href="https://apidog.com/th/blog/gemini-4-argon-1m-output-tokens?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือเอาต์พุต 1 ล้านโทเค็น</a></p> <h3> ฉันใช้ Gemini 4 Argon ได้วันนี้หรือไม่? </h3> <p>ได้เฉพาะผ่าน Fairwind Program ของ Google สำหรับกลุ่มพันธมิตรด้านการป้องกันภัยไซเบอร์ที่ผ่านการตรวจสอบ ลูกค้า API แบบชำระเงินและสมาชิก Google AI Ultra จะได้รับสิทธิ์ในลำดับถัดไป แต่ยังไม่มีการประกาศวัน</p> <h2> เลือกตาม workload แล้วทดสอบ </h2> <p>Argon ดูแข็งแกร่งในงานความรู้ บริบทยาว และงานมัลติโมเดล Astra เด่นใน FrontierSWE, Terminal-Bench Science และ OSWorld ส่วน Opus 5.5 เด่นในงานเทอร์มินัลและวิศวกรรม ML โดยมีราคาเท่ากับ Argon หลังช่วงแนะนำ</p> <p>แนวทางที่นำไปใช้ได้ทันทีคือ:</p> <ol> <li>เริ่มจาก Astra หรือ Opus 5.5 ซึ่งเรียกใช้ได้แล้ว</li> <li>เก็บชื่อโมเดล Gemini ไว้ใน environment variable</li> <li>สร้างชุด prompt และ assertions ที่สะท้อน production workload</li> <li>บันทึกคุณภาพ latency token และต้นทุน</li> <li>รัน scenario เดิมซ้ำทันทีเมื่อ Argon เปิดให้ใช้งาน</li> </ol> <p>หากต้องการตั้งค่าการเปรียบเทียบสามคำขอในโปรเจกต์เดียว ให้<a href="https://apidog.com/download?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ดาวน์โหลด Apidog</a></p> Thanawat Wongchai Fri, 02 Oct 2026 10:04:10 +0000 https://dev.to/thanawat_wonchai/gemini-4-argon-kab-1-laanothekhneaatphut-kaartbklabradablaanothekhnsngphltsaetk-api-khngkhunyaangair-44h4 https://dev.to/thanawat_wonchai/gemini-4-argon-kab-1-laanothekhneaatphut-kaartbklabradablaanothekhnsngphltsaetk-api-khngkhunyaangair-44h4 <p>ตัวเลขสำคัญของ Gemini 4 Argon คือ <strong>เอาต์พุตสูงสุด 1M โทเค็นต่อการตอบสนอง</strong> ไม่ใช่หน้าต่างบริบท (context window) Google ระบุว่า Argon สามารถสร้างคำตอบหนึ่งครั้งได้ถึง 1 ล้านโทเค็น หรือราว 16 เท่าของขีดจำกัดเดิมที่ 64K แต่ยังไม่ได้เปิดเผยขนาดหน้าต่างอินพุตของ Argon และยังไม่มี endpoint ที่ใช้งานได้ทั่วไปในตอนนี้: Argon เปิดให้เฉพาะผู้เข้าร่วม Fairwind Program ก่อน ส่วนลูกค้า API แบบชำระเงินจะได้รับสิทธิ์เมื่อ Google ขยายการเข้าถึง ดูรายละเอียดใน<a href="https://apidog.com/th/blog/gemini-4-argon-release-date?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">วันเปิดตัวและคู่มือการเข้าถึง</a></p> <p><a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation" class="crayons-btn crayons-btn--primary">ลองใช้ Apidog วันนี้</a> </p> <p>เอาต์พุตระดับหลายแสนถึงหนึ่งล้านโทเค็นเปลี่ยนข้อสมมติหลักของ API stack: คำขออาจไม่จบในไม่กี่วินาที, ข้อมูลอาจไม่พอดีกับหน่วยความจำ, และค่าใช้จ่ายต่อคำขออาจสูงหรือคาดเดาได้ยาก บทความนี้อธิบายวิธีออกแบบระบบให้รองรับการสตรีม, timeout, output cap, การจัดเก็บ และการทดสอบด้วย <a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> ก่อนที่ Argon จะเปิดใช้งานทั่วไป สำหรับภาพรวมโมเดล ดู <a href="https://apidog.com/th/blog/what-is-gemini-4-argon?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Gemini 4 Argon คืออะไร</a> และสำหรับรูปแบบคำขอ ดู <a href="https://apidog.com/th/blog/gemini-4-argon-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ API ของ Gemini 4 Argon</a></p> <h2> 1M โทเค็นเอาต์พุต ไม่ใช่หน้าต่างบริบท 1M </h2> <p>หลายบทความอธิบายตัวเลข 1M ว่าเป็น context window หรือเรียกว่า “หน้าต่างบริบทใหญ่ขึ้น 16 เท่า” แต่ข้อมูลนี้ไม่ถูกต้อง <a href="https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/" rel="noopener noreferrer">โพสต์เปิดตัว</a> ของ Google ระบุว่าได้ขยาย “ขีดจำกัดโทเค็นเอาต์พุตของโมเดลเป็น 1M โทเค็น” โดยตัวเลขเดิม 64K สอดคล้องกับขีดจำกัดเอาต์พุต 65,536 โทเค็นของ Gemini 3.1 Pro Preview</p> <p>Google ยังไม่ได้ระบุขนาดอินพุตหรือ context window ของ Argon แม้ว่า <a href="https://deepmind.google/models/evals-methodology/gemini-4-argon" rel="noopener noreferrer">ระเบียบวิธีการประเมิน</a> จะใช้พรอมต์ขนาด 256K ถึง 1M โทเค็นก็ตาม ตัวเลขนั้นเป็นส่วนหนึ่งของ benchmark ไม่ใช่สเปกโมเดล</p> <p>ควรระวังว่าขีดจำกัดจริงอาจต่างตาม endpoint หรือการกำหนดค่า: <a href="https://www.vals.ai/models/google_gemini-4-argon" rel="noopener noreferrer">Vals AI</a> รายงานเอาต์พุตสูงสุด 262K สำหรับ Argon configuration ที่ทดสอบ ขณะที่ Google ระบุขีดจำกัดโมเดลไว้ที่ 1M</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>โมเดล</th> <th>เอาต์พุตสูงสุดต่อการตอบสนอง</th> <th>หน้าต่างอินพุตหรือบริบท</th> </tr> </thead> <tbody> <tr> <td>Gemini 4 Argon</td> <td>1M (ขีดจำกัดที่ Google ระบุ)</td> <td>ไม่ได้เผยแพร่</td> </tr> <tr> <td>Gemini 3.1 Pro Preview</td> <td>65,536</td> <td>1,048,576</td> </tr> <tr> <td>Gemini 3.8 Flash</td> <td>65,536</td> <td>1,048,576</td> </tr> <tr> <td>GPT-6 Astra</td> <td>128,000</td> <td>1,050,000 (อินพุตสูงสุด 922K)</td> </tr> <tr> <td>Claude Opus 5.5</td> <td>128K (300K บน Batch พร้อม beta header)</td> <td>1M</td> </tr> </tbody> </table></div> <p>คู่แข่งจำกัดเอาต์พุตแบบ synchronous ที่ 128K ดังนั้นขีดจำกัด Argon ที่ 1M จึงสูงกว่าราว 8 เท่า Googleอธิบายว่าพื้นที่เอาต์พุตที่เพิ่มขึ้นช่วยให้โมเดลสร้างโทเค็นหลายแสนโทเค็นใน reasoning path เดียว และแก้ปัญหาที่ยากได้ในคำขอเดียว</p> <p>ดูแนวทางรองรับงานยาวของผู้ให้บริการรายอื่นได้ที่ <a href="https://apidog.com/th/blog/claude-opus-5-5-18-hour-tasks-api-design?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">งาน 18 ชั่วโมงของ Claude Opus 5.5</a> และ<a href="https://apidog.com/th/blog/gpt-6-astra-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ API ของ GPT-6 Astra</a></p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fnad3coux68pvy6y5vbid.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fnad3coux68pvy6y5vbid.png" alt="เปรียบเทียบขีดจำกัดเอาต์พุตของโมเดล" width="800" height="802"></a></p> <h2> คำนวณค่าใช้จ่ายสูงสุดต่อคำขอ </h2> <p>กำหนด budget จาก worst-case output ก่อน ในช่วงราคาแนะนำ Argon คิดค่าเอาต์พุต $10 ต่อ 1M โทเค็น และเพิ่มเป็น $20 ต่อ 1M โทเค็นในราคามาตรฐาน</p> <ul> <li>ช่วงแนะนำ: <code>1,000,000 × $10 / 1M = $10.00</code> </li> <li>ราคามาตรฐาน: <code>1,000,000 × $20 / 1M = $20.00</code> </li> </ul> <p>ต้องรวมค่าอินพุตด้วย ตัวอย่างพรอมต์ขนาด 200,000 โทเค็น:</p> <ul> <li>ราคาแนะนำ: <code>200,000 × $2 / 1M = $0.40</code> </li> <li>ราคามาตรฐาน: <code>$0.80</code> </li> </ul> <p>ดังนั้นคำขอที่สร้างเอาต์พุตเต็ม 1M พร้อมอินพุต 200K อาจมีค่าใช้จ่ายประมาณ:</p> <ul> <li> <strong>$10.40</strong> ในช่วงแนะนำ</li> <li> <strong>$20.80</strong> ในราคามาตรฐาน</li> </ul> <p>หากมี job กลางคืน 100 ครั้ง ค่าใช้จ่ายอาจเป็น $1,040 ในอัตราแนะนำ</p> <p>ประเด็นที่ยังไม่ชัดเจนคือ thinking tokens สำหรับ Argon ใน Gemini รุ่นปัจจุบัน thinking tokens ถูกคิดราคาเป็น output แต่ Google ยังไม่ได้ยืนยันว่า Argon ใช้กติกาเดียวกันหรือไม่ หรือ thinking tokens นับรวมในขีดจำกัด 1M หรือไม่ ดังนั้นแม้คำตอบที่ผู้ใช้มองเห็นจะสั้น ก็อาจใช้ output budget สูงได้</p> <p>ดูกรณีราคาเพิ่มเติมและส่วนลดอินพุตที่แคชไว้ 95% ได้ใน<a href="https://apidog.com/th/blog/gemini-4-argon-pricing?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือราคา Gemini 4 Argon</a></p> <h2> ทำไมต้องสตรีมคำตอบ </h2> <p>คำขอแบบ non-streaming จะไม่ส่งข้อมูลกลับจนกว่าการตอบสนองทั้งหมดจะเสร็จสิ้น สำหรับงานระดับหลายแสนโทเค็น การเชื่อมต่ออาจเงียบอยู่นาน และ timeout จาก client, reverse proxy หรือ load balancer สามารถตัดการเชื่อมต่อก่อนที่ไบต์แรกจะมาถึง</p> <p>สำหรับ <code>generateContent</code> ให้ใช้ endpoint แบบ SSE:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>:streamGenerateContent?alt=sse </code></pre> </div> <p>Google จะส่ง Server-Sent Events (SSE) ที่มี partial candidate chunks ให้ประมวลผลแต่ละ event ทันทีและเขียนผลลัพธ์ออกไป อย่ารวมเนื้อหาทั้งหมดไว้ใน memory ก่อน</p> <p>ตัวอย่างนี้ใช้งานกับ Gemini 3.8 Flash ได้ในปัจจุบัน โดยเก็บชื่อโมเดลไว้ใน environment variable เพราะ Google ยังไม่ได้เผยแพร่ Argon model ID ดู setup เพิ่มเติมใน<a href="https://apidog.com/th/blog/how-to-use-gemini-3-8-flash-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ API Gemini 3.8 Flash</a><br> </p> <div class="highlight js-code-highlight"> <pre class="highlight python"><code><span class="kn">import</span> <span class="n">json</span> <span class="kn">import</span> <span class="n">os</span> <span class="kn">import</span> <span class="n">requests</span> <span class="n">MODEL</span> <span class="o">=</span> <span class="n">os</span><span class="p">.</span><span class="n">environ</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">GEMINI_MODEL</span><span class="sh">"</span><span class="p">,</span> <span class="sh">"</span><span class="s">gemini-3.8-flash</span><span class="sh">"</span><span class="p">)</span> <span class="n">URL</span> <span class="o">=</span> <span class="p">(</span> <span class="sh">"</span><span class="s">https://generativelanguage.googleapis.com/v1beta/models/</span><span class="sh">"</span> <span class="sa">f</span><span class="sh">"</span><span class="si">{</span><span class="n">MODEL</span><span class="si">}</span><span class="s">:streamGenerateContent?alt=sse</span><span class="sh">"</span> <span class="p">)</span> <span class="n">body</span> <span class="o">=</span> <span class="p">{</span> <span class="sh">"</span><span class="s">contents</span><span class="sh">"</span><span class="p">:</span> <span class="p">[</span> <span class="p">{</span> <span class="sh">"</span><span class="s">parts</span><span class="sh">"</span><span class="p">:</span> <span class="p">[</span> <span class="p">{</span> <span class="sh">"</span><span class="s">text</span><span class="sh">"</span><span class="p">:</span> <span class="sh">"</span><span class="s">Write a test plan for every endpoint in a payments API.</span><span class="sh">"</span> <span class="p">}</span> <span class="p">]</span> <span class="p">}</span> <span class="p">],</span> <span class="sh">"</span><span class="s">generationConfig</span><span class="sh">"</span><span class="p">:</span> <span class="p">{</span> <span class="sh">"</span><span class="s">maxOutputTokens</span><span class="sh">"</span><span class="p">:</span> <span class="mi">60000</span> <span class="p">},</span> <span class="p">}</span> <span class="n">usage</span> <span class="o">=</span> <span class="bp">None</span> <span class="k">with</span> <span class="n">requests</span><span class="p">.</span><span class="nf">post</span><span class="p">(</span> <span class="n">URL</span><span class="p">,</span> <span class="n">json</span><span class="o">=</span><span class="n">body</span><span class="p">,</span> <span class="n">stream</span><span class="o">=</span><span class="bp">True</span><span class="p">,</span> <span class="n">timeout</span><span class="o">=</span><span class="p">(</span><span class="mi">10</span><span class="p">,</span> <span class="mi">120</span><span class="p">),</span> <span class="n">headers</span><span class="o">=</span><span class="p">{</span><span class="sh">"</span><span class="s">x-goog-api-key</span><span class="sh">"</span><span class="p">:</span> <span class="n">os</span><span class="p">.</span><span class="n">environ</span><span class="p">[</span><span class="sh">"</span><span class="s">GEMINI_API_KEY</span><span class="sh">"</span><span class="p">]},</span> <span class="p">)</span> <span class="k">as</span> <span class="n">r</span><span class="p">,</span> <span class="nf">open</span><span class="p">(</span><span class="sh">"</span><span class="s">response.txt</span><span class="sh">"</span><span class="p">,</span> <span class="sh">"</span><span class="s">a</span><span class="sh">"</span><span class="p">,</span> <span class="n">encoding</span><span class="o">=</span><span class="sh">"</span><span class="s">utf-8</span><span class="sh">"</span><span class="p">)</span> <span class="k">as</span> <span class="n">out</span><span class="p">:</span> <span class="n">r</span><span class="p">.</span><span class="nf">raise_for_status</span><span class="p">()</span> <span class="k">for</span> <span class="n">line</span> <span class="ow">in</span> <span class="n">r</span><span class="p">.</span><span class="nf">iter_lines</span><span class="p">(</span><span class="n">decode_unicode</span><span class="o">=</span><span class="bp">True</span><span class="p">):</span> <span class="k">if</span> <span class="ow">not</span> <span class="n">line</span> <span class="ow">or</span> <span class="ow">not</span> <span class="n">line</span><span class="p">.</span><span class="nf">startswith</span><span class="p">(</span><span class="sh">"</span><span class="s">data:</span><span class="sh">"</span><span class="p">):</span> <span class="k">continue</span> <span class="n">event</span> <span class="o">=</span> <span class="n">json</span><span class="p">.</span><span class="nf">loads</span><span class="p">(</span><span class="n">line</span><span class="p">[</span><span class="mi">5</span><span class="p">:])</span> <span class="k">for</span> <span class="n">candidate</span> <span class="ow">in</span> <span class="n">event</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">candidates</span><span class="sh">"</span><span class="p">,</span> <span class="p">[]):</span> <span class="k">for</span> <span class="n">part</span> <span class="ow">in</span> <span class="n">candidate</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">content</span><span class="sh">"</span><span class="p">,</span> <span class="p">{}).</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">parts</span><span class="sh">"</span><span class="p">,</span> <span class="p">[]):</span> <span class="n">out</span><span class="p">.</span><span class="nf">write</span><span class="p">(</span><span class="n">part</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">text</span><span class="sh">"</span><span class="p">,</span> <span class="sh">""</span><span class="p">))</span> <span class="n">out</span><span class="p">.</span><span class="nf">flush</span><span class="p">()</span> <span class="n">usage</span> <span class="o">=</span> <span class="n">event</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">usageMetadata</span><span class="sh">"</span><span class="p">,</span> <span class="n">usage</span><span class="p">)</span> <span class="nf">print</span><span class="p">(</span><span class="n">usage</span><span class="p">)</span> </code></pre> </div> <p>ค่า <code>timeout=(10, 120)</code> หมายถึง:</p> <ul> <li>timeout สำหรับการเชื่อมต่อ: 10 วินาที</li> <li>read timeout: 120 วินาที</li> </ul> <p>ใน <code>requests</code> ค่า read timeout คือช่วงเวลาสูงสุดระหว่างไบต์ที่ได้รับ ไม่ใช่ระยะเวลารวมของคำขอ ดังนั้นหาก stream ส่งข้อมูลมาอย่างต่อเนื่อง คำขอสามารถทำงานได้นานกว่าสองนาทีได้</p> <p>เขียนแต่ละ chunk ลงดิสก์ทันที และเก็บ <code>usageMetadata</code> ล่าสุดไว้ ใน Gemini 3.8 Flash event สุดท้ายจะให้จำนวนโทเค็นสุดท้ายสำหรับบันทึก usage และคำนวณค่าใช้จ่าย</p> <h2> ตรวจสอบ timeout ทุกชั้นของระบบ </h2> <p>timeout ไม่ได้มีเฉพาะที่ HTTP client เท่านั้น คำขอสตรีมยาวอาจผ่าน reverse proxy, API gateway, load balancer และ serverless runtime ซึ่งแต่ละชั้นสามารถตัด stream ได้</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>จุด</th> <th>สิ่งที่ต้องตรวจสอบ</th> <th>อาการเมื่อเกิดข้อผิดพลาด</th> </tr> </thead> <tbody> <tr> <td>HTTP client</td> <td>read timeout, idle timeout และ request timeout รวม</td> <td>เกิด exception กลาง stream โดยเฉพาะคำตอบยาว</td> </tr> <tr> <td>Reverse proxy</td> <td>read timeout และ response buffering สำหรับ <code>text/event-stream</code> </td> <td>event มาเป็นชุด หรือ stream ถูกตัด</td> </tr> <tr> <td>API gateway</td> <td>ระยะเวลาสูงสุดของคำขอ</td> <td>คำขอล้มเหลวหลังผ่านเวลาเท่าเดิมทุกครั้ง</td> </tr> <tr> <td>Load balancer</td> <td>idle timeout</td> <td>การเชื่อมต่อหลุดระหว่างช่วงเงียบยาว ก่อน event แรก</td> </tr> <tr> <td>Serverless function</td> <td>เวลาดำเนินการสูงสุด</td> <td>function จบก่อนโมเดลเขียนข้อมูลเสร็จ</td> </tr> </tbody> </table></div> <p>หากคำตอบยาวล้มเหลวหลังผ่านเวลาเท่าเดิมทุกครั้ง ให้สงสัย hard duration limit ในระบบกลาง การสตรีมแก้ได้เฉพาะ idle timeout แต่แก้ hard limit ไม่ได้ ในกรณีนั้นให้ย้ายงานออกจาก request path</p> <h2> ย้ายงานที่ยาวมากไปทำเบื้องหลัง </h2> <p>สำหรับงานที่อาจทำงานนานมาก ไม่ควรผูกงานไว้กับ live HTTP connection</p> <p><a href="https://ai.google.dev/gemini-api/docs/interactions" rel="noopener noreferrer">Interactions API</a> รองรับการทำงานเบื้องหลังผ่าน <code>background=true</code> สำหรับงานลักษณะนี้ แต่ background execution ต้องใช้ interaction ที่จัดเก็บไว้ เอกสารระบุว่า <code>store=false</code> ใช้ร่วมกับ background execution ไม่ได้</p> <p>แนวทางปฏิบัติ:</p> <ol> <li>เปิดการจัดเก็บข้อมูลสำหรับคำขอ background</li> <li>ส่งงานด้วย <code>background=true</code> </li> <li>ติดตามงานที่เสร็จสิ้นตาม endpoint และ workflow ที่ Google ระบุ</li> <li>อย่าเดา polling endpoint เอง</li> <li>วางแผนให้งาน Argon ระยะยาวใช้ Interactions API เพราะ Google ระบุว่าโมเดลใหม่จะเปิดตัวผ่าน API นี้</li> </ol> <h2> กำหนด output cap อย่างตั้งใจ </h2> <p>ขีดจำกัด 1M คือเพดาน ไม่ใช่ target</p> <p>ใน <code>generateContent</code> ให้กำหนด <code>generationConfig.maxOutputTokens</code> สำหรับทุกคำขอ ตัวอย่างก่อนหน้านี้ตั้งไว้ที่ 60,000 โทเค็นบน Gemini 3.8 Flash<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight python"><code><span class="sh">"</span><span class="s">generationConfig</span><span class="sh">"</span><span class="p">:</span> <span class="p">{</span> <span class="sh">"</span><span class="s">maxOutputTokens</span><span class="sh">"</span><span class="p">:</span> <span class="mi">60000</span> <span class="p">}</span> </code></pre> </div> <p>สำหรับ 3.8 Flash การคิดคำนวณนับรวมกับขีดจำกัดนี้ จากการทดสอบที่ตั้ง cap เป็น 2,000 พบว่าใช้ thinking tokens 1,340 และ visible tokens 656 สำหรับ Interactions API ให้ตรวจสอบฟิลด์ output cap ในเอกสาร Google ก่อนใช้งานจริง</p> <p>กำหนด cap จากค่าใช้จ่ายสูงสุดที่ยอมรับได้ต่อคำขอ:</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>ขีดจำกัดเอาต์พุต</th> <th>ค่าใช้จ่ายเอาต์พุตสูงสุดที่ราคามาตรฐาน ($20/1M)</th> <th>ราคาแนะนำ ($10/1M)</th> </tr> </thead> <tbody> <tr> <td>64,000</td> <td>$1.28</td> <td>$0.64</td> </tr> <tr> <td>128,000</td> <td>$2.56</td> <td>$1.28</td> </tr> <tr> <td>500,000</td> <td>$10.00</td> <td>$5.00</td> </tr> <tr> <td>1,000,000</td> <td>$20.00</td> <td>$10.00</td> </tr> </tbody> </table></div> <p>หากคำตอบชนขีดจำกัด ให้ถือว่าคำตอบอาจไม่สมบูรณ์ ตรวจสอบ <code>finishReason</code> จาก event สุดท้าย:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>MAX_TOKENS </code></pre> </div> <p>หากพบค่า <code>MAX_TOKENS</code> ให้ทำอย่างใดอย่างหนึ่ง:</p> <ul> <li>สร้างคำขอรอบถัดไปเพื่อให้โมเดลทำต่อ</li> <li>เพิ่ม output cap เฉพาะสำหรับงานนั้น</li> <li>ปรับ prompt ให้แยกงานเป็นส่วนเล็กลง</li> </ul> <h2> จัดเก็บและแยกวิเคราะห์เอาต์พุตขนาดใหญ่โดยไม่บัฟเฟอร์ </h2> <p>เอาต์พุต 1M โทเค็นอาจเป็นข้อความขนาดหลายเมกะไบต์ต่อคำขอ ออกแบบ storage pipeline ให้รองรับตั้งแต่แรก:</p> <ul> <li>เขียน chunk ลงไฟล์หรือ multipart object upload เมื่อได้รับข้อมูล แทนการสร้าง string เดียวใน memory</li> <li>เก็บไฟล์ partial หากการเชื่อมต่อขาด เพราะการ retry จากจุดเริ่มต้นอาจสร้างเอาต์พุตใหม่และถูกคิดเงินซ้ำ</li> <li>ขอผลลัพธ์แบบ JSON Lines เมื่อต้องการข้อมูลมีโครงสร้าง เพื่อแยก parse ทีละบรรทัดได้</li> <li>บันทึก <code>usageMetadata</code> และจำนวนไบต์ แทนการ log เนื้อหาทั้งหมด</li> <li>ตรวจสอบขีดจำกัดขนาดข้อความของ database, queue และ column ก่อนรับคำตอบระดับ 800K โทเค็น</li> </ul> <p>ตัวอย่างการเขียน JSON Lines ที่ parse แบบ incremental ได้:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight python"><code><span class="kn">import</span> <span class="n">json</span> <span class="k">with</span> <span class="nf">open</span><span class="p">(</span><span class="sh">"</span><span class="s">result.jsonl</span><span class="sh">"</span><span class="p">,</span> <span class="sh">"</span><span class="s">r</span><span class="sh">"</span><span class="p">,</span> <span class="n">encoding</span><span class="o">=</span><span class="sh">"</span><span class="s">utf-8</span><span class="sh">"</span><span class="p">)</span> <span class="k">as</span> <span class="n">f</span><span class="p">:</span> <span class="k">for</span> <span class="n">line</span> <span class="ow">in</span> <span class="n">f</span><span class="p">:</span> <span class="n">record</span> <span class="o">=</span> <span class="n">json</span><span class="p">.</span><span class="nf">loads</span><span class="p">(</span><span class="n">line</span><span class="p">)</span> <span class="nf">process</span><span class="p">(</span><span class="n">record</span><span class="p">)</span> </code></pre> </div> <h2> ทดสอบใน Apidog ก่อน Argon เปิดให้ใช้ </h2> <p>คุณสามารถซ้อม flow ทั้งหมดด้วยโมเดลปัจจุบันและ mock stream ก่อน <a href="https://apidog.com/download?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ดาวน์โหลด Apidog</a> แล้วทดสอบตามรายการนี้</p> <h3> 1. ดู SSE stream จริง </h3> <p>ส่งคำขอ streaming ไปยัง Gemini 3.8 Flash โดยตั้ง <code>GEMINI_API_KEY</code> และ <code>GEMINI_MODEL</code> เป็น environment variables</p> <p>Apidog สามารถแยก response แบบ <code>text/event-stream</code> และแสดง event ใน timeline ขณะข้อมูลมาถึง ใช้ตรวจสอบ:</p> <ul> <li>ขนาดของแต่ละ chunk</li> <li>ช่วงเวลาระหว่าง event</li> <li>event ที่ถูก buffer โดย proxy</li> <li>ค่า <code>usageMetadata</code> สุดท้าย</li> </ul> <h3> 2. จำลอง stream ที่ยาวกว่าของจริง </h3> <p>Gemini 3.8 Flash มีเอาต์พุตสูงสุด 65,536 โทเค็น จึงควรใช้ mock server เพื่อทดสอบ parser, proxy และ timeout กับ stream ที่ยาวกว่า<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight python"><code><span class="c1"># long_stream_mock.py: SSE รูปแบบ Gemini สำหรับทดสอบ parser และ timeout </span><span class="kn">import</span> <span class="n">json</span> <span class="kn">import</span> <span class="n">time</span> <span class="kn">from</span> <span class="n">http.server</span> <span class="kn">import</span> <span class="n">BaseHTTPRequestHandler</span><span class="p">,</span> <span class="n">ThreadingHTTPServer</span> <span class="n">EVENTS</span> <span class="o">=</span> <span class="mi">20000</span> <span class="n">DELAY</span> <span class="o">=</span> <span class="mf">0.005</span> <span class="n">CHUNK</span> <span class="o">=</span> <span class="sh">"</span><span class="s">lorem ipsum </span><span class="sh">"</span> <span class="o">*</span> <span class="mi">40</span> <span class="k">class</span> <span class="nc">Handler</span><span class="p">(</span><span class="n">BaseHTTPRequestHandler</span><span class="p">):</span> <span class="k">def</span> <span class="nf">do_POST</span><span class="p">(</span><span class="n">self</span><span class="p">):</span> <span class="n">self</span><span class="p">.</span><span class="n">rfile</span><span class="p">.</span><span class="nf">read</span><span class="p">(</span><span class="nf">int</span><span class="p">(</span><span class="n">self</span><span class="p">.</span><span class="n">headers</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">Content-Length</span><span class="sh">"</span><span class="p">,</span> <span class="mi">0</span><span class="p">)))</span> <span class="n">self</span><span class="p">.</span><span class="nf">send_response</span><span class="p">(</span><span class="mi">200</span><span class="p">)</span> <span class="n">self</span><span class="p">.</span><span class="nf">send_header</span><span class="p">(</span><span class="sh">"</span><span class="s">Content-Type</span><span class="sh">"</span><span class="p">,</span> <span class="sh">"</span><span class="s">text/event-stream</span><span class="sh">"</span><span class="p">)</span> <span class="n">self</span><span class="p">.</span><span class="nf">end_headers</span><span class="p">()</span> <span class="k">for</span> <span class="n">i</span> <span class="ow">in</span> <span class="nf">range</span><span class="p">(</span><span class="n">EVENTS</span><span class="p">):</span> <span class="n">event</span> <span class="o">=</span> <span class="p">{</span> <span class="sh">"</span><span class="s">candidates</span><span class="sh">"</span><span class="p">:</span> <span class="p">[</span> <span class="p">{</span> <span class="sh">"</span><span class="s">content</span><span class="sh">"</span><span class="p">:</span> <span class="p">{</span> <span class="sh">"</span><span class="s">parts</span><span class="sh">"</span><span class="p">:</span> <span class="p">[</span> <span class="p">{</span><span class="sh">"</span><span class="s">text</span><span class="sh">"</span><span class="p">:</span> <span class="n">CHUNK</span><span class="p">}</span> <span class="p">]</span> <span class="p">}</span> <span class="p">}</span> <span class="p">]</span> <span class="p">}</span> <span class="k">if</span> <span class="n">i</span> <span class="o">==</span> <span class="n">EVENTS</span> <span class="o">-</span> <span class="mi">1</span><span class="p">:</span> <span class="n">event</span><span class="p">[</span><span class="sh">"</span><span class="s">usageMetadata</span><span class="sh">"</span><span class="p">]</span> <span class="o">=</span> <span class="p">{</span> <span class="sh">"</span><span class="s">promptTokenCount</span><span class="sh">"</span><span class="p">:</span> <span class="mi">1200</span><span class="p">,</span> <span class="sh">"</span><span class="s">candidatesTokenCount</span><span class="sh">"</span><span class="p">:</span> <span class="mi">950000</span><span class="p">,</span> <span class="sh">"</span><span class="s">thoughtsTokenCount</span><span class="sh">"</span><span class="p">:</span> <span class="mi">40000</span><span class="p">,</span> <span class="sh">"</span><span class="s">totalTokenCount</span><span class="sh">"</span><span class="p">:</span> <span class="mi">991200</span><span class="p">,</span> <span class="p">}</span> <span class="n">self</span><span class="p">.</span><span class="n">wfile</span><span class="p">.</span><span class="nf">write</span><span class="p">(</span> <span class="sa">f</span><span class="sh">"</span><span class="s">data: </span><span class="si">{</span><span class="n">json</span><span class="p">.</span><span class="nf">dumps</span><span class="p">(</span><span class="n">event</span><span class="p">)</span><span class="si">}</span><span class="se">\n\n</span><span class="sh">"</span><span class="p">.</span><span class="nf">encode</span><span class="p">()</span> <span class="p">)</span> <span class="n">self</span><span class="p">.</span><span class="n">wfile</span><span class="p">.</span><span class="nf">flush</span><span class="p">()</span> <span class="n">time</span><span class="p">.</span><span class="nf">sleep</span><span class="p">(</span><span class="n">DELAY</span><span class="p">)</span> <span class="nc">ThreadingHTTPServer</span><span class="p">((</span><span class="sh">"</span><span class="s">127.0.0.1</span><span class="sh">"</span><span class="p">,</span> <span class="mi">8787</span><span class="p">),</span> <span class="n">Handler</span><span class="p">).</span><span class="nf">serve_forever</span><span class="p">()</span> </code></pre> </div> <p>รัน mock server:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code>python long_stream_mock.py </code></pre> </div> <p>จากนั้นตั้ง base URL ของ environment ชื่อ <code>mock</code> เป็น:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>http://127.0.0.1:8787 </code></pre> </div> <p>ส่งคำขอ streaming แบบเดียวกับที่ใช้จริงผ่าน environment นี้ stream จะทำงานประมาณสองนาที หรือ 128 วินาทีในการทดสอบเดิม และสร้างข้อความประมาณ 9.6 ล้านตัวอักษร ซึ่งเหมาะสำหรับตรวจจับปัญหาเหล่านี้:</p> <ul> <li>parser buffer ที่ใหญ่เกินไป</li> <li>proxy ที่สะสม event ก่อนส่งต่อ</li> <li>timeout ที่สั้นเกินไป</li> <li>การใช้หน่วยความจำเพิ่มขึ้นต่อเนื่อง</li> </ul> <h3> 3. ยืนยันการนับโทเค็นและค่าใช้จ่าย </h3> <p>สำหรับคำขอ <code>generateContent</code> แบบ non-streaming ให้ตรวจสอบว่า:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>candidatesTokenCount + thoughtsTokenCount &lt;= maxOutputTokens </code></pre> </div> <p>จากนั้นคำนวณค่าใช้จ่ายและยืนยันว่าไม่เกิน budget ของระบบ</p> <p>ดูสคริปต์คำนวณต้นทุนได้ใน<a href="https://apidog.com/th/blog/gemini-4-argon-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ API ของ Argon</a></p> <h2> คำถามที่พบบ่อย </h2> <h3> 1M เป็น context window ของ Gemini 4 Argon หรือไม่? </h3> <p>ไม่ใช่ 1M คือขีดจำกัดเอาต์พุตต่อการตอบสนอง ซึ่งเพิ่มขึ้นจาก 64K Google ยังไม่ได้เผยแพร่ขนาดหน้าต่างอินพุตของ Argon</p> <h3> การตอบสนอง Argon ขนาด 1M โทเค็นมีค่าใช้จ่ายเท่าไร? </h3> <p>ค่าเอาต์พุตคือ $10 ในอัตราแนะนำ และ $20 ในอัตรามาตรฐาน ยังไม่รวมค่าอินพุต ดูรายละเอียดใน<a href="https://apidog.com/th/blog/gemini-4-argon-pricing?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ราคา Gemini 4 Argon</a></p> <h3> วันนี้สามารถสร้างคำตอบ Argon ขนาด 1M โทเค็นได้หรือไม่? </h3> <p>ยังไม่ได้ เว้นแต่องค์กรของคุณจะอยู่ในกลุ่ม Fairwind ที่เข้าถึง Argon ได้แล้ว Gemini 3.8 Flash และ Gemini 3.1 Pro Preview จำกัดเอาต์พุตที่ 65,536 โทเค็น และ Vals AI รายงานขีดจำกัด 262K สำหรับ Argon configuration ที่ทดสอบ</p> <h3> จำเป็นต้องสตรีมคำตอบ Argon ที่ยาวหรือไม่? </h3> <p>Google ยังไม่ได้เผยแพร่คำแนะนำการสตรีมเฉพาะสำหรับ Argon แต่คำขอ non-streaming ที่ทำงานนานหลายนาทีมีความเสี่ยงถูกตัดจาก idle timeout ในหลายชั้นของระบบ ควรใช้ streaming หรือย้ายงานไป background execution ผ่าน Interactions API</p> <h3> Argon เปรียบเทียบกับ GPT-6 Astra และ Claude Opus 5.5 อย่างไร? </h3> <p>GPT-6 Astra และ Claude Opus 5.5 จำกัด synchronous output ที่ 128K โดย Claude รองรับ 300K บน Batch พร้อม beta header ขีดจำกัด 1M ที่ Google ระบุสำหรับ Argon จึงสูงกว่าประมาณ 8 เท่า</p> <h2> ขั้นตอนต่อไป </h2> <p>เพิ่ม streaming และ output cap ให้ Gemini client ของคุณตอนนี้ โดยเริ่มทดสอบกับ Gemini 3.8 Flash ก่อน จากนั้นรันกับ mock stream ที่ยาวจนแน่ใจว่าไม่มีส่วนใดใน stack ตัดการเชื่อมต่อ</p> <p>เมื่อ Argon model ID เปิดให้ใช้ ให้เปลี่ยนค่า <code>GEMINI_MODEL</code> แล้วรัน test suite เดิมซ้ำใน <a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a></p> Thanawat Wongchai Fri, 02 Oct 2026 10:04:07 +0000 https://dev.to/thanawat_wonchai/raakhaa-gemini-4-argon-erimtn-210-420-hlangcchaaknan-aelakhaaaichcchaaykhamtb-1m-othekhn-3c53 https://dev.to/thanawat_wonchai/raakhaa-gemini-4-argon-erimtn-210-420-hlangcchaaknan-aelakhaaaichcchaaykhamtb-1m-othekhn-3c53 <p>Gemini 4 Argon มีราคาโปรโมชันที่ $2 ต่อโทเค็นอินพุต 1 ล้านโทเค็น และ $10 ต่อโทเค็นเอาต์พุต 1 ล้านโทเค็น หลังจากช่วงโปรโมชัน ราคาเพิ่มเป็น $4 และ $20 ตามลำดับ อินพุตที่แคชไว้ลดราคา 95% เหลือ $0.10 ต่อ 1 ล้านโทเค็นในช่วงโปรโมชัน และ $0.20 หลังจากนั้น อย่างไรก็ตาม Google ยังไม่ประกาศระยะเวลาโปรโมชัน และ Argon ยังไม่เปิดให้ใช้งานทั่วไป โดยขณะนี้เปิดให้เฉพาะผู้ป้องกันภัยทางไซเบอร์ในโครงการ Fairwind เท่านั้น</p> <p><a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation" class="crayons-btn crayons-btn--primary">ลองใช้ Apidog วันนี้</a> </p> <p>บทความนี้แปลงตารางราคาเป็นตัวเลขที่ใช้วางงบประมาณได้จริง: เปรียบเทียบโมเดลปัจจุบัน 7 รุ่น จำลองต้นทุน 4 รูปแบบ อธิบายความต่างระหว่าง “ราคาต่อโทเค็น” กับ “ต้นทุนต่อภารกิจ” และแสดงการควบคุมต้นทุนที่ควรตั้งค่าก่อน Argon เปิดตัว</p> <p>หากต้องการดูภาพรวมของโมเดล เริ่มจาก <a href="https://apidog.com/th/blog/what-is-gemini-4-argon?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Gemini 4 Argon คืออะไร</a> และหากต้องการทราบสิทธิ์เข้าถึง ดูที่ <a href="https://apidog.com/th/blog/gemini-4-argon-free?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Gemini 4 Argon ฟรีหรือไม่</a> คุณสามารถสร้างชุดทดสอบและยืนยันต้นทุนใน <a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> ด้วยโมเดลที่เรียกใช้ได้ในวันนี้ แล้วเปลี่ยนเฉพาะชื่อโมเดลเมื่อ Argon เปิดให้ใช้</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fj7e77ememx3nfiqsd9tv.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fj7e77ememx3nfiqsd9tv.png" alt="ภาพประกอบ" width="800" height="802"></a></p> <h2> ตารางราคา </h2> <p>Google เผยแพร่ราคาใน<a href="https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/" rel="noopener noreferrer">โพสต์เปิดตัว Gemini 4 Argon</a> โดยเชิงอรรถระบุว่า หลังช่วงโปรโมชัน ราคา $4 ต่อ 1 ล้านโทเค็นอินพุต และ $20 ต่อ 1 ล้านโทเค็นเอาต์พุตจะมีผลบังคับใช้</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>Gemini 4 Argon, ต่อ 1 ล้านโทเค็น</th> <th>ช่วงโปรโมชัน</th> <th>มาตรฐาน (หลังช่วงโปรโมชัน)</th> </tr> </thead> <tbody> <tr> <td>อินพุต</td> <td>$2.00</td> <td>$4.00</td> </tr> <tr> <td>อินพุตที่แคช (ลด 95% จากอินพุต)</td> <td>$0.10</td> <td>$0.20</td> </tr> <tr> <td>เอาต์พุต</td> <td>$10.00</td> <td>$20.00</td> </tr> <tr> <td>เอาต์พุตสูงสุดต่อการตอบสนอง (Google)</td> <td>1M tokens</td> <td>1M tokens</td> </tr> <tr> <td>ค่าใช้จ่ายสำหรับเอาต์พุตเต็ม 1 ล้านโทเค็น</td> <td>$10.00</td> <td>$20.00</td> </tr> </tbody> </table></div> <p>อัตราอินพุตที่แคชคำนวณจากส่วนลด 95%:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>ราคาแคชช่วงโปรโมชัน = $2 × 0.05 = $0.10 ราคาแคชมาตรฐาน = $4 × 0.05 = $0.20 </code></pre> </div> <p>Google ยังไม่ระบุขนาดหน้าต่างบริบทอินพุตหรือรหัสโมเดลของ Argon อย่างเป็นทางการ แต่ระบุขีดจำกัดเอาต์พุตที่ 1 ล้านโทเค็น ซึ่ง “เพิ่มขึ้นจากเดิม 64K โทเค็น” ขณะที่ Vals AI ผู้ประเมินบุคคลที่สามรายหนึ่งระบุเอาต์พุตสูงสุด 262K สำหรับการกำหนดค่าที่ทดสอบ</p> <h2> Argon เทียบกับโมเดล Frontier และ Gemini ปัจจุบัน </h2> <p>ตัวเลขทั้งหมดด้านล่างเป็นราคาต่อ 1 ล้านโทเค็น</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>โมเดล</th> <th>อินพุต</th> <th>อินพุตที่แคช</th> <th>เอาต์พุต</th> <th>เอาต์พุตสูงสุด</th> </tr> </thead> <tbody> <tr> <td>Gemini 4 Argon (ช่วงโปรโมชัน)</td> <td>$2</td> <td>$0.10</td> <td>$10</td> <td>1M</td> </tr> <tr> <td>Gemini 4 Argon (มาตรฐาน)</td> <td>$4</td> <td>$0.20</td> <td>$20</td> <td>1M</td> </tr> <tr> <td>GPT-6 Astra</td> <td>$10</td> <td>$1</td> <td>$50</td> <td>128,000</td> </tr> <tr> <td>Claude Opus 5.5</td> <td>$4</td> <td>$0.20</td> <td>$20</td> <td>128K (300K on Batch, beta)</td> </tr> <tr> <td>Claude Sonnet 5.5</td> <td>$2</td> <td>$0.20</td> <td>$10</td> <td>128K (300K on Batch, beta)</td> </tr> <tr> <td>GPT-6.1 Sol</td> <td>$2</td> <td>$0.10</td> <td>$10</td> <td>128,000</td> </tr> <tr> <td>Claude Fable 5.1</td> <td>$10</td> <td>$0.25</td> <td>$50</td> <td>128K</td> </tr> <tr> <td>gemini-3.1-pro-preview (พร้อมท์ &lt;=200K / &gt;200K)</td> <td>$2 / $4</td> <td>$0.20 / $0.40</td> <td>$12 / $18</td> <td>65,536</td> </tr> <tr> <td>gemini-3.8-flash (ช่วงโปรโมชัน / ตั้งแต่ 2027-01-01)</td> <td>$0.75 / $1.50</td> <td>$0.075 / $0.15</td> <td>$3.75 / $7.50</td> <td>65,536</td> </tr> </tbody> </table></div> <p>แหล่งข้อมูลราคาของคู่แข่งมาจากเอกสารของผู้ให้บริการ: <a href="https://developers.openai.com/api/docs/models/gpt-6-astra" rel="noopener noreferrer">GPT-6 Astra ของ OpenAI</a>, <a href="https://platform.claude.com/docs/en/about-claude/pricing" rel="noopener noreferrer">หน้าราคา Anthropic</a> และ <a href="https://ai.google.dev/gemini-api/docs/pricing" rel="noopener noreferrer">หน้าราคา Gemini API ของ Google</a></p> <p>ประเด็นที่ใช้ตัดสินใจได้ทันที:</p> <ul> <li> <strong>Standard Argon มีราคาเท่ากับ Claude Opus 5.5</strong>: $4/$20 และอินพุตแคช $0.20</li> <li> <strong>Intro Argon มีราคาเท่ากับ Claude Sonnet 5.5 และ GPT-6.1 Sol</strong>: อินพุต $2 และเอาต์พุต $10 โดยอัตราแคช $0.10 ของ Argon ตรงกับ GPT-6.1 Sol</li> <li> <strong>GPT-6 Astra และ Claude Fable 5.1 ราคา 5 เท่าของ Intro Argon</strong> และ 2.5 เท่าของ Standard Argon ดูรายละเอียดเพิ่มเติมที่ <a href="https://apidog.com/th/blog/claude-fable-5-1-pricing?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การกำหนดราคา Claude Fable 5.1</a> </li> <li> <strong>เอาต์พุต Argon ช่วงโปรโมชัน ($10) ต่ำกว่า gemini-3.1-pro-preview ($12)</strong> ซึ่งเป็นโมเดล Pro ระดับสูงสุดก่อนหน้า</li> <li> <strong>พร้อมท์ยาวอาจเปลี่ยนราคาอย่างมีนัยสำคัญ</strong>: OpenAI คิดราคาสูงขึ้นเมื่อเกิน 272K โทเค็นอินพุต, Gemini 3.1 Pro เปลี่ยนระดับราคาหลัง 200K โทเค็น, ส่วน Anthropic ไม่คิดราคาเพิ่มตามเกณฑ์นี้ Google ยังไม่ระบุว่า Argon มีระดับราคาสำหรับพร้อมท์ยาวหรือไม่</li> </ul> <p>หากต้องการเปรียบเทียบความสามารถควบคู่กับราคา ดู <a href="https://apidog.com/th/blog/gemini-4-argon-vs-gpt-6-astra-vs-claude-opus-5-5?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Gemini 4 Argon เทียบกับ GPT-6 Astra เทียบกับ Claude Opus 5.5</a></p> <h2> โทเค็นการคิดถูกคิดเป็นเอาต์พุต </h2> <p>ในโมเดล Gemini ปัจจุบัน โทเค็นการคิดถูกเรียกเก็บเงินเป็นเอาต์พุต <a href="https://ai.google.dev/gemini-api/docs/thinking" rel="noopener noreferrer">เอกสารเกี่ยวกับการคิดของ Google</a> ระบุว่าราคาการตอบสนองคือผลรวมของโทเค็นเอาต์พุตและโทเค็นการคิด</p> <p>Google ยังไม่มีเอกสารเฉพาะสำหรับ Argon แต่ควรวางงบโดยใช้กฎเดียวกัน เนื่องจาก Google ประเมิน Argon ด้วยการตั้งค่าการคิดสูงสุด ให้ตีความราคาเอาต์พุต $10 ต่อ 1 ล้านโทเค็นว่าเป็นต้นทุนรวมของข้อความตอบกลับและการคิด</p> <p>ใช้สูตรนี้ในการประมาณค่าใช้จ่าย:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>cost = uncached_input / 1,000,000 × input_rate + cached_input / 1,000,000 × cached_rate + (output + thinking) / 1,000,000 × output_rate </code></pre> </div> <h2> สี่สถานการณ์จำลองที่ใช้วางงบได้ </h2> <p>ทุกตัวเลขคำนวณจากจำนวนโทเค็นหาร 1 ล้าน แล้วคูณด้วยอัตราต่อ 1 ล้านโทเค็น สถานการณ์ที่ 1 ถึง 3 สมมติว่าไม่มีการแคช</p> <h3> 1. การเรียก API ทั่วไป: อินพุต 20K, เอาต์พุต 5K </h3> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>ช่วงโปรโมชัน อินพุต: 20,000 / 1,000,000 × $2 = $0.04 เอาต์พุต: 5,000 / 1,000,000 × $10 = $0.05 รวม: $0.09 มาตรฐาน อินพุต: $0.08 เอาต์พุต: $0.10 รวม: $0.18 </code></pre> </div> <p>หากเรียก 1,000 ครั้งต่อวัน:</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>ราคา</th> <th>ต้นทุนต่อวัน</th> </tr> </thead> <tbody> <tr> <td>ช่วงโปรโมชัน</td> <td>$90</td> </tr> <tr> <td>มาตรฐาน</td> <td>$180</td> </tr> </tbody> </table></div> <p>สำหรับ workload เดียวกัน:</p> <ul> <li>Claude Opus 5.5: $0.18</li> <li>GPT-6 Astra: $0.45 ($0.20 + $0.25)</li> <li>gemini-3.1-pro-preview: $0.10 ($0.04 + $0.06)</li> <li>gemini-3.8-flash ช่วงโปรโมชัน: ประมาณ $0.034 ($0.015 + $0.019)</li> </ul> <h3> 2. งานเอเจนต์ระยะยาว: อินพุต 200K, เอาต์พุต 50K </h3> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>ช่วงโปรโมชัน อินพุต: 200,000 / 1,000,000 × $2 = $0.40 เอาต์พุต: 50,000 / 1,000,000 × $10 = $0.50 รวม: $0.90 มาตรฐาน อินพุต: $0.80 เอาต์พุต: $1.00 รวม: $1.80 </code></pre> </div> <p>เปรียบเทียบ:</p> <ul> <li>GPT-6 Astra: $4.50 ($2.00 + $2.50)</li> <li>gemini-3.1-pro-preview: $1.00 ($0.40 + $0.60)</li> </ul> <p>อย่างไรก็ตาม 200K คือขีดจำกัดระดับราคา Gemini 3.1 Pro พร้อมท์ที่ยาวกว่านี้จะถูกคิดที่ $4/$18 หาก Argon ใช้โครงสร้างราคาใกล้เคียงกัน งานเอเจนต์ที่มีบริบทยาวกว่านี้อาจมีค่าใช้จ่ายสูงกว่าในตาราง</p> <h3> 3. การตอบสนองที่ใช้เอาต์พุตเต็ม 1 ล้านโทเค็น </h3> <p>เอาต์พุตอย่างเดียวมีค่าใช้จ่าย:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>1,000,000 / 1,000,000 × $10 = $10.00 # ช่วงโปรโมชัน 1,000,000 / 1,000,000 × $20 = $20.00 # มาตรฐาน </code></pre> </div> <p>หากเพิ่มพร้อมท์ 100K โทเค็น:</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>ราคา</th> <th>ค่าเอาต์พุต</th> <th>ค่าอินพุต 100K</th> <th>รวม</th> </tr> </thead> <tbody> <tr> <td>ช่วงโปรโมชัน</td> <td>$10.00</td> <td>$0.20</td> <td>$10.20</td> </tr> <tr> <td>มาตรฐาน</td> <td>$20.00</td> <td>$0.40</td> <td>$20.40</td> </tr> </tbody> </table></div> <p>ไม่มีโมเดลอื่นในตารางที่สร้างเอาต์พุต 1 ล้านโทเค็นในการตอบสนองแบบ synchronous ครั้งเดียวได้ เพราะคู่แข่งส่วนใหญ่จำกัดที่ 128K และ Gemini Pro รุ่นก่อนหน้าจำกัดที่ 65,536</p> <p>หากใช้เอาต์พุตสูงสุด 262K ที่ Vals AI รายงาน ต้นทุนเอาต์พุตของ Argon จะอยู่ที่ประมาณ $2.62 ในช่วงโปรโมชัน หรือ $5.24 ในราคามาตรฐาน ดูรายละเอียดด้าน timeout, streaming และ gateway ได้ที่ <a href="https://apidog.com/th/blog/gemini-4-argon-1m-output-tokens?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">โทเค็นเอาต์พุต 1 ล้านโทเค็นของ Gemini 4 Argon</a></p> <h3> 4. พร้อมท์ 500K ที่แคชและใช้ซ้ำ 10 ครั้ง </h3> <p>สมมติว่าคุณส่ง codebase หรือชุดสัญญา 500K โทเค็นเดิม 10 ครั้ง และแต่ละครั้งสร้างเอาต์พุต 5K โทเค็น โดยการเรียกครั้งแรกจ่ายราคาอินพุตเต็มเพื่อสร้างแคช และ 9 ครั้งหลังอ่านจากแคช</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>10 การเรียกใช้, พร้อมท์ 500K, เอาต์พุต 5K ต่อครั้ง</th> <th>ช่วงโปรโมชัน</th> <th>มาตรฐาน</th> </tr> </thead> <tbody> <tr> <td>อินพุต ไม่มีแคช (10 × 500K)</td> <td>$10.00</td> <td>$20.00</td> </tr> <tr> <td>อินพุต แคช (1 เต็ม + 9 แคช)</td> <td>$1.00 + 9 × $0.05 = $1.45</td> <td>$2.00 + 9 × $0.10 = $2.90</td> </tr> <tr> <td>เอาต์พุต (10 × 5K)</td> <td>$0.50</td> <td>$1.00</td> </tr> <tr> <td><strong>รวมพร้อมแคช</strong></td> <td><strong>$1.95</strong></td> <td><strong>$3.90</strong></td> </tr> <tr> <td>รวมโดยไม่มีแคช</td> <td>$10.50</td> <td>$21.00</td> </tr> </tbody> </table></div> <p>การแคชช่วยลดค่าใช้จ่ายอินพุตได้ 85.5% ในสถานการณ์นี้</p> <p>แต่ต้องพิจารณา 2 ประเด็น:</p> <ol> <li>Google ยังไม่ระบุว่า Argon มีค่าจัดเก็บแคชหรือไม่ ตัวอย่างเช่น gemini-3.1-pro-preview คิดค่าจัดเก็บ $4.50 ต่อ 1 ล้านโทเค็นต่อชั่วโมง ซึ่งจะเพิ่ม $2.25 หากเก็บ 500K โทเค็นเป็นเวลา 1 ชั่วโมง</li> <li>พร้อมท์ 500K เกินขีดจำกัด 200K ของ Gemini 3.1 Pro จึงยังไม่ชัดเจนว่า Argon จะมีระดับราคาเพิ่มสำหรับบริบทยาวหรือไม่</li> </ol> <p>อัตราแคชมาตรฐานของ Argon เท่ากับ $0.20 ของ Opus 5.5 ดังนั้นตรรกะการคุ้มทุนจาก <a href="https://apidog.com/th/blog/claude-opus-5-5-prompt-caching-cost-math?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การคำนวณต้นทุนการแคชพร้อมท์ของ Claude Opus 5.5</a> ยังใช้เป็นแนวทางได้</p> <h2> ราคาต่อโทเค็นไม่ใช่ต้นทุนต่อภารกิจ </h2> <p>อย่าวางงบจากราคาต่อโทเค็นเพียงอย่างเดียว เพราะแต่ละโมเดลอาจใช้จำนวนโทเค็นต่างกันมากเพื่อทำงานเดียวกัน</p> <p><a href="https://artificialanalysis.ai/models/gemini-4-argon" rel="noopener noreferrer">Artificial Analysis</a> ระบุค่าใช้จ่าย $1.99 ต่อภารกิจสำหรับ Gemini 4 Argon (high) บน Intelligence Index ที่ราคาโปรโมชัน ขณะที่ <a href="https://the-decoder.com/google-gemini-4-argon-closes-the-gap-with-openai-and-anthropic-but-doesnt-take-a-clear-lead/" rel="noopener noreferrer">The Decoder</a> ระบุว่าการรันเดียวกันมีราคา $3.98 ที่ราคามาตรฐาน</p> <p>Artificial Analysis ให้คะแนน Argon ที่ 53 เท่ากับ GPT-6 Astra (สูงสุด) แต่ระบุราคา Astra ที่ $3.26 ต่อภารกิจ</p> <p>ความต่างมาจากจำนวนโทเค็นเอาต์พุต:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>Argon (high): ประมาณ 62K output tokens ต่อภารกิจ Astra (max): ประมาณ 27K output tokens ต่อภารกิจ </code></pre> </div> <p>ตัวอย่างต้นทุนเอาต์พุต:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>Argon ช่วงโปรโมชัน: 62,000 / 1,000,000 × $10 = $0.62 Astra มาตรฐาน: 27,000 / 1,000,000 × $50 = $1.35 </code></pre> </div> <p>แม้ Argon จะมีอัตรามาตรฐานต่ำกว่า Astra 60% แต่ต้นทุนเต็มต่อภารกิจของ Argon ที่ $3.98 ยังสูงกว่าตัวเลข $3.26 ของ Astra ในการประเมินดังกล่าว</p> <p><a href="https://www.vals.ai/models/google_gemini-4-argon" rel="noopener noreferrer">Vals AI</a> แสดงแนวโน้มเดียวกัน โดยรายงานต้นทุนต่อการทดสอบบน Vals Index ดังนี้:</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>โมเดล</th> <th>ต้นทุนต่อการทดสอบ</th> </tr> </thead> <tbody> <tr> <td>Gemini 4 Argon</td> <td>$15.68</td> </tr> <tr> <td>Claude Opus 5.5</td> <td>$32.14</td> </tr> <tr> <td>Claude Sonnet 5.5</td> <td>$21.34</td> </tr> <tr> <td>GPT-6.1 Sol</td> <td>$3.24</td> </tr> </tbody> </table></div> <p>แม้ Sonnet 5.5 และ GPT-6.1 Sol จะมีราคาต่อโทเค็นช่วงโปรโมชันใกล้กับ Argon แต่ต้นทุนต่อการทดสอบต่างกันมากกว่า 6 เท่า</p> <p><strong>ข้อสรุป:</strong> สร้างงบจาก telemetry ของ workload ตัวเอง ไม่ใช่จากตารางราคาอย่างเดียว</p> <h2> การควบคุมค่าใช้จ่ายที่ควรตั้งค่าก่อน Argon เปิดตัว </h2> <h3> 1. จำกัดเอาต์พุตทุกคำขอ </h3> <p>บน <code>generateContent</code> ให้กำหนด <code>generationConfig.maxOutputTokens</code> เสมอ<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight json"><code><span class="p">{</span><span class="w"> </span><span class="nl">"generationConfig"</span><span class="p">:</span><span class="w"> </span><span class="p">{</span><span class="w"> </span><span class="nl">"maxOutputTokens"</span><span class="p">:</span><span class="w"> </span><span class="mi">8192</span><span class="w"> </span><span class="p">}</span><span class="w"> </span><span class="p">}</span><span class="w"> </span></code></pre> </div> <p>Google ระบุว่าโมเดลใหม่จะเปิดตัวบน Interactions API ด้วย ดังนั้นเมื่อมีเอกสาร Argon ให้ตั้งค่าเพดานที่เทียบเท่าใน API นั้นเช่นกัน</p> <p>หากไม่จำกัด เอาต์พุต 1 ล้านโทเค็นอาจมีต้นทุนสูงสุด $20 ต่อคำขอที่อัตรามาตรฐาน โดยยังไม่รวมอินพุต</p> <h3> 2. แคชเนื้อหาที่เสถียร </h3> <p>เนื้อหาที่เหมาะกับการแคช ได้แก่:</p> <ul> <li>system prompt</li> <li>JSON Schema หรือ API schema</li> <li>เอกสารอ้างอิง</li> <li>codebase context</li> <li>สัญญาและข้อกำหนดที่ใช้ซ้ำหลายคำขอ</li> </ul> <p>ส่วนลด 95% จะให้ผลดีที่สุดเมื่อบริบทมีขนาดใหญ่และใช้ซ้ำบ่อย</p> <h3> 3. เลือกระดับการคิดอย่างตั้งใจ </h3> <p>Google ยังไม่เผยระดับการคิดของ Argon ปัจจุบัน:</p> <ul> <li> <code>gemini-3.1-pro-preview</code> มีค่าเริ่มต้นเป็น <code>high</code> </li> <li> <code>gemini-3.8-flash</code> มีค่าเริ่มต้นเป็น <code>medium</code> </li> </ul> <p>เมื่อ Argon มีเอกสารอย่างเป็นทางการ ให้ทดสอบระดับการคิดต่ำลงกับชุดงานจริงของคุณ แล้วเปรียบเทียบคุณภาพกับจำนวน output/thinking tokens ที่ใช้</p> <h3> 4. ยืนยันต้นทุนจาก <code>usageMetadata</code> </h3> <p>ทุกการตอบสนองของ <code>generateContent</code> จะมี <code>usageMetadata</code> ให้บันทึกจำนวนโทเค็นจริงและคำนวณต้นทุนหลังการตอบสนอง</p> <p>แนวทางที่ใช้งานได้ทันที:</p> <ol> <li>เก็บชื่อโมเดลไว้ในตัวแปรสภาพแวดล้อม <code>GEMINI_MODEL</code> </li> <li>เริ่มต้นด้วย <code>gemini-3.8-flash</code> </li> <li>ส่งคำขอผ่าน <a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> </li> <li>อ่าน <code>usageMetadata</code> จาก response</li> <li>คำนวณต้นทุนตามอัตราที่กำหนด</li> <li>ทำให้การทดสอบล้มเหลวหากต้นทุนเกินเพดาน</li> <li>เมื่อ Google เผยแพร่ ID ของ Argon ให้เปลี่ยนเฉพาะ <code>GEMINI_MODEL</code> แล้วรันชุดทดสอบเดิมอีกครั้ง</li> </ol> <p>ตัวอย่าง pseudo-code:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight javascript"><code><span class="kd">const</span> <span class="nx">rates</span> <span class="o">=</span> <span class="p">{</span> <span class="na">input</span><span class="p">:</span> <span class="mi">2</span><span class="p">,</span> <span class="na">cachedInput</span><span class="p">:</span> <span class="mf">0.1</span><span class="p">,</span> <span class="na">output</span><span class="p">:</span> <span class="mi">10</span> <span class="p">};</span> <span class="kd">const</span> <span class="nx">cost</span> <span class="o">=</span> <span class="p">(</span><span class="nx">usage</span><span class="p">.</span><span class="nx">uncachedInputTokens</span> <span class="o">/</span> <span class="mi">1</span><span class="nx">_000_000</span><span class="p">)</span> <span class="o">*</span> <span class="nx">rates</span><span class="p">.</span><span class="nx">input</span> <span class="o">+</span> <span class="p">(</span><span class="nx">usage</span><span class="p">.</span><span class="nx">cachedInputTokens</span> <span class="o">/</span> <span class="mi">1</span><span class="nx">_000_000</span><span class="p">)</span> <span class="o">*</span> <span class="nx">rates</span><span class="p">.</span><span class="nx">cachedInput</span> <span class="o">+</span> <span class="p">((</span><span class="nx">usage</span><span class="p">.</span><span class="nx">outputTokens</span> <span class="o">+</span> <span class="nx">usage</span><span class="p">.</span><span class="nx">thinkingTokens</span><span class="p">)</span> <span class="o">/</span> <span class="mi">1</span><span class="nx">_000_000</span><span class="p">)</span> <span class="o">*</span> <span class="nx">rates</span><span class="p">.</span><span class="nx">output</span><span class="p">;</span> <span class="k">if </span><span class="p">(</span><span class="nx">cost</span> <span class="o">&gt;</span> <span class="mf">0.25</span><span class="p">)</span> <span class="p">{</span> <span class="k">throw</span> <span class="k">new</span> <span class="nc">Error</span><span class="p">(</span><span class="s2">`คำขอนี้เกินงบ: $</span><span class="p">${</span><span class="nx">cost</span><span class="p">.</span><span class="nf">toFixed</span><span class="p">(</span><span class="mi">4</span><span class="p">)}</span><span class="s2">`</span><span class="p">);</span> <span class="p">}</span> </code></pre> </div> <p>โครงสร้างฟิลด์จริงของ <code>usageMetadata</code> ต้องตรวจสอบกับเอกสาร API ที่ใช้อยู่ แต่แนวคิดสำคัญคือให้บังคับ budget gate จากการใช้งานจริง ไม่ใช่การประมาณจาก prompt เพียงอย่างเดียว</p> <h2> สิ่งที่ Google ยังไม่ได้กำหนดราคา </h2> <p>ก่อนนำ Argon ไปใช้งานจริง ยังมีข้อมูลสำคัญที่ Google ไม่ได้ระบุ:</p> <ul> <li>ระยะเวลาโปรโมชันและวันที่เริ่มราคา $4/$20</li> <li>การคิดราคาเพิ่มเติมสำหรับพร้อมท์เกิน 200K โทเค็น</li> <li>ราคา Batch หรือ Flex</li> <li>ค่าจัดเก็บแคช</li> <li>rate limit</li> <li>สิทธิ์ระดับฟรี</li> </ul> <p>Gemini 3.1 Pro มีราคา Batch และ Flex โดยมีอินพุต $1/$2 และเอาต์พุต $6/$9 แต่ยังไม่สามารถสรุปได้ว่า Argon จะมีโครงสร้างเดียวกัน</p> <h2> คำถามที่พบบ่อย </h2> <p><strong>Gemini 4 Argon มีค่าใช้จ่ายเท่าไรต่อ 1 ล้านโทเค็น?</strong></p> <p>อินพุต $2 และเอาต์พุต $10 ในช่วงโปรโมชัน หลังจากนั้นเป็น $4 และ $20 ตามลำดับ อินพุตที่แคชมีส่วนลด 95% เหลือ $0.10 ในช่วงโปรโมชัน และ $0.20 ในราคามาตรฐาน</p> <p><strong>ราคาช่วงโปรโมชันจะนานแค่ไหน?</strong></p> <p>Google ยังไม่ได้ระบุวันสิ้นสุดหรือระยะเวลาในโพสต์เปิดตัว</p> <p><strong>โทเค็นการคิดถูกเรียกเก็บเป็นเอาต์พุตหรือไม่?</strong></p> <p>สำหรับ Gemini รุ่นปัจจุบัน ใช่ แต่ Google ยังไม่มีเอกสารเฉพาะของ Argon</p> <p><strong>การตอบสนอง 1 ล้านโทเค็นมีค่าใช้จ่ายเท่าไร?</strong></p> <p>$10 ในราคาช่วงโปรโมชัน และ $20 ในราคามาตรฐาน โดยยังไม่รวมอินพุต</p> <p><strong>Argon ถูกกว่า Claude Opus 5.5 หรือ GPT-6 Astra หรือไม่?</strong></p> <p>เมื่อคิดต่อโทเค็น Argon มาตรฐานเท่ากับ Opus 5.5 และต่ำกว่า Astra 60% แต่ต้นทุนต่อภารกิจขึ้นอยู่กับจำนวนโทเค็นที่โมเดลใช้จริง Artificial Analysis วัดว่า Argon ใช้โทเค็นเอาต์พุตประมาณ 2.3 เท่าของ Astra ในการตั้งค่าที่เปรียบเทียบกัน หากต้องการ Gemini ที่ราคาต่ำกว่าและใช้งานได้ในวันนี้ ดู <a href="https://apidog.com/th/blog/gemini-3-8-flash-pricing?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การกำหนดราคา Gemini 3.8 Flash</a></p> <p><strong>ฉันสามารถชำระเงินเพื่อใช้ Argon ได้วันนี้หรือไม่?</strong></p> <p>ยังไม่ได้ ขณะนี้เปิดใช้เฉพาะพันธมิตรโครงการ Fairwind ลูกค้า API แบบชำระเงินและสมาชิก Google AI Ultra จะเป็นกลุ่มถัดไป แต่ยังไม่มีกำหนดวัน</p> <h2> จัดงบประมาณตอนนี้ วัดผลเมื่อโมเดลเปิดใช้ </h2> <p>เริ่มจากนำจำนวนโทเค็นจริงของคุณมาคูณกับอัตรา Argon ทั้งสองช่วง:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>ราคาโปรโมชัน: input × $2/1M + output × $10/1M ราคามาตรฐาน: input × $4/1M + output × $20/1M </code></pre> </div> <p>จากนั้นสร้างระบบวัดผลตั้งแต่ตอนนี้:</p> <ol> <li><a href="https://apidog.com/download?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ดาวน์โหลด Apidog</a></li> <li>บันทึกคำขอที่ใช้ <code>gemini-3.8-flash</code> </li> <li>ใช้ <code>GEMINI_MODEL</code> เป็นตัวแปรสำหรับชื่อโมเดล</li> <li>เพิ่ม assertion จาก <code>usageMetadata</code> </li> <li>ตั้ง budget limit ต่อคำขอและต่อชุดทดสอบ</li> <li>เปลี่ยนชื่อโมเดลเพียงค่าเดียวเมื่อ Google เผยแพร่ Argon</li> </ol> <p>วิธีนี้ทำให้คุณเห็นต้นทุนจริงต่อคำขอได้ตั้งแต่วันแรกที่ Argon เปิดใช้งาน</p> Thanawat Wongchai Fri, 02 Oct 2026 10:02:55 +0000 https://dev.to/thanawat_wonchai/gemini-4-argon-api-khmuulyuuenyan-raakhaa-aelawithiietriiymokhd-kp9 https://dev.to/thanawat_wonchai/gemini-4-argon-api-khmuulyuuenyan-raakhaa-aelawithiietriiymokhd-kp9 <p>ยังไม่มี Gemini 4 Argon API สาธารณะ และ Google ยังไม่ได้เผยแพร่ Model ID ของโมเดลนี้ Google ประกาศเปิดตัว Argon เมื่อวันที่ 30 กันยายน 2026 และปัจจุบันมีให้เฉพาะผู้เข้าร่วมโครงการ Fairwind เท่านั้น โดยกลุ่มพันธมิตร Fairwind ใช้งานเป็นโมเดลที่จัดการบน Gemini Enterprise <a href="https://artificialanalysis.ai/models/gemini-4-argon/providers" rel="noopener noreferrer">Artificial Analysis</a> ระบุว่า Google AI Studio เป็นผู้ให้บริการ API เพียงรายเดียวของ Argon แต่ไม่มีข้อมูลความเร็วหรือความหน่วง จึงดูเหมือนเป็นการเข้าถึงล่วงหน้าแบบจำกัด (allowlisted pre-release) มากกว่าปลายทางที่สมัครใช้งานได้ทั่วไป เมื่อเปิดตัวกว้างขึ้น Google ระบุว่าจะเริ่ม “กับลูกค้า API แบบชำระเงินและสมาชิก Google AI Ultra” ดังนั้นคีย์ Gemini API แบบชำระเงินจะทำให้คุณอยู่ในกลุ่มแรก ๆ ที่เข้าถึงได้</p> <p><a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation" class="crayons-btn crayons-btn--primary">ลองใช้ Apidog วันนี้</a> </p> <p>ช่องว่างระหว่างการประกาศและการเข้าถึงคือเวลาสำหรับเตรียมระบบ บทความนี้แยกสิ่งที่ยืนยันแล้วออกจากสิ่งที่ยังไม่ยืนยัน พร้อมโค้ดที่รันได้วันนี้บน Gemini 3.8 Flash เพื่อให้การย้ายไป Argon เปลี่ยนเพียงตัวแปรเดียว คุณจะได้สร้างคำขอ ตั้งค่าการแจ้งเตือนเมื่อโมเดลพร้อมใช้งาน จำลองการตอบกลับใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> และเพิ่มเพดานค่าใช้จ่ายตามราคาของ Argon เริ่มจาก <a href="https://apidog.com/th/blog/what-is-gemini-4-argon?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Gemini 4 Argon คืออะไร</a> และดูขั้นตอนการเปิดตัวในคู่มือ <a href="https://apidog.com/th/blog/gemini-4-argon-release-date?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">วันที่เปิดตัว Gemini 4 Argon</a></p> <h2> สิ่งที่ได้รับการยืนยันเกี่ยวกับ Gemini 4 Argon API และสิ่งที่ไม่ได้รับการยืนยัน </h2> <p><a href="https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/" rel="noopener noreferrer">โพสต์เปิดตัว</a> ของ Google ระบุราคาและข้อจำกัดเอาต์พุต แต่รายละเอียดส่วนใหญ่ที่จำเป็นต่อการผสานรวมยังไม่เผยแพร่</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>รายการ</th> <th>สถานะ</th> <th>รายละเอียด</th> </tr> </thead> <tbody> <tr> <td>ราคาอินพุต</td> <td>ยืนยันแล้ว</td> <td>$2 ต่อ 1 ล้านโทเค็นในช่วงแนะนำ, $4 หลังช่วงแนะนำ</td> </tr> <tr> <td>ราคาเอาต์พุต</td> <td>ยืนยันแล้ว</td> <td>$10 ต่อ 1 ล้านโทเค็นในช่วงแนะนำ, $20 หลังจากนั้น</td> </tr> <tr> <td>แคชอินพุต</td> <td>ยืนยันแล้ว</td> <td>ลด 95%: $0.10 ในช่วงแนะนำ, $0.20 ราคามาตรฐาน</td> </tr> <tr> <td>ข้อจำกัดเอาต์พุต</td> <td>ยืนยันแล้ว</td> <td>1 ล้านโทเค็น เพิ่มจาก 64K</td> </tr> <tr> <td>API surface</td> <td>ระบุไว้</td> <td>เอกสาร Google ระบุว่าโมเดลใหม่ทั้งหมดจะเปิดตัวบน Interactions API</td> </tr> <tr> <td>Model ID</td> <td>ยังไม่เผยแพร่</td> <td>ไม่มีในหน้าโมเดล หน้าราคา หรือบันทึกการเปลี่ยนแปลง</td> </tr> <tr> <td>Input context window</td> <td>ยังไม่เผยแพร่</td> <td>การประเมิน long context ใช้พรอมต์สูงสุด 1 ล้านโทเค็น แต่ไม่ใช่ข้อกำหนด</td> </tr> <tr> <td>Thinking levels</td> <td>ยังไม่เผยแพร่</td> <td>การประเมินรันด้วย “การตั้งค่าการคิดสูงสุด” แต่ไม่ทราบชื่อและค่าเริ่มต้น</td> </tr> <tr> <td>Rate limits</td> <td>ยังไม่เผยแพร่</td> <td>ไม่มีการประกาศระดับชั้น</td> </tr> <tr> <td>การรองรับ Batch</td> <td>ยังไม่เผยแพร่</td> <td>ไม่มีราคาแบบ Batch หรือ Flex</td> </tr> <tr> <td>Long-prompt tier</td> <td>ยังไม่เผยแพร่</td> <td>Gemini 3.1 Pro คิดเพิ่มเมื่อพรอมต์เกิน 200K แต่กฎของ Argon ยังไม่ระบุ</td> </tr> <tr> <td>ระยะเวลาช่วงแนะนำ</td> <td>ยังไม่เผยแพร่</td> <td>ไม่มีวันสิ้นสุดสำหรับราคา $2/$10</td> </tr> </tbody> </table></div> <p>สองจุดที่ต้องจับตาเป็นพิเศษ:</p> <ol> <li> <strong>API surface</strong> — <a href="https://ai.google.dev/gemini-api/docs/interactions" rel="noopener noreferrer">เอกสาร Interactions API</a> ระบุว่าโมเดลใหม่จะ “เปิดตัวบน Interactions API” ดังนั้น Argon น่าจะเปิดตัวผ่าน API นี้ก่อน Google ยังไม่ได้ยืนยันว่าจะรองรับ <code>generateContent</code> หรือไม่</li> <li> <strong>ข้อจำกัดเอาต์พุต</strong> — Google ระบุขีดจำกัด 1 ล้านโทเค็น แต่ Vals AI ระบุเอาต์พุตสูงสุด 262K สำหรับการกำหนดค่าที่ทดสอบ อย่าสรุปว่าทุกปลายทางจะให้บริการเต็ม 1 ล้านโทเค็นตั้งแต่วันแรก ดูผลกระทบต่อ streaming, timeout และการจัดเก็บข้อมูลได้ใน <a href="https://apidog.com/th/blog/gemini-4-argon-1m-output-tokens?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ 1M เอาต์พุตโทเค็น</a> </li> </ol> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fu8t5ilp29xt34iqbdxvd.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fu8t5ilp29xt34iqbdxvd.png" alt="Gemini 4 Argon API" width="800" height="802"></a></p> <p>ตัวอย่างต้นทุน: คำขอที่มีอินพุต 20,000 โทเค็นและเอาต์พุต 5,000 โทเค็น มีค่าใช้จ่ายดังนี้<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>ช่วงแนะนำ: 20,000 × $2 / 1,000,000 = $0.04 5,000 × $10 / 1,000,000 = $0.05 รวม $0.09 ราคามาตรฐาน: รวม $0.18 </code></pre> </div> <p>ราคาเอาต์พุตช่วงแนะนำของ Argon ($10) ต่ำกว่า Gemini 3.1 Pro Preview ที่ $12 ขณะที่ราคามาตรฐาน $20 ตรงกับ Claude Opus 5.5 ดูสถานการณ์เพิ่มเติม รวมถึง input cache และเอาต์พุต 1 ล้านโทเค็น ได้ใน <a href="https://apidog.com/th/blog/gemini-4-argon-pricing?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การวิเคราะห์ราคา Gemini 4 Argon</a></p> <h2> อย่าฮาร์ดโค้ด Model ID ที่คุณพบทางออนไลน์ </h2> <p>หากค้นหา Model ID ของ Argon คุณอาจพบสตริงบนเว็บเปรียบเทียบ ตัวรวบรวมข้อมูล หรือ open-source pull request แต่สิ่งเหล่านี้เป็นเพียง placeholder เท่านั้น Vals AI ใช้ slug ของตัวเอง, GitHub บาง PR ใช้ ID “ชั่วคราว” และพาธสไตล์ OpenRouter บางรายการนำไปยังหน้า not found</p> <p>ID ที่เดาเองจะล้มเหลวใน production ในวัน deploy หรือแย่กว่านั้นคือเกิด fallback แบบเงียบ หาก wrapper ดักจับข้อผิดพลาดกว้างเกินไป</p> <p>ให้เก็บชื่อโมเดลไว้ใน environment variable:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code><span class="nb">export </span><span class="nv">GEMINI_MODEL</span><span class="o">=</span><span class="s2">"gemini-3.8-flash"</span> </code></pre> </div> <p>ตัวอย่างทั้งหมดด้านล่างอ่านค่าจาก <code>GEMINI_MODEL</code> และใช้ <code>gemini-3.8-flash</code> เป็นค่าเริ่มต้น เมื่อ Google เผยแพร่ ID ของ Argon คุณเพียงเปลี่ยนตัวแปรนี้โดยไม่ต้องแก้โค้ด</p> <h2> เตรียมโค้ดของคุณให้พร้อมบน Gemini 3.8 Flash </h2> <p>Gemini 3.8 Flash (<code>gemini-3.8-flash</code>) ใช้งานบน endpoint, header และ response shape เดียวกับที่คาดว่า Argon จะใช้ ราคาอยู่ที่ $0.75/$3.75 ต่อ 1 ล้านโทเค็นจนถึงวันที่ 31 ธันวาคม 2026</p> <p>เก็บคีย์ไว้ใน <code>GEMINI_API_KEY</code> และอย่าใส่ลงใน source code ดูขั้นตอนตั้งค่าฉบับเต็มได้ใน <a href="https://apidog.com/th/blog/how-to-use-gemini-3-8-flash-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ Gemini 3.8 Flash API</a></p> <h3> ขั้นตอนที่ 1: ส่งคำขอ Interactions API </h3> <p>Interactions API เป็น API หลักของ Google และเปิดให้ใช้งานทั่วไปตั้งแต่เดือนมิถุนายน 2026 เก็บทั้งชื่อโมเดลและระดับการคิดไว้ในตัวแปร เพราะชื่อ thinking level ของ Argon ยังไม่เผยแพร่<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code><span class="nv">MODEL</span><span class="o">=</span><span class="s2">"</span><span class="k">${</span><span class="nv">GEMINI_MODEL</span><span class="k">:-</span><span class="nv">gemini</span><span class="p">-3.8-flash</span><span class="k">}</span><span class="s2">"</span> <span class="nv">THINKING</span><span class="o">=</span><span class="s2">"</span><span class="k">${</span><span class="nv">GEMINI_THINKING</span><span class="k">:-</span><span class="nv">medium</span><span class="k">}</span><span class="s2">"</span> curl <span class="nt">-s</span> <span class="nt">-X</span> POST <span class="s2">"https://generativelanguage.googleapis.com/v1beta/interactions"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"x-goog-api-key: </span><span class="nv">$GEMINI_API_KEY</span><span class="s2">"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"Content-Type: application/json"</span> <span class="se">\</span> <span class="nt">-d</span> <span class="s2">"{ </span><span class="se">\"</span><span class="s2">model</span><span class="se">\"</span><span class="s2">: </span><span class="se">\"</span><span class="k">${</span><span class="nv">MODEL</span><span class="k">}</span><span class="se">\"</span><span class="s2">, </span><span class="se">\"</span><span class="s2">input</span><span class="se">\"</span><span class="s2">: </span><span class="se">\"</span><span class="s2">List the retry rules a REST client should follow for HTTP 429.</span><span class="se">\"</span><span class="s2">, </span><span class="se">\"</span><span class="s2">generation_config</span><span class="se">\"</span><span class="s2">: {</span><span class="se">\"</span><span class="s2">thinking_level</span><span class="se">\"</span><span class="s2">: </span><span class="se">\"</span><span class="k">${</span><span class="nv">THINKING</span><span class="k">}</span><span class="se">\"</span><span class="s2">} }"</span> </code></pre> </div> <p>สำหรับ Python SDK ต้องใช้ <code>google-genai</code> เวอร์ชัน 2.3.0 ขึ้นไป:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight python"><code><span class="c1"># pip install "google-genai&gt;=2.3.0" </span><span class="kn">import</span> <span class="n">os</span> <span class="kn">from</span> <span class="n">google</span> <span class="kn">import</span> <span class="n">genai</span> <span class="n">MODEL</span> <span class="o">=</span> <span class="n">os</span><span class="p">.</span><span class="n">environ</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">GEMINI_MODEL</span><span class="sh">"</span><span class="p">,</span> <span class="sh">"</span><span class="s">gemini-3.8-flash</span><span class="sh">"</span><span class="p">)</span> <span class="n">THINKING</span> <span class="o">=</span> <span class="n">os</span><span class="p">.</span><span class="n">environ</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">GEMINI_THINKING</span><span class="sh">"</span><span class="p">,</span> <span class="sh">"</span><span class="s">medium</span><span class="sh">"</span><span class="p">)</span> <span class="n">client</span> <span class="o">=</span> <span class="n">genai</span><span class="p">.</span><span class="nc">Client</span><span class="p">()</span> <span class="c1"># reads GEMINI_API_KEY from the environment </span> <span class="n">interaction</span> <span class="o">=</span> <span class="n">client</span><span class="p">.</span><span class="n">interactions</span><span class="p">.</span><span class="nf">create</span><span class="p">(</span> <span class="n">model</span><span class="o">=</span><span class="n">MODEL</span><span class="p">,</span> <span class="nb">input</span><span class="o">=</span><span class="sh">"</span><span class="s">List the retry rules a REST client should follow for HTTP 429.</span><span class="sh">"</span><span class="p">,</span> <span class="n">generation_config</span><span class="o">=</span><span class="p">{</span><span class="sh">"</span><span class="s">thinking_level</span><span class="sh">"</span><span class="p">:</span> <span class="n">THINKING</span><span class="p">},</span> <span class="p">)</span> <span class="nf">print</span><span class="p">(</span><span class="n">interaction</span><span class="p">.</span><span class="n">output_text</span><span class="p">)</span> </code></pre> </div> <p>บน Gemini 3.8 Flash ค่าที่ใช้ได้คือ <code>low</code>, <code>medium</code> และ <code>high</code> โดย <code>medium</code> เป็นค่าเริ่มต้น หากใช้ <code>minimal</code> จะได้รับ HTTP 400 ดู trade-off ของแต่ละระดับได้ใน <a href="https://apidog.com/th/blog/gemini-3-8-flash-thinking-levels?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือระดับการคิด</a></p> <p>สำหรับ workflow แบบหลายรอบ ให้ส่ง ID ของคำตอบก่อนหน้าใน <code>previous_interaction_id</code> และส่ง <code>store: false</code> หากต้องการเลือกไม่เก็บข้อมูลฝั่งเซิร์ฟเวอร์</p> <h3> ขั้นตอนที่ 2: ทำให้ <code>generateContent</code> path ทำงานต่อไป </h3> <p>โค้ดเดิมจำนวนมากยังเรียก endpoint <code>generateContent</code> ซึ่ง Google ระบุว่ายังรองรับอย่างเต็มที่ ใช้คำขอเทียบเท่ากันได้ดังนี้:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code>curl <span class="nt">-s</span> <span class="s2">"https://generativelanguage.googleapis.com/v1beta/models/</span><span class="k">${</span><span class="nv">MODEL</span><span class="k">}</span><span class="s2">:generateContent"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"x-goog-api-key: </span><span class="nv">$GEMINI_API_KEY</span><span class="s2">"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"Content-Type: application/json"</span> <span class="se">\</span> <span class="nt">-d</span> <span class="s2">"{ </span><span class="se">\"</span><span class="s2">contents</span><span class="se">\"</span><span class="s2">: [{ </span><span class="se">\"</span><span class="s2">parts</span><span class="se">\"</span><span class="s2">: [{ </span><span class="se">\"</span><span class="s2">text</span><span class="se">\"</span><span class="s2">: </span><span class="se">\"</span><span class="s2">List the retry rules a REST client should follow for HTTP 429.</span><span class="se">\"</span><span class="s2"> }] }], </span><span class="se">\"</span><span class="s2">generationConfig</span><span class="se">\"</span><span class="s2">: { </span><span class="se">\"</span><span class="s2">thinkingConfig</span><span class="se">\"</span><span class="s2">: { </span><span class="se">\"</span><span class="s2">thinkingLevel</span><span class="se">\"</span><span class="s2">: </span><span class="se">\"</span><span class="k">${</span><span class="nv">THINKING</span><span class="k">}</span><span class="se">\"</span><span class="s2"> } } }"</span> </code></pre> </div> <p>ตำแหน่งของค่า thinking ต่างกัน:</p> <ul> <li>Interactions API: <code>generation_config.thinking_level</code> </li> <li> <code>generateContent</code>: <code>generationConfig.thinkingConfig.thinkingLevel</code> </li> </ul> <p>หากไคลเอ็นต์รองรับทั้งสอง API ให้กำหนดเส้นทางโมเดลใหม่ผ่าน Interactions เป็นค่าเริ่มต้น การกำหนด tools ต้องระวังในลักษณะเดียวกัน ดูตัวอย่างใน <a href="https://apidog.com/th/blog/gemini-3-8-flash-function-calling?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การเรียกใช้ฟังก์ชัน Gemini 3.8 Flash</a></p> <h3> ขั้นตอนที่ 3: กำหนดเวลาตรวจสอบสถานะพร้อมใช้งานด้วย <code>models.list</code> </h3> <p>อย่ารีเฟรช changelog ด้วยตนเอง ให้ตรวจสอบ endpoint <code>models</code> โดยตรง เพราะจะส่งคืนรายการโมเดลพร้อม token limit และ generation method ที่รองรับ<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight python"><code><span class="kn">import</span> <span class="n">os</span> <span class="kn">import</span> <span class="n">sys</span> <span class="kn">import</span> <span class="n">requests</span> <span class="n">resp</span> <span class="o">=</span> <span class="n">requests</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span> <span class="sh">"</span><span class="s">https://generativelanguage.googleapis.com/v1beta/models</span><span class="sh">"</span><span class="p">,</span> <span class="n">params</span><span class="o">=</span><span class="p">{</span><span class="sh">"</span><span class="s">pageSize</span><span class="sh">"</span><span class="p">:</span> <span class="mi">1000</span><span class="p">},</span> <span class="n">headers</span><span class="o">=</span><span class="p">{</span><span class="sh">"</span><span class="s">x-goog-api-key</span><span class="sh">"</span><span class="p">:</span> <span class="n">os</span><span class="p">.</span><span class="n">environ</span><span class="p">[</span><span class="sh">"</span><span class="s">GEMINI_API_KEY</span><span class="sh">"</span><span class="p">]},</span> <span class="n">timeout</span><span class="o">=</span><span class="mi">30</span><span class="p">,</span> <span class="p">)</span> <span class="n">resp</span><span class="p">.</span><span class="nf">raise_for_status</span><span class="p">()</span> <span class="n">hits</span> <span class="o">=</span> <span class="p">[</span> <span class="n">model</span> <span class="k">for</span> <span class="n">model</span> <span class="ow">in</span> <span class="n">resp</span><span class="p">.</span><span class="nf">json</span><span class="p">().</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">models</span><span class="sh">"</span><span class="p">,</span> <span class="p">[])</span> <span class="k">if</span> <span class="sh">"</span><span class="s">argon</span><span class="sh">"</span> <span class="ow">in</span> <span class="n">model</span><span class="p">[</span><span class="sh">"</span><span class="s">name</span><span class="sh">"</span><span class="p">].</span><span class="nf">lower</span><span class="p">()</span> <span class="p">]</span> <span class="k">for</span> <span class="n">model</span> <span class="ow">in</span> <span class="n">hits</span><span class="p">:</span> <span class="nf">print</span><span class="p">(</span> <span class="n">model</span><span class="p">[</span><span class="sh">"</span><span class="s">name</span><span class="sh">"</span><span class="p">],</span> <span class="sh">"</span><span class="s">in:</span><span class="sh">"</span><span class="p">,</span> <span class="n">model</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">inputTokenLimit</span><span class="sh">"</span><span class="p">),</span> <span class="sh">"</span><span class="s">out:</span><span class="sh">"</span><span class="p">,</span> <span class="n">model</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">outputTokenLimit</span><span class="sh">"</span><span class="p">),</span> <span class="n">model</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span><span class="sh">"</span><span class="s">supportedGenerationMethods</span><span class="sh">"</span><span class="p">),</span> <span class="p">)</span> <span class="n">sys</span><span class="p">.</span><span class="nf">exit</span><span class="p">(</span><span class="mi">1</span> <span class="k">if</span> <span class="n">hits</span> <span class="k">else</span> <span class="mi">0</span><span class="p">)</span> <span class="c1"># ใช้ failed run เป็นสัญญาณแจ้งเตือน </span></code></pre> </div> <p>รันสคริปต์นี้ทุกชั่วโมงจาก cron หรือ CI schedule โดยใช้คีย์เดียวกับ production</p> <p>เมื่อเรียก API นี้ในวันที่ 1 ตุลาคม 2026 ด้วยคีย์โปรเจกต์แบบชำระเงิน ผลลัพธ์มี 61 โมเดล ไม่มี <code>nextPageToken</code> และไม่มีชื่อใดที่มีคำว่า <code>argon</code> เมื่อชื่อปรากฏในรายการ คุณจะตรวจสอบได้ทันทีว่า:</p> <ul> <li>Model ID จริงคืออะไร</li> <li> <code>outputTokenLimit</code> ให้เต็ม 1 ล้านโทเค็นหรือไม่</li> <li>รองรับ generation method ใดบ้าง</li> </ul> <h3> ขั้นตอนที่ 4: จำลองการตอบกลับเพื่อสร้างไคลเอ็นต์ก่อนเข้าถึง Argon </h3> <p>คุณไม่จำเป็นต้องเข้าถึง Argon เพื่อสร้างโค้ดสำหรับ Argon</p> <p>บันทึกคำขอจากขั้นตอน <code>generateContent</code> ใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> และกำหนด <code>GEMINI_API_KEY</code> กับ <code>GEMINI_MODEL</code> เป็น environment variables จากนั้นทำตามขั้นตอนนี้:</p> <ol> <li>ส่งคำขอไปยัง Gemini 3.8 Flash หนึ่งครั้ง</li> <li>บันทึก response จริงเป็น response example</li> <li>ตั้งค่า Smart Mock ของโปรเจกต์เป็น <strong>Response example first</strong> </li> <li>ใช้ Mock URL เพื่อทดสอบ frontend, queue worker และ response parser โดยไม่ใช้โทเค็นจริง</li> </ol> <p>Apidog Smart Mock สร้างข้อมูลจาก schema เป็นค่าเริ่มต้น ดังนั้นให้เปลี่ยนวิธีจำลองที่ <strong>Project Settings → Feature Settings → Mock Settings</strong></p> <p>สิ่งที่จำลองได้คือ response schema ของ Gemini ปัจจุบัน ไม่ใช่ schema ที่ยืนยันแล้วของ Argon แต่ยังเป็นวิธีเตรียมระบบที่เหมาะสม เพราะ Argon คาดว่าจะใช้ API surface เดียวกัน</p> <p>เพื่อทดสอบกรณีข้อมูลขนาดใหญ่ ให้แก้ไข <code>usageMetadata</code> ใน response example ให้มีจำนวนโทเค็นสูง แล้วตรวจสอบว่า billing code และระบบแจ้งเตือนทำงานถูกต้อง</p> <h3> ขั้นตอนที่ 5: ยืนยัน <code>usageMetadata</code> และเพดานค่าใช้จ่าย </h3> <p>ทุก response ของ <code>generateContent</code> มี <code>usageMetadata</code> เพิ่ม post-processor ใน Apidog เพื่อคำนวณราคาของ response แต่ละครั้งด้วยอัตรามาตรฐานของ Argon และทำให้การทดสอบล้มเหลวก่อนคำขอจะเกินงบประมาณ<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight javascript"><code><span class="c1">// Apidog post-processor: คำนวณราคาตามอัตรามาตรฐาน Gemini 4 Argon</span> <span class="kd">const</span> <span class="nx">u</span> <span class="o">=</span> <span class="nx">pm</span><span class="p">.</span><span class="nx">response</span><span class="p">.</span><span class="nf">json</span><span class="p">().</span><span class="nx">usageMetadata</span><span class="p">;</span> <span class="kd">const</span> <span class="nx">IN</span> <span class="o">=</span> <span class="mi">4</span> <span class="o">/</span> <span class="mi">1</span><span class="nx">e6</span><span class="p">;</span> <span class="c1">// USD ต่อ input token หลังช่วงแนะนำ</span> <span class="kd">const</span> <span class="nx">OUT</span> <span class="o">=</span> <span class="mi">20</span> <span class="o">/</span> <span class="mi">1</span><span class="nx">e6</span><span class="p">;</span> <span class="c1">// USD ต่อ output token</span> <span class="c1">// สำหรับ Gemini รุ่นปัจจุบัน thinking token ถูกคิดราคาเป็น output</span> <span class="kd">const</span> <span class="nx">out</span> <span class="o">=</span> <span class="p">(</span><span class="nx">u</span><span class="p">.</span><span class="nx">candidatesTokenCount</span> <span class="o">||</span> <span class="mi">0</span><span class="p">)</span> <span class="o">+</span> <span class="p">(</span><span class="nx">u</span><span class="p">.</span><span class="nx">thoughtsTokenCount</span> <span class="o">||</span> <span class="mi">0</span><span class="p">);</span> <span class="kd">const</span> <span class="nx">cost</span> <span class="o">=</span> <span class="nx">u</span><span class="p">.</span><span class="nx">promptTokenCount</span> <span class="o">*</span> <span class="nx">IN</span> <span class="o">+</span> <span class="nx">out</span> <span class="o">*</span> <span class="nx">OUT</span><span class="p">;</span> <span class="nx">pm</span><span class="p">.</span><span class="nf">test</span><span class="p">(</span><span class="dl">"</span><span class="s2">usageMetadata is present</span><span class="dl">"</span><span class="p">,</span> <span class="p">()</span> <span class="o">=&gt;</span> <span class="p">{</span> <span class="nx">pm</span><span class="p">.</span><span class="nf">expect</span><span class="p">(</span><span class="nx">u</span><span class="p">).</span><span class="nx">to</span><span class="p">.</span><span class="nx">be</span><span class="p">.</span><span class="nf">an</span><span class="p">(</span><span class="dl">"</span><span class="s2">object</span><span class="dl">"</span><span class="p">);</span> <span class="p">});</span> <span class="nx">pm</span><span class="p">.</span><span class="nf">test</span><span class="p">(</span><span class="dl">"</span><span class="s2">cost under $0.10 at Argon rates</span><span class="dl">"</span><span class="p">,</span> <span class="p">()</span> <span class="o">=&gt;</span> <span class="p">{</span> <span class="nx">pm</span><span class="p">.</span><span class="nf">expect</span><span class="p">(</span><span class="nx">cost</span><span class="p">).</span><span class="nx">to</span><span class="p">.</span><span class="nx">be</span><span class="p">.</span><span class="nf">below</span><span class="p">(</span><span class="mf">0.10</span><span class="p">);</span> <span class="p">});</span> </code></pre> </div> <p>เลือกเพดานต่อคำขอตาม workload ของคุณ ค่า <code>$0.10</code> เหมาะกับพรอมต์สั้นในตัวอย่างนี้ Google ยังไม่ได้ระบุว่า Argon จะคิดค่า thinking token อย่างไร ดังนั้นสคริปต์นี้อิงกฎการคิดราคาของ Gemini รุ่นปัจจุบัน</p> <p>เก็บคำขอเดียวกันไว้ แล้วรันกับ Gemini 3.8 Flash วันนี้และ Argon ในภายหลัง ความต่างของ token count และต้นทุนคือ baseline สำหรับ regression test ของคุณ</p> <h2> คำถามที่พบบ่อย </h2> <p><strong>Gemini 4 Argon API พร้อมใช้งานหรือไม่?</strong><br><br> ยังไม่เปิดให้สาธารณะ Argon เปิดตัวสำหรับกลุ่มพันธมิตร Fairwind Program ที่ใช้ผ่าน Gemini Enterprise ก่อน ลูกค้า API แบบชำระเงินและสมาชิก Google AI Ultra เป็นกลุ่มถัดไป แต่ยังไม่มีกำหนดวัน</p> <p><strong>Model ID ของ Gemini 4 Argon คืออะไร?</strong><br><br> Google ยังไม่ได้เผยแพร่ Model ID สตริงจากเว็บไซต์ภายนอกเป็นเพียง placeholder ให้เก็บชื่อโมเดลไว้ใน environment variable และตรวจสอบด้วย <code>models.list</code></p> <p><strong>Gemini 4 Argon API มีค่าใช้จ่ายเท่าไร?</strong><br><br> ราคาในช่วงแนะนำคือ $2 สำหรับอินพุตและ $10 สำหรับเอาต์พุตต่อ 1 ล้านโทเค็น หลังจากนั้นเป็น $4 และ $20 ตามลำดับ โดย input cache ลดราคา 95% ดูรายละเอียดได้ที่ <a href="https://apidog.com/th/blog/gemini-4-argon-pricing?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ราคา Gemini 4 Argon</a></p> <p><strong>Argon จะใช้กับ <code>generateContent</code> ได้หรือไม่?</strong><br><br> Google ยังไม่ได้ยืนยัน เอกสารระบุว่าโมเดลใหม่ทั้งหมดจะเปิดตัวบน Interactions API ดังนั้นควรสร้างบน Interactions และเก็บ <code>generateContent</code> เป็นทางเลือกสำรอง</p> <p><strong>Google AI Ultra ให้สิทธิ์เข้าถึง API หรือไม่?</strong><br><br> ไม่ใช่โดยตรง AI Ultra เป็นการสมัครสมาชิกสำหรับผู้บริโภค ไม่ใช่ API key Google ระบุว่าการเข้าถึง API จะเริ่มจากลูกค้า API แบบชำระเงิน</p> <h2> ขั้นตอนต่อไปของคุณ </h2> <ol> <li>กำหนด <code>GEMINI_MODEL</code> ในทุก environment</li> <li>ใช้ <code>gemini-3.8-flash</code> เป็นค่าเริ่มต้นที่รันได้ในปัจจุบัน</li> <li>ตั้ง schedule ตรวจสอบ <code>models.list</code> </li> <li>บันทึกคำขอทั้ง Interactions และ <code>generateContent</code> </li> <li>เพิ่ม assertion ตรวจสอบ <code>usageMetadata</code> และเพดานค่าใช้จ่าย</li> <li>เปลี่ยนค่า <code>GEMINI_MODEL</code> เมื่อ Google เผยแพร่ Model ID ของ Argon</li> </ol> <p><a href="https://apidog.com/download?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ดาวน์โหลด Apidog</a> เพื่อเก็บคำขอ mock และ test เหล่านี้ไว้ใน workspace เดียว</p> ai api gemini google Thanawat Wongchai Fri, 02 Oct 2026 10:02:32 +0000 https://dev.to/thanawat_wonchai/gemini-4-argon-khuueaair-2m8e https://dev.to/thanawat_wonchai/gemini-4-argon-khuueaair-2m8e <p>Gemini 4 Argon คือโมเดลบุกเบิกใหม่ของ Google ซึ่งประกาศเมื่อวันที่ 30 กันยายน 2026 และปัจจุบันมีให้ใช้งานเฉพาะผู้ปกป้องโครงการ Fairwind ซึ่งเป็นกลุ่มพันธมิตรด้านการป้องกันภัยทางไซเบอร์ที่ได้รับการตรวจสอบแล้ว Google กำหนดราคาไว้ที่ 2 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 10 ดอลลาร์ต่อล้านโทเค็นเอาต์พุตในช่วงแนะนำ จากนั้นจะเพิ่มเป็น 4 ดอลลาร์และ 20 ดอลลาร์ตามลำดับ พร้อมเพิ่มขีดจำกัดเอาต์พุตเป็น 1M โทเค็นต่อการตอบกลับ ยังไม่มี API สาธารณะ ไม่มี ID โมเดลที่เผยแพร่ และยังไม่มีวันวางจำหน่าย</p> <p><a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation" class="crayons-btn crayons-btn--primary">ลองใช้ Apidog วันนี้</a> </p> <p>คู่มือนี้สรุปสิ่งที่ Google ยืนยันและยังไม่ยืนยัน, ตำแหน่งของ Argon ในกลุ่มผลิตภัณฑ์ Gemini, ผู้ที่จะเข้าถึงได้, ค่าใช้จ่าย, วิธีอ่านผลการประเมิน และสิ่งที่คุณสร้างได้ในวันนี้ หากกำลังเลือกโมเดล โปรดอ่าน <a href="https://apidog.com/th/blog/gemini-4-argon-vs-gpt-6-astra-vs-claude-opus-5-5?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การเปรียบเทียบ Gemini 4 Argon vs GPT-6 Astra vs Claude Opus 5.5</a> และหากทดสอบ API โมเดลใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> ส่วนท้ายจะแสดงวิธีเตรียมโปรเจกต์ให้สลับไปใช้ Argon ได้ด้วยการเปลี่ยนค่าเพียงจุดเดียว</p> <h2> สิ่งที่ Google ยืนยันและสิ่งที่ยังไม่ยืนยัน </h2> <p>รายงานช่วงแรกจำนวนมากผสมระหว่างคำแถลงของ Google กับการคาดเดาจากบุคคลที่สาม ตารางนี้แยกข้อมูลตาม <a href="https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/" rel="noopener noreferrer">โพสต์เปิดตัว</a> และ <a href="https://deepmind.google/models/evals-methodology/gemini-4-argon" rel="noopener noreferrer">วิธีการประเมิน</a> ของ Google</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>รายการ</th> <th>สถานะ</th> <th>สิ่งที่เราทราบ</th> </tr> </thead> <tbody> <tr> <td>การประกาศ</td> <td>ยืนยันแล้ว</td> <td>30 กันยายน 2026 โดย Koray Kavukcuoglu จาก Google DeepMind</td> </tr> <tr> <td>การเข้าถึงวันนี้</td> <td>ยืนยันแล้ว</td> <td>กลุ่มพันธมิตรโครงการ Fairwind</td> </tr> <tr> <td>ลำดับถัดไป</td> <td>ยืนยันแล้ว, ไม่ระบุวันที่</td> <td>ลูกค้า API แบบชำระเงิน และสมาชิก Google AI Ultra</td> </tr> <tr> <td>ราคา</td> <td>ยืนยันแล้ว</td> <td>แนะนำ $2/$10 จากนั้น $4/$20 ต่อ 1M โทเค็น; อินพุตที่แคชลด 95%</td> </tr> <tr> <td>ขีดจำกัดเอาต์พุต</td> <td>ยืนยันแล้ว</td> <td>1M โทเค็น เพิ่มขึ้นจาก 64K</td> </tr> <tr> <td>เกณฑ์มาตรฐาน</td> <td>ยืนยันแล้ว, รายงานโดย Google</td> <td>ตาราง 19 แถวพร้อม PDF ระเบียบวิธี</td> </tr> <tr> <td>ID โมเดล</td> <td>ยังไม่เผยแพร่</td> <td>สตริงที่พบออนไลน์เป็นเพียงตัวยึดตำแหน่งจากบุคคลที่สาม</td> </tr> <tr> <td>หน้าต่างบริบทอินพุต</td> <td>ยังไม่เผยแพร่</td> <td>การประเมินบริบทแบบยาวของ Google ใช้พรอมต์สูงสุด 1M โทเค็น</td> </tr> <tr> <td>วันที่ตัดข้อมูล (Knowledge cutoff)</td> <td>ยังไม่เผยแพร่</td> <td>ไม่มีข้อมูลจาก Google</td> </tr> <tr> <td>ระยะเวลาแนะนำ</td> <td>ยังไม่เผยแพร่</td> <td>ไม่มีวันที่สำหรับการเปลี่ยนเป็น $4/$20</td> </tr> <tr> <td>อัตราจำกัด, ระดับฟรี</td> <td>ยังไม่เผยแพร่</td> <td>ไม่มีข้อมูลจาก Google</td> </tr> <tr> <td>วันที่วางจำหน่าย</td> <td>ยังไม่เผยแพร่</td> <td>“โดยเร็วที่สุด”</td> </tr> </tbody> </table></div> <p>หากเว็บไซต์ใดระบุหน้าต่างบริบท, สตริงโมเดล หรือตัวเลขความเร็วสำหรับ Argon ให้ถือว่ายังไม่ได้รับการยืนยัน จนกว่าเอกสารทางการของ Google จะเผยแพร่ข้อมูลนั้น</p> <h2> Gemini 4 Argon คืออะไรและอยู่ตรงไหน </h2> <p>Argon เป็นโมเดล Gemini 4 เพียงตัวเดียวที่ประกาศจนถึงตอนนี้ และเป็นโมเดลอันดับสูงสุดใหม่ในกลุ่มผลิตภัณฑ์ของ Google Google เรียกมันว่า “โมเดลบุกเบิกใหม่ของเรา” ที่สร้างขึ้น “เพื่อรองรับการให้เหตุผลเชิงลึกในเวิร์กโฟลว์ที่ซับซ้อนและยาวนาน” พร้อมอ้างถึงประสิทธิภาพระดับแนวหน้าในงานวิศวกรรมซอฟต์แวร์ งานความรู้ทางธุรกิจ เช่น กฎหมายและการเงิน และการป้องกันภัยทางไซเบอร์ โฆษกของ Google กล่าวกับ Reuters ว่า Argon มีขนาดใหญ่กว่าโมเดล “Pro” รุ่นก่อนหน้าของบริษัท</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fbqxf7nmshquu944yze0f.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fbqxf7nmshquu944yze0f.png" alt="Gemini 4 Argon" width="800" height="802"></a></p> <p>จนถึงตอนนี้ โมเดล Gemini API ระดับสูงคือ <code>gemini-3.1-pro-preview</code> ซึ่งยังอยู่ในสถานะพรีวิว โดยมีอินพุต 1,048,576 โทเค็น เอาต์พุต 65,536 โทเค็น และราคาอินพุต/เอาต์พุต $2/$12 ต่อล้านโทเค็นสำหรับพรอมต์สูงสุด 200K โทเค็น</p> <p>ราคาเอาต์พุตช่วงแนะนำของ Argon ที่ $10 ต่ำกว่า Google ยังไม่ได้ระบุว่า Argon จะมีระดับพรอมต์แบบยาวแยกต่างหากเหมือน 3.1 Pro หรือไม่ และยังไม่ได้ยืนยันว่าจะมีโมเดล Gemini 4 รุ่นอื่นตามมาหรือไม่ Reuters ระบุว่าการเปิดตัวเกิดขึ้น “หลังจากล่าช้ามาหลายเดือน” โดยอ้างอิงถึง Gemini 3.5 Pro ซึ่งเคยสัญญาว่าจะเปิดตัวในเดือนมิถุนายนแต่ถูกยกเลิกภายหลัง</p> <p>Google ใช้งาน Argon ภายในองค์กรแล้ว บริษัทระบุว่าพนักงานหลายพันคนใช้โมเดลนี้สำหรับการเขียนโค้ด การวิจัย และการเขียน นอกจากนี้เอเจนต์ Argon ยังปลดปล่อยหน่วยความจำของฟลีทได้มากกว่า 300 TiB และช่วยย้ายโค้ด C/C++ ไปยัง Rust มากกว่า 800K บรรทัดสำหรับเคอร์เนล Fuchsia Zircon อย่างไรก็ตาม การเขียนใหม่เหล่านี้ยังอยู่ระหว่างการตรวจสอบก่อนนำไปใช้งานจริง</p> <h2> ใครสามารถใช้ Gemini 4 Argon ได้ในวันนี้ และใครจะได้ใช้ต่อไป </h2> <h3> วันนี้: พันธมิตร Fairwind กลุ่มย่อย </h3> <p>Fairwind คือโปรแกรมป้องกันภัยทางไซเบอร์แบบจำกัดการเข้าถึงของ Google ที่มีพันธมิตรมากกว่า 650 ราย แต่มีเพียง “กลุ่มพันธมิตรโครงการ Fairwind” เท่านั้นที่ได้รับสิทธิ์เข้าถึง Argon</p> <p>พันธมิตรสามารถใช้งาน Argon โดยตรง หรือภายใน CodeMender ซึ่งเป็นเอเจนต์รักษาความปลอดภัยโค้ดของ Google หากเข้าถึงโดยตรงในฐานะโมเดลที่จัดการบน Gemini Enterprise จะรองรับการไม่เก็บข้อมูลใดๆ</p> <p>ข้อกำหนดการใช้งานประกอบด้วย:</p> <ul> <li>ใช้ MFA ที่ป้องกันฟิชชิง</li> <li>จำกัดสิทธิ์ให้เฉพาะทีมรักษาความปลอดภัยภายใน ทีมตอบสนองต่อเหตุการณ์ หรือทีมทดสอบการเจาะระบบ</li> <li>ติดตามการใช้งานในระดับพนักงาน</li> </ul> <p>รัฐบาล ผู้ให้บริการโครงสร้างพื้นฐานสำคัญ และแพลตฟอร์มเทคโนโลยีหลักสามารถสมัครผ่าน<a href="https://deepmind.google/fairwind-program/" rel="noopener noreferrer">หน้าโครงการ Fairwind</a></p> <h3> ต่อไป: ลูกค้า API แบบชำระเงินและสมาชิก Google AI Ultra </h3> <p>Google ระบุว่าจะรวบรวมความคิดเห็นจากผู้ทดสอบกลุ่มแรกในระหว่างปรับปรุงเกณฑ์การป้องกัน และเข้าร่วมกระบวนการเข้าถึงก่อนการเปิดตัวโดยสมัครใจของรัฐบาลสหรัฐอเมริกา</p> <p>โพสต์เปิดตัวใช้คำว่า “กำลังเปิดตัวในเร็วๆ นี้” โดยไม่ระบุวัน หากต้องการติดตามแต่ละขั้นตอน โปรดดู <a href="https://apidog.com/th/blog/gemini-4-argon-release-date?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือวันวางจำหน่ายและการเข้าถึง</a></p> <h3> ยังไม่ใช่: คนอื่นๆ ทั้งหมด </h3> <p>ณ วันที่ 1 ตุลาคม <a href="https://ai.google.dev/gemini-api/docs/models" rel="noopener noreferrer">หน้าโมเดล Gemini API</a>, หน้าการกำหนดราคา, แอป Gemini, Antigravity และ OpenRouter ยังไม่แสดง Argon</p> <p>แผน Google AI Ultra ซึ่งเริ่มต้นที่ $99.99 ต่อเดือนในสหรัฐอเมริกา เป็นการสมัครสมาชิกสำหรับผู้บริโภค ไม่ใช่คีย์ API และ Google ยังไม่ได้ระบุว่าระดับ Ultra ใดจะเข้าถึง Argon ก่อน</p> <p>ยังไม่มีเส้นทางฟรี ดูรายละเอียดตัวเลือกที่ใช้แทนได้ใน <a href="https://apidog.com/th/blog/gemini-4-argon-free?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Gemini 4 Argon ฟรีหรือไม่</a></p> <h2> ราคา Gemini 4 Argon </h2> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>ประเภทโทเค็น</th> <th>ช่วงแนะนำ (ต่อ 1M)</th> <th>หลังช่วงแนะนำ (ต่อ 1M)</th> </tr> </thead> <tbody> <tr> <td>อินพุต</td> <td>$2.00</td> <td>$4.00</td> </tr> <tr> <td>อินพุตที่แคช (ลด 95%)</td> <td>$0.10</td> <td>$0.20</td> </tr> <tr> <td>เอาต์พุต</td> <td>$10.00</td> <td>$20.00</td> </tr> <tr> <td>การตอบกลับเต็ม 1M โทเค็น, เฉพาะเอาต์พุต</td> <td>$10.00</td> <td>$20.00</td> </tr> </tbody> </table></div> <p>Google ยังไม่ได้ระบุว่าช่วงแนะนำจะสิ้นสุดเมื่อใด ในอัตรามาตรฐาน Argon มีราคาเท่ากับ Claude Opus 5.5 ส่วนอัตราแนะนำตรงกับ GPT-6.1 Sol และ Claude Sonnet 5.5</p> <p>ราคาอินพุตที่แคชคำนวณตามส่วนลด 95% ของ Google ดูสถานการณ์ค่าใช้จ่ายเพิ่มเติมได้ที่ <a href="https://apidog.com/th/blog/gemini-4-argon-pricing?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ราคา Gemini 4 Argon</a></p> <h2> ขีดจำกัดเอาต์พุต 1M </h2> <p>Google ระบุว่ากำลังเพิ่มขีดจำกัดโทเค็นเอาต์พุตเป็น 1M โทเค็น จากเดิม 64K โทเค็น เหตุผลคือโมเดลมีพื้นที่สร้างวิถีการให้เหตุผลและผลลัพธ์ที่ยาวขึ้น จึงอาจจัดการปัญหาซับซ้อนได้ในคำขอเดียว</p> <p>สำหรับการเปรียบเทียบ GPT-6 Astra, Claude Opus 5.5 และ Claude Fable 5.1 จำกัดเอาต์พุตแบบซิงโครนัสที่ 128K โทเค็น</p> <p>อย่างไรก็ตาม ควรแยกข้อเท็จจริง 2 เรื่องนี้ออกจากกัน:</p> <ol> <li> <strong>1M คือขีดจำกัดเอาต์พุต ไม่ใช่หน้าต่างบริบทอินพุต</strong> — Google ยังไม่เผยแพร่สเปกหน้าต่างอินพุต</li> <li>แม้ Google ระบุขีดจำกัดเอาต์พุต 1M แต่ <a href="https://www.vals.ai/models/google_gemini-4-argon" rel="noopener noreferrer">Vals AI</a> ระบุเอาต์พุตสูงสุด 262K สำหรับการกำหนดค่าที่ทดสอบ</li> </ol> <p>เมื่อ API เปิดให้ใช้งานจริง ให้ยึดขีดจำกัดที่ปลายทางรายงาน และตั้งค่า timeout, streaming และ cost cap ตามนั้น ดูแนวทางได้ใน <a href="https://apidog.com/th/blog/gemini-4-argon-1m-output-tokens?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือโทเค็นเอาต์พุต 1M ของ Argon</a></p> <h2> เกณฑ์มาตรฐาน Gemini 4 Argon: หัวข้อข่าว </h2> <p>ตัวเลขด้านล่างมาจากตารางของ Google คะแนนของ Argon รายงานโดย Google โดยบางส่วนคำนวณเองและบางส่วนมาจากกระดานผู้นำ เช่น Vals AI คะแนนคู่แข่งส่วนใหญ่มาจากผู้ขายหรือกระดานผู้นำสาธารณะ และชุดทดสอบอาจแตกต่างกัน</p> <p>จากการนับของเรา Argon นำ 13 จาก 19 แถว เสมอ 1 แถว และตามหลัง 5 แถว</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>เกณฑ์มาตรฐาน</th> <th>Gemini 4 Argon</th> <th>GPT-6 Astra</th> <th>Claude Fable 5.1</th> <th>Claude Opus 5.5</th> </tr> </thead> <tbody> <tr> <td>Vals Index</td> <td><strong>68.9%</strong></td> <td>63.1%</td> <td>65.8%</td> <td>67.0%</td> </tr> <tr> <td>DeepSWE v1.1</td> <td><strong>77.9%</strong></td> <td>74.1%</td> <td>67.4%</td> <td>74.2%</td> </tr> <tr> <td>GraphWalks 256K to 1M (F1)</td> <td><strong>84.2%</strong></td> <td>71.8%</td> <td>65.0%</td> <td>66.8%</td> </tr> <tr> <td>FrontierSWE v2</td> <td>55.0%</td> <td><strong>65.5%</strong></td> <td>56.3%</td> <td>62.3%</td> </tr> <tr> <td>Terminal-bench 4.0</td> <td>57.4%</td> <td>58.2%</td> <td>57.9%</td> <td><strong>66.4%</strong></td> </tr> <tr> <td>PostTrainBench</td> <td>45.3%</td> <td>44.3%</td> <td>40.2%</td> <td><strong>49.3%</strong></td> </tr> </tbody> </table></div> <p>ห้าแถวที่ Argon แพ้ ได้แก่ FrontierSWE v2, Terminal-Bench Science 0.1 และ OSWorld-2.0 ให้กับ Astra รวมถึง Terminal-bench 4.0 และ PostTrainBench ให้กับ Opus 5.5</p> <p>บุคคลที่สามจัดอันดับ Argon ให้อยู่ในระดับแนวหน้า แต่ไม่มีคะแนนนำที่ชัดเจน <a href="https://artificialanalysis.ai/models/gemini-4-argon" rel="noopener noreferrer">Artificial Analysis</a> ให้คะแนน 53 ใน Intelligence Index ซึ่งเท่ากับ GPT-6 Astra และ Claude Fable 5.1 แต่ตามหลัง Claude Opus 5.5 ที่ 58 และ Claude Sonnet 5.5 ที่ 56 ในการตั้งค่าสูงสุด ส่วน Vals จัดอันดับ Argon เป็นอันดับหนึ่งจาก 41 โมเดลใน Vals Index</p> <p>ดูข้อมูลครบทั้ง 19 แถวและบันทึกวิธีการของ Google ได้ที่ <a href="https://apidog.com/th/blog/gemini-4-argon-benchmarks?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">เกณฑ์มาตรฐาน Gemini 4 Argon</a></p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2F8q0dk2sp7ebli2h9htti.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2F8q0dk2sp7ebli2h9htti.png" alt="ผลการประเมิน Gemini 4 Argon" width="800" height="450"></a></p> <h2> การป้องกันภัยทางไซเบอร์ในย่อหน้าเดียว </h2> <p>Google กล่าวว่า Argon สามารถค้นหา ตรวจสอบ และแก้ไขช่องโหว่ซอฟต์แวร์ที่สำคัญได้ด้วยตนเองสำหรับผู้ป้องกันที่เชื่อถือได้และทีมภายใน Google ยังระบุว่าจะปล่อย Argon โดยไม่มีมาตรการป้องกันทางไซเบอร์ เพื่อให้กลุ่มดังกล่าวใช้ความสามารถด้านการป้องกันภัยทางไซเบอร์ได้เต็มที่</p> <p>บน<a href="https://deepmind.google/models/gemini/cyber/" rel="noopener noreferrer">หน้าไซเบอร์</a> ของ DeepMind, Argon ได้คะแนน 85.8% สำหรับการค้นพบช่องโหว่ในโลกจริง เทียบกับ Gemini 3.8 Flash Cyber ที่ 71.0%, เสมอกับ Grok 4.7 และ GPT-6 Astra ที่ 68% ใน CWE-bench v1 และมีอัตราความสำเร็จต่ำสุดในแผนภูมิสำหรับ Gray Swan indirect prompt injection ที่ 0.7% เมื่อ <code>k=15</code></p> <p>ดูผลกระทบต่อการใช้งาน API ได้ที่ <a href="https://apidog.com/th/blog/gemini-4-argon-cyber-defense?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ความหมายของการเปิดตัว Argon ทางไซเบอร์สำหรับ API ที่คุณใช้งาน</a> และดูรุ่นก่อนหน้าได้ที่ <a href="https://apidog.com/th/blog/what-is-gemini-3-8-flash-cyber?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Gemini 3.8 Flash Cyber</a></p> <h2> สิ่งที่นักพัฒนาควรทำตอนนี้ </h2> <p>สร้างบนโมเดลที่เรียกใช้ได้ในวันนี้ และเก็บชื่อโมเดลไว้ในตัวแปรเดียว <code>gemini-3.8-flash</code> เป็นตัวแทนที่เหมาะสม: เสถียร รองรับอินพุต 1,048,576 โทเค็น เอาต์พุต 65,536 โทเค็น มีระดับฟรี และมีราคา $0.75/$3.75 ต่อล้านโทเค็นจนถึง 31 ธันวาคม 2026</p> <p><a href="https://ai.google.dev/gemini-api/docs/interactions" rel="noopener noreferrer">เอกสาร Interactions API</a> ของ Google ระบุว่าโมเดลใหม่ ความสามารถหลายโมดอล เครื่องมือ และฟีเจอร์เอเจนต์จะเปิดตัวบน Interactions API ดังนั้นควรออกแบบโค้ดให้สลับโมเดลได้ผ่าน environment variable<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code><span class="nv">MODEL</span><span class="o">=</span><span class="s2">"</span><span class="k">${</span><span class="nv">GEMINI_MODEL</span><span class="k">:-</span><span class="nv">gemini</span><span class="p">-3.8-flash</span><span class="k">}</span><span class="s2">"</span> curl <span class="nt">-s</span> <span class="s2">"https://generativelanguage.googleapis.com/v1beta/interactions"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"x-goog-api-key: </span><span class="nv">$GEMINI_API_KEY</span><span class="s2">"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"Content-Type: application/json"</span> <span class="se">\</span> <span class="nt">-d</span> <span class="s1">'{ "model": "'</span><span class="s2">"</span><span class="nv">$MODEL</span><span class="s2">"</span><span class="s1">'", "input": "List the breaking changes in this OpenAPI diff.", "generation_config": {"thinking_level": "medium"} }'</span> </code></pre> </div> <p>เมื่อ Google เผยแพร่ ID ของ Argon แล้ว คุณควรเปลี่ยนเฉพาะค่าของ <code>GEMINI_MODEL</code> แทนการแก้ไขโค้ดหลายจุด</p> <p>ใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> ให้บันทึกคำขอเดียวกันนี้ และตั้งค่า <code>GEMINI_API_KEY</code> กับ <code>GEMINI_MODEL</code> เป็น environment variables จากนั้นเพิ่มการตรวจสอบต่อไปนี้ในเทสต์:</p> <ol> <li>ตรวจสอบอ็อบเจกต์ <code>usage</code> ใน response</li> <li>รวม <code>total_output_tokens</code> และ <code>total_thought_tokens</code> </li> <li>กำหนดเพดานโทเค็นและค่าใช้จ่ายเพื่อให้คำตอบที่เกินขีดจำกัดไม่ผ่านการทดสอบ</li> <li>เก็บ response ของ 3.8 Flash เป็น baseline</li> <li>เมื่อ ID ของ Argon ปรากฏในรายการโมเดล ให้เปลี่ยน <code>GEMINI_MODEL</code> แล้วรันชุดคำขอเดิมซ้ำ</li> <li>เปรียบเทียบคุณภาพ ค่าหน่วงเวลา จำนวนโทเค็น และค่าใช้จ่ายกับ baseline</li> </ol> <p>สำหรับรูปแบบคำขอ โปรดดู <a href="https://apidog.com/th/blog/gemini-4-argon-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ Gemini 4 Argon API</a> หากต้องตัดสินใจว่าควรรอหรือไม่ โปรดอ่าน <a href="https://apidog.com/th/blog/gemini-4-argon-vs-gemini-3-8-flash?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Argon vs Gemini 3.8 Flash</a></p> <h2> คำถามที่พบบ่อย </h2> <h3> ฉันสามารถใช้ Gemini 4 Argon ใน Gemini API ได้หรือไม่? </h3> <p>ยังไม่ได้ มีเพียงกลุ่มพันธมิตร Fairwind เท่านั้นที่มีสิทธิ์เข้าถึง และรายการโมเดลสาธารณะยังไม่รวมโมเดลนี้</p> <h3> ID โมเดล Gemini 4 Argon คืออะไร? </h3> <p>Google ยังไม่ได้เผยแพร่ ID ใดๆ สตริงที่พบทางออนไลน์ รวมถึงชื่อสั้นจากผู้ประเมิน เป็นเพียงตัวยึดตำแหน่งจากบุคคลที่สาม ดังนั้นอย่าฮาร์ดโค้ดค่าเหล่านั้น</p> <h3> Gemini 4 Argon จะวางจำหน่ายสำหรับนักพัฒนาเมื่อใด? </h3> <p>Google ยังไม่ได้ระบุวันที่ ลูกค้า API แบบชำระเงินและสมาชิก Google AI Ultra จะได้ใช้ก่อน โดยระบุเพียงว่า “โดยเร็วที่สุด”</p> <h3> Gemini 4 Argon ดีกว่า GPT-6 Astra และ Claude Opus 5.5 หรือไม่? </h3> <p>Argon นำในเกือบทุกแถวของตาราง Google แต่เสมอกับ Astra ใน Artificial Analysis และตามหลัง Opus 5.5 ในดัชนีนั้น สำหรับข้อมูลคู่แข่ง โปรดดู <a href="https://apidog.com/th/blog/what-is-claude-opus-5-5?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Claude Opus 5.5 คืออะไร</a> และ <a href="https://apidog.com/th/blog/gpt-6-astra-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ GPT-6 Astra API</a></p> <h3> Gemini 4 Argon มีหน้าต่างบริบท 1M หรือไม่? </h3> <p>Google ยังไม่ได้ยืนยัน 1M คือขีดจำกัดเอาต์พุต ขณะที่การประเมินบริบทแบบยาวใช้พรอมต์สูงสุด 1M โทเค็น ซึ่งไม่ใช่สเปกหน้าต่างบริบทที่เผยแพร่</p> <h2> เตรียมพร้อมก่อน Argon เปิดให้ใช้งาน </h2> <p>Argon ได้รับการประกาศ กำหนดราคา และรายงานผลการประเมินแล้ว แต่คุณยังไม่สามารถเรียกใช้งานผ่าน API สาธารณะได้</p> <p>แนวทางที่ใช้งานได้ตอนนี้คือ:</p> <ul> <li>สร้างบน Gemini 3.8 Flash โดยใช้ <a href="https://apidog.com/th/blog/how-to-use-gemini-3-8-flash-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ Gemini 3.8 Flash API</a> </li> <li>เก็บชื่อโมเดลไว้ใน environment variable เดียว</li> <li>บันทึกชุดคำขอและผลลัพธ์ baseline</li> <li>ตรวจสอบจำนวนโทเค็นในทุกคำขอ</li> <li>ตั้งค่า timeout และ cost cap สำหรับคำตอบขนาดใหญ่</li> <li>สลับค่าโมเดลและรันทดสอบซ้ำทันทีเมื่อ Argon พร้อมใช้งาน</li> </ul> <p>เพื่อให้คำขอ environment และ baseline พร้อมสำหรับการสลับโมเดล ให้<a href="https://apidog.com/download?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ดาวน์โหลด Apidog</a> และตั้งค่าเวิร์กโฟลว์ทดสอบได้เลยวันนี้</p> Thanawat Wongchai Fri, 02 Oct 2026 10:00:37 +0000 https://dev.to/thanawat_wonchai/ekhaasuurabb-chatgpt-samhrabnakphathnaa-oauth-kaaraichaephkekcch-aelakhaabrikaar-api-thiikhwrruu-g46 https://dev.to/thanawat_wonchai/ekhaasuurabb-chatgpt-samhrabnakphathnaa-oauth-kaaraichaephkekcch-aelakhaabrikaar-api-thiikhwrruu-g46 <p>การลงชื่อเข้าใช้ด้วย ChatGPT คือระบบ OAuth 2.0 และ OpenID Connect ของ OpenAI สำหรับผู้ใช้ ChatGPT ทั่วโลก แอปของคุณจะได้รับ ID บัญชีที่เสถียร พร้อมชื่อ อีเมล และรูปโปรไฟล์ ตั้งแต่ DevDay วันที่ 29 กันยายน 2026 ผู้ใช้ Plus และ Pro สามารถอนุญาตให้แอปที่เข้าร่วมรันคำขอ AI บนแผน ChatGPT ของตนได้ แทนการใช้ API key ของคุณ โดยกำหนดขีดจำกัดรายสัปดาห์ต่อแอปได้เอง แอปจะไม่ได้รับบทสนทนา ความทรงจำ หรือ API key ของผู้ใช้</p> <p><a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation" class="crayons-btn crayons-btn--primary">ลองใช้ Apidog วันนี้</a> </p> <p>บทความนี้เน้นผลกระทบด้านต้นทุนและการลงมือทำ: วิธีเลือกใช้แผนของผู้ใช้แทน API key ของคุณ วิธีอธิบายการใช้งานให้ผู้ใช้เข้าใจ และวิธีทดสอบ OAuth flow รวมถึงกรณีล้มเหลวใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> ดูบริบทเพิ่มเติมได้ที่ <a href="https://apidog.com/th/blog/openai-devday-2026?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">สรุปงาน DevDay 2026</a> และหากต้องการทบทวนความต่างระหว่าง Identity กับ Authorization ให้เริ่มจาก <a href="https://apidog.com/th/blog/oauth-vs-openid?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">OAuth vs OpenID</a></p> <h2> ภาพรวมการลงชื่อเข้าใช้ด้วย ChatGPT </h2> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>รายการ</th> <th>สิ่งที่เอกสาร OpenAI ระบุ</th> </tr> </thead> <tbody> <tr> <td>ขอบเขตการระบุตัวตน</td> <td><code>openid profile email</code></td> </tr> <tr> <td>ขอบเขตการใช้งานแผนสำหรับโอเพนซอร์ส</td> <td> <code>offline_access resource.invoke chatgpt.tokens.use.direct</code> พร้อม <code>resource=https://api.openai.com/v1</code> </td> </tr> <tr> <td>สิ่งที่แอปได้รับ</td> <td>ID token และเมื่อใช้แผน จะได้รับ access token กับ refresh token</td> </tr> <tr> <td>คุณสมบัติในการใช้งานแผน</td> <td>ผู้ใช้ Plus และ Pro ในแอปที่เข้าร่วม</td> </tr> <tr> <td>ที่ที่การใช้งานถูกนับ</td> <td>การใช้งาน ChatGPT Work และ Codex ของแผน</td> </tr> <tr> <td>การควบคุมต่อแอป</td> <td>ขีดจำกัดรายสัปดาห์เป็นสัดส่วนของการใช้งานรวมรายสัปดาห์ เครดิตหลังเกินขีดจำกัดปิดไว้โดยค่าเริ่มต้น</td> </tr> <tr> <td>อายุโทเค็นสำหรับการใช้งานแผน</td> <td>Access token อายุ 1 ชั่วโมง, refresh token อายุ 30 วัน และถูกแทนที่ทุกครั้งที่รีเฟรช</td> </tr> <tr> <td>การเข้าถึงของนักพัฒนา</td> <td>แอปเชิงพาณิชย์: ทดลองแบบจำกัดผ่านแบบฟอร์มแสดงความสนใจ; แอปโอเพนซอร์ส: บริการตนเอง</td> </tr> </tbody> </table></div> <p>แหล่งข้อมูล: <a href="https://developers.openai.com/siwc" rel="noopener noreferrer">เอกสารการลงชื่อเข้าใช้ด้วย ChatGPT</a>, <a href="https://developers.openai.com/siwc/token-sharing-open-source/token-reference" rel="noopener noreferrer">เอกสารอ้างอิงโทเค็น</a> และบทความช่วยเหลือเรื่อง <a href="https://help.openai.com/en/articles/20001542-using-your-chatgpt-plan-in-other-apps-and-sites" rel="noopener noreferrer">การใช้แผน ChatGPT ในแอปอื่น</a></p> <h2> สิ่งที่แอปของคุณได้รับ และสิ่งที่ไม่ได้รับ </h2> <p>การระบุตัวตนเป็นค่าเริ่มต้น หากไคลเอนต์ขอ scope ต่อไปนี้:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>openid profile email </code></pre> </div> <p>แอปจะได้รับ ID token ตาม <a href="https://developers.openai.com/siwc/website" rel="noopener noreferrer">คู่มือเว็บไซต์</a></p> <ul> <li> <code>profile</code> ครอบคลุมข้อมูล เช่น ชื่อและรูปโปรไฟล์</li> <li> <code>email</code> ครอบคลุมอีเมลและสถานะการยืนยันอีเมล</li> <li>Scope สำหรับ Identity <strong>ไม่</strong> ให้สิทธิ์เข้าถึงบทสนทนา ChatGPT หรือทรัพยากร OpenAI API</li> </ul> <p>ให้ผูกบัญชีภายในของคุณกับ claim <code>sub</code> ที่ตรวจสอบแล้ว รวมกับ issuer และ Client ID อย่าใช้อีเมลเป็นตัวระบุหลักเพียงอย่างเดียว เพราะอีเมลไม่ใช่หลักฐานการเป็นเจ้าของบัญชี หากผู้ใช้เดิมต้องการเชื่อมบัญชี ให้ขอให้ยืนยันการเชื่อมโยงอย่างชัดเจน</p> <p>การใช้งานแผนเป็นสิทธิ์แยกต่างหาก เมื่อผู้ใช้อนุมัติ scope เพิ่มเติม การตอบกลับ token จะมี access token สำหรับเรียก Responses API ที่ได้รับอนุญาต</p> <blockquote> <p>หากใช้เฉพาะการลงชื่อเข้าใช้ อย่าร้องขอ access token คุณต้องใช้เพียง <code>id_token</code></p> </blockquote> <h2> วิธีทำงานของ OAuth flow </h2> <p>เว็บไซต์ใช้มาตรฐาน <a href="https://apidog.com/th/blog/oauth-2-flows?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Authorization Code grant with PKCE</a> ร่วมกับ OIDC ให้โหลด endpoint จาก:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>https://auth.openai.com/.well-known/openid-configuration </code></pre> </div> <p>ค่าหลักที่ใช้ในการตั้งค่า:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>Issuer: https://auth.openai.com Authorization endpoint: https://auth.openai.com/api/accounts/authorize Token endpoint: https://auth.openai.com/api/accounts/oauth/token JWKS URI: https://auth.openai.com/.well-known/jwks.json </code></pre> </div> <p>ลำดับการทำงานที่ควรนำไปใช้มีดังนี้:</p> <ol> <li>แบ็กเอนด์สร้าง <code>state</code>, PKCE verifier พร้อม S256 challenge และ <code>nonce</code> ใหม่สำหรับทุก authorization request</li> <li>เปลี่ยนเส้นทางเบราว์เซอร์ไปยัง authorization endpoint พร้อม Client ID, Redirect URI ที่ตรงกับค่าลงทะเบียน และ scope ที่ต้องการ</li> <li>ผู้ใช้ให้ความยินยอม แล้ว OpenAI ส่ง authorization code กลับไปยัง callback</li> <li>แบ็กเอนด์ตรวจสอบ <code>state</code> แลก code เป็น token และตรวจสอบลายเซ็น, issuer, audience, วันหมดอายุ และ nonce ของ ID token</li> <li>ค้นหา สร้าง หรือเชื่อมโยงบัญชีภายใน ก่อนออก session ของแอปเอง</li> </ol> <p>สำหรับ public client ห้ามส่ง client secret ส่วน confidential client ที่ใช้ <code>client_secret_basic</code> ต้องส่ง secret ผ่าน HTTP Basic header เท่านั้น</p> <h3> กรณีเครื่องมือโอเพนซอร์ส </h3> <p>เครื่องมือโอเพนซอร์สมีขั้นตอนลงทะเบียนต่างออกไป ตาม <a href="https://developers.openai.com/siwc/token-sharing-open-source/sign-in" rel="noopener noreferrer">คู่มือการลงชื่อเข้าใช้สำหรับโอเพนซอร์ส</a>:</p> <ul> <li>เริ่มต้นด้วย <code>client_id=dynamic_agent_client</code> </li> <li>ส่ง <code>agent_name_hint</code> เป็นชื่อแอปของคุณ</li> <li>ส่ง <code>ext_agent_host_id</code> ที่คงที่ต่อโฮสต์</li> <li>Callback จะคืน Client ID ที่ออกให้ เช่น <code>oaiapp_...</code> </li> <li>บันทึก Client ID นี้และใช้ซ้ำในครั้งถัดไป</li> <li>ใช้ Loopback redirect URI บน <code>127.0.0.1</code> </li> <li>ไม่มี client secret</li> </ul> <h2> การใช้งานแผนทำงานอย่างไรสำหรับผู้ใช้ </h2> <p>เอกสารในแอปและหน้า onboarding ควรอธิบายประเด็นต่อไปนี้ให้ชัดเจน:</p> <ul> <li><p><strong>คำขอที่มีสิทธิ์จะนับรวมในแผน</strong><br><br> คำขอจะใช้โควต้าการใช้งาน ChatGPT Work และ Codex ของแผน Plus หรือ Pro</p></li> <li><p><strong>แต่ละแอปมีขีดจำกัดรายสัปดาห์</strong><br><br> ผู้ใช้กำหนดเป็นเปอร์เซ็นต์ของการใช้งานรวมรายสัปดาห์ ตัวอย่างในเอกสารอยู่ระหว่าง 10% ถึง 100% ขีดจำกัดนี้เป็นเพดาน ไม่ใช่โควต้าที่จองไว้ให้แอปของคุณ</p></li> <li><p><strong>เครดิตเป็นแบบเลือกใช้</strong><br><br> การใช้งานต่อหลังถึงขีดจำกัดถูกปิดไว้โดยค่าเริ่มต้น และผู้ใช้ต้องกำหนดขีดจำกัดแอปเป็น 100% ก่อน</p></li> <li><p><strong>แผน Plus มีขีดจำกัดรวม 5 ชั่วโมง</strong><br><br> ตาม <a href="https://developers.openai.com/siwc/token-sharing-open-source/profiles-and-sessions" rel="noopener noreferrer">หน้าบัญชีและเซสชัน</a> ขีดจำกัดนี้ครอบคลุมทุกแอปที่ใช้แผน และไม่ใช้กับ Pro</p></li> <li><p><strong>การตัดการเชื่อมต่อหยุดการใช้งานในอนาคต</strong><br><br> ไม่ย้อนกลับการใช้งานที่เกิดขึ้นแล้ว OpenAI จะไม่แจ้งเตือนแอปของคุณโดยตรง คุณจะทราบเมื่อ request หรือ refresh token ล้มเหลว</p></li> </ul> <p>ผู้ใช้จัดการการตั้งค่าเหล่านี้ได้ใน ChatGPT ที่ <code>chatgpt.com/settings/usage</code> ตาม <a href="https://developers.openai.com/siwc/ui-ux-guidelines" rel="noopener noreferrer">แนวทาง UI ของ OpenAI</a> แอปของคุณควรแสดงลิงก์ <strong>จัดการการใช้งาน</strong> ในจุดที่เกี่ยวข้อง</p> <h2> ใครบ้างที่เปิดตัว และคุณจะได้รับ Client ID อย่างไร </h2> <p><a href="https://openai.com/index/devday-2026-recap/" rel="noopener noreferrer">สรุปงาน DevDay</a> ของ OpenAI ระบุพันธมิตรการใช้งานแผน 16 ราย เช่น Devin ของ Cognition, Notion, Vercel, T3, OpenClaw และ Dactyl ขณะที่ <a href="https://thenewstack.io/sign-in-with-chatgpt/" rel="noopener noreferrer">The New Stack</a> ระบุ Amp, Warp, Kilo Code และ OpenCode เพิ่มเติม รวมถึง Lovable ที่มีกำหนดเปิดตัวในภายหลัง หากคุณใช้ <a href="https://apidog.com/th/blog/openclaw-free?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">OpenClaw</a> จะพบชื่อนี้ในทั้งสองรายการ</p> <p>Sam Altman กล่าวบนเวทีตามที่ The New Stack รายงานว่า:</p> <blockquote> <p>“ตอนนี้คุณไม่จำเป็นต้องรับผิดชอบค่าใช้จ่ายโทเค็นเพื่อให้พวกเขาใช้งานได้”</p> </blockquote> <p>แนวทางเข้าร่วมขึ้นอยู่กับประเภทแอป:</p> <ul> <li> <strong>แอปเชิงพาณิชย์หรือแอปที่โฮสต์:</strong> การลงชื่อเข้าใช้เป็นการทดลองแบบจำกัด คุณสามารถ <a href="https://developers.openai.com/siwc/request-client-id" rel="noopener noreferrer">ร้องขอ Client ID</a> ผ่านแบบฟอร์มแสดงความสนใจของ OpenAI ได้ ทั้งกรณีใช้ Identity อย่างเดียวและกรณีใช้แผนด้วย</li> <li> <strong>เครื่องมือโอเพนซอร์สและโฮสต์ในเครื่อง:</strong> การใช้งานแผนเปิดให้พันธมิตรโอเพนซอร์สผ่าน flow แบบบริการตนเอง</li> </ul> <h2> อะไรจะเปลี่ยนไปสำหรับค่า API ของคุณ </h2> <p>ปกติคุณจ่ายค่าบริการตามจำนวนโทเค็น แล้วเรียกเก็บเงินคืนผ่านโมเดลธุรกิจของคุณ การใช้งานแผนย้ายต้นทุนโมเดลไปยัง subscription ของผู้ใช้ ทำให้กำไรของคุณไม่ผูกกับปริมาณการใช้งาน AI ของผู้ใช้โดยตรง แต่คุณจะควบคุมข้อจำกัดและทางเลือกสำรองได้น้อยลง</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th></th> <th>คีย์ API ของคุณ</th> <th>แผน ChatGPT ของผู้ใช้</th> </tr> </thead> <tbody> <tr> <td>ใครจ่าย</td> <td>คุณ ตามจำนวนโทเค็น</td> <td>แผนของผู้ใช้ โดยเครดิตใช้เฉพาะเมื่อเลือกใช้</td> </tr> <tr> <td>ใครใช้ได้</td> <td>ผู้ใช้ทุกคน</td> <td>ผู้ใช้ Plus และ Pro ที่อนุญาต <code>chatgpt.tokens.use.direct</code> </td> </tr> <tr> <td>ขีดจำกัด</td> <td>Rate limit ของคุณ</td> <td>การใช้งานแผนรายสัปดาห์, ขีดจำกัดต่อแอป และหน้าต่างเวลา 5 ชั่วโมงของ Plus</td> </tr> <tr> <td>รูปแบบคำขอ</td> <td>Responses API เต็มรูปแบบ</td> <td>ต้องมี <code>store: false</code> และ <code>stream: true</code>; ไม่มี <code>temperature</code>, <code>max_output_tokens</code>, file search หรือ Code Interpreter</td> </tr> <tr> <td>ความล้มเหลวทั่วไป</td> <td>429 เมื่อเกิน rate limit</td> <td>429 <code>subscription_sharing_usage_limit_exceeded</code> หรือ error เดียวกันใน <code>response.failed</code> ระหว่างสตรีม</td> </tr> <tr> <td>ทางเลือกสำรอง</td> <td>คุณออกแบบเอง</td> <td>ไม่มีอัตโนมัติ OpenAI ไม่เปลี่ยนผู้รับผิดชอบค่าใช้จ่าย</td> </tr> <tr> <td>สิ่งที่ควรแสดงใน UI</td> <td>การใช้งานและราคาของคุณ</td> <td>“กำลังใช้แผน ChatGPT”, ลิงก์จัดการการใช้งาน และแผนที่รองรับ</td> </tr> </tbody> </table></div> <p>ข้อจำกัดเหล่านี้มาจาก <a href="https://developers.openai.com/siwc/token-sharing-open-source/preview-limitations" rel="noopener noreferrer">หน้าข้อจำกัดการดูตัวอย่าง</a>: ฟีเจอร์ที่ต้องเก็บสถานะบทสนทนา หรือใช้เครื่องมือที่โฮสต์ไว้ ยังไม่ทำงานบนแผนของผู้ใช้ในปัจจุบัน</p> <p>แนวทางที่เหมาะสมคือใช้โมเดลแบบไฮบริด:</p> <ol> <li>ใช้แผนของผู้ใช้สำหรับงานแบบ interactive ของผู้ใช้ Plus และ Pro</li> <li>ใช้ API key ของคุณสำหรับผู้ใช้รายอื่น</li> <li>ใช้ API key ของคุณสำหรับ background jobs, CI และ agent ที่ทำงานตามเวลา</li> <li>เมื่อชนขีดจำกัด ให้แสดงลิงก์จัดการการใช้งาน และเสนอเครดิตหรือ billing path ของคุณเป็นทางเลือก</li> </ol> <p>ดูแนวคิดเพิ่มเติมได้จาก <a href="https://apidog.com/th/blog/api-key-vs-oauth?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การเปรียบเทียบ API key vs OAuth</a> และ <a href="https://apidog.com/th/blog/ai-agent-oauth-on-behalf-of-user?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">OAuth สำหรับ AI agents</a></p> <h2> วิธีทดสอบ flow การลงชื่อเข้าใช้และเส้นทางความล้มเหลวใน Apidog </h2> <p>Apidog ไม่ได้ลงชื่อเข้าใช้ผู้ใช้ด้วย ChatGPT โดยตรง แต่ช่วยทดสอบการตั้งค่า OAuth, token exchange และการจัดการข้อผิดพลาดของระบบคุณได้ เริ่มจาก <a href="https://apidog.com/download?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ดาวน์โหลด Apidog</a> แล้วสร้าง environment แยกสำหรับการทดสอบ</p> <h3> 1. จัดเก็บ Client และ token เป็นตัวแปร </h3> <p>เพิ่มตัวแปร sensitive ต่อไปนี้ใน environment:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>SIWC_CLIENT_ID SIWC_REDIRECT_URI SIWC_CLIENT_SECRET ACCESS_TOKEN </code></pre> </div> <p><code>SIWC_CLIENT_SECRET</code> ใช้เฉพาะ confidential client และ <code>ACCESS_TOKEN</code> ใช้สำหรับทดสอบการใช้งานแผน</p> <p>อ้างอิงตัวแปรใน request ด้วยรูปแบบ:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>{{SIWC_CLIENT_ID}} </code></pre> </div> <p>วิธีนี้ช่วยป้องกันไม่ให้ข้อมูลลับปรากฏใน request ที่บันทึกไว้</p> <h3> 2. รัน Authorization Code flow พร้อม PKCE </h3> <p>ในแท็บ Auth ของ Apidog:</p> <ol> <li>เลือก <strong>OAuth 2.0</strong> </li> <li>เลือก flow แบบ <strong>Authorization Code with PKCE</strong> </li> <li>กำหนด authorization endpoint และ token endpoint ตามค่าด้านบน</li> <li>ตั้ง scope เป็น: </li> </ol> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code> openid profile email </code></pre> </div> <ol> <li>ใช้ callback URL ที่ลงทะเบียนไว้กับ Client ID ของคุณ</li> </ol> <p>ดูขั้นตอนของแต่ละฟิลด์ได้จาก <a href="https://apidog.com/th/blog/test-oauth-2-apis-apidog?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ Apidog OAuth 2.0</a></p> <h3> 3. ตรวจสอบ ID token ที่ได้รับ </h3> <p>บันทึก token exchange เป็น POST request แยกไปยัง token endpoint โดยส่ง code, PKCE verifier, redirect URI และ Client ID</p> <p>เพิ่ม post-processor เพื่อยืนยัน response ขั้นพื้นฐาน:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight javascript"><code><span class="kd">const</span> <span class="nx">body</span> <span class="o">=</span> <span class="nx">pm</span><span class="p">.</span><span class="nx">response</span><span class="p">.</span><span class="nf">json</span><span class="p">();</span> <span class="nx">pm</span><span class="p">.</span><span class="nf">test</span><span class="p">(</span><span class="dl">"</span><span class="s2">token exchange returned an ID token</span><span class="dl">"</span><span class="p">,</span> <span class="p">()</span> <span class="o">=&gt;</span> <span class="p">{</span> <span class="nx">pm</span><span class="p">.</span><span class="nf">expect</span><span class="p">(</span><span class="nx">pm</span><span class="p">.</span><span class="nx">response</span><span class="p">.</span><span class="nx">code</span><span class="p">).</span><span class="nx">to</span><span class="p">.</span><span class="nf">eql</span><span class="p">(</span><span class="mi">200</span><span class="p">);</span> <span class="nx">pm</span><span class="p">.</span><span class="nf">expect</span><span class="p">(</span><span class="nx">body</span><span class="p">.</span><span class="nx">id_token</span><span class="p">).</span><span class="nx">to</span><span class="p">.</span><span class="nx">be</span><span class="p">.</span><span class="nf">a</span><span class="p">(</span><span class="dl">"</span><span class="s2">string</span><span class="dl">"</span><span class="p">);</span> <span class="p">});</span> <span class="kd">const</span> <span class="nx">decode</span> <span class="o">=</span> <span class="nf">require</span><span class="p">(</span><span class="dl">"</span><span class="s2">atob</span><span class="dl">"</span><span class="p">);</span> <span class="kd">const</span> <span class="nx">part</span> <span class="o">=</span> <span class="nx">body</span><span class="p">.</span><span class="nx">id_token</span> <span class="p">.</span><span class="nf">split</span><span class="p">(</span><span class="dl">"</span><span class="s2">.</span><span class="dl">"</span><span class="p">)[</span><span class="mi">1</span><span class="p">]</span> <span class="p">.</span><span class="nf">replace</span><span class="p">(</span><span class="sr">/-/g</span><span class="p">,</span> <span class="dl">"</span><span class="s2">+</span><span class="dl">"</span><span class="p">)</span> <span class="p">.</span><span class="nf">replace</span><span class="p">(</span><span class="sr">/_/g</span><span class="p">,</span> <span class="dl">"</span><span class="s2">/</span><span class="dl">"</span><span class="p">);</span> <span class="kd">const</span> <span class="nx">claims</span> <span class="o">=</span> <span class="nx">JSON</span><span class="p">.</span><span class="nf">parse</span><span class="p">(</span> <span class="nf">decode</span><span class="p">(</span><span class="nx">part</span> <span class="o">+</span> <span class="dl">"</span><span class="s2">=</span><span class="dl">"</span><span class="p">.</span><span class="nf">repeat</span><span class="p">((</span><span class="mi">4</span> <span class="o">-</span> <span class="p">(</span><span class="nx">part</span><span class="p">.</span><span class="nx">length</span> <span class="o">%</span> <span class="mi">4</span><span class="p">))</span> <span class="o">%</span> <span class="mi">4</span><span class="p">))</span> <span class="p">);</span> <span class="nx">pm</span><span class="p">.</span><span class="nf">test</span><span class="p">(</span><span class="dl">"</span><span class="s2">ID token claims match this client</span><span class="dl">"</span><span class="p">,</span> <span class="p">()</span> <span class="o">=&gt;</span> <span class="p">{</span> <span class="nx">pm</span><span class="p">.</span><span class="nf">expect</span><span class="p">(</span><span class="nx">claims</span><span class="p">.</span><span class="nx">iss</span><span class="p">).</span><span class="nx">to</span><span class="p">.</span><span class="nf">eql</span><span class="p">(</span><span class="dl">"</span><span class="s2">https://auth.openai.com</span><span class="dl">"</span><span class="p">);</span> <span class="nx">pm</span><span class="p">.</span><span class="nf">expect</span><span class="p">(</span><span class="nx">claims</span><span class="p">.</span><span class="nx">aud</span><span class="p">).</span><span class="nx">to</span><span class="p">.</span><span class="nf">include</span><span class="p">(</span><span class="nx">pm</span><span class="p">.</span><span class="nx">environment</span><span class="p">.</span><span class="nf">get</span><span class="p">(</span><span class="dl">"</span><span class="s2">SIWC_CLIENT_ID</span><span class="dl">"</span><span class="p">));</span> <span class="nx">pm</span><span class="p">.</span><span class="nf">expect</span><span class="p">(</span><span class="nx">claims</span><span class="p">.</span><span class="nx">sub</span><span class="p">).</span><span class="nx">to</span><span class="p">.</span><span class="nx">be</span><span class="p">.</span><span class="nf">a</span><span class="p">(</span><span class="dl">"</span><span class="s2">string</span><span class="dl">"</span><span class="p">).</span><span class="nx">and</span><span class="p">.</span><span class="nx">not</span><span class="p">.</span><span class="nx">empty</span><span class="p">;</span> <span class="nx">pm</span><span class="p">.</span><span class="nf">expect</span><span class="p">(</span><span class="nx">claims</span><span class="p">.</span><span class="nx">exp</span> <span class="o">*</span> <span class="mi">1000</span><span class="p">).</span><span class="nx">to</span><span class="p">.</span><span class="nx">be</span><span class="p">.</span><span class="nf">above</span><span class="p">(</span><span class="nb">Date</span><span class="p">.</span><span class="nf">now</span><span class="p">());</span> <span class="p">});</span> </code></pre> </div> <p>ให้บันทึก <code>name</code>, <code>email</code> และ <code>picture</code> เป็นข้อมูลที่อาจมีใน response แทนการบังคับตรวจสอบว่าต้องมีเสมอ</p> <p>การตรวจสอบลายเซ็น JWT และ nonce ต้องทำในแบ็กเอนด์ของคุณเสมอ ไม่ใช่ในเครื่องมือทดสอบเพียงอย่างเดียว</p> <p>หากทดสอบการใช้งานแผน ให้ตรวจสอบว่า <code>body.scope</code> มี:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>chatgpt.tokens.use.direct </code></pre> </div> <h3> 4. จำลองเส้นทางความล้มเหลว </h3> <p>บัญชี Plus จริงไม่เหมาะสำหรับทดสอบทุกกรณี ใช้ Apidog Mock Server เพื่อจำลอง response เหล่านี้:</p> <ul> <li><p><strong>ผู้ใช้ปฏิเสธการใช้งานแผน</strong><br><br> ส่ง token response ที่ <code>scope</code> ไม่มี <code>chatgpt.tokens.use.direct</code> แอปควรคง session การลงชื่อเข้าใช้ไว้ และเสนอให้ผู้ใช้เปิดใช้งานแผนหรือเลือกเส้นทางเรียกเก็บเงินอื่น</p></li> <li><p><strong>ถึงขีดจำกัดการใช้งาน</strong><br><br> ส่ง HTTP 429 พร้อม <code>error.code</code> เป็น <code>subscription_sharing_usage_limit_exceeded</code> หรือส่งรหัสเดียวกันผ่าน <code>response.failed</code> ระหว่างสตรีม ตรวจสอบว่าแอปหยุดส่งคำขอผ่านแผน</p></li> <li><p><strong>ผู้ใช้ไม่มีสิทธิ์</strong><br><br> ส่ง HTTP 403 พร้อม <code>subscription_sharing_user_not_eligible</code> แอปไม่ควร retry หรือวนกลับไปทำ OAuth flow ซ้ำ</p></li> <li><p><strong>ผู้ใช้ตัดการเชื่อมต่อแอป</strong><br><br> จำลอง refresh token ที่คืน <code>invalid_grant</code> หรือ HTTP 401 พร้อม <code>subscription_sharing_invalid_user</code> แอปต้องล้าง token ที่เก็บไว้ และขอให้ผู้ใช้ลงชื่อเข้าใช้อีกครั้ง</p></li> </ul> <p>เชื่อมกรณีเหล่านี้เป็น test scenario และรันใน CI ด้วย Apidog CLI ดูรายการ error และแนวทางกู้คืนเพิ่มเติมได้จาก <a href="https://developers.openai.com/siwc/token-sharing-open-source/errors-and-recovery" rel="noopener noreferrer">หน้าข้อผิดพลาดและการกู้คืน</a></p> <h3> 5. ตรวจสอบการเรียกใช้งานจริง </h3> <p>เมื่อมี plan token จริง ให้ส่ง request แบบ streaming โดยตั้ง Authorization เป็น <code>Bearer {{ACCESS_TOKEN}}</code> ใน Apidog</p> <p>ตัวอย่าง <code>curl</code>:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code>curl <span class="nt">--no-buffer</span> https://api.openai.com/v1/responses <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"Authorization: Bearer </span><span class="k">${</span><span class="nv">ACCESS_TOKEN</span><span class="k">}</span><span class="s2">"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"Content-Type: application/json"</span> <span class="se">\</span> <span class="nt">-d</span> <span class="s1">'{ "model": "gpt-6.1-sol", "input": [{"role": "user", "content": "Say exactly: Hello, world!"}], "store": false, "stream": true }'</span> </code></pre> </div> <p>ยืนยันว่า stream จบด้วย event:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>response.completed </code></pre> </div> <p>นี่คือสัญญาณความสำเร็จที่ควรใช้ตัดสินว่าคำขอเสร็จสมบูรณ์</p> <h2> คำถามที่พบบ่อย </h2> <h3> ผู้ใช้ Free สามารถลงชื่อเข้าใช้ด้วย ChatGPT ได้หรือไม่? </h3> <p>ได้ การลงชื่อเข้าใช้เปิดให้ผู้ใช้ ChatGPT ทั่วโลก แต่การใช้แผนในแอปอื่นต้องใช้ Plus หรือ Pro</p> <h3> แอปได้รับ OpenAI API key ของผู้ใช้หรือไม่? </h3> <p>ไม่ แอปจะได้รับ ID token และหากผู้ใช้อนุมัติการใช้งานแผน จะได้รับ OAuth access token สำหรับคำขอ Responses API ที่มีสิทธิ์เท่านั้น</p> <h3> จะเกิดอะไรขึ้นเมื่อผู้ใช้ถึงขีดจำกัด? </h3> <p>คำขอจะล้มเหลวด้วย <code>subscription_sharing_usage_limit_exceeded</code> ซึ่งอาจเป็น HTTP 429 หรือ event <code>response.failed</code> หลังเริ่มสตรีมแล้ว ให้หยุดการใช้งานแผนชั่วคราว และแสดงลิงก์จัดการการใช้งาน</p> <h3> ผู้ใช้ Plus สามารถรัน GPT-6.1 Sol ผ่านแอปพันธมิตรได้หรือไม่? </h3> <p>ตัวอย่างในเอกสารใช้ <code>gpt-6.1-sol</code> กับ plan token แต่ก่อนนำเสนอโมเดลนี้ในแอป ควรดึงรายการโมเดลด้วย token ของบัญชีนั้นก่อน ดูเพิ่มเติมได้ที่ <a href="https://apidog.com/th/blog/gpt-6-1-sol-free?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">GPT-6.1 Sol ฟรีหรือไม่</a></p> <h2> ขั้นตอนต่อไป </h2> <p>หากคุณกำลังพัฒนาแอปเชิงพาณิชย์ ให้เข้าร่วมรายการรอเพื่อขอ Client ID และเริ่มสร้าง test suite สำหรับกรณีต่อไปนี้ทันที:</p> <ul> <li>token validation</li> <li>ผู้ใช้ปฏิเสธ plan usage</li> <li>usage limit exceeded</li> <li>ผู้ใช้ไม่มีสิทธิ์</li> <li>การตัดการเชื่อมต่อและ refresh token ล้มเหลว</li> </ul> <p>ระหว่างรอ ให้ถือว่า plan usage เป็นทางเลือกเพิ่มเติมจาก API billing ของคุณ ไม่ใช่สิ่งทดแทนทั้งหมด บันทึก token validation และ failure scenarios ใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> เพื่อให้เมื่อได้รับ Client ID แล้ว สิ่งที่ต้องเปลี่ยนจริง ๆ เหลือเพียงการใช้ token จริงใน environment ของคุณ</p> api chatgpt openai tutorial Thanawat Wongchai Fri, 02 Oct 2026 09:59:01 +0000 https://dev.to/thanawat_wonchai/okhedkchhlang-devday-2026-phaarkicchkhlaawd-cli-esiiyng-eecchnt-riiwiwokhd-aelakhlaawdkhwaampldphay-47d8 https://dev.to/thanawat_wonchai/okhedkchhlang-devday-2026-phaarkicchkhlaawd-cli-esiiyng-eecchnt-riiwiwokhd-aelakhlaawdkhwaampldphay-47d8 <p>ในงาน OpenAI DevDay 2026 วันที่ 29 กันยายน Codex ได้รับการอัปเดตหลัก 4 ส่วน: Codex cloud พร้อมสภาพแวดล้อมที่นำกลับมาใช้ใหม่ได้, Codex CLI ที่ปรับปรุงใหม่, Code Review สำหรับ GitHub PRs และ GitLab MRs และ Codex Security Cloud สำหรับสแกนช่องโหว่ในที่เก็บโค้ด นอกจากนี้ Codex CLI 0.159.1 ยังตั้งค่า GPT-6.1 Sol เป็นโมเดลเริ่มต้นด้วย</p> <p><a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation" class="crayons-btn crayons-btn--primary">ลองใช้ Apidog วันนี้</a> </p> <p>คู่มือนี้สรุปสิ่งที่เปลี่ยนแปลง คำสั่งที่ใช้ได้ทันที และวิธีเสริม Code Review ด้วยการทดสอบ API จริงใน CI สำหรับภาพรวมงานทั้งหมด ดูได้ที่ <a href="https://apidog.com/th/blog/openai-devday-2026?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ศูนย์กลาง DevDay 2026 สำหรับนักพัฒนา API</a> ประเด็นสำคัญสำหรับทีม API คือ Codex รีวิวโค้ดได้ แต่ไม่ได้เรียก API ที่กำลังรันอยู่ของคุณ ดังนั้นควรเพิ่มการทดสอบสัญญาด้วย <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> ใน CI</p> <h2> มีอะไรเปลี่ยนแปลงใน Codex ที่ DevDay 2026 </h2> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>การอัปเดต</th> <th>สิ่งที่ทำ</th> <th>ตำแหน่งที่ใช้</th> <th>แพ็กเกจ</th> <th>สถานะ</th> </tr> </thead> <tbody> <tr> <td>สภาพแวดล้อม Codex cloud</td> <td>ตั้งค่าครั้งเดียวและนำกลับมาใช้ซ้ำในพื้นที่ทำงานที่แยกกัน</td> <td>เว็บ, แอปเดสก์ท็อป, <code>codex cloud</code> </td> <td>Plus, Pro, Business, Healthcare, Edu, Enterprise</td> <td>พร้อมใช้งาน</td> </tr> <tr> <td>Codex CLI ที่ปรับปรุงใหม่</td> <td>เสียง, <code>/agents</code>, แก้ไขพรอมต์, ดำเนินการต่อ, worktrees</td> <td>เทอร์มินัล</td> <td>ทุกแพ็กเกจ</td> <td>พร้อมใช้งาน</td> </tr> <tr> <td>Code Review</td> <td>รีวิว PR และ MR พร้อมรีวิวบนคลาวด์อัตโนมัติ</td> <td>แอปเดสก์ท็อป ChatGPT, GitHub, GitLab</td> <td>ทุกแพ็กเกจ</td> <td>GitHub พร้อมใช้งานทั่วไป; GitLab MRs อยู่ในรุ่นพรีวิว</td> </tr> <tr> <td>Codex Security Cloud</td> <td>สแกนตามกำหนดเวลา, ลดผลลัพธ์ซ้ำซ้อน, เตรียมแพตช์แก้ไข</td> <td>Codex cloud, ผ่านปลั๊กอิน</td> <td>Pro, Business, Enterprise, Edu</td> <td>รุ่นทดลองวิจัย</td> </tr> <tr> <td>GPT-6.1 Sol เป็นค่าเริ่มต้น</td> <td>โมเดลเริ่มต้นในแค็ตตาล็อก CLI</td> <td>CLI และเลือกได้ใน Codex/ChatGPT Work</td> <td>Plus, Pro, Business, Enterprise, Edu</td> <td>พร้อมใช้งาน</td> </tr> </tbody> </table></div> <p>แหล่งข้อมูล: <a href="https://openai.com/index/devday-2026-recap/" rel="noopener noreferrer">สรุป DevDay 2026</a> ของ OpenAI, <a href="https://learn.chatgpt.com/docs/whats-new" rel="noopener noreferrer">หน้า “มีอะไรใหม่” ของ Codex</a> และเอกสาร Codex ที่อ้างอิงในบทความนี้</p> <h2> Codex cloud: สภาพแวดล้อมที่นำกลับมาใช้ใหม่ได้ </h2> <p>Codex cloud ใช้รันงานเขียนโค้ดบนคลาวด์ เพื่อให้งานทำงานต่อได้แม้ปิดคอมพิวเตอร์ ตาม <a href="https://learn.chatgpt.com/docs/environments/cloud-environments" rel="noopener noreferrer">เอกสารสภาพแวดล้อมบนคลาวด์</a> สภาพแวดล้อมคือชุดการตั้งค่าที่งานหลายงานใช้ร่วมกัน เช่น ที่เก็บโค้ด dependencies เครื่องมือ และการตั้งค่าการเข้าถึง</p> <p>งานใหม่แต่ละงานจะได้ workspace แยกจาก environment เวอร์ชันที่เผยแพร่แล้ว</p> <h3> ตั้งค่าสภาพแวดล้อมบนคลาวด์ </h3> <ol> <li>สร้างงานใหม่ใน Codex</li> <li>เลือก <strong>Work in &gt; Cloud</strong> </li> <li>เลือก <strong>Create environment</strong> </li> <li>เลือก GitHub repository ที่ต้องการใช้</li> <li>ให้ Codex ตรวจสอบ repository ติดตั้ง dependencies และทดสอบ workflow</li> <li>ตรวจสอบรายงาน แล้วเลือก <strong>Publish</strong> </li> </ol> <p>Codex จะบันทึกการตั้งค่าที่ใช้งานได้ใน 2 ส่วน:</p> <ul> <li> <strong>Install script</strong>: คำสั่งสำหรับติดตั้ง dependencies</li> <li> <strong>Start skill</strong>: คำสั่งเริ่มบริการและตรวจสอบว่าพร้อมใช้งาน</li> </ul> <h3> การตั้งค่าที่ควรตรวจสอบก่อนใช้จริง </h3> <ul> <li> <strong>Repository refresh</strong>: ทำงานเบื้องหลังและเก็บ dependency cache เพื่อลดเวลาติดตั้งในงานถัดไป</li> <li> <strong>Internet access</strong>: ตั้งค่าระดับ environment ได้ เช่น package-manager preset, custom domains หรือ unrestricted</li> <li> <strong>Network secrets</strong>: เก็บ credentials นอก sandbox โดยโปรแกรมจะเห็นเพียง placeholder และ proxy จะส่งค่าจริงไปยัง HTTPS endpoint ที่อนุญาตเท่านั้น</li> </ul> <p>หาก environment ต้องเรียก staging API ให้เพิ่มโดเมน staging ในรายการโดเมนที่อนุญาต และเก็บ token เป็น network secret แทนการใช้ environment variable ปกติ</p> <p>จากเทอร์มินัล ใช้คำสั่งนี้เพื่อส่งงานไป Codex cloud:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code>codex cloud </code></pre> </div> <p>คำสั่งนี้ยังใช้ดูรายการ cloud conversations ล่าสุดได้ด้วย</p> <h2> Codex CLI ที่ได้รับการปรับปรุงใหม่ </h2> <p>ติดตั้ง Codex CLI ด้วยสคริปต์จาก <a href="https://learn.chatgpt.com/docs/codex/cli" rel="noopener noreferrer">เอกสาร Codex CLI</a>:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code>curl <span class="nt">-fsSL</span> https://chatgpt.com/codex/install.sh | sh </code></pre> </div> <p>หรือใช้ npm:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code>npm <span class="nb">install</span> <span class="nt">-g</span> @openai/codex </code></pre> </div> <p>ตาม <a href="https://learn.chatgpt.com/docs/changelog" rel="noopener noreferrer">บันทึกการเปลี่ยนแปลงของ Codex</a> เวอร์ชัน <code>0.159.1</code> ที่ออกวันที่ 29 กันยายน เพิ่ม GPT-6.1 Sol เป็นโมเดลเริ่มต้นใน CLI catalog</p> <p>ตรวจสอบหรือเปลี่ยนโมเดลระหว่างเซสชัน:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>/model </code></pre> </div> <p>หรือระบุโมเดลตอนเริ่มต้น:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code>codex <span class="nt">--model</span> gpt-6-sol </code></pre> </div> <p>ตัวอย่างในเอกสาร CLI ใช้ <code>gpt-6.1-sol medium</code> โดยดูรายละเอียดโมเดลเพิ่มเติมได้จาก <a href="https://learn.chatgpt.com/docs/models" rel="noopener noreferrer">หน้าโมเดล Codex</a> แผน Free และ Go ไม่ได้รวมอยู่ในช่วงเปิดตัว ส่วน Enterprise และ Edu ต้องให้ผู้ดูแลระบบเปิดใช้งานก่อน</p> <p>อ่านรายละเอียดเพิ่มเติมเกี่ยวกับโมเดลได้ที่ <a href="https://apidog.com/th/blog/what-is-gpt-6-1-sol?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">GPT-6.1 Sol คืออะไร?</a></p> <h3> คำสั่ง CLI ที่ควรใช้ </h3> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>ฟีเจอร์</th> <th>วิธีใช้</th> </tr> </thead> <tbody> <tr> <td>เสียง</td> <td>กด <code>F8</code> เพื่อสลับเสียง และใช้ <code>/voice settings</code> เพื่อเลือกเสียง</td> </tr> <tr> <td>มุมมอง agents</td> <td>ใช้ <code>/agents</code> เพื่อดูภาพรวม agent และงานตามสถานะ</td> </tr> <tr> <td>แก้ไขพรอมต์</td> <td>แก้ไข prompt ก่อนหน้าเพื่อย้อน thread ไปยังจุดนั้น</td> </tr> <tr> <td>ดำเนินการต่อ</td> <td>ใช้ <code>codex resume</code> เพื่อกลับไปยังแชทที่บันทึกไว้</td> </tr> <tr> <td>Worktrees</td> <td>ใช้ <code>/worktree</code> เพื่อสร้าง Git worktree ใหม่</td> </tr> <tr> <td>Fork งาน</td> <td>ใช้ <code>/fork</code> เพื่อคัดลอกแชทไปยังแชทหรือ worktree ใหม่</td> </tr> <tr> <td>เลือกโมเดล</td> <td>ใช้ <code>/model</code> เพื่อเลือกโมเดลและระดับ reasoning effort</td> </tr> <tr> <td>รีวิวในเครื่อง</td> <td>ใช้ <code>/review</code> เพื่อตรวจสอบ uncommitted changes, commit หรือ base branch</td> </tr> </tbody> </table></div> <p>การรองรับ worktree เปิดใช้งานเป็นค่าเริ่มต้นตั้งแต่เวอร์ชัน <code>0.156.0</code> เหมาะกับการให้หลาย agent ทำงานพร้อมกันใน repository เดียว เพราะแต่ละ agent มี checkout ของตัวเอง</p> <p>ก่อน commit ให้รัน:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>/review </code></pre> </div> <p>คำสั่งนี้จะรายงานปัญหาที่จัดลำดับความสำคัญแล้ว โดยไม่แก้ไข worktree ของคุณ</p> <h2> Code Review: แอปเดสก์ท็อป, GitHub และ GitLab </h2> <p>Code Review เป็นปลั๊กอินในแอปเดสก์ท็อป ChatGPT ตาม <a href="https://learn.chatgpt.com/docs/code-review" rel="noopener noreferrer">เอกสาร Code Review</a> คุณสามารถดูข้อมูลต่อไปนี้ก่อนอนุมัติ PR:</p> <ul> <li>คำอธิบาย pull request</li> <li>ไฟล์ที่เปลี่ยนแปลง</li> <li>ความคิดเห็น</li> <li>Checks ที่เกี่ยวข้อง</li> </ul> <p>GitHub Code Review พร้อมใช้งานทั่วไป ส่วน GitLab merge request ยังอยู่ในรุ่นพรีวิว</p> <h3> เปิดใช้การรีวิวบนคลาวด์อัตโนมัติ </h3> <ol> <li>เชื่อมต่อ ChatGPT Codex connector กับ GitHub</li> <li>อนุญาตสิทธิ์เข้าถึง repository</li> <li>เปิดใช้ cloud review สำหรับ repository ที่ต้องการ</li> <li>หรือแสดงความคิดเห็นบน PR: </li> </ol> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>@codex review </code></pre> </div> <p>ตาม <a href="https://learn.chatgpt.com/docs/third-party/github" rel="noopener noreferrer">คู่มือการรวม GitHub</a> cloud review ไม่ต้องให้คุณสร้างหรือจัดการ cloud environment เอง ความคิดเห็นจะแสดงทั้งบน GitHub และในช่อง Code Review</p> <p>บน GitHub, Codex จะรายงานเฉพาะปัญหาระดับ P0 และ P1</p> <h3> กำหนดกฎการรีวิวใน <code>AGENTS.md</code> </h3> <p>เพิ่มส่วน <code>## Code Review Rules</code> ในไฟล์ <code>AGENTS.md</code> และวางไฟล์ให้ใกล้กับโค้ดที่กฎนั้นควบคุมมากที่สุด ตัวอย่าง:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight markdown"><code><span class="gu">## Code Review Rules</span> <span class="p"> -</span> ตรวจสอบการเปลี่ยนแปลงที่อาจทำให้ API contract เปลี่ยน <span class="p">-</span> แจ้งเตือนเมื่อมีการเปลี่ยน authorization logic <span class="p">-</span> ตรวจสอบการจัดการ error และ status code <span class="p">-</span> ห้ามเสนอการแก้ไขที่ข้าม test suite </code></pre> </div> <p>อย่างไรก็ตาม กฎการรีวิวไม่ควรแทนที่ CI, branch protection หรือ required approvals ให้ปล่อยการตรวจสอบเชิงกลและตรวจสอบผลลัพธ์แบบกำหนดได้ไว้ใน CI</p> <p>ดู workflow เพิ่มเติมได้ที่ <a href="https://apidog.com/th/blog/codex-code-review?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Codex สำหรับการรีวิวโค้ด</a></p> <h2> Codex Security Cloud </h2> <p>Codex Security Cloud สแกน GitHub repositories ที่เชื่อมต่อกับ Codex cloud โดยมีความสามารถดังนี้:</p> <ul> <li>สแกนตามกำหนดเวลา</li> <li>ลดผลลัพธ์ซ้ำซ้อน</li> <li>เตรียมแพตช์แก้ไขบนคลาวด์</li> </ul> <p>OpenAI ระบุว่าฟีเจอร์นี้รวมโมเดล Daybreak Blue โดยไม่ต้องสมัครแยกต่างหาก ดูคำอธิบายระดับโมเดลเพิ่มเติมได้ที่ <a href="https://apidog.com/th/blog/openai-daybreak-blue-vs-red?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Daybreak Blue vs Red</a></p> <p>ฟีเจอร์นี้อยู่ในรุ่นทดลองวิจัยสำหรับ Pro, Business, Enterprise และ Edu</p> <h3> ตั้งค่า Codex Security Cloud </h3> <p>ตาม <a href="https://learn.chatgpt.com/docs/security/setup" rel="noopener noreferrer">คู่มือการตั้งค่า Security Cloud</a>:</p> <ol> <li>ติดตั้งปลั๊กอิน Codex Security Cloud จาก ChatGPT plugin marketplace</li> <li>เลือก <strong>Connect GitHub</strong> </li> <li>อนุญาตสิทธิ์เข้าถึง repository ที่ต้องการสแกน</li> <li>เลือก repository และ cloud environment</li> <li>ตั้งค่า target เป็น <strong>Repository</strong> </li> <li>เริ่มการสแกน</li> <li>หากต้องการตรวจสอบต่อเนื่อง ให้เลือก <strong>Commit changes</strong> </li> <li>ปรับ environment, จำนวนวันของประวัติ และสถานะหยุดชั่วคราวใน <strong>Monitoring settings</strong> </li> <li>เมื่อพบปัญหา ใช้ <strong>Fix with Codex</strong> เพื่อร่างแพตช์</li> <li>ใช้ <strong>Create draft pull request</strong> เพื่อเปิด PR สำหรับรีวิว</li> </ol> <p>สำหรับการตรวจสอบเฉพาะ PR ใช้คำสั่งนี้ใน GitHub:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>@codex security review </code></pre> </div> <p>คำสั่งนี้เป็น security review เชิงลึกและยังอยู่ในรุ่นทดลองวิจัย</p> <h2> Apidog เข้ากันได้อย่างไร: Codex รีวิวโค้ด แต่ API ของคุณยังต้องการการทดสอบ </h2> <p>Code Review อ่าน diff, คำอธิบาย PR, ความคิดเห็น และ checks แต่ไม่ได้ส่ง request ไปยังบริการที่กำลังรันอยู่</p> <p>ตัวอย่างเช่น PR อาจเปลี่ยนชื่อ JSON field จาก <code>user_id</code> เป็น <code>userId</code> หรือเปลี่ยน HTTP status code โดย diff ดูถูกต้อง แต่ client ที่ใช้งาน API อาจพังทั้งหมด ปัญหานี้คือ API contract regression และต้องตรวจพบด้วยการทดสอบที่เรียก API จริง</p> <p>แนวทางปฏิบัติคือ:</p> <ol> <li>เก็บ OpenAPI spec และ test scenarios ไว้ใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> </li> <li>กำหนด assertions สำหรับ status code, required fields และ data types</li> <li>รัน scenario ผ่าน Apidog CLI ในทุก pull request</li> <li>ให้ CI รายงานผลเป็น PR check</li> </ol> <p>เมื่อ contract test ล้มเหลว ผลลัพธ์จะแสดงใน PR ถัดจากความคิดเห็นของ Codex ทำให้ reviewer เห็นทั้งข้อสังเกตจาก AI และผลทดสอบ API จริงในที่เดียว</p> <p>อ่านแนวคิดเพิ่มเติมได้ที่ <a href="https://apidog.com/th/blog/api-contract-testing?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การทดสอบสัญญา API</a></p> <h3> ตัวอย่าง GitHub Actions สำหรับ API contract test </h3> <div class="highlight js-code-highlight"> <pre class="highlight yaml"><code><span class="na">name</span><span class="pi">:</span> <span class="s">api-contract-tests</span> <span class="na">on</span><span class="pi">:</span> <span class="s">pull_request</span> <span class="na">jobs</span><span class="pi">:</span> <span class="na">apidog</span><span class="pi">:</span> <span class="na">runs-on</span><span class="pi">:</span> <span class="s">ubuntu-latest</span> <span class="na">steps</span><span class="pi">:</span> <span class="pi">-</span> <span class="na">run</span><span class="pi">:</span> <span class="s">npm install -g apidog-cli</span> <span class="pi">-</span> <span class="na">run</span><span class="pi">:</span> <span class="s">apidog run --access-token "$APIDOG_ACCESS_TOKEN" -t "$SCENARIO_ID" -e "$ENV_ID" -r cli,junit</span> <span class="na">env</span><span class="pi">:</span> <span class="na">APIDOG_ACCESS_TOKEN</span><span class="pi">:</span> <span class="s">${{ secrets.APIDOG_ACCESS_TOKEN }}</span> <span class="na">SCENARIO_ID</span><span class="pi">:</span> <span class="s">${{ vars.APIDOG_SCENARIO_ID }}</span> <span class="na">ENV_ID</span><span class="pi">:</span> <span class="s">${{ vars.APIDOG_ENV_ID }}</span> </code></pre> </div> <p>เริ่มจาก endpoint สำคัญเพียงหนึ่งรายการ เช่น endpoint ที่ client ใช้งานมากที่สุด แล้วตรวจสอบอย่างน้อย:</p> <ul> <li>HTTP status code</li> <li>ฟิลด์ที่จำเป็น</li> <li>ประเภทข้อมูล</li> <li>โครงสร้าง response ตาม schema</li> </ul> <p>หาก PR ที่ Codex สร้างเปลี่ยน <code>user_id</code> เป็น <code>userId</code> แต่ OpenAPI schema ยังระบุฟิลด์เดิม การตรวจสอบ schema จะล้มเหลว Apidog CLI จะจบด้วย non-zero exit code และ GitHub จะทำเครื่องหมาย check เป็นสีแดงก่อน reviewer ต้องค้นหาความเปลี่ยนแปลงนั้นเองใน diff</p> <p>Codex สามารถรันคำสั่งเดียวกันในเครื่องก่อนเปิด PR ได้ด้วย ดูวิธีตั้งค่าได้ที่ <a href="https://apidog.com/th/blog/apidog-cli-in-codex?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การใช้ Apidog CLI ใน Codex</a> และดู workflow ตั้งแต่งานจนถึง PR ที่ผ่านการทดสอบได้ที่ <a href="https://apidog.com/th/blog/build-your-own-software-factory-codex?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การสร้างโรงงานซอฟต์แวร์ด้วย Codex</a></p> <h2> คำถามที่พบบ่อย </h2> <p><strong>Codex ได้รับอะไรบ้างใน DevDay 2026?</strong></p> <p>ได้แก่ reusable cloud environments, CLI ที่ปรับปรุงใหม่พร้อมเสียง <code>/agents</code> การแก้ไข prompt การดำเนินการต่อและ worktrees, Code Review พร้อม cloud review อัตโนมัติ และ Codex Security Cloud ในรุ่นทดลองวิจัย</p> <p><strong>โมเดลเริ่มต้นของ Codex CLI คืออะไร?</strong></p> <p>GPT-6.1 Sol ตั้งแต่ CLI <code>0.159.1</code> ใช้ <code>/model</code> เพื่อเปลี่ยนโมเดลหรือปรับ reasoning effort</p> <p><strong>ใช้ Codex cloud ในแผน Free ได้หรือไม่?</strong></p> <p>ไม่ได้ Codex cloud ระบุสำหรับ Plus, Pro, Business, Healthcare, Edu และ Enterprise ส่วน CLI และ Code Review มีในทุกแผน ดูแนวทางใช้งานแบบไม่มีค่าใช้จ่ายได้ที่ <a href="https://apidog.com/th/blog/use-codex-free?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ Codex ฟรี</a></p> <p><strong>Codex Code Review ทดสอบ API ที่กำลังรันอยู่หรือไม่?</strong></p> <p>ไม่ มันรีวิว diff, คำอธิบาย, ความคิดเห็น และ checks ของ PR ควรเพิ่ม API contract test ใน CI เพื่อให้ PR ล้มเหลวเมื่อพฤติกรรม API เปลี่ยน</p> <p><strong>ใครใช้ Codex Security Cloud ได้บ้าง?</strong></p> <p>ผู้ใช้ Pro, Business, Enterprise และ Edu ในรุ่นทดลองวิจัย โดยติดตั้งผ่านปลั๊กอินและเชื่อมต่อ GitHub repository</p> <h2> ขั้นตอนต่อไป </h2> <ol> <li>อัปเดต Codex CLI</li> <li>รัน <code>/model</code> เพื่อตรวจสอบว่ากำลังใช้ <code>gpt-6.1-sol</code> </li> <li>ใช้ <code>/review</code> ก่อน commit ในสาขาถัดไป</li> <li><a href="https://apidog.com/download?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ดาวน์โหลด Apidog</a></li> <li>สร้าง test scenario สำหรับ endpoint สำคัญหนึ่งรายการ</li> <li>เพิ่ม GitHub Actions เพื่อรัน contract test ในทุก PR</li> </ol> <p>เมื่อทำครบแล้ว ทุก PR ที่ Codex สร้างจะถูกตรวจทั้งในระดับโค้ดและระดับ API ที่กำลังรันอยู่</p> Thanawat Wongchai Fri, 02 Oct 2026 09:56:37 +0000 https://dev.to/thanawat_wonchai/withiiaichngaan-openai-agents-api-5cah https://dev.to/thanawat_wonchai/withiiaichngaan-openai-agents-api-5cah <p>OpenAI Agents API ทำงานบน Codex harness แบบโอเพนซอร์สของ OpenAI คุณส่ง <code>POST https://api.openai.com/v1/agents/sessions</code> พร้อมเฮดเดอร์ <code>OpenAI-Beta: agents=v1</code> รวมถึงคำจำกัดความของเอเจนต์และงานที่ต้องการให้ทำ จากนั้น OpenAI จะรันโมเดลและวงจรเครื่องมือ จัดการเซสชัน และสามารถจัดเตรียมแซนด์บ็อกซ์ได้ ไม่มีค่าธรรมเนียม Agents API โดยคุณจ่ายเฉพาะค่าโทเค็น ค่าเครื่องมือ และเวลาของคอนเทนเนอร์โฮสต์ (0.03 ถึง 0.48 ดอลลาร์ต่อเซสชัน 20 นาที สำหรับแซนด์บ็อกซ์ขนาด 1 GB ถึง 16 GB) API เข้าสู่ช่วงเบต้าสาธารณะเมื่อวันที่ 10 กันยายน 2026 และ OpenAI เพิ่มฟังก์ชันการใช้งานคอมพิวเตอร์ในงาน DevDay เมื่อวันที่ 29 กันยายน</p> <p><a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation" class="crayons-btn crayons-btn--primary">ลองใช้ Apidog วันนี้</a> </p> <p>บทความนี้ครอบคลุมการสร้างเซสชัน REST ครั้งแรก การติดตามเหตุการณ์ความคืบหน้า เครื่องมือ MCP ซับเอเจนต์ และขั้นตอนอนุมัติการใช้งานคอมพิวเตอร์ หากต้องการเปรียบเทียบกับ Agent Surface อื่นของ OpenAI โปรดอ่าน <a href="https://apidog.com/th/blog/openai-agents-api-vs-responses-api-vs-agents-sdk?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Agents API vs Responses API vs Agents SDK</a> และดูรายละเอียดจากงานเปิดตัวได้ที่ <a href="https://apidog.com/th/blog/openai-devday-2026?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">DevDay 2026 roundup</a> ทุกคำขอเป็น HTTP ปกติ จึงสามารถทดลองส่งผ่าน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> ก่อนเริ่มเขียนโค้ดแอปพลิเคชันได้</p> <h2> OpenAI Agents API โดยสรุป </h2> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>รายการ</th> <th>ค่า</th> </tr> </thead> <tbody> <tr> <td>สถานะ</td> <td>เบต้าสาธารณะตั้งแต่วันที่ 10 ก.ย. 2026; เพิ่มการใช้งานคอมพิวเตอร์เมื่อวันที่ 29 ก.ย.</td> </tr> <tr> <td>สร้างเซสชัน</td> <td><code>POST /v1/agents/sessions</code></td> </tr> <tr> <td>เฮดเดอร์เบต้า</td> <td> <code>OpenAI-Beta: agents=v1</code> (OpenAI SDKs จะเพิ่มให้)</td> </tr> <tr> <td>สิทธิ์การเข้าถึงหลัก</td> <td> <code>api.agents.read</code>, <code>api.agents.write</code>, <code>api.responses.write</code> </td> </tr> <tr> <td>ราคา</td> <td>ไม่มีค่าธรรมเนียม Agents API; โทเค็นโมเดลคิดตามอัตรา API, เครื่องมือคิดตามอัตรามาตรฐาน (การค้นหาเว็บ 10 ดอลลาร์ต่อ 1,000 การเรียกใช้งาน)</td> </tr> <tr> <td>คอนเทนเนอร์โฮสต์</td> <td>0.03 ดอลลาร์ (<code>small</code>, 1 GB), 0.12 ดอลลาร์ (<code>medium</code>, 4 GB), 0.48 ดอลลาร์ (<code>large</code>, 16 GB) ต่อเซสชัน 20 นาที</td> </tr> <tr> <td>สภาพแวดล้อม</td> <td> <code>none</code>, <code>openai_hosted</code>, <code>self_hosted</code> </td> </tr> <tr> <td>โมเดลในตัวอย่างเอกสาร</td> <td><code>gpt-6-astra</code></td> </tr> <tr> <td>การควบคุมข้อมูล</td> <td>รองรับเฉพาะข้อมูลที่อยู่ในสหรัฐอเมริกาเท่านั้น; ไม่มี Zero Data Retention (ZDR)</td> </tr> <tr> <td>ขนาดคำขอสูงสุด</td> <td>4 MiB</td> </tr> </tbody> </table></div> <p>แหล่งที่มา: <a href="https://openai.com/index/introducing-the-agents-api/" rel="noopener noreferrer">Introducing the Agents API</a>, <a href="https://developers.openai.com/api/docs/guides/agents-api/overview" rel="noopener noreferrer">ภาพรวม Agents API</a> และ<a href="https://developers.openai.com/api/docs/pricing" rel="noopener noreferrer">หน้าราคา</a></p> <h2> สี่แนวคิดหลัก </h2> <p>Agents API มีองค์ประกอบหลัก 4 ส่วน:</p> <ul> <li> <strong>เอเจนต์ (Agent):</strong> โมเดล คำสั่ง เครื่องมือ และเซิร์ฟเวอร์ MCP คุณส่งคอนฟิกแบบอินไลน์ได้ หรือบันทึกแล้วนำ <code>agent_id</code> กลับมาใช้ซ้ำ</li> <li> <strong>สภาพแวดล้อม (Environment):</strong> แซนด์บ็อกซ์หรือคอมพิวเตอร์เสริมที่เอเจนต์ใช้เพื่ออ่านไฟล์และรันคำสั่ง</li> <li> <strong>เซสชัน (Session):</strong> อินสแตนซ์ถาวรของเอเจนต์ที่เก็บการกำหนดค่า บทสนทนา และงานที่บันทึกไว้</li> <li> <strong>เหตุการณ์และรายการ (Events and items):</strong> เหตุการณ์รายงานความคืบหน้าแบบเรียลไทม์ ส่วนรายการคือข้อความและการเรียกใช้เครื่องมือที่บันทึกไว้</li> </ul> <p>ข้อความที่ส่งไปยังเซสชันที่ไม่ได้ทำงานจะเริ่มเทิร์นใหม่ ขณะที่ข้อความที่ส่งระหว่างเทิร์นจะใช้ควบคุม harness ตาม<a href="https://developers.openai.com/api/docs/guides/agents-api/architecture" rel="noopener noreferrer">หน้าสถาปัตยกรรม</a> ซึ่งเป็น Codex instance ที่โฮสต์และจัดการโมเดลพร้อมวงจรเครื่องมือ Harness ยังจัดการการบีบอัดบริบทให้ จึงไม่ต้องกำหนดค่าเอง</p> <h2> เลือกสภาพแวดล้อม </h2> <p>กำหนดตำแหน่งรันคำสั่งด้วย <code>environment.type</code>:</p> <ul> <li> <strong><code>none</code>:</strong> ไม่มีสภาพแวดล้อมประมวลผล เซิร์ฟเวอร์ MCP ระยะไกลและเครื่องมือฟังก์ชันของคุณยังใช้งานได้ แต่ Bash ในตัว, <code>apply-patch</code>, ไฟล์ใน workspace และ executor MCPs จะไม่ทำงาน</li> <li> <strong><code>openai_hosted</code>:</strong> OpenAI จัดการ Linux sandbox ที่มี Python และ Node.js ใน <code>/workspace</code> กำหนด <code>container_size</code> เป็น <code>small</code> (1 GB), <code>medium</code> (ค่าเริ่มต้น, 4 GB) หรือ <code>large</code> (16 GB) และกำหนด <code>network.access</code> เป็น <code>enabled</code>, <code>disabled</code> หรือ <code>restricted</code> พร้อม <code>allowed_domains</code> ไฟล์ใน <code>/workspace/outputs</code> จะกลายเป็น artifact เมื่อเทิร์นเสร็จสิ้น แซนด์บ็อกซ์ที่ไม่ได้ใช้งานและไม่มี keep-alive อาจถูกลบหลังหนึ่งชั่วโมง</li> <li> <strong><code>self_hosted</code>:</strong> ใช้โครงสร้างพื้นฐานของคุณเอง โดยรัน <code>codex exec-server</code> บนแล็ปท็อป คอนเทนเนอร์ หรือแซนด์บ็อกซ์ระยะไกล จากนั้นให้เชื่อมต่อขาออกด้วยคีย์สภาพแวดล้อมแยกต่างหาก</li> </ul> <p>โพสต์เปิดตัวระบุพาร์ทเนอร์แซนด์บ็อกซ์ ได้แก่ Blaxel, Cloudflare, Daytona, DigitalOcean, E2B, Modal, Oracle, Runloop และ Vercel ส่วน<a href="https://developers.openai.com/api/docs/guides/agents-api/environments/self-hosted" rel="noopener noreferrer">คู่มือ self-hosted</a>เพิ่ม AWS Lambda MicroVMs</p> <h2> เซสชัน REST แรกของคุณ </h2> <p>เริ่มด้วยการตั้งค่า <code>OPENAI_API_KEY</code> ที่มีสิทธิ์ตามตารางด้านบน จากนั้นส่งงาน quickstart โดยใช้คอนเทนเนอร์ขนาดเล็ก:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code>curl <span class="nt">--no-buffer</span> https://api.openai.com/v1/agents/sessions <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"OpenAI-Beta: agents=v1"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"Authorization: Bearer </span><span class="nv">$OPENAI_API_KEY</span><span class="s2">"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"Content-Type: application/json"</span> <span class="se">\</span> <span class="nt">-d</span> <span class="s1">'{ "agent": { "model": "gpt-6-astra", "instructions": "Write clean code, run it, and report the actual output." }, "environment": { "type": "openai_hosted", "container_size": "small" }, "input": "Create tree.py, a script that prints a tree of the files in the current directory. Run it and show the output.", "stream": true }'</span> </code></pre> </div> <p>เมื่อกำหนด <code>stream: true</code> การตอบกลับจะเป็นสตรีมเหตุการณ์ของเทิร์นแรก ให้บันทึก Session ID ไว้ เพราะคำขอถัดไปจะใช้ทรัพยากรเดียวกัน:</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>การกระทำ</th> <th>คำขอ</th> </tr> </thead> <tbody> <tr> <td>ติดตามหรือควบคุม</td> <td> <code>POST /v1/agents/sessions/{id}/events</code> พร้อมเหตุการณ์ <code>agent.session.input.message</code> </td> </tr> <tr> <td>ยกเลิกเทิร์นที่กำลังทำงาน</td> <td>เอนด์พอยต์เดียวกัน พร้อมประเภทเหตุการณ์ <code>agent.session.input.cancel</code> </td> </tr> <tr> <td>อ่านงานที่บันทึกไว้</td> <td><code>GET /v1/agents/sessions/{id}/items?order=asc&amp;limit=100</code></td> </tr> <tr> <td>ล้างข้อมูล</td> <td><code>DELETE /v1/agents/sessions/{id}</code></td> </tr> </tbody> </table></div> <p>ตัวอย่าง JavaScript SDK ด้านล่างเพิ่มเครื่องมือ ซับเอเจนต์ และ vault:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight javascript"><code><span class="k">import</span> <span class="nx">OpenAI</span> <span class="k">from</span> <span class="dl">"</span><span class="s2">openai</span><span class="dl">"</span><span class="p">;</span> <span class="kd">const</span> <span class="nx">client</span> <span class="o">=</span> <span class="k">new</span> <span class="nc">OpenAI</span><span class="p">();</span> <span class="kd">const</span> <span class="nx">session</span> <span class="o">=</span> <span class="k">await</span> <span class="nx">client</span><span class="p">.</span><span class="nx">beta</span><span class="p">.</span><span class="nx">agents</span><span class="p">.</span><span class="nx">sessions</span><span class="p">.</span><span class="nf">create</span><span class="p">({</span> <span class="na">agent</span><span class="p">:</span> <span class="p">{</span> <span class="na">model</span><span class="p">:</span> <span class="dl">"</span><span class="s2">gpt-6-astra</span><span class="dl">"</span><span class="p">,</span> <span class="na">tools</span><span class="p">:</span> <span class="p">[{</span> <span class="na">type</span><span class="p">:</span> <span class="dl">"</span><span class="s2">web_search</span><span class="dl">"</span> <span class="p">}],</span> <span class="na">multi_agent</span><span class="p">:</span> <span class="p">{</span> <span class="na">enabled</span><span class="p">:</span> <span class="kc">true</span><span class="p">,</span> <span class="na">max_concurrent_subagents</span><span class="p">:</span> <span class="mi">3</span> <span class="p">},</span> <span class="p">},</span> <span class="na">vault_ids</span><span class="p">:</span> <span class="p">[</span><span class="nx">process</span><span class="p">.</span><span class="nx">env</span><span class="p">.</span><span class="nx">VAULT_ID</span><span class="p">],</span> <span class="na">environment</span><span class="p">:</span> <span class="p">{</span> <span class="na">type</span><span class="p">:</span> <span class="dl">"</span><span class="s2">openai_hosted</span><span class="dl">"</span> <span class="p">},</span> <span class="na">input</span><span class="p">:</span> <span class="dl">"</span><span class="s2">Summarize breaking changes in the latest release notes.</span><span class="dl">"</span><span class="p">,</span> <span class="p">});</span> <span class="nx">console</span><span class="p">.</span><span class="nf">log</span><span class="p">(</span><span class="nx">session</span><span class="p">.</span><span class="nx">id</span><span class="p">);</span> </code></pre> </div> <h2> ติดตามความคืบหน้า: สตรีมหรือเว็บฮุค </h2> <h3> การสตรีม </h3> <p>เปิด <code>GET /v1/agents/sessions/{id}/events?stream=true</code> พร้อมเฮดเดอร์ <code>Accept: text/event-stream</code> <strong>ก่อน</strong> ส่งอินพุต เพื่อไม่ให้พลาดเหตุการณ์แรก ๆ</p> <p>ตรวจสอบเหตุการณ์ต่อไปนี้:</p> <ul> <li> <code>agent.session.turn.output_text.delta</code> และ <code>agent.session.turn.output_text.done</code> สำหรับข้อความเอาต์พุต</li> <li> <code>agent.session.turn.completed</code>, <code>agent.session.turn.failed</code> หรือ <code>agent.session.turn.cancelled</code> สำหรับสถานะสุดท้ายของเทิร์น</li> <li> <code>agent.session.requires_action</code> เมื่อเอเจนต์ต้องการผลลัพธ์ฟังก์ชัน การเชื่อมต่อสภาพแวดล้อม หรือการอนุมัติการใช้งานคอมพิวเตอร์</li> </ul> <p>ข้อควรระวัง:</p> <ol> <li> <code>agent.session.idle</code> ไม่ได้หมายความว่าเทิร์นสำเร็จ</li> <li>เทิร์นที่เสร็จสมบูรณ์อาจมีการเรียกใช้เครื่องมือที่ล้มเหลว</li> <li>การปิดสตรีมไม่ได้หยุดงาน</li> <li>สตรีมจะไม่เล่นซ้ำเหตุการณ์ที่พลาดไป หลังการตัดการเชื่อมต่อ ให้เปิดสตรีมใหม่ แล้วเรียกข้อมูลเซสชันและรายการกลับมา</li> </ol> <h3> เว็บฮุค </h3> <p>สมัครรับเหตุการณ์เหล่านี้:</p> <ul> <li><code>agent.session.created</code></li> <li><code>agent.session.action_required</code></li> <li><code>agent.session.in_progress</code></li> <li><code>agent.session.idle</code></li> <li><code>agent.session.failed</code></li> </ul> <p>ชื่อเหตุการณ์แตกต่างกันเล็กน้อย: สตรีมใช้ <code>requires_action</code> แต่เว็บฮุคใช้ <code>action_required</code></p> <p>Payload ของเว็บฮุคจะละเว้นรายละเอียดการเรียกใช้งาน ดังนั้น handler ต้องเรียกข้อมูลเซสชันและอ่าน <code>required_actions</code> เอง ตรวจสอบลายเซ็นทุกคำขอด้วยแนวทางจาก<a href="https://apidog.com/th/blog/webhook-signature-verification?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การตรวจสอบลายเซ็นเว็บฮุค</a> และใช้เว็บฮุคกับงานที่รันนานตามแนวทางใน<a href="https://apidog.com/th/blog/ai-agent-long-running-api-operations?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การดำเนินการ API ที่ใช้เวลานาน</a></p> <h2> เครื่องมือ MCP, การค้นหาเครื่องมือ, การเรียกใช้เครื่องมือด้วยโปรแกรม และซับเอเจนต์ </h2> <h3> MCP </h3> <p>เพิ่มเซิร์ฟเวอร์ MCP เข้าไปใน <code>agent.tools</code>:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight json"><code><span class="p">{</span><span class="w"> </span><span class="nl">"type"</span><span class="p">:</span><span class="w"> </span><span class="s2">"mcp"</span><span class="p">,</span><span class="w"> </span><span class="nl">"server_label"</span><span class="p">:</span><span class="w"> </span><span class="s2">"openai_docs"</span><span class="p">,</span><span class="w"> </span><span class="nl">"transport"</span><span class="p">:</span><span class="w"> </span><span class="p">{</span><span class="w"> </span><span class="nl">"type"</span><span class="p">:</span><span class="w"> </span><span class="s2">"http"</span><span class="p">,</span><span class="w"> </span><span class="nl">"server_url"</span><span class="p">:</span><span class="w"> </span><span class="s2">"https://developers.openai.com/mcp"</span><span class="w"> </span><span class="p">},</span><span class="w"> </span><span class="nl">"required"</span><span class="p">:</span><span class="w"> </span><span class="kc">true</span><span class="w"> </span><span class="p">}</span><span class="w"> </span></code></pre> </div> <p>ค่าเริ่มต้นคือ OpenAI เป็นผู้เชื่อมต่อ (<code>connection_origin: "service"</code>) ดังนั้นเซิร์ฟเวอร์ต้องเข้าถึงได้จาก OpenAI</p> <p>ใช้ <code>connection_origin: "environment"</code> สำหรับเซิร์ฟเวอร์ในเครือข่ายส่วนตัว หรือใช้ <code>stdio</code> เพื่อเริ่มเซิร์ฟเวอร์ในแซนด์บ็อกซ์</p> <p>สำหรับข้อมูลรับรอง:</p> <ul> <li>ส่ง <code>transport.authorization</code> สำหรับการใช้งานหนึ่งเซสชัน</li> <li>แนบข้อมูลรับรองจาก vault เช่น <code>static_bearer</code> หรือ <code>mcp_oauth</code> ผ่าน <code>vault_ids</code> </li> </ul> <h3> การค้นหาเครื่องมือ </h3> <p>เครื่องมือ MCP จะถูกค้นพบโดยอัตโนมัติเมื่อโมเดลรองรับ tool search หากมีเครื่องมือฟังก์ชันจำนวนมาก ให้เพิ่ม:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight json"><code><span class="p">{</span><span class="w"> </span><span class="nl">"type"</span><span class="p">:</span><span class="w"> </span><span class="s2">"tool_search"</span><span class="w"> </span><span class="p">}</span><span class="w"> </span></code></pre> </div> <p>และกำหนดฟังก์ชันที่ไม่ต้องโหลดทันทีด้วย:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight json"><code><span class="p">{</span><span class="w"> </span><span class="nl">"defer_loading"</span><span class="p">:</span><span class="w"> </span><span class="kc">true</span><span class="w"> </span><span class="p">}</span><span class="w"> </span></code></pre> </div> <h3> การเรียกใช้เครื่องมือด้วยโปรแกรม </h3> <p>Programmatic tool calling เปิดใช้งานโดยค่าเริ่มต้น เอเจนต์จะได้รับเครื่องมือ <code>exec</code> สำหรับรัน JavaScript ใน V8 runtime แบบแยกส่วน ทำให้สามารถวนลูปเรียกเครื่องมือและตัดผลลัพธ์ขนาดใหญ่ก่อนนำเข้าสู่บริบทได้</p> <p>หากต้องการปิด ให้เพิ่ม:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight json"><code><span class="p">{</span><span class="w"> </span><span class="nl">"type"</span><span class="p">:</span><span class="w"> </span><span class="s2">"programmatic_tool_calling"</span><span class="p">,</span><span class="w"> </span><span class="nl">"enabled"</span><span class="p">:</span><span class="w"> </span><span class="kc">false</span><span class="w"> </span><span class="p">}</span><span class="w"> </span></code></pre> </div> <h3> ซับเอเจนต์ </h3> <p>เปิดใช้งานซับเอเจนต์ด้วย:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight json"><code><span class="p">{</span><span class="w"> </span><span class="nl">"multi_agent"</span><span class="p">:</span><span class="w"> </span><span class="p">{</span><span class="w"> </span><span class="nl">"enabled"</span><span class="p">:</span><span class="w"> </span><span class="kc">true</span><span class="p">,</span><span class="w"> </span><span class="nl">"max_concurrent_subagents"</span><span class="p">:</span><span class="w"> </span><span class="mi">3</span><span class="w"> </span><span class="p">}</span><span class="w"> </span><span class="p">}</span><span class="w"> </span></code></pre> </div> <p>ขีดจำกัดเริ่มต้นคือ 6 ซับเอเจนต์จะใช้ระบบไฟล์ของ environment ร่วมกัน และรับมรดกเครื่องมือ MCP กับการค้นหาเว็บ แต่ไม่สามารถใช้เครื่องมือฟังก์ชันได้</p> <p>ค่า <code>subagent_id</code> ของเทิร์นจากเอเจนต์หลักจะเป็น <code>null</code></p> <h2> การใช้งานคอมพิวเตอร์: สิ่งที่เพิ่มเข้ามาใน DevDay </h2> <p>การใช้งานคอมพิวเตอร์ทำให้เอเจนต์มีเบราว์เซอร์ที่โฮสต์อยู่ เพิ่มเครื่องมือและเดสก์ท็อปลงใน environment ที่โฮสต์:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight json"><code><span class="p">{</span><span class="w"> </span><span class="nl">"agent"</span><span class="p">:</span><span class="w"> </span><span class="p">{</span><span class="w"> </span><span class="nl">"model"</span><span class="p">:</span><span class="w"> </span><span class="s2">"gpt-6-astra"</span><span class="p">,</span><span class="w"> </span><span class="nl">"tools"</span><span class="p">:</span><span class="w"> </span><span class="p">[</span><span class="w"> </span><span class="p">{</span><span class="w"> </span><span class="nl">"type"</span><span class="p">:</span><span class="w"> </span><span class="s2">"computer_use"</span><span class="p">,</span><span class="w"> </span><span class="nl">"include_screenshots"</span><span class="p">:</span><span class="w"> </span><span class="kc">true</span><span class="w"> </span><span class="p">}</span><span class="w"> </span><span class="p">]</span><span class="w"> </span><span class="p">},</span><span class="w"> </span><span class="nl">"environment"</span><span class="p">:</span><span class="w"> </span><span class="p">{</span><span class="w"> </span><span class="nl">"type"</span><span class="p">:</span><span class="w"> </span><span class="s2">"openai_hosted"</span><span class="p">,</span><span class="w"> </span><span class="nl">"desktop"</span><span class="p">:</span><span class="w"> </span><span class="p">{</span><span class="w"> </span><span class="nl">"enabled"</span><span class="p">:</span><span class="w"> </span><span class="kc">true</span><span class="w"> </span><span class="p">},</span><span class="w"> </span><span class="nl">"network"</span><span class="p">:</span><span class="w"> </span><span class="p">{</span><span class="w"> </span><span class="nl">"access"</span><span class="p">:</span><span class="w"> </span><span class="s2">"enabled"</span><span class="w"> </span><span class="p">}</span><span class="w"> </span><span class="p">}</span><span class="w"> </span><span class="p">}</span><span class="w"> </span></code></pre> </div> <p>เบราว์เซอร์ต้องได้รับการอนุมัติจากผู้ใช้ก่อนเข้าชมแต่ละเว็บไซต์ใหม่ รวมถึงเว็บไซต์สาธารณะ เมื่อได้รับ <code>agent.session.requires_action</code> ให้เรียกข้อมูลเซสชันและค้นหารายการ <code>computer_use_approval_request</code></p> <p><code>request.type</code> ที่ซ้อนอยู่มี 2 แบบ:</p> <ul> <li> <strong><code>browser_origin_access</code>:</strong> แสดง <code>origin</code> และ <code>reason</code> จากนั้นส่ง <code>approve</code>, <code>deny</code> หรือ <code>cancel</code> </li> <li> <strong><code>browser_authentication</code>:</strong> ฟอร์มเข้าสู่ระบบที่มี <code>fields</code>, ตัวเลือกการเข้าสู่ระบบ และ <code>credential_origin</code> ส่ง <code>action: "submit"</code> พร้อมค่าจากผู้ใช้ หรือส่ง <code>action: "cancel"</code> </li> </ul> <p>ส่งผลการอนุมัติกลับผ่านเอนด์พอยต์เหตุการณ์:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code>curl <span class="s2">"https://api.openai.com/v1/agents/sessions/</span><span class="nv">$SESSION_ID</span><span class="s2">/events"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"OpenAI-Beta: agents=v1"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"Authorization: Bearer </span><span class="nv">$OPENAI_API_KEY</span><span class="s2">"</span> <span class="se">\</span> <span class="nt">-H</span> <span class="s2">"Content-Type: application/json"</span> <span class="se">\</span> <span class="nt">-d</span> <span class="s1">'{"events": [{ "type": "agent.session.input.computer_use_approval_request_result", "request_id": "REQUEST_ID", "response": { "type": "browser_origin_access", "decision": "approve" } }]}'</span> </code></pre> </div> <p>งานเบราว์เซอร์จะแสดงเป็นรายการ <code>computer_use_call</code> ที่มี <code>id</code>, <code>turn_id</code>, <code>title</code>, <code>status</code> และ <code>output</code> เมื่อเปิด <code>include_screenshots</code> และมีภาพหน้าจอ <code>output</code> จะมี JPEG แบบ base64</p> <p>อย่าเก็บภาพหน้าจอไว้ใน log เพราะอาจมีข้อมูลบัญชีของผู้ใช้</p> <p><a href="https://developers.openai.com/api/docs/guides/agents-api/tools/computer-use" rel="noopener noreferrer">คู่มือการใช้งานคอมพิวเตอร์</a>ระบุข้อควรระวังสำคัญ:</p> <ul> <li> <strong>การอนุมัติแหล่งที่มาไม่ใช่การยืนยันการกระทำ:</strong> การอนุมัติเว็บไซต์ไม่ได้หมายความว่าเอเจนต์จะขออนุมัติก่อนซื้อหรือลบข้อมูลทุกครั้ง หากต้องการการควบคุมระดับนั้น ให้จำกัดเบราว์เซอร์ให้เข้าถึงทรัพยากรที่ไม่สามารถทำการกระทำดังกล่าว หรือใช้ browser runtime ที่คุณควบคุม</li> <li> <strong>การเข้าสู่ระบบครอบคลุมอีเมล รหัสผ่าน และรหัสยืนยัน:</strong> ไม่รองรับ Passkeys และการเข้าสู่ระบบด้วย QR code</li> <li> <strong>เฉพาะเอเจนต์หลักที่ร้องขอการรับรองความถูกต้องได้:</strong> ซับเอเจนต์ไม่สามารถทำได้</li> <li> <strong>ปิดการลองใหม่อัตโนมัติเมื่อส่งข้อมูลรับรอง:</strong> ใช้ <code>maxRetries: 0</code> ใน SDK หรือ <code>--retry 0</code> ใน curl</li> <li> <strong>รหัส <code>202</code> หมายถึงยอมรับคำขอแล้ว:</strong> ไม่ได้หมายความว่าการนำทางหรือเข้าสู่ระบบสำเร็จ คำขอรับรองความถูกต้องจะหมดอายุหลัง 5 นาที</li> <li> <strong>การอนุมัติแหล่งที่มาไม่ได้แทนที่นโยบายเครือข่าย:</strong> ต้องอนุญาตเว็บไซต์และโดเมนเปลี่ยนเส้นทางใน <code>network</code> ด้วย</li> </ul> <p>การใช้งานคอมพิวเตอร์จัดส่ง “ผ่าน API และใน Codex และ ChatGPT Work บน Pro 500 และ Enterprise” หากต้องการทดสอบแบบ UI-driven ด้วยโมเดลเดียวกัน ดู<a href="https://apidog.com/th/blog/gpt-6-astra-computer-use-api-testing?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การใช้งานคอมพิวเตอร์ของ GPT-6 Astra สำหรับการทดสอบ API</a></p> <h2> ให้ API ของคุณแก่เอเจนต์ ไม่ใช่ UI ของคุณ </h2> <p>เบราว์เซอร์ควรเป็นทางเลือกสำรองสำหรับซอฟต์แวร์ที่ไม่มี API หากคุณควบคุมระบบเอง ให้ห่อหุ้มระบบด้วยเซิร์ฟเวอร์ MCP ที่มีลักษณะดังนี้:</p> <ul> <li>เครื่องมือมี type ชัดเจน</li> <li>ไม่มีข้อความแจ้งแหล่งที่มา</li> <li>ผลลัพธ์ตรวจสอบได้</li> </ul> <p>อ่านข้อดีข้อเสียเพิ่มเติมได้ที่<a href="https://apidog.com/th/blog/computer-use-vs-structured-apis?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การใช้งานคอมพิวเตอร์ vs Structured APIs</a> และใช้<a href="https://apidog.com/th/blog/apidog-mcp-server?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog MCP Server</a>เพื่อป้อนข้อมูล API ของคุณให้ผู้ช่วยเขียนโค้ดสร้าง wrapper</p> <h2> ทดสอบ Agents API ใน Apidog ก่อนเขียนโค้ด </h2> <p>เนื่องจาก API ยังอยู่ในช่วงเบต้า ควรยืนยันรูปแบบคำขอแต่ละแบบด้วยตนเองใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> ก่อน</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fmanc6vo56npfm0hb7wt8.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fmanc6vo56npfm0hb7wt8.png" alt="หน้าจอทดสอบ Agents API ใน Apidog" width="799" height="530"></a></p> <ol> <li>สร้าง Apidog environment ที่มี <code>OPENAI_API_KEY</code>, <code>VAULT_ID</code> และ <code>SESSION_ID</code> ส่ง <code>Bearer {{OPENAI_API_KEY}}</code> และ <code>OpenAI-Beta: agents=v1</code> ในทุกคำขอ</li> <li>ส่งคำขอสร้างเซสชันโดยไม่กำหนด <code>stream</code> ตรวจสอบสถานะ 2xx และตรวจสอบว่า <code>id</code> ไม่ว่าง จากนั้นเก็บ <code>id</code> ลงใน <code>SESSION_ID</code> </li> <li>เปิด event stream เป็นคำขอ SSE ส่งอินพุตจากคำขอที่สอง และตรวจสอบเหตุการณ์ที่เข้ามา</li> <li>บันทึก payload สำหรับการอนุมัติและการยกเลิกเป็นคำขอแยก เพื่อเล่นซ้ำแต่ละกรณีของ <code>required_actions</code> </li> <li>เชื่อมคำขอเป็นสถานการณ์ทดสอบ และรันใน CI ด้วย Apidog CLI</li> </ol> <p><a href="https://apidog.com/th/blog/how-to-test-ai-agents-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือการทดสอบ AI agent API</a>มีรูปแบบการยืนยันสำหรับเอาต์พุตที่ไม่แน่นอน และสามารถ<a href="https://apidog.com/download?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ดาวน์โหลด Apidog</a>เพื่อลองทำตามได้</p> <h2> คำถามที่พบบ่อย </h2> <p><strong>OpenAI Agents API ฟรีหรือไม่?</strong></p> <p>ไม่มีค่าธรรมเนียมแพลตฟอร์ม แต่คุณต้องจ่ายค่าโทเค็นโมเดล การเรียกใช้เครื่องมือ และเวลาคอนเทนเนอร์ที่โฮสต์</p> <p><strong>โมเดลใดบ้างที่ทำงานร่วมกับ Agents API ได้?</strong></p> <p>ตัวอย่างในเอกสารประกอบ รวมถึงตัวอย่างการใช้งานคอมพิวเตอร์ทั้งหมด ใช้ <code>gpt-6-astra</code> เอกสารไม่ได้ระบุโมเดลอื่นที่รองรับ จึงควรทดสอบกับ use case ของคุณก่อน</p> <p><strong>Agents API รองรับ Zero Data Retention หรือไม่?</strong></p> <p>ไม่รองรับ รองรับเฉพาะข้อมูลที่อยู่ในสหรัฐอเมริกา และไม่มีสิทธิ์ ZDR แม้ใช้แซนด์บ็อกซ์แบบ self-hosted</p> <p><strong>แตกต่างจาก Agents SDK หรือ Responses API อย่างไร?</strong></p> <p>SDK รันวงจรภายในแอปของคุณ ส่วน Responses API คือการเรียกโมเดลที่คุณต้องสร้างวงจรควบคุมเอง ดู<a href="https://apidog.com/th/blog/openai-agents-api-vs-responses-api-vs-agents-sdk?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การเปรียบเทียบฉบับเต็ม</a></p> <h2> เริ่มต้นด้วยเซสชันแบบอ่านอย่างเดียวหนึ่งเซสชัน </h2> <p>เริ่มด้วยเซสชันแบบอ่านอย่างเดียว เพิ่มเซิร์ฟเวอร์ MCP หนึ่งเครื่อง แล้วจึงเพิ่มการใช้งานคอมพิวเตอร์หลังมี approval handler ที่ปฏิเสธโดยค่าเริ่มต้น</p> <p>เมื่อ ChatGPT ควรตอบสนองต่อเหตุการณ์จากเซิร์ฟเวอร์ของคุณเองแทน ให้ใช้<a href="https://apidog.com/th/blog/mcp-events?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">เหตุการณ์ MCP</a>เป็นจุดเริ่มต้น</p> agents ai api openai Thanawat Wongchai Wed, 30 Sep 2026 05:09:27 +0000 https://dev.to/thanawat_wonchai/gpt-61-sol-patha-claude-sonnet-55-raakhaa-210-ethaakan-epidtawhaangkanaekhwanediiyw-11co https://dev.to/thanawat_wonchai/gpt-61-sol-patha-claude-sonnet-55-raakhaa-210-ethaakan-epidtawhaangkanaekhwanediiyw-11co <p>GPT-6.1 Sol และ Claude Sonnet 5.5 เปิดตัวห่างกันเพียงวันเดียว—Sonnet 5.5 วันที่ 28 กันยายน 2026 และ GPT-6.1 Sol วันที่ 29 กันยายน 2026—และมีราคา API พื้นฐานเท่ากัน: $2 ต่อ 1 ล้านโทเค็นอินพุต และ $10 ต่อ 1 ล้านโทเค็นเอาต์พุต อย่างไรก็ตาม ผู้จำหน่ายไม่ได้เปรียบเทียบสองรุ่นนี้โดยตรง วิธีเลือกที่เชื่อถือได้ที่สุดจึงคือทดสอบทั้งคู่กับงานจริงของคุณ แล้ววัด <strong>ต้นทุนต่องานที่ผ่าน</strong> แทนการดูราคาโทเค็นเพียงอย่างเดียว</p> <p><a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation" class="crayons-btn crayons-btn--primary">ลองใช้ Apidog วันนี้</a> </p> <p>บทความนี้สรุปข้อมูลจำเพาะ ราคา ข้ออ้างจากผู้จำหน่าย ผลทดสอบบุคคลที่สามที่มีอยู่ (ซึ่งยังเป็น GPT-6 Sol ไม่ใช่ 6.1) และขั้นตอนสร้างการทดสอบเปรียบเทียบใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> สำหรับรายละเอียดรายรุ่น ดู <a href="https://apidog.com/th/blog/what-is-gpt-6-1-sol?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">GPT-6.1 Sol คืออะไร</a> และ <a href="https://apidog.com/th/blog/what-is-claude-sonnet-5-5?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Claude Sonnet 5.5 คืออะไร</a></p> <h2> GPT-6.1 Sol เทียบกับ Claude Sonnet 5.5: ข้อมูลจำเพาะและราคา </h2> <p>แหล่งข้อมูล: <a href="https://developers.openai.com/api/docs/pricing" rel="noopener noreferrer">หน้าราคา OpenAI</a>, <a href="https://platform.claude.com/docs/en/models/sonnet-5-5/overview" rel="noopener noreferrer">ภาพรวม Sonnet 5.5</a>, <a href="https://platform.claude.com/docs/en/about-claude/pricing" rel="noopener noreferrer">ราคา Anthropic</a> และหน้าโมเดล GPT-6.1 Sol</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th></th> <th>GPT-6.1 Sol</th> <th>Claude Sonnet 5.5</th> </tr> </thead> <tbody> <tr> <td>รหัสโมเดล</td> <td><code>gpt-6.1-sol</code></td> <td> <code>claude-sonnet-5-5</code><br>(Bedrock: <code>anthropic.claude-sonnet-5-5</code>)</td> </tr> <tr> <td>เปิดตัว</td> <td>29 ก.ย. 2026</td> <td>28 ก.ย. 2026</td> </tr> <tr> <td>อินพุต / เอาต์พุต ต่อ 1M</td> <td>$2 / $10</td> <td>$2 / $10</td> </tr> <tr> <td>การอ่านแคช ต่อ 1M</td> <td>$0.10</td> <td>$0.20</td> </tr> <tr> <td>การเขียนแคช ต่อ 1M</td> <td>$2.50</td> <td>$2.50 (5 นาที), $4 (1 ชั่วโมง)</td> </tr> <tr> <td>Batch ต่อ 1M</td> <td>$1 / $5</td> <td>$1 / $5</td> </tr> <tr> <td>พรอมต์เกิน 272K โทเค็นอินพุต</td> <td>อินพุต $4, แคช $0.20, เอาต์พุต $15 สำหรับทั้งคำขอ</td> <td>ไม่มีค่าพรีเมียมภายในช่วง 1M</td> </tr> <tr> <td>ระดับความเร็วสูงขึ้น</td> <td>Fast: $4 / $20; Ultrafast “เร็วๆ นี้”</td> <td>ไม่มีโหมด Fast</td> </tr> <tr> <td>หน้าต่างบริบท</td> <td>1,050,000 (อินพุตสูงสุด 922,000)</td> <td>1M</td> </tr> <tr> <td>เอาต์พุตสูงสุด</td> <td>128,000</td> <td>128K (300K สำหรับ Batch พร้อม beta header)</td> </tr> <tr> <td>วันที่ตัดข้อมูล</td> <td>30 เม.ย. 2026</td> <td>มิ.ย. 2026</td> </tr> <tr> <td>ระดับความพยายาม</td> <td> <code>low</code>, <code>medium</code> (ค่าเริ่มต้น), <code>high</code>, <code>xhigh</code>, <code>max</code>; ไม่มี <code>none</code> </td> <td> <code>low</code>, <code>medium</code>, <code>high</code> (ค่าเริ่มต้น API), <code>xhigh</code>, <code>max</code>; ปิดการคิดไม่ได้ (ต่ำสุด: <code>between_tools</code>)</td> </tr> <tr> <td>รูปแบบ API</td> <td>Responses (มีเครื่องมือ), Chat Completions (ไม่มีเครื่องมือ), Batch</td> <td>Messages, Batch</td> </tr> <tr> <td>แพลตฟอร์มอื่น</td> <td>OpenRouter (<code>openai/gpt-6.1-sol</code>)</td> <td>Bedrock, Google Cloud, Microsoft Foundry, Claude Platform บน AWS</td> </tr> <tr> <td>การเข้าถึงฟรี</td> <td>ไม่มี API ฟรี ผู้ใช้ Plus, Pro, Business, Enterprise และ Edu ใช้ใน ChatGPT Work และ Codex ได้ตามสิทธิ์และการตั้งค่าผู้ดูแลระบบ ดู<a href="https://learn.chatgpt.com/docs/models" rel="noopener noreferrer">เอกสารโมเดล</a> </td> <td>สนทนาได้ที่ <a href="http://Claude.ai" rel="noopener noreferrer">Claude.ai</a> แต่ API คิดค่าบริการตามโทเค็น</td> </tr> </tbody> </table></div> <h3> จุดที่กระทบต้นทุนจริง </h3> <p>ให้โฟกัสสองกรณีนี้ก่อน:</p> <ol> <li><p><strong>พรอมต์ระบบยาวและใช้ซ้ำบ่อย</strong><br><br> GPT-6.1 Sol มีค่าอ่านแคช $0.10 ต่อ 1M โทเค็น ขณะที่ Sonnet 5.5 อยู่ที่ $0.20 ดังนั้นงานที่ใช้ cached prompt ซ้ำมากอาจประหยัดกว่าบน OpenAI</p></li> <li><p><strong>อินพุตเกิน 272K โทเค็น</strong><br><br> <a href="https://developers.openai.com/api/docs/models/gpt-6.1-sol" rel="noopener noreferrer">หน้าโมเดล GPT-6.1 Sol</a> ระบุว่าคำขอทั้งหมดจะใช้อัตราอินพุตและแคช 2 เท่า และเอาต์พุต 1.5 เท่า ขณะที่ Sonnet 5.5 ยังคิด $2/$10 ภายในบริบท 1M</p></li> </ol> <p>ตัวอย่าง: พรอมต์ 400,000 โทเค็น และเอาต์พุต 5,000 โทเค็น โดยไม่ใช้แคช มีต้นทุนโดยประมาณ:</p> <ul> <li>GPT-6.1 Sol: <strong>$1.68</strong> </li> <li>Claude Sonnet 5.5: <strong>$0.85</strong> </li> </ul> <p>ดังนั้น “ราคาโทเค็นเท่ากัน” ไม่ได้แปลว่า “ต้นทุนงานเท่ากัน”</p> <h2> ผู้จำหน่ายอ้างอะไร และเทียบกับรุ่นใด </h2> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th></th> <th>OpenAI: GPT-6.1 Sol</th> <th>Anthropic: Claude Sonnet 5.5</th> </tr> </thead> <tbody> <tr> <td>เปรียบเทียบกับ</td> <td>GPT-6 Sol, GPT-6 Astra, Claude Opus 5.5, Claude Fable 5.1</td> <td>Sonnet 5, Opus 5.5, GPT-6 Sol (สองกราฟระบุ GPT-5.6 Sol)</td> </tr> <tr> <td>เปรียบเทียบกันโดยตรงหรือไม่</td> <td>ไม่</td> <td>ไม่—GPT-6.1 Sol ยังไม่มีในเวลานั้น</td> </tr> <tr> <td>ข้อความหลัก</td> <td>“ความฉลาดใกล้เคียง Astra” ที่ราคาโทเค็นหนึ่งในห้าของราคามาตรฐาน Astra</td> <td>เร็วกว่า Sonnet 5 มากกว่า 30% และลดต้นทุนต่องานได้สูงสุด 30%</td> </tr> <tr> <td>ผู้จัดทำตัวเลข</td> <td>OpenAI; ผลคู่แข่งมาจากรายงานสาธารณะตามเชิงอรรถ</td> <td>Anthropic, Cognition, Cursor, Artificial Analysis และ Surge AI ตาม benchmark ที่ระบุ</td> </tr> </tbody> </table></div> <p><a href="https://openai.com/index/introducing-gpt-6-1-sol/" rel="noopener noreferrer">โพสต์เปิดตัว GPT-6.1 Sol</a> รายงานผลสำคัญดังนี้:</p> <ul> <li> <strong>AutomationBench 1.0.6, effort ระดับ medium:</strong> สูงกว่า Opus 5.5 อยู่ 2.2 percentage points ที่ต้นทุนประมาณหนึ่งในสาม และสูงกว่า GPT-6 Sol 4.8 percentage points</li> <li> <strong>Terminal-Bench Science 0.1, effort ระดับ max:</strong> $5.47 ต่องาน เทียบกับ $23.21 สำหรับ Opus 5.5 โดย GPT-6 Astra ยังได้คะแนนสูงสุด 68.1%</li> <li> <strong>OSWorld 2.0 แบบออฟไลน์, effort ระดับ max:</strong> สูงกว่า GPT-6 Sol 7 percentage points และมีต้นทุนต่ำกว่าครึ่งหนึ่ง</li> </ul> <p><a href="https://www.anthropic.com/claude-sonnet-5-5" rel="noopener noreferrer">โพสต์เปิดตัว Sonnet 5.5</a> มีผลเทียบ GPT-6 Sol เช่นกัน:</p> <ul> <li> <strong>FrontierCode 1.1, ดำเนินการโดย Cognition:</strong> Sonnet 5.5 ได้ 52.1% ที่ <code>xhigh</code> และ 46.2% ที่ <code>max</code> เทียบกับ GPT-6 Sol 49.3% ที่ effort <code>high</code> Anthropic ระบุว่า Sonnet 5.5 ทำคะแนนเท่ากับผลดีที่สุดของ GPT-6 Sol ที่ราคาราวหนึ่งในห้า</li> <li> <strong>GDPval-AA v2.1 และ AA-Briefcase v1.1, ดำเนินการโดย Artificial Analysis:</strong> 1844 เทียบกับ 1487 และ 1811 เทียบกับ 1483</li> </ul> <p>ดูรายละเอียดตารางของ Anthropic ได้ที่ <a href="https://apidog.com/th/blog/claude-sonnet-5-5-benchmarks?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">เกณฑ์มาตรฐาน Sonnet 5.5</a></p> <h3> อย่าเชื่อม benchmark ข้ามรายงานโดยไม่ตรวจเงื่อนไข </h3> <p>แม้ Opus 5.5 จะอยู่ในกราฟของทั้งสองบริษัท แต่ตัวเลขไม่ได้อยู่ในเงื่อนไขเดียวกัน เช่น:</p> <ul> <li>OpenAI รายงาน AutomationBench 1.0.6 ที่ effort <code>medium</code> บนระบบของตนเอง</li> <li>ตาราง System Card ของ Anthropic รันโมเดล Claude ที่ effort <code>max</code> </li> <li>Anthropic รายงาน Terminal-Bench Science ของ Sonnet 5.5 ที่ 59.9% แต่ OpenAI ไม่เปิดเผยคะแนนดิบของ GPT-6.1 Sol สำหรับชุดเดียวกัน</li> <li>OpenAI ใช้ OSWorld 2.0 แบบออฟไลน์ ขณะที่ Anthropic ใช้ OSWorld 2.1</li> </ul> <p>ปัญหาเดียวกันเกิดขึ้นใน <a href="https://apidog.com/th/blog/gpt-6-sol-vs-claude-opus-5-5?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การเปรียบเทียบ GPT-6 Sol กับ Claude Opus 5.5</a></p> <h2> ผลจากบุคคลที่สาม: ยังเป็น GPT-6 Sol ไม่ใช่ GPT-6.1 Sol </h2> <p>ผลเปรียบเทียบอิสระที่ครบถ้วนที่สุดในผลการค้นหาคือ <a href="https://artificialanalysis.ai/models/releases/comparisons/claude-sonnet-5-5-vs-gpt-6-sol" rel="noopener noreferrer">Artificial Analysis</a> ซึ่งเปรียบเทียบ Sonnet 5.5 กับ GPT-6 Sol ด้วย Intelligence Index v4.3.2 จาก 10 การประเมิน</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>Effort</th> <th>ดัชนี Sonnet 5.5</th> <th>ต้นทุน Sonnet 5.5 ต่องาน</th> <th>ดัชนี GPT-6 Sol</th> <th>ต้นทุน GPT-6 Sol ต่องาน</th> </tr> </thead> <tbody> <tr> <td><code>medium</code></td> <td>41</td> <td>$0.59</td> <td>40</td> <td>$0.25</td> </tr> <tr> <td><code>high</code></td> <td>47</td> <td>$1.08</td> <td>43</td> <td>$0.38</td> </tr> <tr> <td><code>xhigh</code></td> <td>52</td> <td>$2.74</td> <td>44</td> <td>$0.52</td> </tr> <tr> <td><code>max</code></td> <td>56</td> <td>$7.60</td> <td>48</td> <td>$1.05</td> </tr> </tbody> </table></div> <p>ที่ effort <code>max</code> Artificial Analysis วัดความเร็วได้:</p> <ul> <li>Sonnet 5.5: <strong>138 โทเค็นเอาต์พุต/วินาที</strong> </li> <li>GPT-6 Sol: <strong>76 โทเค็นเอาต์พุต/วินาที</strong> </li> </ul> <p>Sonnet 5.5 ได้คะแนนสูงกว่าในทุกระดับที่แสดง แต่มีต้นทุนต่องานสูงกว่า แม้ราคา API ต่อโทเค็นจะเท่ากัน สาเหตุคือปริมาณโทเค็นที่ใช้จริง ตัวอย่างเช่น Sonnet 5.5 ที่ <code>high</code> ได้ 47 คะแนนที่ $1.08 ต่องาน ซึ่งใกล้เคียง GPT-6 Sol ที่ <code>max</code> ซึ่งได้ 48 คะแนนที่ $1.05 ต่องาน</p> <p>ข้อมูลจากกราฟ Anthropic ก็แสดงภาพผสม:</p> <ul> <li>บน <strong>AA-Briefcase</strong> GPT-6 Sol มีต้นทุนต่องานต่ำกว่าในทุกระดับ effort เช่น $0.34 เทียบกับ $1.64 ที่ <code>medium</code> แต่ Sonnet 5.5 ได้คะแนนสูงกว่า</li> <li>บน <strong>FrontierCode</strong> Sonnet 5.5 ที่ <code>high</code> ได้ 49.4% ที่ $0.42 ต่องาน ขณะที่ GPT-6 Sol ที่ <code>max</code> ได้ 49.3% ที่ $2.07 ต่องาน</li> </ul> <blockquote> <p>ตัวเลขทั้งหมดในส่วนนี้ยังเป็น GPT-6 Sol รุ่นก่อนหน้า OpenAI ระบุว่า GPT-6.1 Sol ทำผลงานเหนือกว่า GPT-6 Sol ในหลาย benchmark ที่ effort เท่ากันหรือต่ำกว่า ดังนั้นอันดับอาจเปลี่ยนได้เมื่อมีผลทดสอบอิสระของ GPT-6.1 Sol</p> </blockquote> <h2> แต่ละรุ่นเหมาะกับงานใด </h2> <h3> GPT-6.1 Sol </h3> <p>OpenAI วางตำแหน่ง GPT-6.1 Sol สำหรับ:</p> <ul> <li>การเขียนโค้ดที่ซับซ้อน</li> <li>ระบบอัตโนมัติแบบ agentic</li> <li>การใช้งานคอมพิวเตอร์</li> <li>งานวิทยาศาสตร์และงานระดับมืออาชีพ</li> <li>เวิร์กโหลดที่ต้องการประสิทธิภาพใกล้ Astra ในราคาต่ำกว่า</li> </ul> <p>ในมุมต้นทุน รุ่นนี้เหมาะเป็นพิเศษเมื่อ:</p> <ul> <li>ใช้พรอมต์ระบบยาวแบบซ้ำ ๆ และได้รับประโยชน์จาก cache read ที่ถูกกว่า</li> <li>อินพุตไม่เกิน 272K โทเค็น</li> <li>ต้องการตัวเลือกความเร็วแบบเสียเงิน เช่น Fast</li> </ul> <h3> Claude Sonnet 5.5 </h3> <p>Anthropic วางตำแหน่ง Sonnet 5.5 สำหรับ:</p> <ul> <li>งานประจำวันที่กำหนดขอบเขตได้ชัดเจน</li> <li>การแก้บั๊ก</li> <li>เอกสารที่มีโครงสร้างดี</li> <li>สไลด์และสเปรดชีต</li> <li>การเขียนโค้ดแบบ agentic</li> <li>งานความรู้และการใช้งานคอมพิวเตอร์</li> </ul> <p>Anthropic ระบุว่า Opus 5.5 ยังแข็งแกร่งกว่าอย่างชัดเจนในงานซับซ้อนและปลายเปิด ดู <a href="https://apidog.com/th/blog/claude-sonnet-5-5-vs-opus-5-5?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Sonnet 5.5 เทียบกับ Opus 5.5</a></p> <p>ในมุมต้นทุน Sonnet 5.5 เหมาะกว่าเมื่อ:</p> <ul> <li>พรอมต์เกิน 272K โทเค็น</li> <li>ต้องการใช้งานผ่าน Bedrock, Google Cloud หรือ Microsoft Foundry</li> </ul> <h3> ควบคุมตัวแปรก่อนทดสอบ </h3> <p>อย่าเปรียบเทียบโดยปล่อยค่าเริ่มต้น เพราะค่าตั้งต้น effort ต่างกัน:</p> <ul> <li>GPT-6.1 Sol: <code>medium</code> </li> <li>Sonnet 5.5 API: <code>high</code> </li> </ul> <p>ทั้งสองรุ่นยังไม่รองรับการปรับค่าการสุ่มแบบทั่วไป:</p> <ul> <li>Sonnet 5.5 จะตอบ <code>400</code> เมื่อส่ง <code>temperature</code>, <code>top_p</code> หรือ <code>top_k</code> ที่ไม่ใช่ค่าเริ่มต้น</li> <li> <a href="https://developers.openai.com/api/docs/guides/latest-model" rel="noopener noreferrer">คำแนะนำ GPT-6 ของ OpenAI</a> ระบุให้ลด <code>temperature</code> และ <code>top_p</code> เมื่อ effort ไม่ใช่ <code>none</code> </li> </ul> <p>ให้ควบคุมความแปรปรวนด้วยการรันซ้ำหลายครั้ง และเปรียบเทียบ effort ที่ตรงกัน</p> <h2> สร้างการทดสอบเปรียบเทียบใน Apidog </h2> <p>เลือกงานจริง 20–50 งานจากทราฟฟิกของคุณ โดยควรมีผลลัพธ์ที่ตรวจสอบได้ เช่น JSON field, schema, label หรือ test assertion</p> <h3> 1. สร้าง Environment </h3> <p>ใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> สร้าง environment และเก็บค่าเหล่านี้เป็น secrets:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>OPENAI_API_KEY ANTHROPIC_API_KEY EFFORT </code></pre> </div> <h3> 2. บันทึกคำขอ OpenAI Responses API </h3> <p>ดูรูปแบบเต็มได้จาก <a href="https://developers.openai.com/api/reference/resources/responses/methods/create" rel="noopener noreferrer">เอกสาร Responses API</a><br> </p> <div class="highlight js-code-highlight"> <pre class="highlight http"><code><span class="err">POST https://api.openai.com/v1/responses Authorization: Bearer {{OPENAI_API_KEY}} Content-Type: application/json { "model": "gpt-6.1-sol", "reasoning": { "effort": "{{EFFORT}}" }, "max_output_tokens": 25000, "input": "{{prompt}}" } </span></code></pre> </div> <h3> 3. บันทึกคำขอ Anthropic Messages API </h3> <p>ดูรูปแบบเต็มได้จาก <a href="https://platform.claude.com/docs/en/api/messages" rel="noopener noreferrer">เอกสาร Messages API</a><br> </p> <div class="highlight js-code-highlight"> <pre class="highlight http"><code><span class="err">POST https://api.anthropic.com/v1/messages x-api-key: {{ANTHROPIC_API_KEY}} anthropic-version: 2023-06-01 content-type: application/json { "model": "claude-sonnet-5-5", "max_tokens": 25000, "output_config": { "effort": "{{EFFORT}}" }, "messages": [ { "role": "user", "content": "{{prompt}}" } ] } </span></code></pre> </div> <p>สอง API มีโครงสร้างแตกต่างกัน ดูเหตุผลและตัวอย่างเพิ่มได้จาก <a href="https://apidog.com/th/blog/deepseek-v4-pro-api-formats-compared?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">การเปรียบเทียบรูปแบบ API</a></p> <h3> 4. เพิ่ม assertions สำหรับ response และ usage </h3> <p>เพิ่ม assertions ให้ตรวจสอบทั้งสถานะ คำตอบ และ token usage จากนั้นเพิ่ม assertion ที่ตรวจผลลัพธ์กับคอลัมน์ <code>expected</code> ในชุดข้อมูล</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>ตรวจสอบ</th> <th>OpenAI Responses</th> <th>Anthropic Messages</th> </tr> </thead> <tbody> <tr> <td>คำขอเสร็จสมบูรณ์</td> <td> <code>$.status</code> เท่ากับ <code>completed</code> </td> <td> <code>$.stop_reason</code> เท่ากับ <code>end_turn</code> </td> </tr> <tr> <td>มีคำตอบ</td> <td> <code>$.output[*].type</code> มี <code>message</code> </td> <td> <code>$.content[*].type</code> มี <code>text</code> </td> </tr> <tr> <td>โทเค็นเอาต์พุต รวม reasoning</td> <td><code>$.usage.output_tokens</code></td> <td><code>$.usage.output_tokens</code></td> </tr> <tr> <td>การอ่านแคช</td> <td><code>$.usage.input_tokens_details.cached_tokens</code></td> <td><code>$.usage.cache_read_input_tokens</code></td> </tr> <tr> <td>การเขียนแคช</td> <td><code>$.usage.input_tokens_details.cache_write_tokens</code></td> <td><code>$.usage.cache_creation_input_tokens</code></td> </tr> </tbody> </table></div> <h3> 5. คำนวณต้นทุนต่อ response </h3> <p>ใช้ script หลังประมวลผลเพื่อคิดต้นทุนของแต่ละคำขอ</p> <p>สำหรับ OpenAI:</p> <ul> <li> <code>input_tokens</code> รวม cached tokens และ cache-write tokens</li> <li>ต้องลบสองส่วนนี้ออกก่อนคิดราคาอินพุต $2 ต่อ 1M</li> <li>อ่านรายละเอียดได้จาก <a href="https://developers.openai.com/api/docs/guides/prompt-caching" rel="noopener noreferrer">การแคชพรอมต์ของ OpenAI</a> </li> <li>หากอินพุตเกิน 272K ให้ใช้อัตราพรีเมียมของ GPT-6.1 Sol</li> </ul> <p>สำหรับ Anthropic:</p> <ul> <li> <code>input_tokens</code> นับเฉพาะโทเค็นหลังจุด cache breakpoint ล่าสุด</li> <li>อ่านรายละเอียดได้จาก <a href="https://platform.claude.com/docs/en/build-with-claude/prompt-caching" rel="noopener noreferrer">การแคชพรอมต์ของ Anthropic</a> </li> </ul> <p>สูตรหลักคือ:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>ต้นทุนต่องานที่ผ่าน = ต้นทุนรวมของการรัน / จำนวนงานที่ผ่าน assertion </code></pre> </div> <h3> 6. รัน scenario ด้วย Apidog CLI </h3> <p>เก็บพรอมต์ในไฟล์ <code>prompts.csv</code> โดยใช้หนึ่งพรอมต์ต่อหนึ่งบรรทัด และหลีกเลี่ยงเครื่องหมายอัญประกาศคู่ จากนั้นรัน scenario เดียวกันในแต่ละ effort:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight shell"><code>apidog run <span class="nt">--access-token</span> <span class="s2">"</span><span class="nv">$APIDOG_ACCESS_TOKEN</span><span class="s2">"</span> <span class="nt">-t</span> <span class="s2">"</span><span class="nv">$SCENARIO_ID</span><span class="s2">"</span> <span class="nt">-e</span> <span class="s2">"</span><span class="nv">$ENV_ID</span><span class="s2">"</span> <span class="se">\</span> <span class="nt">-d</span> prompts.csv <span class="nt">--env-var</span> <span class="s2">"EFFORT=medium"</span> <span class="nt">-r</span> cli,junit </code></pre> </div> <p>เริ่มทดสอบอย่างน้อยสองระดับ:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>medium high </code></pre> </div> <p>อย่าเทียบจากชื่อ effort เพียงอย่างเดียว เพราะ effort ชื่อเดียวกันของผู้ให้บริการทั้งสองไม่ได้ถูกปรับเทียบให้เท่ากัน</p> <p>สำหรับตัวอย่าง API เพิ่มเติม ดู <a href="https://apidog.com/th/blog/gpt-6-1-sol-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ API ของ GPT-6.1 Sol</a> และ <a href="https://apidog.com/th/blog/how-to-use-claude-sonnet-5-5-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">วิธีใช้ Claude Sonnet 5.5 API</a></p> <h2> คำถามที่พบบ่อย </h2> <h3> GPT-6.1 Sol ถูกกว่า Claude Sonnet 5.5 หรือไม่? </h3> <p>ราคา base rate เท่ากันที่ $2/$10 ต่อ 1M โทเค็น GPT-6.1 Sol มีค่าอ่านแคชถูกกว่า แต่ Sonnet 5.5 ถูกกว่าสำหรับอินพุตเกิน 272K โทเค็น ต้นทุนจริงขึ้นอยู่กับจำนวนโทเค็นที่ใช้ต่องาน</p> <h3> โมเดลใดดีกว่าสำหรับการเขียนโค้ด? </h3> <p>ยังไม่มี benchmark กลางที่เปรียบเทียบ GPT-6.1 Sol กับ Sonnet 5.5 โดยตรง Anthropic รายงานว่า Sonnet 5.5 เหนือกว่า GPT-6 Sol บน FrontierCode ขณะที่ OpenAI รายงานว่า GPT-6.1 Sol สูงกว่าผล DeepSWE ที่ดีที่สุดของ GPT-6 Sol อยู่ 6.4 percentage points ควรทดสอบกับ repository และ test suite ของคุณเอง</p> <h3> โมเดลใดเร็วกว่า? </h3> <p>Artificial Analysis วัด Sonnet 5.5 ได้ 138 โทเค็นต่อวินาที และ GPT-6 Sol ได้ 76 โทเค็นต่อวินาที ที่ effort <code>max</code> ทั้งคู่ ยังไม่มีตัวเลขอิสระของ GPT-6.1 Sol</p> <h3> มีรุ่นใดใช้งานฟรีหรือไม่? </h3> <p>GPT-6.1 Sol ไม่มีระดับ API ฟรี Sonnet 5.5 ใช้ในแชต <a href="http://Claude.ai" rel="noopener noreferrer">Claude.ai</a> ได้ แต่ API คิดค่าบริการตามโทเค็น ดู <a href="https://apidog.com/th/blog/how-to-use-claude-sonnet-5-5-for-free?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">วิธีใช้ Claude Sonnet 5.5 ฟรี</a></p> <h2> เลือกด้วยการทดสอบทั้งสองรุ่น </h2> <p>เริ่มจากงานจริง 10 งานของคุณ รันทั้ง GPT-6.1 Sol และ Claude Sonnet 5.5 ที่ <code>medium</code> และ <code>high</code> แล้วเปรียบเทียบ:</p> <ul> <li>อัตรางานที่ผ่าน</li> <li>ต้นทุนรวม</li> <li>ต้นทุนต่องานที่ผ่าน</li> <li>latency และโทเค็นเอาต์พุต</li> <li>ความสม่ำเสมอจากการรันซ้ำ</li> </ul> <p><a href="https://apidog.com/download?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ดาวน์โหลด Apidog</a> เพื่อบันทึกชุดทดสอบนี้เป็น scenario ที่รันซ้ำได้ แล้วกลับมาวัดใหม่เมื่อมีผลอิสระสำหรับ GPT-6.1 Sol หรือมี model snapshot ใหม่จากผู้ให้บริการ</p> Thanawat Wongchai Wed, 30 Sep 2026 05:06:47 +0000 https://dev.to/thanawat_wonchai/gpt-61-sol-friiaihm-3g0d https://dev.to/thanawat_wonchai/gpt-61-sol-friiaihm-3g0d <p>ไม่ GPT-6.1 Sol ไม่ได้ฟรี OpenAI เปิดตัวเมื่อวันที่ 29 กันยายน 2026 สำหรับผู้ใช้ Plus, Pro, Business, Enterprise และ Edu ใน ChatGPT Work และ Codex แต่ยังไม่มีใน Chat และใช้ไม่ได้ในแผน Free หรือ Go สำหรับ API โมเดล <code>gpt-6.1-sol</code> ไม่มีโควตาฟรี โดยราคามาตรฐานคืออินพุต $2 ต่อล้านโทเค็น, อินพุตที่แคชไว้ $0.10 ต่อล้านโทเค็น และเอาต์พุต $10 ต่อล้านโทเค็น</p> <p><a href="https://apidog.com/?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation" class="crayons-btn crayons-btn--primary">ลองใช้ Apidog วันนี้</a> </p> <p>ข้อดีคือเส้นทางราคาถูกลงมีต้นทุนลดลงจริง GPT-6.1 Sol ใช้ราคาอินพุต/เอาต์พุตตามรายการเดียวกับ GPT-6 Sol ที่ $2/$10 แต่ลดราคาอินพุตที่แคชไว้ลงครึ่งหนึ่ง คู่มือนี้สรุปเส้นทางใช้งานทั้งหมด คำนวณค่าใช้จ่ายจากอัตราจริง และชี้ทางเลือกฟรีในตระกูล GPT-6</p> <p>สำหรับรายละเอียดโมเดล ดู <a href="https://apidog.com/th/blog/what-is-gpt-6-1-sol?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">GPT-6.1 Sol คืออะไร</a> และสำหรับรุ่นก่อนหน้า ดู <a href="https://apidog.com/th/blog/gpt-6-sol-free?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">GPT-6 Sol ฟรีหรือไม่</a> ก่อนเลือกเส้นทาง ให้ลองวัดต้นทุนของพรอมต์จริงใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a></p> <h2> เปรียบเทียบทุกเส้นทางไปยัง GPT-6.1 Sol </h2> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>เส้นทาง</th> <th>ค่าใช้จ่าย</th> <th>สิ่งที่คุณได้รับ</th> <th>ข้อจำกัด</th> </tr> </thead> <tbody> <tr> <td>ทางเลือกฟรีที่ไม่ใช่ Sol: GPT-6 Luna ในแอปเดสก์ท็อป ChatGPT</td> <td>$0 ในแผน Free</td> <td>Luna ใน Work และ Codex</td> <td>เป็นคนละโมเดล, ไม่มีใน Chat, ไม่มีคีย์ API</td> </tr> <tr> <td>ChatGPT Plus ใน Codex หรือ ChatGPT Work</td> <td>ค่าสมัคร Plus</td> <td>GPT-6.1 Sol สำหรับงานโค้ดและงานทั่วไป</td> <td>จำกัดการใช้งานตามแผน, ไม่มีใน Chat, ไม่มีคีย์ API</td> </tr> <tr> <td>Sign in with ChatGPT ผ่านแอปพันธมิตร</td> <td>นับรวมกับโควตา Plus หรือ Pro</td> <td>ใช้แผนของคุณในแอป เช่น Devin, Notion, Vercel, T3, OpenClaw และ Dactyl</td> <td>Plus/Pro เท่านั้น, มีขีดจำกัดรายสัปดาห์ต่อแอป, เครดิตส่วนเกินปิดโดยค่าเริ่มต้น</td> </tr> <tr> <td>API: Batch หรือ Flex</td> <td>อินพุต $1, แคช $0.05, เอาต์พุต $5</td> <td>ราคาเพียงครึ่งหนึ่งของ Standard</td> <td>Batch เป็นอะซิงโครนัส; Flex ช้ากว่าและอาจตอบ <code>429</code> </td> </tr> <tr> <td>API: Standard พร้อมแคช</td> <td>อินพุต $2, แคช $0.10, เอาต์พุต $10</td> <td>เรียกโมเดลจากโค้ดของคุณ</td> <td>คิดเงินทุกโทเค็น; แคชต้องใช้คำนำหน้าคงที่</td> </tr> <tr> <td>OpenRouter <code>openai/gpt-6.1-sol</code> </td> <td>อินพุต $2, แคช $0.10, เอาต์พุต $10</td> <td>คีย์เดียวสำหรับผู้ให้บริการหลายราย</td> <td>ราคาเท่าราคาตามรายการ, ไม่ฟรี</td> </tr> </tbody> </table></div> <p>ราคาทั้งหมดเป็นราคาต่อ 1 ล้านโทเค็น สำหรับพรอมต์ที่มีอินพุตไม่เกิน 272K โทเค็น อ้างอิงจาก <a href="https://developers.openai.com/api/docs/pricing" rel="noopener noreferrer">หน้าราคา OpenAI</a> และ <a href="https://openrouter.ai/openai/gpt-6.1-sol" rel="noopener noreferrer">หน้าโมเดลบน OpenRouter</a></p> <h2> ChatGPT Plus: จุดเริ่มต้นสำหรับการใช้งานแบบอินเทอร์แอคทีฟ </h2> <p>หากต้องการใช้ GPT-6.1 Sol ด้วยตัวเองผ่าน Codex หรือ ChatGPT Work, Plus คือแผนต่ำสุดที่รองรับ <a href="https://openai.com/index/introducing-gpt-6-1-sol/" rel="noopener noreferrer">โพสต์เปิดตัวของ OpenAI</a> ระบุว่าโมเดลพร้อมใช้งานสำหรับ Plus, Pro, Business, Enterprise และ Edu ใน ChatGPT Work และ Codex และ “ยังไม่มีใน Chat”</p> <p>ตาม <a href="https://learn.chatgpt.com/docs/models" rel="noopener noreferrer">เอกสารโมเดลของ OpenAI</a> ผู้ใช้ Enterprise และ Edu อาจต้องรอให้ผู้ดูแลระบบเปิดใช้งานโมเดลก่อน</p> <p>คุณไม่ต้องจ่ายรายโทเค็นสำหรับการใช้งานผ่านแผน แต่จะถูกจำกัดด้วยโควตาของแผน ดูรายละเอียดใน <a href="https://apidog.com/th/blog/codex-usage-limits?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือขีดจำกัดการใช้งาน Codex</a> หากต้องการตัวเลือก Codex ที่ไม่มีค่าใช้จ่าย ดู <a href="https://apidog.com/th/blog/use-codex-free?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ Codex ฟรี</a> แต่สำหรับ GPT-6.1 Sol นั้น OpenAI เริ่มให้สิทธิ์เข้าถึงที่ Plus</p> <h2> ลงชื่อเข้าใช้ด้วย ChatGPT: ใช้แผนของคุณในแอปอื่น </h2> <p>DevDay เพิ่ม Sign in with ChatGPT สำหรับข้อมูลประจำตัวแบบ OAuth/OIDC ซึ่งพร้อมใช้ทั่วโลก ผู้ใช้ Plus และ Pro สามารถใช้โควตาตามแผนภายในเครื่องมือที่เข้าร่วมได้ โดย <a href="https://openai.com/index/devday-2026-recap/" rel="noopener noreferrer">สรุป DevDay</a> ระบุพันธมิตร เช่น Devin ของ Cognition, Notion, Vercel, T3, OpenClaw และ Dactyl</p> <p>ตาม <a href="https://help.openai.com/en/articles/20001542-using-your-chatgpt-plan-in-other-apps-and-sites" rel="noopener noreferrer">บทความช่วยเหลือของ OpenAI</a> การใช้งานทำงานดังนี้:</p> <ul> <li>คำขอที่เข้าเกณฑ์จะนับรวมกับโควตา ChatGPT Work และ Codex ของแผนคุณ</li> <li>แต่ละแอปมีขีดจำกัดรายสัปดาห์เป็นเปอร์เซ็นต์ของโควตารายสัปดาห์ทั้งหมด ไม่ใช่โควตาที่กันไว้เฉพาะแอป</li> <li>การใช้เครดิตหลังถึงขีดจำกัดเป็นทางเลือก และปิดไว้โดยค่าเริ่มต้น</li> <li>เครดิตส่วนเกินใช้ได้ต่อเมื่อขีดจำกัดของแอปถูกใช้ครบ 100%</li> <li>แอปได้รับชื่อ อีเมล และรูปโปรไฟล์ แต่ไม่ได้รับประวัติแชต ความทรงจำ หรือ API key ของคุณ</li> </ul> <p>ตรวจสอบให้แน่ใจว่าแอปที่ใช้รองรับ GPT-6.1 Sol จริงก่อนสรุปเรื่องราคา หากกำลังประเมิน OpenClaw ดู <a href="https://apidog.com/th/blog/openclaw-free?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">OpenClaw ฟรีหรือไม่</a> สำหรับขั้นตอนฝั่งนักพัฒนา ตั้งแต่ client ID ถึง OAuth flow ดู <a href="https://apidog.com/th/blog/sign-in-with-chatgpt?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ Sign in with ChatGPT</a></p> <h2> แผน ChatGPT ไม่ใช่คีย์ API </h2> <p>จุดที่มักสับสนคือ Plus หรือ Pro ให้สิทธิ์ใช้ GPT-6.1 Sol ใน ChatGPT Work และ Codex แต่ไม่ได้ให้ API key พร้อมเครดิต API</p> <p>สคริปต์ งาน CI หรือเอเจนต์ที่ส่งคำขอด้วย:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight http"><code><span class="err">Authorization: Bearer $OPENAI_API_KEY </span></code></pre> </div> <p>ไปยัง:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>https://api.openai.com/v1 </code></pre> </div> <p>ยังคงคิดเงินต่อโทเค็น ไม่ว่าบัญชีของคุณจะอยู่ในแผนใด</p> <p>วิธีที่โค้ดจะใช้โควตาของแผนได้คือ OAuth ผ่าน Sign in with ChatGPT เท่านั้น <a href="https://developers.openai.com/siwc/token-sharing-open-source" rel="noopener noreferrer">เอกสาร token sharing สำหรับแอปโอเพนซอร์ส</a> ระบุว่าแอปโอเพนซอร์สและแอปที่โฮสต์ในเครื่องสามารถใช้แนวทางนี้ได้ แต่มีข้อจำกัดในช่วงพรีวิว:</p> <ul> <li>รองรับเฉพาะการตอบกลับแบบสตรีม</li> <li>ต้องตั้งค่า <code>store: false</code> </li> <li>ใช้ <code>temperature</code> ไม่ได้</li> <li>ใช้เครื่องมือที่โฮสต์ เช่น file search ไม่ได้</li> </ul> <p>คำขอเหล่านี้ยังนับรวมกับโควตา Plus หรือ Pro และขีดจำกัดของแต่ละแอป</p> <h2> เส้นทาง API ที่ถูกที่สุด: Batch, Flex และแคช </h2> <p>มี 3 วิธีหลักในการลดต้นทุนต่อโทเค็นของ GPT-6.1 Sol</p> <h3> 1. ใช้ Batch สำหรับงานที่รอผลได้ </h3> <p>Batch ประมวลผลงานแบบอะซิงโครนัสที่ครึ่งหนึ่งของราคา Standard:</p> <ul> <li>อินพุต: $1 ต่อล้านโทเค็น</li> <li>อินพุตแคช: $0.05 ต่อล้านโทเค็น</li> <li>เอาต์พุต: $5 ต่อล้านโทเค็น</li> </ul> <p>ดูขั้นตอนตั้งแต่งานแรกจนถึงอ่านผลลัพธ์ใน <a href="https://apidog.com/th/blog/openai-batch-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ OpenAI Batch API</a></p> <h3> 2. ใช้ Flex เมื่อรับ latency ที่สูงขึ้นได้ </h3> <p>Flex ใช้อัตราเดียวกับ Batch สำหรับคำขอปกติ โดยกำหนด:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight json"><code><span class="p">{</span><span class="w"> </span><span class="nl">"service_tier"</span><span class="p">:</span><span class="w"> </span><span class="s2">"flex"</span><span class="w"> </span><span class="p">}</span><span class="w"> </span></code></pre> </div> <p><a href="https://developers.openai.com/api/docs/guides/flex-processing" rel="noopener noreferrer">คู่มือ Flex processing</a> เตือนว่าอาจตอบกลับช้าลง หรือพบ <code>429 Resource Unavailable</code> ซึ่งจะไม่ถูกเรียกเก็บเงิน</p> <h3> 3. ออกแบบพรอมต์ให้ใช้ Prompt Caching ได้ </h3> <p>Prompt caching เปิดใช้งานโดยค่าเริ่มต้น อินพุตที่แคชมีราคา $0.10 ต่อล้านโทเค็น ซึ่งถูกกว่าอินพุต Standard 95% และถูกกว่าราคาแคชของ GPT-6 Sol ที่ $0.20 อยู่ครึ่งหนึ่ง</p> <p>ตาม <a href="https://developers.openai.com/api/docs/guides/prompt-caching" rel="noopener noreferrer">คู่มือ Prompt Caching</a>:</p> <ul> <li>ต้องมีคำนำหน้าที่ยาวอย่างน้อย 1,024 โทเค็น</li> <li>การเขียนแคชคิดที่ 1.25 เท่าของราคาอินพุตไม่แคช หรือ $2.50 ต่อล้านโทเค็นสำหรับโมเดลนี้</li> <li>คำนำหน้าจะใช้ซ้ำได้ 30 นาทีหลังการเขียนหรือการใช้ซ้ำครั้งล่าสุด</li> <li>ควรวาง system prompt, schema เครื่องมือ และบริบทที่คงที่ไว้ต้นคำขอ</li> <li>วางข้อมูลที่เปลี่ยนบ่อย เช่น ข้อความผู้ใช้หรือ payload เฉพาะงาน ไว้ท้ายคำขอ</li> </ul> <p>รักษาพรอมต์ให้ไม่เกิน 272K อินพุตโทเค็น เพราะ <a href="https://developers.openai.com/api/docs/models/gpt-6.1-sol" rel="noopener noreferrer">หน้าโมเดล GPT-6.1 Sol</a> ระบุว่าเหนือกว่าขีดนี้จะคิดราคา 2 เท่าสำหรับอินพุตและแคช และ 1.5 เท่าสำหรับเอาต์พุต</p> <h2> ตัวอย่างการทำงาน: ต้นทุนเอเจนต์ 1 ครั้ง </h2> <p>สมมติว่าเอเจนต์ของคุณมีองค์ประกอบดังนี้:</p> <ul> <li>คำนำหน้าคงที่: 100,000 โทเค็น เช่น system prompt, tool schema และบริบท repo</li> <li>อินพุตใหม่ต่อคำขอ: 8,000 โทเค็น</li> <li>เอาต์พุตรวม reasoning: 2,000 โทเค็น</li> <li>คำนำหน้าถูกแคชไว้แล้ว</li> <li>โหมดแคชแบบระบุชัดเจนหยุดการเขียนแคชที่คำนำหน้า ทำให้โทเค็นใหม่ถูกคิดเป็นอินพุตปกติ</li> </ul> <h3> Standard พร้อมแคช </h3> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>อินพุตแคช: 100,000 × $0.10 / 1,000,000 = $0.0100 อินพุตใหม่: 8,000 × $2.00 / 1,000,000 = $0.0160 เอาต์พุต: 2,000 × $10.00 / 1,000,000 = $0.0200 รวม: $0.0460 ต่อการเรียก </code></pre> </div> <h3> Batch หรือ Flex พร้อมแคช </h3> <p>อัตราทั้งหมดลดลงครึ่งหนึ่ง:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>$0.0050 + $0.0080 + $0.0100 = $0.0230 ต่อการเรียก </code></pre> </div> <h3> เปรียบเทียบกับ GPT-6 Sol </h3> <p>สำหรับ GPT-6 Sol ค่าแคชเพิ่มเป็น $0.0200 ทำให้ต้นทุนต่อการเรียกเป็น $0.0560</p> <p>หากแคชไม่ทำงานบน GPT-6.1 Sol อินพุตทั้งหมด 108,000 โทเค็นจะถูกคิดในราคา $2 ต่อหนึ่งล้านโทเค็น:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>108,000 × $2.00 / 1,000,000 + $0.0200 = $0.2360 </code></pre> </div> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>สถานการณ์</th> <th>ต่อการเรียก</th> <th>1,000 การเรียก</th> </tr> </thead> <tbody> <tr> <td>GPT-6.1 Sol Standard, แคชทำงาน</td> <td>$0.046</td> <td>$46</td> </tr> <tr> <td>GPT-6.1 Sol Batch หรือ Flex, แคชทำงาน</td> <td>$0.023</td> <td>$23</td> </tr> <tr> <td>GPT-6 Sol Standard, แคชทำงาน</td> <td>$0.056</td> <td>$56</td> </tr> <tr> <td>GPT-6.1 Sol Standard, แคชไม่ทำงาน</td> <td>$0.236</td> <td>$236</td> </tr> </tbody> </table></div> <p>การเรียกครั้งแรกต้องเขียนคำนำหน้าเข้าแคช:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code>100,000 × $2.50 / 1,000,000 = $0.25 </code></pre> </div> <p>หลังจากนั้น ค่าแคชต่อการเรียกทำให้ต้นทุนลดลงอย่างมาก Batch หรือ Flex ลดต่อได้อีกครึ่งหนึ่ง และในตัวอย่างนี้ GPT-6.1 Sol ประหยัดกว่า GPT-6 Sol หนึ่งเซ็นต์ต่อการเรียก เพราะส่วนที่ราคาลดลงคืออินพุตแคช</p> <p>ดูรายละเอียดเพิ่มเติมใน <a href="https://apidog.com/th/blog/gpt-6-prompt-caching-90-percent?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือการแคชพรอมต์ GPT-6</a></p> <h2> สิ่งที่ไม่ฟรี </h2> <ul> <li> <strong>ChatGPT Free และ Go:</strong> ไม่มี GPT-6.1 Sol</li> <li> <strong>ChatGPT Chat:</strong> GPT-6.1 Sol ยังไม่มีใน Chat สำหรับทุกแผน</li> <li> <strong>API:</strong> ไม่มีโควตาหรือบริการฟรี</li> <li> <strong>Sign in with ChatGPT สำหรับบัญชี Free:</strong> ใช้โควตาแผนได้เฉพาะ Plus และ Pro</li> <li> <strong>OpenRouter:</strong> ราคาเท่าราคาตามรายการ ไม่ใช่ส่วนลด</li> <li> <strong>Ultrafast:</strong> GPT-6.1 Sol ยัง “กำลังจะมา” และ GPT-6 Astra มีราคา 6 เท่าของ Standard</li> </ul> <h2> ทางเลือกฟรี: GPT-6 Luna </h2> <p>หากต้องการใช้โมเดลโดยไม่มีค่าใช้จ่าย GPT-6 Luna มีในแผน Free ผ่าน Work และ Codex ในแอปเดสก์ท็อป ChatGPT โดย Go ซึ่งเป็นแผนชำระเงินก็เข้าถึงได้เช่นกัน</p> <p>ข้อควรทราบ:</p> <ul> <li>Luna เป็นคนละโมเดลกับ Sol</li> <li>ไม่มีใน Chat</li> <li>แผนแบบที่นั่งไม่ได้มาพร้อม API key</li> <li>จึงไม่สามารถนำไปขับเคลื่อนสคริปต์ งาน CI หรือเอเจนต์ที่คุณเขียนผ่าน API key ได้</li> </ul> <p>ดูวิธีตั้งค่าใน <a href="https://apidog.com/th/blog/how-to-use-gpt-6-luna-for-free?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือใช้ GPT-6 Luna ฟรี</a></p> <p>บน API Luna มีราคาอินพุต $0.10 และเอาต์พุต $0.50 ต่อล้านโทเค็น หรือหนึ่งในยี่สิบของราคาอินพุตและเอาต์พุต GPT-6.1 Sol จึงเหมาะกับงานจัดประเภทและการสกัดข้อมูลปริมาณมาก</p> <h2> วัดการใช้โทเค็นจริงใน Apidog ก่อนเลือก </h2> <p>ตัวเลขในตัวอย่างเป็นเพียงสมมติฐาน ต้นทุนจริงขึ้นกับพรอมต์ บริบท และ output ของระบบคุณเอง ให้บันทึกคำขอจริงใน <a href="https://apidog.com?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Apidog</a> แล้วทำตามขั้นตอนนี้</p> <ol> <li>สร้าง environment และกำหนดค่า: </li> </ol> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code> OPENAI_API_KEY MODEL_ID=gpt-6.1-sol </code></pre> </div> <ol> <li>สร้างคำขอ <code>POST</code> ไปที่: </li> </ol> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code> https://api.openai.com/v1/responses </code></pre> </div> <p>กำหนด header:<br> </p> <div class="highlight js-code-highlight"> <pre class="highlight http"><code><span class="err"> Authorization: Bearer {{OPENAI_API_KEY}} Content-Type: application/json </span></code></pre> </div> <ol> <li>ส่ง request body โดยใช้โมเดลและพรอมต์จริงของระบบคุณ: </li> </ol> <div class="highlight js-code-highlight"> <pre class="highlight json"><code><span class="w"> </span><span class="p">{</span><span class="w"> </span><span class="nl">"model"</span><span class="p">:</span><span class="w"> </span><span class="s2">"{{MODEL_ID}}"</span><span class="p">,</span><span class="w"> </span><span class="nl">"reasoning"</span><span class="p">:</span><span class="w"> </span><span class="p">{</span><span class="w"> </span><span class="nl">"effort"</span><span class="p">:</span><span class="w"> </span><span class="s2">"low"</span><span class="w"> </span><span class="p">},</span><span class="w"> </span><span class="nl">"input"</span><span class="p">:</span><span class="w"> </span><span class="s2">"ใส่พรอมต์จริงจากภาระงานของคุณ"</span><span class="w"> </span><span class="p">}</span><span class="w"> </span></code></pre> </div> <ol> <li>ส่งคำขอเดิม 2 ครั้ง แล้วตรวจสอบว่าการรันครั้งที่สองมีค่า: </li> </ol> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code> $.usage.input_tokens_details.cached_tokens </code></pre> </div> <p>มากกว่า <code>0</code> เพื่อยืนยันว่าแคชทำงาน</p> <ol> <li>เปรียบเทียบค่า <code>low</code> และ <code>medium</code> โดยดู: </li> </ol> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code> usage.output_tokens usage.output_tokens_details.reasoning_tokens </code></pre> </div> <p><a href="https://developers.openai.com/api/docs/guides/reasoning" rel="noopener noreferrer">คู่มือ reasoning</a> ระบุว่า reasoning tokens ถูกคิดเป็นเอาต์พุต</p> <ol> <li>เพิ่ม post-response script เพื่อคำนวณราคา Standard ต่อการเรียก: </li> </ol> <div class="highlight js-code-highlight"> <pre class="highlight javascript"><code> <span class="kd">const</span> <span class="nx">u</span> <span class="o">=</span> <span class="nx">pm</span><span class="p">.</span><span class="nx">response</span><span class="p">.</span><span class="nf">json</span><span class="p">().</span><span class="nx">usage</span><span class="p">;</span> <span class="kd">const</span> <span class="nx">d</span> <span class="o">=</span> <span class="nx">u</span><span class="p">.</span><span class="nx">input_tokens_details</span> <span class="o">||</span> <span class="p">{};</span> <span class="kd">const</span> <span class="nx">cached</span> <span class="o">=</span> <span class="nx">d</span><span class="p">.</span><span class="nx">cached_tokens</span> <span class="o">||</span> <span class="mi">0</span><span class="p">;</span> <span class="kd">const</span> <span class="nx">written</span> <span class="o">=</span> <span class="nx">d</span><span class="p">.</span><span class="nx">cache_write_tokens</span> <span class="o">||</span> <span class="mi">0</span><span class="p">;</span> <span class="kd">const</span> <span class="nx">fresh</span> <span class="o">=</span> <span class="nx">u</span><span class="p">.</span><span class="nx">input_tokens</span> <span class="o">-</span> <span class="nx">cached</span> <span class="o">-</span> <span class="nx">written</span><span class="p">;</span> <span class="kd">const</span> <span class="nx">usd</span> <span class="o">=</span> <span class="p">(</span><span class="nx">fresh</span> <span class="o">*</span> <span class="mi">2</span> <span class="o">+</span> <span class="nx">cached</span> <span class="o">*</span> <span class="mf">0.1</span> <span class="o">+</span> <span class="nx">written</span> <span class="o">*</span> <span class="mf">2.5</span> <span class="o">+</span> <span class="nx">u</span><span class="p">.</span><span class="nx">output_tokens</span> <span class="o">*</span> <span class="mi">10</span><span class="p">)</span> <span class="o">/</span> <span class="mi">1</span><span class="nx">e6</span><span class="p">;</span> <span class="nx">console</span><span class="p">.</span><span class="nf">log</span><span class="p">(</span><span class="s2">`gpt-6.1-sol Standard: $</span><span class="p">${</span><span class="nx">usd</span><span class="p">.</span><span class="nf">toFixed</span><span class="p">(</span><span class="mi">4</span><span class="p">)}</span><span class="s2"> per call`</span><span class="p">);</span> </code></pre> </div> <p>คูณผลลัพธ์ด้วยปริมาณงานรายวันของคุณ และหารสองสำหรับ Batch หรือ Flex คุณยังสามารถบันทึกคำขอเป็น test scenario แล้วรันซ้ำด้วย Apidog CLI ใน CI เพื่อให้การเปลี่ยนแปลงพรอมต์ที่ทำให้อัตรา cache hit ลดลงถูกตรวจพบก่อนถึงรอบบิล</p> <h2> คำถามที่พบบ่อย </h2> <p><strong>GPT-6.1 Sol ฟรีใน ChatGPT หรือไม่?</strong></p> <p>ไม่ GPT-6.1 Sol อยู่ใน ChatGPT Work และ Codex สำหรับ Plus, Pro, Business, Enterprise และ Edu ยังไม่มีใน Chat และไม่มีใน Free หรือ Go</p> <p><strong>ฉันใช้แผน ChatGPT Plus เพื่อเรียก GPT-6.1 Sol API ได้หรือไม่?</strong></p> <p>ไม่ได้ผ่าน API key แผน ChatGPT ไม่ใช่เครดิต API และโค้ดที่ใช้ API key จะจ่ายต่อโทเค็นเสมอ อย่างไรก็ตาม <a href="https://apidog.com/th/blog/sign-in-with-chatgpt?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">Sign in with ChatGPT</a> ช่วยให้แอปที่ใช้ OAuth รวมถึงแอปโอเพนซอร์สและแอปที่รันในเครื่อง ใช้โควตา Plus หรือ Pro สำหรับคำขอที่เข้าเกณฑ์ได้ภายใต้ข้อจำกัดพรีวิว</p> <p><strong>มี GPT-6.1 Sol API ฟรีหรือไม่?</strong></p> <p>ไม่มี อัตราทางการที่ถูกที่สุดคือ Batch หรือ Flex: อินพุต $1, แคช $0.05 และเอาต์พุต $5 ต่อล้านโทเค็น</p> <p><strong>GPT-6.1 Sol ฟรีบน OpenRouter หรือไม่?</strong></p> <p>ไม่ OpenRouter ระบุ <code>openai/gpt-6.1-sol</code> ในราคา $2/$10 บนปลายทาง OpenAI ซึ่งเท่ากับราคาตามรายการของ OpenAI</p> <p><strong>GPT-6.1 Sol ถูกกว่า GPT-6 Sol หรือไม่?</strong></p> <p>ราคาอินพุตและเอาต์พุตตามรายการเท่ากันที่ $2/$10 แต่ราคาอินพุตแคชของ GPT-6.1 Sol ถูกกว่าครึ่งหนึ่ง: $0.10 เทียบกับ $0.20 ดังนั้นระบบที่มี cache hit สูงจะมีต้นทุนลดลง</p> <h2> ขั้นตอนต่อไป </h2> <p>เลือกเส้นทางจากตัวเลขการใช้งานจริง:</p> <ul> <li>หากต้องการใช้แบบอินเทอร์แอคทีฟ: เริ่มจาก Plus ใน Codex</li> <li>หากโค้ดต้องเรียกโมเดล: ใช้ API และออกแบบพรอมต์เพื่อใช้แคช</li> <li>หากงานรอผลได้: ย้ายไป Batch</li> <li>หากรับ latency ที่สูงขึ้นได้: พิจารณา Flex</li> </ul> <p><a href="https://apidog.com/download?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">ดาวน์โหลด Apidog</a> บันทึกคำขอจริง ส่งอย่างน้อย 2 ครั้ง และตรวจสอบฟิลด์ <code>usage</code> เพื่อคำนวณต้นทุนจากข้อมูลจริงของระบบคุณ</p> <p>สำหรับคำขอแรกและแนวทางย้ายจาก <code>gpt-6-sol</code> ดู <a href="https://apidog.com/th/blog/gpt-6-1-sol-api?utm_source=dev.to&amp;utm_medium=wanda&amp;utm_content=n8n-post-automation">คู่มือ GPT-6.1 Sol API</a></p>