Tinjau kebijakan webhook pembayaran fiktif ini: setiap POST yang gagal dicoba ulang tiga kali, tidak ada kunci idempotensi yang disimpan, dan saldo didebit sebelum respons dikirim. Identifikasi risiko penagihan ganda, usulkan perubahan minimal dan tiga pengujian penerimaan. Gunakan hanya fakta ini; jangan mengasumsikan akses ke kode, alat, atau sistem produksi.
API DeepSeek V4 Pro: Harga, Ruang Uji, dan Contoh
Tinjau harga token DeepSeek V4 Pro, mode berpikir, dan contoh Chat Completions untuk penalaran kompleks, analisis kode, serta tugas riset bertahap.
Harga dan penagihan API DeepSeek V4 Pro
Harga API Hop
- Input
- $1.0286 /M
- Output
- $3.0857 /M
- Input cache
- $0.0343 /M
Alat percakapan daring DeepSeek V4 Pro
Pengaturan model
Apa fungsi memori?
Memori menyertakan giliran percakapan yang selesai dan dapat digunakan kembali dalam permintaan berikutnya, sehingga Anda dapat mengajukan pertanyaan lanjutan tanpa mengulangi konteks.
Apa yang terjadi ketika dinonaktifkan?Hanya pesan baru Anda dan perintah sistem yang dikirim. Pesan yang ada tetap terlihat; mengaktifkan kembali memori akan menyertakan lagi giliran sebelumnya yang memenuhi syarat.
Apakah ini memori jangka panjang?Tidak. Ini adalah konteks percakapan, bukan memori lintas percakapan terpisah. Balasan yang gagal, dihentikan, terpotong, atau tidak dapat digunakan kembali dikecualikan. Riwayat lebih banyak dapat menggunakan lebih banyak token masukan dan meningkatkan biaya.
Parameter lanjutan
0 karakter atau lebih(0/Tanpa batas tetap)
Tidak ada batas karakter tetap; seluruh permintaan tunduk pada batas ukuran permintaan dan konteks model. Ini bukan hitungan token. Percakapan
Apa yang dapat saya bantu hari ini?
Belum ada data respons Siap
Contoh perintah DeepSeek V4 Pro
Ini adalah perintah evaluasi untuk DeepSeek V4 Pro, bukan keluaran model yang tercatat. Perintah ini hanya menganalisis teks yang disediakan; tidak menjalankan kode, memeriksa sistem produksi, atau membuktikan kinerja konteks panjang. Periksa bukti yang dikutip dan kriteria penerimaan, lalu tinjau metadata respons serta penggunaan sebelum penggunaan produksi.
Analisis jejak sintetis ini: [L1] 10:00:00 permintaan A diterima; [L2] 10:00:01 pekerja memulai A; [L3] 10:00:31 klien melampaui batas waktu; [L4] 10:00:33 pekerja menyelesaikan A; [L5] 10:00:35 klien mengirim A lagi. Pisahkan pengamatan dari hipotesis, kutip ID baris, cantumkan bukti yang belum ada, dan usulkan dua pemeriksaan. Jangan mengklaim telah memeriksa sistem nyata atau menjalankan perbaikan.
Tim fiktif beranggotakan dua orang menjalankan 2,000 laporan setiap hari. Penyelesaian dalam 30 menit dapat diterima. Tim memiliki basis data tetapi tidak memiliki layanan antrean; tugas harus dapat pulih setelah mulai ulang dan menghindari pengiriman duplikat. Bandingkan pemrosesan kelompok berbasis basis data dengan antrean khusus. Berikan tabel keputusan, rekomendasi bersyarat, tiga hal yang belum diketahui, dan satu kondisi yang membalikkan pilihan Anda. Jangan mengarang tolok ukur, biaya, atau jaminan teruji.
Apa itu DeepSeek V4 Pro
Model rilis produksi untuk penalaran kompleks dan tugas agen
Kami memosisikan DeepSeek V4 Pro sebagai model penalaran untuk tugas teks kompleks, dengan fokus pada pekerjaan yang menguraikan masalah dan terus bergerak maju, seperti analisis kode, perbaikan perangkat lunak, tanya jawab riset, dan kolaborasi alat. DeepSeek-V4-Pro-0813, dirilis pada 13 Agustus 2026, merupakan rilis produksinya, dengan pengumuman resmi yang sangat menekankan peningkatan kemampuan agen.
Model MoE berbobot terbuka dengan konteks sejuta token
DeepSeek V4 Pro menggunakan arsitektur mixture-of-experts, juga dikenal sebagai MoE, dan menyediakan bobot model dengan lisensi MIT; API Hop menyediakan konteks 1M token, sama seperti API resmi sebelumnya. Tentu saja, bisnis dan individu yang memiliki kekhawatiran keamanan data juga dapat mempertimbangkan penerapan DeepSeek V4 Pro secara mandiri.
Untuk tugas teks panjang, kami lebih memperhatikan kemampuannya memproses berbagai jenis informasi bersama-sama. Misalnya, spesifikasi proyek, kode dari beberapa modul, dan log kesalahan dapat diberikan sekaligus agar model menganalisis keterkaitannya dengan masalah yang sama.
Beralih antara mode tanpa pemikiran dan tiga tingkat upaya pemikiran
DeepSeek V4 Pro mendukung mode tanpa pemikiran dan mode pemikiran; ketika pemikiran aktif, Anda dapat memilih tingkat upaya low, high, dan max. Dokumentasi resmi saat ini menetapkan upaya pemikiran default high. Menurut kami, nilai kontrol ini terletak pada pengalokasian anggaran penalaran berdasarkan tugas, sebagai kemampuan dasar untuk routing banyak model di masa depan.
Kami menyarankan memilih pengaturan berdasarkan kesulitan tugas: untuk konversi format dan ekstraksi sederhana, mulailah mengevaluasi mode tanpa pemikiran atau low; untuk analisis kode sehari-hari dan tugas bertahap, mulai dengan high; untuk masalah sulit dengan banyak batasan yang memerlukan verifikasi berulang, coba max. Upaya pemikiran spesifik harus diuji terhadap skenario bisnis Anda.
Alat daring dan API DeepSeek V4 Pro di API Hop
Melalui API Hop, kami berharap membantu Anda lebih cepat memahami performa nyata DeepSeek V4 Pro pada tugas Anda sendiri. Cukup masuk, buat kunci API, dan tambahkan sedikit saldo untuk mulai mencoba alat daring, tanpa menulis kode integrasi API dahulu atau membeli paket tetap untuk evaluasi singkat.
Kemampuan inti dan keunggulan bidang DeepSeek V4 Pro
Pemrograman proyek: analisis, perbaikan, dan refaktorisasi dalam proyek yang ada
Kami mengevaluasi nilai pemrograman DeepSeek V4 Pro menggunakan proyek nyata: memintanya memahami hubungan antar modul yang ada, mengusulkan perubahan dalam batasan, lalu memeriksa hasil implementasi melalui pengujian. Sebagian besar pekerjaan melibatkan iterasi dan pemeliharaan proyek berkelanjutan, sehingga ini lebih dekat dengan kebutuhan nyata pengembang.
Dalam umpan balik pelanggan yang membandingkan DeepSeek V4 Pro dan DeepSeek V4 Flash pada proyek Python yang sama, Pro dilaporkan mencakup lebih banyak aspek dalam analisis arsitektur dan diskusi refaktorisasi. Pada uji perbaikan berikutnya, Pro mempertimbangkan semantik sebagian perilaku penggabungan data dan penguncian lebih menyeluruh, meskipun masih menyisakan masalah kompatibilitas lintas platform. Karena itu, kami menyarankan memberikan kriteria penerimaan eksplisit saat menggunakan DeepSeek V4 Pro untuk memperbaiki bug, terutama platform runtime, batas data, dan perilaku yang ada.
Kolaborasi alat: memajukan tugas bertahap berdasarkan hasil antara
DeepSeek V4 Pro mendukung pemanggilan alat dan keluaran JSON. Menurut kami, ini menjadi dasar untuk berpartisipasi dalam otomatisasi bisnis: setelah aplikasi menyediakan alat terkait, model dapat meminta kueri data, membaca hasilnya, dan memutuskan apakah langkah berikutnya memerlukan konteks tambahan atau dapat berlanjut.
Untuk membangun alur penyusunan informasi, Anda perlu membaginya menjadi empat tahap: pengambilan, ekstraksi, verifikasi, dan keluaran, sehingga model dapat melanjutkan pemrosesan berdasarkan hasil alat. Penelusuran, akses berkas, dan eksekusi kode harus disediakan aplikasi atau kerangka agen; Anda dapat menggunakan DeepSeek Harness resmi DeepSeek atau kerangka lain dengan kemampuan banyak agen.
Analisis dokumen panjang: membaca spesifikasi, kode, dan beberapa sumber bersama-sama
Menurut kami, konteks panjang DeepSeek V4 Pro layak digunakan untuk perbandingan dan penyusunan lintas sumber, seperti memeriksa kesesuaian implementasi dengan dokumen persyaratan, membandingkan kontrak antarmuka antar versi, atau menyusun perubahan sebelum dan sesudah masalah dari log dalam jumlah besar. Saat bertanya, kami menyarankan memberi nomor sumber, menentukan pertanyaan yang dijawab, dan mewajibkan kesimpulan merujuk paragraf atau berkas tertentu. Pendekatan berorientasi rekayasa ini dapat membantu Anda mendapatkan hasil yang diinginkan lebih efektif.
Dalam pengujian Artificial Analysis saat ini, DeepSeek V4 Pro Max mendapat 80% pada evaluasi penalaran konteks panjang AA-LCR v1.1. Evaluasi ini menggunakan tugas dengan sekitar 100,000 token masukan, dan kami memperlakukannya sebagai referensi analisis dokumen panjang. Namun, untuk masukan nyata mendekati satu juta token, kami tetap menyarankan pengujian skenario bisnis Anda sebelum penggunaan, karena keluaran tidak optimal saat masukan model mendekati batas kapasitasnya.
Penalaran kompleks: menganalisis batasan, bukti, dan verifikasi
Kami memprioritaskan tingkat upaya pemikiran DeepSeek V4 Pro yang lebih tinggi untuk tugas yang memerlukan pertimbangan cermat, seperti menjelaskan masalah yang sulit direproduksi, membandingkan pendekatan teknis, atau memeriksa apakah desain melewatkan batasan penting. Kami menyarankan memberikan konteks yang diperlukan sekaligus kriteria penerimaan akhir yang tegas agar penalaran bergerak menuju kriteria yang Anda tentukan.
Dalam umpan balik pelanggan kami, seorang pelanggan berdasarkan pengalaman proyeknya sendiri menilai pengaturan Max Pro membantu tinjauan keamanan, sekaligus merasa lebih lambat daripada Flash. Tentu saja, ini hanya mencerminkan pengalaman sebagian pengembang; persoalan utama adalah kompromi praktis: apakah waktu tunggu tambahan untuk tinjauan kompleks menemukan masalah baru atau menghasilkan saran baru yang lebih baik.
Integrasi aplikasi: menggunakan kembali alur pengembangan melalui antarmuka kompatibel
DeepSeek secara resmi menyediakan format integrasi yang kompatibel dengan OpenAI dan Anthropic, dan rilis produksi DeepSeek V4 Pro juga menambahkan dukungan Responses API serta adaptasi Codex. API Hop saat ini menyediakan model ini melalui antarmuka Chat Completions terpadu. Ikuti format permintaan pada tab API dan validasi kompatibilitas sebelum memigrasikan alur yang ada.
Kami menyarankan memulai evaluasi penggantian dengan alur yang cakupannya jelas, seperti tinjauan kode, ekstraksi informasi terstruktur, atau tanya jawab pengetahuan internal. Selain membandingkan kualitas jawaban, periksa apakah parameter alat, peristiwa streaming, dan penanganan kesalahan sesuai harapan aplikasi. Setelah pemeriksaan lulus, perluas penggunaan bertahap; ini mempermudah penilaian manfaat bisnis nyata model.
Tolok ukur dan performa DeepSeek V4 Pro
Dalam bagian ini, kami membedakan pengujian resmi dari evaluasi independen. Hasil agen pemrograman resmi yang dilaporkan publik menggunakan DeepSeek Harness dalam mode minimal, upaya pemikiran max, temperature=1.0, dan top_p=0.95; pengaturan ini berlaku pada pengujian agen pemrograman terkait. Kami mempertahankan versi tolok ukur dan sumber pengujian agar Anda dapat menilai kesesuaian data dengan alur sendiri. Pengaturan pengujian resmi
Tugas terminal: 87.9% pada Terminal-Bench 2.1
Pratinjau Pro72.1%
Pro 081387.9%
DeepSeek · Pro 0813
Dalam tabel hasil resmi DeepSeek yang sama, Pro 0813 mendapat 87.9% pada Terminal-Bench 2.1, dibandingkan 72.1% untuk Pro Preview. Selisih keduanya dalam tabel ini adalah 15.8 poin persentase. Kami melihatnya sebagai salah satu bukti yang lebih jelas atas kemajuan rilis produksi pada tugas agen terminal.
Untuk pekerjaan yang memerlukan menjalankan perintah di lingkungan pengembangan, membaca umpan balik, dan terus memperbaiki, kami menyarankan menjadikan hasil ini alasan memprioritaskan uji coba. Dalam evaluasi aktual, kami menyimpan keluaran perintah dan log langkah gagal untuk mengamati apakah model dapat menyelesaikan seluruh tugas, serta cara lingkungan dipulihkan setelah kegagalan.
Rekayasa perangkat lunak: 62.7% pada DeepSWE, 61.5% pada NL2Repo
Tolok ukur berbeda, ditampilkan terpisah
DeepSWE62.7%
NL2Repo61.5%
DeepSeek · Pro 0813
Dalam hasil rilis produksi resmi, DeepSeek V4 Pro mendapat 62.7% pada DeepSWE dan 61.5% pada NL2Repo. Kami memperlakukan hasil ini sebagai indikator berbeda untuk mengevaluasi kemampuan rekayasa perangkat lunak, dengan fokus pada cara model menangani tugas rekayasa dan menyelesaikan pekerjaan tingkat proyek dari persyaratan.
Kami menyarankan menyiapkan beberapa jenis tugas nyata untuk pengujian terpisah: memperbaiki masalah yang ada, menambah fitur dengan batasan antarmuka, dan menyelesaikan iterasi kecil dari persyaratan. Bagi pengembang, kode yang dapat dikompilasi hanyalah persyaratan paling dasar; kami juga memeriksa kelengkapan fungsi, kelulusan pengujian yang ada, dan kesesuaian kode baru dengan konvensi proyek.
Alat dan otomatisasi: 74.1% pada Toolathlon-Verified, 31.8% pada AutomationBench
Tolok ukur berbeda, ditampilkan terpisah
Toolathlon-Verified74.1%
AutomationBench Public31.8%
DeepSeek · Pro 0813
Hasil resmi DeepSeek V4 Pro mencakup 74.1% pada Toolathlon-Verified dan 31.8% pada AutomationBench Public. Pandangan kami, pengujian berbeda mencakup tugas berbeda, dan skor penggunaan alat tinggi perlu dinilai bersama penyelesaian aktual dalam skenario bisnis Anda sendiri.
Tanya jawab sulit: HLE 42.7% tanpa alat, 60.0% dengan alat
Tanpa alat42.7%
Dengan alat60.0%
DeepSeek · Pro 0813
DeepSeek secara resmi melaporkan bahwa DeepSeek V4 Pro mendapat 42.7% tanpa alat dan 60.0% dengan alat pada Humanity's Last Exam, juga dikenal sebagai HLE. Menurut kami, hasil ini menunjukkan kemampuan rekayasa alat memiliki pengaruh sangat besar terhadap pemecahan masalah kompleks.
Untuk sebagian skenario, kami menyarankan menguji kemampuan DeepSeek V4 Pro dengan Harness berbeda, yang mungkin memberikan performa lebih baik dalam skenario khusus tertentu.
Indeks independen dan kecepatan respons: skor keseluruhan 36, keluaran sekitar 99 token per detik
- Intelligence Index v4.3.2
- 36skor
- Kecepatan keluaran
- ~99Token/s
Token Pertama1.67 s
Token jawaban pertama, termasuk penalaran21.86 s
Artificial Analysis · Intelligence Index v4.3.2 · Pro MaxPengukuran eksternal, bukan latensi API Hop
Intelligence Index v4.3.2 Artificial Analysis memberi DeepSeek V4 Pro Max skor 36. Kecepatan keluarannya sekitar 99 token per detik, dengan sekitar 1.67 detik hingga token pertama dan sekitar 21.86 detik hingga token jawaban pertama ketika penalaran disertakan.
Kami mengamati secara terpisah kecepatan mulai kembalinya konten, penantian jawaban akhir, dan waktu penyelesaian seluruh tugas. Untuk fitur yang sering interaktif, kami menyarankan mengevaluasi upaya pemikiran lebih rendah dahulu; untuk analisis kompleks, baru nilai apakah waktu tunggu tambahan Max sepadan.
Perbandingan DeepSeek V4 Pro dengan V4 Flash, Kimi K3, Claude Fable 5, dan V4.1 Flash
Dibandingkan DeepSeek V4 Flash: manfaat tugas kompleks harus mengimbangi perbedaan kecepatan
Kami menggunakan DeepSeek V4 Flash sebagai pembanding satu generasi. Dalam pengujian Artificial Analysis saat ini dengan metodologi sama, DeepSeek V4 Pro Max dan DeepSeek V4 Flash Max masing-masing mendapat 36 dan 34 pada indeks keseluruhan, dan keduanya 80% pada AA-LCR v1.1; kecepatan keluaran masing-masing sekitar 99 dan 223 token per detik. Rekomendasi kami: pertimbangkan langsung DeepSeek V4 Pro untuk tugas kompleks.
Dibandingkan Kimi K3: perbedaan skor keseluruhan dan dokumen panjang, serta biaya tugas
Dalam perbandingan Artificial Analysis v4.3.2 pada pengaturan Max, Kimi K3 mendapat 44 pada indeks keseluruhan dan DeepSeek V4 Pro 36; hasil AA-LCR v1.1 masing-masing 89% dan 80%. Biaya tertimbang per tugas pada evaluasi yang sama masing-masing $2.00 dan $0.67.
Untuk pekerjaan yang sangat bergantung pada pemahaman lintas dokumen, kami menyarankan menjadikan Kimi K3 pembanding utama; untuk memperluas penggunaan massal, Anda perlu menguji lebih lanjut apakah keluaran DeepSeek V4 Pro dapat diterima dalam skenario bisnis Anda.
Dibandingkan Claude Fable 5: keberhasilan percobaan pertama dan cakupan setelah beberapa percobaan memiliki keunggulan berbeda
Eksperimen langsung pada 17 Agustus 2026 membandingkan DeepSeek V4 Pro Max dan Claude Fable 5 Max pada 113 tugas DeepSWE, dengan setiap tugas dijalankan empat kali per model.
| Metrik | DeepSeek V4 Pro Max | Claude Fable 5 Max |
|---|---|---|
| pass@1, tingkat kelulusan satu percobaan | 62.8% | 69.7% |
| pass@4, setidaknya satu kelulusan dalam empat percobaan | 88.5% | 84.1% |
| Tugas yang lulus pada keempat percobaan | 35 | 56 |
| Median waktu per percobaan tugas | 35 menit | 31 menit |
Menurut kami, keunggulan Fable 5 sebaiknya dipahami sebagai keberhasilan percobaan pertama dan keterulangan dalam eksperimen ini, sedangkan keunggulan DeepSeek V4 Pro adalah cakupan tugas lebih luas ketika percobaan ulang diizinkan.
Mengapa menggunakan DeepSeek V4 Pro melalui API Hop?
Penagihan berdasarkan penggunaan dan optimasi biaya model
Biaya mengikuti tarif API Hop saat ini dan penggunaan sebenarnya. Isi saldo sesuai kebutuhan.
Model AI dan API data terpadu, dengan akses banyak model di satu tempat
Satu kunci API menghubungkan banyak model AI dan layanan data, mengurangi biaya integrasi serta memungkinkan pergantian dengan satu klik. Aplikasi bisnis membutuhkan AI dan data.
Log panggilan dan kontrol akses aplikasi, dengan kejelasan setiap panggilan
Setiap panggilan API dicatat di dasbor Anda. Buat kunci API terpisah untuk aplikasi berbeda.
Evaluasi keluaran berdasarkan tugas Anda
Gunakan ID model yang didokumentasikan dan parameter yang didukung melalui API Hop. Evaluasi keluaran berdasarkan kriteria penerimaan Anda sendiri, lalu periksa catatan penggunaan serta metadata respons sebelum penggunaan produksi. Nama model atau contoh tidak menjamin setiap hasil.
Cara menggunakan DeepSeek V4 Pro di API Hop
Setelah membuat kunci API di konsol, ikuti dokumentasi untuk mulai menggunakan DeepSeek V4 Pro.
Siapkan akun Anda dan uji secara daring
Masuk, pastikan saldo Anda, dan buat kunci API.
Coba di ruang uji
Jelajahi kemampuan model di ruang uji untuk menemukan cara terbaik menggunakannya.
Integrasikan DeepSeek V4 Pro ke bisnis Anda
Ikuti dokumentasi pengembang kami untuk mengintegrasikan DeepSeek V4 Pro ke bisnis Anda.
Peningkatan model mendatang
Untuk beralih ke model lebih baru, pastikan dahulu ID tepatnya dikembalikan katalog model untuk kunci API Anda. Jika model mendukung endpoint dan bidang permintaan yang sama, perbarui ID model, lalu uji format respons, streaming, batas keluaran, dan penagihan sebelum mengirim lalu lintas produksi. Untuk tugas gambar atau video asinkron, verifikasi juga pengiriman tugas, polling status, dan pengambilan hasil.
Pertanyaan umum API DeepSeek V4 Pro
Apakah Playground DeepSeek V4 Pro dapat menerima gambar, PDF, atau video?
Ini adalah alat percakapan teks tanpa unggahan berkas atau gambar. V4 Pro merupakan model teks, bukan model masukan visual. Ekstrak teks relevan dari dokumen sebelum mengirimkannya; tautan tidak membuat halaman ini mengunduh atau memeriksa berkas.
Mengapa saya melihat penalaran tetapi tidak ada jawaban akhir?
Penalaran dapat menghabiskan kuota keluaran sebelum jawaban akhir muncul. Periksa alasan penyelesaian, persempit tugas, atau tingkatkan kuota yang ditetapkan secara eksplisit. Klien API harus membedakan reasoning_content dari content, bukan memperlakukan penalaran saja sebagai jawaban lengkap.
Apakah memori percakapan permanen, dan mengapa penggunaan bertambah?
Memori adalah konteks dalam percakapan saat ini, bukan memori permanen lintas sesi. Mengaktifkannya mengirim giliran selesai yang dapat digunakan kembali, sehingga dapat menambah penggunaan masukan. Menonaktifkannya mempertahankan tampilan riwayat tetapi mengecualikannya dari permintaan baru; balasan gagal, dihentikan, atau terpotong bukan riwayat normal yang dapat digunakan kembali.
Bagaimana cara memecahkan masalah kesalahan 401, 402, 403, atau 429?
Periksa autentikasi untuk 401, saldo untuk 402, akses model untuk 403, serta laju atau kuota permintaan untuk 429. Konfirmasikan ID model persis melalui katalog untuk kunci Anda. Kode respons numerik berbeda dari status HTTP; periksa kesalahan lengkap untuk kegagalan hulu dan aliran terputus.
Apakah saya dapat memanggil DeepSeek V4 Pro menggunakan OpenAI Responses atau Claude Messages?
Model API Hop ini menggunakan antarmuka Chat Completions terpadu. Opsi protokol langsung DeepSeek tidak menetapkan dukungan API Hop. Ikuti endpoint dan format pesan pada tab API, bukan hanya mengganti model dalam permintaan yang menggunakan protokol lain.
Apakah saya dapat memperoleh beberapa usulan atau menjamin JSON valid?
Minta beberapa usulan dalam satu jawaban dengan kriteria evaluasi yang sama untuk setiap usulan. Untuk JSON, tentukan bidang, tipe, dan aturan nilai yang hilang, lalu validasi sintaks, skema, serta makna bisnis. Instruksi mengembalikan JSON bukan jaminan rekaman valid atau akurat.
Apakah DeepSeek V4 Pro dapat menjalankan kode atau menyelesaikan tindakan bisnis di sini?
Tidak. Halaman ini mengembalikan teks dan tidak menjalankan perintah, mengubah repositori, mengakses basis data, atau melakukan pembayaran. Aplikasi agen harus menyediakan alat yang didukung, izin, umpan balik, dan persetujuan. Tindakan yang diusulkan bukan bukti eksekusi selesai.
Haruskah saya segera mencoba ulang permintaan yang lambat, terputus, atau dihentikan?
Periksa hasil yang ada, catatan permintaan, dan penggunaan terlebih dahulu. Masukan panjang dan penalaran dapat menunda jawaban akhir. Menghentikan penantian di browser atau kehilangan aliran tidak membuktikan permintaan hulu belum diproses; pilih percobaan ulang berdasarkan jenis kesalahan untuk menghindari permintaan serta tagihan ganda.
API teks terkait
Contoh API DeepSeek V4 Pro dan parameter yang didukung
Panduan mulai cepat API DeepSeek V4 Pro
deepseek-v4-promodel wajib diisi; contoh ini menggunakan ID model halaman saat ini. Periksa akses model untuk kunci API Anda melalui GET /v1/models.
Chat CompletionsPOST /v1/chat-completions
curl -X POST "https://api.apihop.ai/v1/chat-completions" \
-H "Authorization: Bearer <API_KEY>" \
-H "Content-Type: application/json" \
-d '{"model":"deepseek-v4-pro","messages":[{"role":"user","content":"Hello, introduce yourself in one sentence."}],"stream":false}'Referensi kelompok dan protokol
Model DeepSeek
Dokumentasi API lengkapID model DeepSeek V4 Flash, V4 Pro, dan V4.1 Flash serta ketersediaan Chat Completions.
POST
https://api.apihop.ai/v1/chat-completions