Berikut panduan ringkas untuk mulai memakai DeepSeek V4 API. Karena detail endpoint, nama model, dan fitur bisa berubah, ganti placeholder sesuai dokumentasi resmi DeepSeek. Langkah persiapan - Dapatkan API key dari konsol/developer portal DeepSeek. - Catat Base URL layanan API (misal: <BASE_URL>), dan nama model (misal: <MODEL_NAME>, contohnya “deepseek-v4” jika tersedia). - Simpan API key sebagai variabel lingkungan (misal: DEEPSEEK_API_KEY). Permintaan dasar (Chat Completions) - Endpoint (contoh pola): POST <BASE_URL>/chat/completions - Header: - Authorization: Bearer <API_KEY> - Content-Type: application/json - Body (contoh minimal): { "model": "<MODEL_NAME>", "messages": [ {"role": "user", "content": "Jelaskan teori relativitas secara singkat."} ], "temperature": 0.7, "max_tokens": 512 } Contoh cURL curl -X POST "<BASE_URL>/chat/completions" \ -H "Authorization: Bearer $DEEPSEEK_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "<MODEL_NAME>", "messages": [ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "Tuliskan ringkasan 3 poin tentang pembelajaran mesin."} ], "temperature": 0.6, "max_tokens": 300 }' Contoh JavaScript (fetch) const resp = await fetch("<BASE_URL>/chat/completions", { method: "POST", headers: { "Authorization": `Bearer ${process.env.DEEPSEEK_API_KEY}`, "Content-Type": "application/json" }, body: JSON.stringify({ model: "<MODEL_NAME>", messages: [ {role: "user", content: "Beri contoh prompt yang baik untuk analisis sentimen."} ], temperature: 0.7, max_tokens: 256 }) }); const data = await resp.json(); console.log(data.choices?.[0]?.message?.content); Contoh Python (requests) import os, requests, json BASE_URL = os.getenv("DEEPSEEK_BASE_URL") # isi dengan <BASE_URL> API_KEY = os.getenv("DEEPSEEK_API_KEY") payload = { "model": "<MODEL_NAME>", "messages": [ {"role": "user", "content": "Apa perbedaan supervised dan unsupervised learning?"} ], "temperature": 0.7, "max_tokens": 256 } r = requests.post( f"{BASE_URL}/chat/completions", headers={"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"}, data=json.dumps(payload), timeout=60 ) r.raise_for_status() print(r.json()["choices"][0]["message"]["content"]) Streaming respons (SSE) - Banyak penyedia mendukung SSE dengan parameter "stream": true dan mengembalikan event data per chunk. - Permintaan (body): { "model": "<MODEL_NAME>", "messages": [{"role": "user", "content": "Tuliskan puisi 4 baris tentang laut."}], "stream": true } - Tangani event “data:” hingga menerima [DONE]. Contoh Node.js streaming (fetch + ReadableStream) const resp = await fetch("<BASE_URL>/chat/completions", { method: "POST", headers: { "Authorization": `Bearer ${process.env.DEEPSEEK_API_KEY}`, "Content-Type": "application/json" }, body: JSON.stringify({ model: "<MODEL_NAME>", messages: [{role: "user", content: "Buatkan ringkasan 5 poin."}], stream: true }) }); const reader = resp.body.getReader(); const decoder = new TextDecoder(); let buffer = ""; while (true) { const {value, done} = await reader.read(); if (done) break; buffer += decoder.decode(value, {stream: true}); for (const line of buffer.split("\n")) { if (!line.startsWith("data:")) continue; const chunk = line.slice(5).trim(); if (chunk === "[DONE]") break; try { const json = JSON.parse(chunk); const delta = json.choices?.[0]?.delta?.content || ""; if (delta) process.stdout.write(delta); } catch {} } } Parameter umum yang berguna - temperature: 0–2 (semakin tinggi semakin kreatif/acak). - max_tokens: batas token keluaran. - top_p: sampling berbasis nucleus (alternatif temperature). - stop: array string untuk menghentikan output saat token tertentu muncul. - presence_penalty/frequency_penalty: menyesuaikan repetisi/kebaruan (jika didukung). Penanganan error dan praktik baik - 401/403: periksa API key dan izin. - 429: terkena rate limit; tambahkan retry dengan backoff eksponensial. - 5xx: retry dengan jitter; log request-id jika disediakan. - Tetapkan timeout, batasi ukuran prompt, cache hasil yang deterministik jika perlu. - Simpan API key di variabel lingkungan/secret manager, bukan di kode. - Patuhi kuota dan kebijakan penggunaan model. Catatan penting - Ganti <BASE_URL>, <MODEL_NAME>, dan parameter lain sesuai dokumentasi DeepSeek V4 terbaru. - Beberapa fitur lanjutan (function/tool calling, JSON mode, multimodal) bisa memiliki payload khusus; ikuti skema resmi jika tersedia.

DeepSeek V4 bukan lagi sekadar rumor atau teaser. Per April 24, 2026, dokumentasi resmi DeepSeek menyatakan pratinjau V4 sudah live, bersumber terbuka, dan tersedia di API, dengan dua varian: DeepSeek-V4-Pro dan DeepSeek-V4-Flash. Rilis resmi menyoroti jendela konteks 1M token, mode penalaran ganda, dan kompatibilitas API dengan format OpenAI ChatCompletions dan Anthropic. DeepSeek juga menyebutkan bahwa nama model lama deepseek-chat dan deepseek-reasoner akan dihentikan pada July 24, 2026.

Bagi pengembang, kombinasi itu penting karena satu alasan sederhana: menurunkan hambatan migrasi sekaligus menaikkan batas kemampuan atas apa yang dapat Anda bangun. Anda tidak perlu mempelajari bentuk API yang benar-benar baru. Anda cukup memperbarui nama model, mempertahankan base URL, dan mengirimkan dengan jendela konteks yang lebih besar serta perilaku penalaran yang lebih baru. Dokumentasi resmi DeepSeek secara eksplisit menyarankan untuk mempertahankan base URL dan mengubah parameter model menjadi deepseek-v4-pro atau deepseek-v4-flash.

Pada tingkat produk, V4-Pro adalah model yang lebih kuat untuk pengodean berbasis agen, pengetahuan dunia, dan penalaran berat, sementara V4-Flash adalah opsi yang lebih cepat dan ekonomis yang tetap berkinerja baik pada tugas agen yang lebih sederhana. CometAPI menyediakan akses ke kedua model dengan biaya yang sangat rendah.

Tolok Ukur Kinerja DeepSeek V4

Rilis pratinjau DeepSeek menggambarkan V4-Pro sebagai model 1,6T total / 49B parameter aktif dan V4-Flash sebagai 284B total / 13B parameter aktif. Dalam pengumuman yang sama, DeepSeek menyatakan V4-Pro memberikan hasil SOTA sumber terbuka pada tolok ukur pengodean berbasis agen, memimpin model terbuka saat ini dalam pengetahuan dunia (kecuali Gemini 3.1 Pro), dan mengalahkan model terbuka saat ini dalam matematika, STEM, dan pengodean sekaligus menyaingi model tertutup teratas. Sementara itu, V4-Flash digambarkan mendekati kualitas penalaran V4-Pro dan menyamainya pada tugas agen sederhana, sambil tetap lebih kecil, lebih cepat, dan lebih murah untuk dijalankan.

V4-Pro meningkat dibanding V3.2-Base pada sejumlah tugas representatif, termasuk MMLU-Pro, FACTS Parametric, HumanEval, dan LongBench-V2. Hal ini membuat rilis ini sangat relevan bagi tim yang membangun asisten berkonteks panjang, alur kerja yang banyak kode, dan aplikasi berpengetahuan intensif.

Tabel tolok ukur: V3.2 vs V4-Flash vs V4-Pro

Apa arti angka-angka ini dalam praktik

Jika Anda membangun chatbot, delta tolok ukur mungkin terasa abstrak. Jika Anda membangun asisten pengodean skala repositori, alat analisis kontrak, atau agen internal yang perlu melacak tugas panjang lintas beberapa pemanggilan alat, profil tolok ukur menjadi sangat konkret. Skor konteks panjang yang lebih tinggi dapat diterjemahkan menjadi lebih sedikit detail yang terlewat, penalaran lintas dokumen yang lebih baik, dan lebih sedikit kegagalan “tolong ulangi” di dalam alur kerja nyata. Itulah sebabnya rilis DeepSeek menekankan efisiensi konteks panjang dan perilaku agen alih-alih hanya kualitas chat mentah.

Cara Menggunakan API DeepSeek V4

Berikut cara paling sederhana untuk memikirkan integrasinya:

DeepSeek V4 menggunakan permukaan API yang sama seperti model chat DeepSeek sebelumnya, tetapi Anda beralih ke nama model V4 yang baru, mempertahankan base URL, dan memutuskan apakah Anda ingin V4-Pro atau V4-Flash. CometAPI juga mengonfirmasi dukungan untuk antarmuka bergaya OpenAI maupun Anthropic.

Langkah 1 — Dapatkan akses API

Dokumentasi panggilan pertama DeepSeek menyebutkan Anda memerlukan kunci API dari platform DeepSeek sebelum dapat memanggil model. Dokumentasi resmi menampilkan endpoint chat, pola bearer token, dan nama model V4 saat ini.

Langkah 2 — Tetapkan base URL dan nama model

Untuk API resmi DeepSeek, base URL yang didokumentasikan adalah:

• https://api.deepseek.com
• https://api.deepseek.com/anthropic

Nama model adalah deepseek-v4-flash dan deepseek-v4-pro. DeepSeek juga mencatat bahwa deepseek-chat dan deepseek-reasoner adalah nama lama yang dipetakan ke perilaku V4-Flash selama periode transisi dan akan dihentikan pada 2026-07-24.

Langkah 3 — Kirim permintaan pertama Anda

Permintaan minimal yang kompatibel dengan OpenAI terlihat seperti ini:

curl https://api.deepseek.com/chat/completions \  -H "Content-Type: application/json" \  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \  -d '{    "model": "deepseek-v4-pro",    "messages": [      {"role": "system", "content": "You are a helpful assistant."},      {"role": "user", "content": "Explain the difference between V4-Pro and V4-Flash."}    ],    "stream": false  }'

Dokumentasi resmi DeepSeek menampilkan pola permintaan yang sama dan mengonfirmasi bahwa streaming dapat diaktifkan dengan mengatur stream ke true.

Langkah 4 — Aktifkan mode berpikir, pemanggilan alat, dan streaming

Model V4 mendukung mode berpikir/non-berpikir, keluaran JSON, pemanggilan alat, dan penyelesaian awalan chat. Model ini juga mendukung hingga 1M konteks dan keluaran maksimum 384K token.

Contoh Python praktis:

from openai import OpenAIclient = OpenAI(
    base_url="https://api.cometapi.com",
    api_key="YOUR_DEEPSEEK_API_KEY",
)response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[
        {"role": "system", "content": "You are a senior coding assistant."},
        {"role": "user", "content": "Review this architecture for bottlenecks."}
    ],
    stream=False,
    extra_body={
        "thinking": {"type": "enabled"},
        "reasoning_effort": "high"
    }
)print(response.choices[0].message.content)

Pola tersebut mencerminkan dukungan terdokumentasi DeepSeek untuk kontrol penalaran dan mode berpikir.

Langkah 5 — Uji dan siapkan untuk produksi

Sebelum memindahkan ini ke produksi, validasi tiga hal:

1. Apakah beban kerja Anda benar-benar mendapatkan manfaat dari jendela konteks yang lebih besar.
2. Apakah model sebaiknya berpikir secara default atau menjawab cepat dalam mode non-berpikir.
3. Apakah pemanggilan alat penting bagi alur kerja, terutama untuk agen dan asisten pengodean.

V4 dirancang untuk kasus penggunaan berbasis agen dan sudah terintegrasi dengan alat seperti Claude Code dan OpenCode.

DeepSeek V4-Pro vs V4-Flash vs V3.2

Bagi sebagian besar tim, pertanyaan yang tepat bukan “Model mana yang terbaik?” melainkan “Model mana yang terbaik untuk beban kerja ini?” Jawabannya bergantung pada latensi, biaya, kedalaman penalaran, dan panjang konteks. Rilis DeepSeek memosisikan V4-Pro sebagai unggulan untuk penalaran sulit dan pengodean berbasis agen, sementara V4-Flash adalah pilihan efisien untuk beban kerja ber-throughput tinggi yang tetap membutuhkan perilaku konteks panjang yang kuat. V3.2 tetap menjadi baseline lama untuk perbandingan dan perencanaan migrasi.

Ini adalah lensa praktis yang saya gunakan untuk tim produk:
Jika alur kerja kritis bagi misi, mulailah dengan V4-Pro.
Jika alur kerja berbasis volume dan sensitif terhadap latensi, mulailah dengan V4-Flash.
Jika Anda sedang memigrasikan sistem yang ada, gunakan V3.2 sebagai acuan tolok ukur, bukan sebagai tujuan akhir.

Di Mana DeepSeek V4 Paling Cocok

Asisten pengodean

Rilis DeepSeek secara khusus menyoroti kinerja pengodean berbasis agen dan integrasi dengan alat seperti Claude Code dan OpenCode. Itu membuat V4 sangat menarik untuk kopilot tinjauan kode, asisten refaktor skala repositori, dan agen untuk pengembang yang perlu mengingat status tugas panjang di banyak giliran.

Analisis dokumen panjang

Jendela konteks 1M token adalah fitur utama, tetapi kemenangan sesungguhnya adalah apa yang dihadirkannya: kontrak panjang, paket uji tuntas, log insiden, wiki dukungan, dan basis pengetahuan internal dapat diproses tanpa memotong semuanya menjadi potongan kecil. Dokumentasi DeepSeek secara eksplisit membingkai rilis ini pada efisiensi konteks ultra-tinggi dan biaya komputasi/memori yang berkurang.

Alur kerja berbasis agen

Jika produk Anda menggunakan pemanggilan alat, perencanaan multi-langkah, atau aksi berantai, V4 lebih menarik daripada model chat generik. DeepSeek menyatakan kedua varian V4 mendukung pemanggilan alat dan mode berpikir, dan rilis pratinjau menyebutkan V4 dioptimalkan untuk kapabilitas agen.

Sistem pencarian, riset, dan dukungan

Tim yang membangun alat riset berat pencarian atau sistem dukungan pelanggan sering memerlukan daya ingat dan struktur. Dukungan terdokumentasi DeepSeek untuk keluaran JSON dan panjang keluaran yang besar menjadikan V4 cocok untuk sistem tersebut, terutama ketika pengalaman pengguna bergantung pada respons yang stabil dan terstruktur ketimbang jawaban percakapan pendek.

Praktik terbaik menggunakan API DeepSeek-V4 di produksi

Pertama, pilih model berdasarkan beban kerja, bukan kebiasaan. Gunakan V4-Flash untuk parsing dokumen panjang, asisten ber-throughput tinggi, dan loop agen cepat. Gunakan V4-Pro ketika tugas bergantung pada penalaran yang lebih sulit, pengetahuan yang lebih kaya, atau kinerja yang lebih andal pada alur kerja pengodean dan riset yang kompleks. Catatan pratinjau DeepSeek dan halaman model pihak ketiga sama-sama mengarah ke sana.

Kedua, rancang seputar jendela konteks 1M, tetapi jangan berasumsi lebih banyak konteks selalu berarti jawaban lebih baik. Konteks besar bernilai untuk kontrak, basis kode, paket riset, dan basis pengetahuan dukungan, namun tetap diuntungkan dari retrieval, chunking, dan disiplin peringkasan yang baik. DeepSeek secara eksplisit membingkai V4 pada efisiensi konteks panjang dan menyebut 1M konteks sebagai default di seluruh layanan resminya.

Ketiga, jaga prompt Anda tetap terstruktur. Karena V4 mendukung keluaran JSON dan pemanggilan alat, model ini kandidat yang baik untuk alur kerja seperti ekstraksi, klasifikasi, triase dokumen, perutean agen, dan bantuan kode. Area inilah di mana model dengan konteks panjang dan penalaran eksplisit cenderung paling bersinar.

Keempat, pantau waktu migrasi dengan cermat. Jika tumpukan Anda masih memanggil deepseek-chat atau deepseek-reasoner, rencanakan jalur upgrade sekarang. DeepSeek menyatakan bahwa nama lama ini akan dihentikan pada 2026-07-24, dan saat ini dipetakan ke mode V4-Flash demi kompatibilitas.

Kesalahan Umum yang Perlu Dihindari

Memperlakukan V4 seperti model chat generik

Kesalahan paling umum adalah memperlakukan DeepSeek V4 seperti bot tanya jawab normal dan berhenti di situ. Itu berarti Anda menyia-nyiakan performa. Rilis ini secara eksplisit tentang penalaran, pengodean, alat, dan penggunaan konteks panjang. Jika Anda tidak memanfaatkan kapabilitas tersebut, Anda pada dasarnya membayar ruang kepala yang tidak digunakan.

Mengabaikan batas konteks dan mode penalaran

Kesalahan lain adalah menganggap “1M konteks” berarti Anda bisa mengabaikan desain prompt. Anda masih memerlukan struktur yang bersih, penyaringan relevansi, dan strategi memori yang masuk akal. DeepSeek mendukung mode berpikir dan non-berpikir, jadi aplikasi Anda harus memutuskan dengan sadar kapan menghabiskan token untuk penalaran lebih dalam dan kapan menjawab cepat.

Terlambat bermigrasi dari nama model lama

DeepSeek telah mengumumkan bahwa deepseek-chat dan deepseek-reasoner akan dihentikan pada 2026-07-24. Jika produk Anda masih meng-hardcode nama tersebut, utang migrasi bukan lagi teori. Itu sudah jadi agenda kalender.

Pemanggilan alat, keluaran JSON, dan alur kerja berbasis agen

DeepSeek-V4 mendukung pemanggilan alat dan keluaran JSON, menjadikannya sesuai untuk otomasi terstruktur, bukan chat semata; pemanggilan alat dapat digunakan baik dalam mode non-berpikir maupun mode berpikir, yang berarti model dapat bernalar, memanggil alat, lalu melanjutkan respons dengan informasi baru.

Untuk alur kerja berbasis agen, satu detail sangat penting: ketika satu giliran berpikir mencakup pemanggilan alat, reasoning_content harus diteruskan sepenuhnya pada permintaan berikutnya. Itu adalah detail implementasi kelas produksi, bukan catatan kecil, karena sistem agen sering gagal ketika mereka memotong atau salah menangani status penalaran menengah.

Kesimpulan

DeepSeek V4 adalah peningkatan bermakna bagi tim yang peduli pada penalaran konteks panjang, bantuan pengodean, dan alur kerja berbasis agen. Rilis resmi memberi bobot nyata pada peluncuran: dua varian model, kompatibilitas OpenAI dan Anthropic, konteks 1M, dukungan pemanggilan alat, dan jalur migrasi yang jelas dari nama model DeepSeek yang lebih lama.

Jika use case Anda kompleks, sensitif latensi, atau dibangun di sekitar penalaran multi-langkah, V4-Pro adalah model pertama yang perlu diuji. Jika prioritas Anda adalah kecepatan, throughput, dan disiplin biaya, V4-Flash adalah titik awal yang lebih baik. Dan jika Anda ingin mengirim lebih cepat di berbagai penyedia model tanpa menambah kekacauan integrasi, CometAPI diposisikan sebagai lapisan praktis untuk akses, observabilitas, dan portabilitas model.