Kimi K2.7 Code is now on CometAPI — Kimi's most intelligent coding model to date, reliably follows instructions in long contexts and completes programming tasks with a higher success rate. Try it now

Blog deepseek

Cara Menyiapkan LibreChat dengan CometAPI
May 24, 2026
GPT-5.5
Claude Opus 4.7
deepseek v4

Cara Menyiapkan LibreChat dengan CometAPI

Pelajari cara untuk menghubungkan LibreChat dengan 500+ model AI menggunakan CometAPI. Konfigurasikan endpoint serasi OpenAI untuk mengakses GPT 5.5, Claude 4-7, dan DeepSeek V4.
Cara Menghubungkan Open WebUI ke model AI menggunakan CometAPI
May 24, 2026
GPT-5.5
Claude Opus 4.7
Qwen
deepseek

Cara Menghubungkan Open WebUI ke model AI menggunakan CometAPI

Pelajari cara menyambungkan Open WebUI ke 500+ model AI menggunakan CometAPI. Konfigurasikan gerbang yang serasi dengan OpenAI untuk menjimatkan 20-40% kos API pengeluaran.
Model Teratas 2026: Kecerdasan, Kelajuan dan Analisis Penetapan Harga
May 14, 2026
GPT-5.5
deepseek

Model Teratas 2026: Kecerdasan, Kelajuan dan Analisis Penetapan Harga

Terokai penanda aras AI definitif 2026. Bandingkan GPT-5.5, Claude Opus 4.7 dan DeepSeek V4 Pro dari segi kecerdasan, tetingkap konteks dan pengoptimuman kos.
DeepSeek V4 vs GPT-5.5: Penanda Aras, Harga, Kes Penggunaan & Cadangan Pakar
May 13, 2026
deepseek v4
GPT-5.5

DeepSeek V4 vs GPT-5.5: Penanda Aras, Harga, Kes Penggunaan & Cadangan Pakar

Sila maklumkan cara saya boleh membantu: 1) Adakah anda ingin menterjemah satu dokumen sedia ada tentang “DeepSeek V4 vs GPT-5.5” ke Bahasa Melayu? Jika ya, sila tampalkan teks asal. 2) Atau anda mahu saya menulis perbandingan baharu dalam Bahasa Melayu? Makluman: saya tidak mempunyai data selepas Okt 2024. Jika anda perlukan butiran 2026 (rilis rasmi, benchmark, tetingkap konteks, harga), sila berikan spesifikasi/rujukan terkini, atau saya akan sediakan rangka umum serta strategi integrasi CometAPI yang bersifat penyedia-agnostik.
Jika model “DeepSeek V4” tersedia untuk dimuat turun secara umum, berikut ialah cara ringkas untuk menjalankannya secara lokal: 1) Sediakan persekitaran - OS: Windows/macOS/Linux. - GPU (disyorkan): NVIDIA dengan pemacu CUDA terkini, AMD (ROCm), atau Apple Silicon (M‑series). Boleh jalan di CPU tetapi lebih perlahan. - Perisian asas: Python 3.10+, pip/conda; atau gunakan pengurus seperti Homebrew/Chocolatey mengikut sistem. 2) Kaedah 1 — Ollama (paling mudah untuk pengguna umum) - Pasang Ollama mengikut panduan rasmi sistem anda. - Dapatkan model: jika tersedia di Hugging Face atau lokasi lain, sediakan Modelfile yang merujuk kepada repositori atau laluan tempatan model. Contoh ringkas Modelfile: FROM <huggingface_repo_or_local_path> - Cipta dan jalankan model: - ollama create deepseek-v4 -f Modelfile - ollama run deepseek-v4 - Uji dengan prompt di terminal. Untuk prestasi GPU, pastikan Ollama mengesan GPU anda. 3) Kaedah 2 — vLLM (menyediakan API gaya OpenAI) - Pasang vLLM: - pip install vllm - Jalankan pelayan: - python -m vllm.entrypoints.openai.api_server --model <huggingface_repo_or_local_path> --dtype auto - Panggil API: - Hantar permintaan ke http://localhost:8000/v1/chat/completions menggunakan kunci/format OpenAI serasi. - Laraskan parameter seperti --tensor-parallel-size untuk multi‑GPU, atau --max-model-len untuk konteks lebih panjang. 4) Kaedah 3 — llama.cpp / LM Studio (mesra CPU & Apple Silicon) - Dapatkan fail model dalam format GGUF (atau tukar daripada safetensors ke GGUF menggunakan skrip penukaran). - Jalankan dengan llama.cpp: - ./main -m <model.gguf> -p "Hello" - Kuantisasi (cth. Q4_K_M) mengurangkan penggunaan RAM/VRAM dengan sedikit kompromi kualiti. - Alternatif GUI: LM Studio boleh memuat turun/menjalankan model GGUF dan menyediakan UI chat tempatan. 5) Kaedah 4 — text-generation-webui (web UI serbaguna) - Pasang kebergantungan dan lancarkan: - git clone <repo_tgwui>; python launch.py - Muatkan model dari Hugging Face (<huggingface_repo>) atau laluan tempatan, pilih backend (Transformers, ExLlama, llama.cpp), dan mula berbual melalui UI. Petua penting - Templat chat: Ikuti templat perbualan yang disyorkan dalam repositori model (role system/user/assistant) untuk hasil terbaik. - Memori/VRAM: Jika kehabisan VRAM, guna kuantisasi 4‑bit/8‑bit, aktifkan offloading ke CPU, kecilkan batch/sequence length. - Keserasian: Pastikan versi pemacu CUDA/ROCm dan PyTorch sesuai. Pada Apple Silicon, bina dengan sokongan Metal/Accelerate. - Lesen & penggunaan: Semak lesen model dan patuhi sekatan penggunaan/edaran. Jika “DeepSeek V4” belum tersedia secara umum, kaedah di atas tetap terpakai apabila fail model dan arahan rasmi dikeluarkan; sebagai alternatif, anda boleh menguji versi DeepSeek lain yang tersedia menggunakan aliran kerja yang sama.
Apr 30, 2026
deepseek v4

Jika model “DeepSeek V4” tersedia untuk dimuat turun secara umum, berikut ialah cara ringkas untuk menjalankannya secara lokal: 1) Sediakan persekitaran - OS: Windows/macOS/Linux. - GPU (disyorkan): NVIDIA dengan pemacu CUDA terkini, AMD (ROCm), atau Apple Silicon (M‑series). Boleh jalan di CPU tetapi lebih perlahan. - Perisian asas: Python 3.10+, pip/conda; atau gunakan pengurus seperti Homebrew/Chocolatey mengikut sistem. 2) Kaedah 1 — Ollama (paling mudah untuk pengguna umum) - Pasang Ollama mengikut panduan rasmi sistem anda. - Dapatkan model: jika tersedia di Hugging Face atau lokasi lain, sediakan Modelfile yang merujuk kepada repositori atau laluan tempatan model. Contoh ringkas Modelfile: FROM <huggingface_repo_or_local_path> - Cipta dan jalankan model: - ollama create deepseek-v4 -f Modelfile - ollama run deepseek-v4 - Uji dengan prompt di terminal. Untuk prestasi GPU, pastikan Ollama mengesan GPU anda. 3) Kaedah 2 — vLLM (menyediakan API gaya OpenAI) - Pasang vLLM: - pip install vllm - Jalankan pelayan: - python -m vllm.entrypoints.openai.api_server --model <huggingface_repo_or_local_path> --dtype auto - Panggil API: - Hantar permintaan ke http://localhost:8000/v1/chat/completions menggunakan kunci/format OpenAI serasi. - Laraskan parameter seperti --tensor-parallel-size untuk multi‑GPU, atau --max-model-len untuk konteks lebih panjang. 4) Kaedah 3 — llama.cpp / LM Studio (mesra CPU & Apple Silicon) - Dapatkan fail model dalam format GGUF (atau tukar daripada safetensors ke GGUF menggunakan skrip penukaran). - Jalankan dengan llama.cpp: - ./main -m <model.gguf> -p "Hello" - Kuantisasi (cth. Q4_K_M) mengurangkan penggunaan RAM/VRAM dengan sedikit kompromi kualiti. - Alternatif GUI: LM Studio boleh memuat turun/menjalankan model GGUF dan menyediakan UI chat tempatan. 5) Kaedah 4 — text-generation-webui (web UI serbaguna) - Pasang kebergantungan dan lancarkan: - git clone <repo_tgwui>; python launch.py - Muatkan model dari Hugging Face (<huggingface_repo>) atau laluan tempatan, pilih backend (Transformers, ExLlama, llama.cpp), dan mula berbual melalui UI. Petua penting - Templat chat: Ikuti templat perbualan yang disyorkan dalam repositori model (role system/user/assistant) untuk hasil terbaik. - Memori/VRAM: Jika kehabisan VRAM, guna kuantisasi 4‑bit/8‑bit, aktifkan offloading ke CPU, kecilkan batch/sequence length. - Keserasian: Pastikan versi pemacu CUDA/ROCm dan PyTorch sesuai. Pada Apple Silicon, bina dengan sokongan Metal/Accelerate. - Lesen & penggunaan: Semak lesen model dan patuhi sekatan penggunaan/edaran. Jika “DeepSeek V4” belum tersedia secara umum, kaedah di atas tetap terpakai apabila fail model dan arahan rasmi dikeluarkan; sebagai alternatif, anda boleh menguji versi DeepSeek lain yang tersedia menggunakan aliran kerja yang sama.

Cara praktikal untuk menjalankan DeepSeek V4 secara setempat ialah menggunakan pemberat sumber terbuka rasmi dengan timbunan penyajian berprestasi tinggi seperti vLLM, kemudian mendedahkan model melalui titik akhir setempat yang serasi dengan OpenAI. Bahan awam DeepSeek pada masa ini menerangkan dua model dalam keluarga V4: DeepSeek-V4-Pro dengan 1.6T jumlah parameter / 49B aktif, dan DeepSeek-V4-Flash dengan 284B jumlah parameter / 13B aktif, kedua-duanya dengan konteks 1M token dan tiga mod penaakulan. Contoh penyebaran setempat vLLM semasa menyasarkan 8× B200/B300 untuk Pro dan 4× B200/B300 untuk Flash. Jika anda tidak mempunyai perkakasan sedemikian, pilihan sandaran dihoskan seperti CometAPI ialah laluan yang lebih praktikal.
Cara menggunakan API Deepseek V4
Apr 24, 2026
deepseek v4

Cara menggunakan API Deepseek V4

Untuk pembangun, gabungan itu penting atas satu sebab yang mudah: ia mengurangkan rintangan migrasi sambil meningkatkan had atas bagi apa yang boleh anda bina. Anda tidak perlu mempelajari bentuk API yang serba baharu. Anda hanya mengemas kini nama model, mengekalkan URL asas, dan melancarkan dengan tetingkap konteks yang lebih besar serta tingkah laku penaakulan yang lebih terkini. Dokumentasi rasmi DeepSeek dengan jelas menyatakan untuk mengekalkan URL asas dan menukar parameter model kepada deepseek-v4-pro atau deepseek-v4-flash.
Deepseek v4 dilancarkan: Apa itu dan cara mengaksesnya
Apr 24, 2026
deepseek v4

Deepseek v4 dilancarkan: Apa itu dan cara mengaksesnya

DeepSeek-V4 ialah keluarga model utama pratonton baharu DeepSeek, dilancarkan secara rasmi pada 24 April 2026. Ia merangkumi DeepSeek-V4-Pro dan DeepSeek-V4-Flash, yang kedua-duanya menyokong konteks 1 juta token, menyediakan API yang serasi dengan OpenAI dan Anthropic, serta tersedia pada aplikasi DeepSeek, aplikasi mudah alih, dan API CometAPI. Dari segi praktikal, Pro ialah pilihan berkeupayaan lebih tinggi untuk penaakulan yang sukar dan pengekodan berasaskan ejen, manakala Flash ialah pilihan yang lebih pantas dan lebih menjimatkan untuk beban kerja berkadar pemprosesan tinggi.
DeepSeek v4 kini tersedia dalam talian: Cara mengakses dan mengujinya
Apr 27, 2026
deepseek v4

DeepSeek v4 kini tersedia dalam talian: Cara mengakses dan mengujinya

Ujian gray-scale DeepSeek V4 telah tertiris dan sedang dilancarkan secara aktif dalam bentuk terhad di platform web rasmi. Sebahagian pengguna terpilih kini melihat antara muka yang direka semula dengan **Fast Mode** (lalai, penggunaan harian berkelajuan tinggi), **Expert Mode** (penaakulan mendalam dan penyelesaian masalah kompleks), dan **Vision Mode** (pengendalian multimodal imej dan video). Ini menandakan kemas kini paling signifikan sejak DeepSeek-V3.2, dengan khabar angin mengenai tingkap konteks 1 juta token, pangkalan pengetahuan yang dikemas kini, keupayaan multimodal natif, dan seni bina asas baharu yang dioptimumkan untuk kelajuan, logik, dan kecekapan.