วิธีใช้ GPT-5.4 API: คู่มือการใช้งานพารามิเตอร์และเครื่องมือ

ในวันที่ 5–7 มีนาคม 2026 OpenAI เปิดตัวสู่สาธารณะ GPT-5.4 โมเดลแนวหน้าที่ปรับจูนมาโดยเฉพาะสำหรับงานระดับมืออาชีพ งานที่มีเอกสารจำนวนมาก และเวิร์กโฟลว์แบบเอเจนต์ ไฮไลต์ของรุ่นนี้คือความก้าวหน้าที่มาบรรจบกันสามประการ: (1) หน้าต่างบริบทที่ใหญ่ขึ้นอย่างมาก (≈1,050,000 โทเค็น), (2) ความสามารถ “reasoning” แบบใหม่ที่ให้ผู้พัฒนาควบคุมระดับความพยายามในการให้เหตุผลภายในได้, และ (3) ความสามารถ computer-use / การประสานงานเครื่องมือ ระดับชั้นหนึ่ง พร้อมความเข้าใจมัลติโหมดที่ดีขึ้น (ข้อความ + รูปภาพ + ภาพหน้าจอ) คุณสมบัติเหล่านี้ทำให้ GPT-5.4 เหมาะอย่างยิ่งกับงานอย่างการสร้างแบบจำลองสเปรดชีต การทบทวนสัญญา การสร้างสไลด์ เวิร์กโฟลว์แบบเอเจนต์หลายขั้นตอน และการเขียนโค้ดที่ทำงานกับระบบจริงแบบสด

คุณสามารถทดลองใช้ GPT-5.4 บน CometAPI โดยมีรุ่นใช้คอมพิวต์สูงกว่า — GPT-5.4 Pro — สำหรับงานให้เหตุผลที่ยากและเวิร์กโหลดแบบหลายรอบ

GPT-5.4 คืออะไร (รวมทั้ง Thinking และ Pro)

ภาพรวมตระกูลโมเดล

GPT-5.4 ถูกวางตำแหน่งให้เป็นโมเดล GPT-5 “แนวหน้า” สำหรับงานระดับมืออาชีพที่ซับซ้อน: เอกสารแบบยาว โค้ด การให้เหตุผลหลายขั้นตอน และเวิร์กโฟลว์แบบเอเจนต์ การเปิดตัวครั้งนี้รวมความสามารถที่แต่ก่อนแยกอยู่ระหว่าง Codex (สำหรับการเขียนโค้ด) และสาย GPT เข้าด้วยกัน — คุณจึงได้โมเดลเดียวที่เขียนโค้ด ให้เหตุผล ใช้เครื่องมือ และจัดการบริบทยาวได้ คำแนะนำอย่างเป็นทางการระบุให้ใช้ gpt-5.4 เป็นค่าเริ่มต้นสำหรับงานส่วนใหญ่ และ gpt-5.4-pro สำหรับปัญหาที่ยากที่สุด

สเปกสำคัญ (ทางการ):

• Context window: ~1,050,000 โทเค็น (≈ 700–800k คำภาษาอังกฤษ) รองรับอินพุตขนาดใหญ่มาก เช่น ร่างหนังสือทั้งเล่ม โค้ดเบสหลายไฟล์ หรือเอกสารกฎหมายยาว
• Max output tokens: รายงานระบุว่ารองรับเอาต์พุตขนาดใหญ่มาก (เช่น สูงสุด 128,000 โทเค็นในบางคอนฟิกของ Pro)
• Variants: gpt-5.4 (ค่าเริ่มต้น), gpt-5.4-pro (คอมพิวต์มากขึ้น คิดนานขึ้น) และรุ่นเบา/มินิสำหรับการใช้งานที่ต้องคุมต้นทุน

อธิบาย “Thinking” และ “Pro”

• GPT-5.4 Thinking: โหมดที่ปรับจูนสำหรับการให้เหตุผลแบบโต้ตอบ เน้นเวิร์กโฟลว์ที่ “วางแผนก่อน” — โมเดลอาจเสนอแผนล่วงหน้า (an “upfront plan”) ก่อนสร้างผลลัพธ์เต็ม เพื่อให้ผู้ใช้/นักพัฒนาปรับทิศทางระหว่างทางและลดการใช้โทเค็นที่สูญเปล่า โหมดนี้เพิ่มความโปร่งใสต่อขั้นตอนที่ตั้งใจทำ ทำให้งานยาวปลอดภัยและควบคุมได้มากขึ้น
• GPT-5.4 Pro: พี่น้องคอมพิวต์สูงสำหรับปัญหาที่ยากที่สุด — โซ่เหตุผลที่ลึกกว่า งบคอมพิวต์ภายในมากขึ้น และผลลัพธ์ที่เสถียร/คงที่ยิ่งขึ้นบนเบนช์มาร์กที่ยาก เปิดให้ใช้ผ่าน Responses API และเหมาะกับงานแบบหลายรอบที่ต้องให้เหตุผลหนัก (คาดเวลาแฝงและต้นทุนสูงขึ้น)

---

การปรับปรุงสำคัญและฟีเจอร์ใหม่ของ GPT-5.4

หน้าต่างบริบทขนาดมหึมา (≈1,050,000 โทเค็น)

นี่คือไฮไลต์หลัก: โมเดลที่สามารถอ่านและให้เหตุผลบน “ทั้งเล่ม” ของหนังสือ โค้ดเบสหลายไฟล์ หรือชุดเอกสารระดับองค์กรได้โดยไม่ต้องสตรีมเป็นส่วนๆ ในทางปฏิบัติ ช่วยให้ง่ายขึ้นสำหรับงานอย่างการทบทวนสัญญาแบบครบถ้วน สรุปเอกสารทั้งฉบับ และถาม-ตอบข้ามหลายเอกสาร กรณีใช้งาน: การตรวจสอบสถานะทางกฎหมาย การตรวจสอบทางเทคนิค และล็อกของเอเจนต์

หมายเหตุเชิงปฏิบัติ: หน้าต่างบริบทที่ใหญ่ขึ้นเปลี่ยนการออกแบบระบบ — จากเดิมที่ต้องแบ่งชิ้นอย่างเข้มงวด ตอนนี้คุณสามารถเก็บ “สถานะภาพรวม” ไว้ในบริบทได้มากขึ้น แต่ก็ควรใช้การย่อ/บีบอัด (ดูการควบคุมพารามิเตอร์) เพื่อคุมต้นทุนให้เหมาะสม

การใช้งานคอมพิวเตอร์โดยตรงและการเชื่อมต่อเครื่องมือแบบเนทีฟ

GPT-5.4 เป็นโมเดลอเนกประสงค์รุ่นแรกที่มีความสามารถ computer-use แบบเนทีฟ: สร้างลำดับการกระทำบนเบราว์เซอร์หรือ OS (สคริปต์ Playwright เหตุการณ์คีย์บอร์ด/เมาส์) อ่านภาพหน้าจอ โต้ตอบกับเว็บ UI และประสานเวิร์กโฟลว์หลายเครื่องมือ นี่เป็นก้าวสำคัญสู่การสร้างเอเจนต์อัตโนมัติที่ทำงานปลายทางครบวงจร

GPT-5.4 มี computer use ในตัว: โมเดลสามารถโต้ตอบกับเอเจนต์ซอฟต์แวร์ภายใน/ระยะไกล เรียกคอนเนคเตอร์ จัดการสเปรดชีต ถ่ายภาพหน้าจอ และทำงานอัตโนมัติหลายขั้นตอนเมื่อได้รับอนุญาต ลดโค้ดกาวที่ต้องเขียน: แทนที่จะต้องสร้างตัวห่อคำสั่งที่เปราะบาง โมเดลสามารถทำงานในวงจร build-run-verify-fix (พฤติกรรมแบบเอเจนต์) ด้วย API เครื่องมือที่มีเอกสารรองรับ เป็นก้าวสำคัญสู่เอเจนต์อัตโนมัติที่ปลอดภัยและใช้ได้จริง

โหมดการให้เหตุผลและ reasoning.effort

พารามิเตอร์ reasoning.effort แบบปรับได้ช่วยให้คุณควบคุมว่ามอเดลจะลงทุนคอมพิวต์ภายในในการหาเหตุผล/ค้นหาวิธีแก้ปัญหามากน้อยเพียงใด (ตัวเลือก: none, low, medium, high, xhigh) ระดับสูงให้คำตอบดีกว่าสำหรับปัญหาซับซ้อนแต่มีต้นทุนและเวลาแฝงมากขึ้น — เหมาะกับ gpt-5.4-pro

การวางแผนล่วงหน้า / แผนแบบโต้ตอบ

“แผนล่วงหน้า” ให้โมเดลส่งแผนสั้นๆ ก่อนจะสร้างผลลัพธ์ยาว ซึ่งสามารถตรวจสอบและปรับแต่งโดยนักพัฒนา/ผู้ใช้ ลดเอาต์พุตที่สูญเปล่าและเปิดโอกาสให้ปรับทิศทางกลางคัน (เหมาะมากสำหรับการสร้างเอกสารยาวหรือการวิเคราะห์หลายขั้นตอน)

ความสามารถด้านมัลติโหมด/เอกสารที่ดีขึ้น

เบนช์มาร์กและการประเมินภายในที่เปิดเผยพร้อมกับโมเดลแสดงให้เห็นการพัฒนามากในงานสเปรดชีต (ตัวอย่างการประเมินสเปรดชีตภายใน: ค่าเฉลี่ย GPT-5.4 87.3% เทียบกับ GPT-5.2 68.4%) และความชอบของผู้ใช้ต่อผลลัพธ์สไลด์ (งานพรีเซนเทชันจาก GPT-5.4 ได้รับการเลือก 68% เทียบกับ GPT-5.2 ในการทดสอบกับมนุษย์) บริษัทรายงานการลดข้อผิดพลาดเชิงข้อเท็จจริง (อัตราข้อความเท็จระดับประโยคลดลง ~33%, อัตราข้อผิดพลาดทั้งคำตอบลดลง ~18% เทียบกับ GPT-5.2)

วิธีใช้ GPT-5.4 API (Responses API / Chat API)

GPT-5.4 pro รองรับเฉพาะการเข้าถึงแบบ response ส่วน GPT-5.4 (thinking) รองรับทั้ง chat และ responses CometAPI (แพลตฟอร์มรวบรวม API โมเดลขนาดใหญ่แบบครบวงจรพร้อมส่วนลด) มีบริการชุด GPT-5.4, ช่องทางเข้าถึง 2 วิธี และ playground ที่ใช้งานได้สะดวก

หมายเหตุ: Responses API เป็นรูปแบบการเชื่อมต่อที่แนะนำสำหรับโมเดล GPT-5.x เพราะรองรับพารามิเตอร์ reasoning การลงทะเบียนเครื่องมือ และขนาดบริบทที่ใหญ่กว่าโดยตรง

Python — Responses API (ตัวอย่าง)

# pip install openai (or use the official package named in docs)
from openai import OpenAI
import os

api_key = os.environ.get("OPENAI_API_KEY")  # or set env var
client = OpenAI(api_key=api_key)

resp = client.responses.create(
     model="gpt-5.4-pro-2026-03-05",
    input="How much gold would it take to coat the Statue of Liberty in a 1mm layer?",
    reasoning={"effort": "high"},          # hidden internal reasoning tokens used
    max_output_tokens=4096,               # keep below max output limit for your use case
    temperature=0.0,                      # deterministic for legal/technical tasks
    tools=[                                # optionally register tools the model can call
        {
            "name": "file_search",
            "type": "file_search",
            "config": {"root": "/mnt/data/contracts"}
        }
    ],
    response_format={"type":"json", "json_schema":{
        "name":"redlines",
        "schema":{"type":"object","properties":{"summary":{"type":"string"},"redlines":{"type":"array","items":{"type":"object"}}}}
    }}
)

print(resp.output_text)  # final model answer

หมายเหตุ: reasoning เป็นอ็อบเจ็กต์ที่ควบคุมระดับความพยายามภายใน; tools ใช้ลงทะเบียนอินเทอร์เฟซเครื่องมือที่โมเดลเรียกได้; response_format บังคับโครงสร้างเอาต์พุต ค่าฉลาก reasoning.effort ที่มีให้ตั้งแต่ none (เร็วสุด) จนถึง xhigh (ทุ่มความคิดมากสุด) ทั้งนี้ขึ้นกับ SDK และผู้ให้บริการ ใช้ระดับต่ำสำหรับสรุปง่ายๆ; เพิ่มระดับสำหรับงานซับซ้อนหลายขั้นตอน

Crul— chat API (ตัวอย่าง)

curl --location --request POST 'https://api.cometapi.com/v1/chat/completions' \
--header 'Authorization: Bearer ' \
--header 'Content-Type: application/json' \
--data-raw '{
  "model": "gpt-5.2\4",
  "messages": [
    {
      "role": "system",
      "content": "You are a helpful assistant."
    },
    {
      "role": "user",
      "content": "Hello!"
    }
  ]
}'

การใช้เครื่องมือกับ GPT-5.4 (Computer Use, คอนเนคเตอร์ และเอเจนต์)

ก้าวกระโดดที่ใช้งานได้จริงที่สุดของ GPT-5.4 คือพฤติกรรมแบบเอเจนต์ที่รู้จักเครื่องมือ: ค้นพบและเรียกใช้เครื่องมือที่เหมาะสม ทำงานกับสเปรดชีตและ UI ได้เมื่อได้รับอนุญาต และให้เหตุผลเกี่ยวกับการกระทำที่จะทำ

GPT-5.4 ถูกออกแบบมาให้ทำงานร่วมกับเครื่องมือ มีเครื่องมือหลัก 3 ประเภทที่ควรพิจารณา:

1. Hosted tools (เช่น web_search, file_search) — โมเดลสามารถเรียกใช้เป็นส่วนหนึ่งของลูปการตอบ เหมาะสำหรับดึงข้อมูลล่าสุดหรือค้นหาในเวกเตอร์ DB
2. Custom tools / function calling — เอ็นด์พอยต์เซิร์ฟเวอร์ของคุณเองหรือสคีมาของฟังก์ชัน ประกาศฟังก์ชัน (สคีมา) เพื่อให้โมเดลส่งเอาต์พุตแบบมีโครงสร้างที่โค้ดของคุณนำไปดำเนินการ
3. Computer use — โมเดลปล่อยชุดการกระทำบน GUI และคาดให้ฮาร์เนสส์รันจริง (คลิก พิมพ์ ถ่ายภาพหน้าจอ) ทรงพลังแต่มีความเสี่ยงสูง

เมื่อคุณมีเครื่องมือหลายสิบ/หลายร้อยรายการ ให้ส่ง tool_search แล้วให้โมเดลค้นพบสคีมาของเครื่องมือที่เกี่ยวข้องขณะรันไทม์ วิธีนี้ลดการใช้โทเค็นและช่วยแคชชิ่งข้ามดีพลอยเมนต์

การบูรณาการเครื่องมือทำงานอย่างไร (เชิงแนวคิด)

1. การค้นหาเครื่องมือ: โมเดลค้นหาคอนเนคเตอร์ที่มี (เช่น Google Sheets, Salesforce, ฐานข้อมูลภายใน) จากแค็ตตาล็อก
2. การวางแผนและขออนุญาต: โมเดลส่งแผนล่วงหน้าว่าจะเรียกเครื่องมือใดและทำไม; มีการทบทวนและอนุมัติ
3. การเรียกและตรวจสอบ: โมเดลเรียกเครื่องมือ (ผ่านคอนเนคเตอร์หรือ API การกระทำ) อ่านผลลัพธ์ และเรียกใช้การตรวจสอบความถูกต้อง (หรือขอการยืนยันจากมนุษย์)
4. วงจรแก้ไข: เมื่อผิดพลาด โมเดลพยายามซ่อมแซมหรือขอคำแนะนำ

รูปแบบนี้ลดการออร์เคสตราชันแบบเฉพาะกิจที่เปราะบางและกระจายตรรกะไปไว้ในโมเดล แต่ต้องมีการควบคุมสิทธิ์เข้าถึงและบันทึกการตรวจสอบที่เข้มงวด

การเรียกด้วย tools (web_search / file_search / computer use)

Responses API รองรับการส่งอาร์เรย์ tools โมเดลสามารถเลือกเครื่องมือ (เครื่องมือที่โฮสต์ไว้เช่น web_search, file_search) หรือคุณจะประกาศและจำกัดเครื่องมือเองก็ได้ ตัวอย่าง: ขอให้โมเดลใช้การค้นเว็บ

response = client.responses.create(    model="gpt-5.4",    input="What are the three most-cited 2025 papers on federated learning?",    tools=[{"type": "web_search", "name": "web_search"}],    tool_search={"enabled": True})

หากคุณส่งนิยามเครื่องมือจำนวนมาก tool_search อนุญาตให้ GPT-5.4 ชะลอการโหลดนิยามส่วนใหญ่และโหลดเฉพาะที่เกี่ยวข้อง — สำคัญสำหรับระบบที่มีเครื่องมือจำนวนมาก

คู่มือความเข้ากันได้และการควบคุมพารามิเตอร์ของ GPT-5.4

พารามิเตอร์ LLM แบบดั้งเดิมยังคงมีอยู่แต่จะถูกจำกัดขึ้นกับโหมด reasoning

พารามิเตอร์หลักของ GPT-5.4 API

reasoning.effort: พารามิเตอร์ต่อไปนี้ได้รับการรองรับเต็มรูปแบบและแนะนำเมื่อเรียก GPT-5.4 ใช้ควบคุมว่ามอเดลจะทำเหตุผลภายในมากน้อยเพียงใดก่อนสร้างเอาต์พุตสุดท้าย

ค่าที่รองรับ:

nonelowmediumhighxhigh

ตัวอย่าง:

response = client.responses.create(    model="gpt-5.4",    reasoning={"effort": "high"},    input="Explain the Nash equilibrium in game theory.")

ผลของค่า:

ระดับ reasoning ที่สูงขึ้นมักเพิ่ม:

• ความแม่นยำของคำตอบ
• โทเค็นสำหรับการให้เหตุผล
• เวลาแฝง
• ต้นทุน

ระดับเริ่มต้นโดยทั่วไปคือ medium

Tools

กำหนดเครื่องมือที่โมเดลสามารถเรียกใช้ tools + tool_search

• tool_search ช่วยชะลอการโหลดนิยามเครื่องมือเพื่อประสิทธิภาพ; เปิดใช้เมื่อมีเครื่องมือจำนวนมาก
• tools ใช้ประกาศนิยามเครื่องมือ (web_search, file_search, RPC แบบกำหนดเอง)

เครื่องมือในตัวที่รองรับ ได้แก่:

• web search
• file search
• code interpreter
• image generation

ตัวอย่าง:

tools=[{
   "name":"get_weather",
   "description":"Get current weather",
   "parameters":{
      "type":"object",
      "properties":{
         "city":{"type":"string"}
      }
   }
}

พารามิเตอร์การสุ่ม (Randomness Control)

กฎความเข้ากันได้สำคัญ: เมื่อ reasoning.effort ≠ none พารามิเตอร์การสุ่มบางอย่างอาจไม่รองรับ หากตั้ง reasoning.effort เป็น high คำขออาจล้มเหลวหรือเพิกเฉย temperature

โมเดล GPT-5.4 ปิดการใช้พารามิเตอร์อย่าง:

• temperature
• top_p
• logprobs

เนื่องจากโมเดล reasoning ควบคุมการสุ่มภายในเอง

1. temperature ควบคุมความสุ่มในการสุ่มตัวอย่างโทเค็น

ตัวอย่าง:

{ "model": "gpt-5.4", "temperature": 0.2, "reasoning": { "effort": "none" }}

หาก reasoning.effort เป็น high คำขออาจล้มเหลวหรือเพิกเฉย temperature

2. top_p: พารามิเตอร์ nucleus sampling

3. stop: หยุดการสร้างเมื่อพบโทเค็นเฉพาะ

มีประโยชน์สำหรับ:

• การสร้างโค้ด
• ไปป์ไลน์เครื่องมือ
• ตัวคั่นการสนทนา

Verbosity: ควบคุมความยาวคำตอบ

มีพารามิเตอร์ใหม่หลายตัวที่เริ่มปรากฏตั้งแต่โมเดล GPT-5 รวมถึง GPT-5.4

ค่าที่ใช้ได้:

lowmediumhigh

ตัวอย่าง:

verbosity="high"

กรณีใช้งาน:

พารามิเตอร์นี้ช่วยควบคุมความยาวของเอาต์พุตโดยไม่ต้องไปปรับลิมิตโทเค็น

ความแตกต่างของพารามิเตอร์ใน GPT-5.4

ตารางความเข้ากันได้แบบย่ออยู่ด้านล่าง

การเปรียบเทียบพารามิเตอร์และความสามารถของ GPT-5.4 กับ GPT-5.4-Pro

แนวทางปฏิบัติที่ดีที่สุดสำหรับการใช้งาน GPT-5.4 ในโปรดักชัน

1) เริ่มเล็ก แล้วค่อยเพิ่มระดับ reasoning

• เริ่มจาก reasoning.effort=none/low + text.verbosity=low สำหรับเอ็นด์พอยต์ที่ไวต่อเวลาแฝง
• สำหรับโฟลว์ที่ซับซ้อน ค่อยขยับไป medium แล้ว high หลังจากทำ A/B ทดสอบด้านต้นทุนเทียบความแม่นยำ

2) ให้ความสำคัญกับเอาต์พุตแบบมีโครงสร้างสำหรับงานเชิงโปรแกรม

ใช้ function schemas หรือสคีมาแบบ Pydantic/JSON เพื่อให้โมเดลส่งคืนเอาต์พุตที่เครื่องอ่านได้ ลดข้อผิดพลาดในการพาร์สภายหลัง

3) รักษามนุษย์ให้อยู่ในลูปสำหรับการตัดสินใจที่มีผลกระทบสูง

เวิร์กโฟลว์ใดที่เกี่ยวข้องกับเงิน ผลลัพธ์ทางกฎหมาย หรือข้อมูลส่วนบุคคล ควรต้องได้รับการอนุมัติโดยมนุษย์ก่อนมีผลภายนอก

4) จำกัดขีดความสามารถที่เปิดให้ใช้

ใช้รายการ allowed_tools (ปฏิเสธโดยค่าเริ่มต้น) และกำหนดสิทธิ์เครื่องมือแบบละเอียด สำหรับ computer use ให้กำหนด whitelist ของการกระทำอย่างเข้มงวด

5) การจัดงบประมาณต้นทุนและโทเค็น

ใช้ max_output_tokens และ text.verbosity เพื่อคุมต้นทุนได้คาดการณ์ สำหรับบริบทที่ใหญ่มาก ให้แบ่งหน้า/บีบอัดตามความเหมาะสม — แม้จะมี 1M โทเค็น กลยุทธ์ย่อ/คัดเลือกก็ยังช่วยลดต้นทุนได้

บทส่งท้าย — เส้นทางการย้ายและก้าวต่อไป

GPT-5.4 เป็นก้าวสำคัญในการสร้างระบบ AI ที่สามารถ “คิดมากขึ้น” “ทำงานข้ามซอฟต์แวร์” และ “รองรับบริบทขนาดใหญ่มาก” สำหรับหลายทีม เส้นทางที่แนะนำคือ:

1. สร้างต้นแบบ ด้วยชุดเวิร์กโฟลว์เล็กๆ (เช่น ทบทวนสัญญา สร้างสไลด์) โดยใช้ alias gpt-5.4 ในแซนด์บ็อกซ์
2. วัดผล ความแม่นยำงาน การใช้โทเค็น เวลาแฝง และต้นทุน เทียบกับโมเดลก่อนหน้า
3. ทำให้แข็งแรงขึ้น ด้วยเอาต์พุตแบบมีโครงสร้าง การ์ดเครื่องมือ และการอนุมัติโดยมนุษย์สำหรับโฟลว์เสี่ยง
4. ส่วนลด API ของ CometAPI สามารถช่วยได้ หากข้อกำหนดต้นทุนหรือเวลาแฝงผลักดันให้ต้องเลือกนั้น

นักพัฒนาสามารถเข้าถึง GPT-5.4, GPT-5.4-pro ผ่าน CometAPI ได้แล้ว เริ่มต้นด้วยการสำรวจความสามารถของโมเดลใน Playground และดู API guide สำหรับคำแนะนำโดยละเอียด ก่อนใช้งาน โปรดตรวจสอบว่าคุณได้เข้าสู่ระบบ CometAPI และได้รับ API key แล้ว CometAPI มีราคาต่ำกว่าราคาทางการอย่างมากเพื่อช่วยให้คุณผสานรวมได้ง่ายขึ้น

พร้อมลุยหรือยัง? → สมัครใช้งาน GPT-5.4 วันนี้ !

หากต้องการเคล็ดลับ คู่มือ และข่าวสารด้าน AI เพิ่มเติม ติดตามเราได้ที่ VK, X และ Discord!