บล็อก DeepSeek V4.1 Flash

DeepSeek V4.1 Pro กำลังจะมา: เบาะแสการเปิดตัว, เบนช์มาร์ก, และความพร้อมของ API

Oct 20, 2026

DeepSeek V4.1 Flash

DeepSeek V4.1 Pro กำลังจะมา: เบาะแสการเปิดตัว, เบนช์มาร์ก, และความพร้อมของ API

สรุปสถานะปัจจุบัน - ตามข้อมูลที่มีจนถึงเดือนตุลาคม 2024 ยังไม่มีหลักฐานยืนยันอย่างเป็นทางการเกี่ยวกับการเปิดตัวรุ่น “DeepSeek V4.1 Pro” จึงควรตรวจสอบจากช่องทางทางการล่าสุดก่อนสรุปผล - เพื่อหลีกเลี่ยงความเข้าใจผิด ควรยึดประกาศ เอกสาร และรหัสรุ่นที่ออกโดยผู้พัฒนาเป็นหลัก ช่องทางและเบาะแสการประกาศอย่างเป็นทางการที่ควรติดตาม - เว็บไซต์หรือบล็อกทางการ และหน้า Changelog หรือ Release Notes - เอกสาร API และหน้ารวมรุ่นที่ใช้งานได้ พร้อมรหัสรุ่นและเขตให้บริการ - บัญชีโซเชียลทางการและข่าวประชาสัมพันธ์ - รีโพสิทอรี GitHub ของผู้พัฒนา: แท็กเวอร์ชัน เซอร์วิสอัปเดต ไฟล์ RELEASE.md หรือ CHANGELOG.md - อัปเดต SDK/ไลบรารีใน PyPI, npm หรือแพกเกจออฟฟิเชียล - งานสัมมนา เทคทอล์ก หรือสไลด์ที่บันทึกไว้ พร้อมลิงก์เอกสารอ้างอิง - หน้าราคาและนโยบายใช้งาน ซึ่งมักอัปเดตร่วมกับการปล่อยรุ่นใหม่ ข้อเท็จจริงที่ควรถือว่ายืนยันเมื่อพบ - รหัสรุ่นที่ระบุชัดในเอกสารหรือ API และคำอธิบายความแตกต่างจากรุ่นก่อน - วันเวลาเปิดให้ใช้งาน พื้นที่หรือภูมิภาคที่รองรับ และข้อจำกัดการเข้าถึง - คุณสมบัติหลัก เช่น ขนาด context window โหมดสตรีม ฟังก์ชัน structured output การเรียกใช้เครื่องมือ ฟีเจอร์มัลติโหมด - ราคาและการคิดค่าบริการต่อโทเคน รวมถึงโควตาและเพดานอัตรา - บันทึกการยุติหรือเปลี่ยนแปลงความเข้ากันได้ย้อนหลัง - บทสรุปการทดสอบที่ให้รายละเอียดชุดข้อมูล วิธีประเมิน และตัวเลขที่ทำซ้ำได้ กรอบการทดสอบเปรียบเทียบ V4 Pro กับ V4.1 Flash - สมมติฐานทั่วไป - Pro มักเน้นความสามารถด้านเหตุผล ความแม่นยำ และงานซับซ้อน - Flash มักเน้นเวลาแฝงต่ำ อัตราส่งผ่านสูง และต้นทุนต่อคำตอบต่ำ เหมาะกับแชตเรียลไทม์หรือการพิมพ์ต่อ - ตัวชี้วัดหลัก - เวลาแฝง p50/p95/p99 และอัตราการถอดรหัสโทเคนต่อวินาที - ต้นทุนต่อคำตอบและต่อ 1k โทเคน - อัตราความถูกต้องในงานเหตุผล โค้ดดิ้ง และข้อมูลข้อเท็จจริง - อัตราและความรุนแรงของการหลอนข้อมูล - ความเสถียรของโครงสร้างผลลัพธ์เมื่อกำหนดรูปแบบ JSON/Schema - ระเบียบการทดสอบ - ใช้พารามิเตอร์เหมือนกัน อุณหภูมิ 0 สำหรับความสามารถเชิงตรรกะ เปรียบเทียบแบบแอปเปิลต่อแอปเปิล - ฮาร์ดแวร์และเครือข่ายเหมือนกัน จำกัดอัตราและรีเทรซให้เท่าเทียม - ทดสอบกรณีสั้น ยาว และ context หนัก เช่น 8k, 32k โทเคน รวมถึงงานสตรีมแบบเรียลไทม์ - ชุดงานที่นิยม เช่น งานเหตุผลทั่วไป งานคณิต งานความจริง งานโค้ด เช่น การทดสอบยูนิตบนชุดงานมาตรฐาน และงานหลายภาษา หากเป็นมัลติโหมดให้เพิ่มงานภาพหรือเอกสาร - รายงานผลพร้อมสคริปต์หรือโน้ตบุ๊กเพื่อทำซ้ำได้ ความสามารถที่คาดหมายโดยทั่วไป - Pro - การให้เหตุผลลึก งานโค้ดระดับระบบ การใช้เครื่องมือและฟังก์ชันคอลที่แม่นยำขึ้น - การคงบริบทระยะยาวได้ดีขึ้น และการควบคุมรูปแบบเอาต์พุตที่เสถียร - การจัดแนวด้านความปลอดภัยและการอ้างอิงแหล่งข้อมูลดีขึ้น - Flash - เวลาแฝงต่ำ การสตรีมลื่นไหล อัตราผลิตโทเคนสูง เหมาะกับประสบการณ์ผู้ใช้แบบโต้ตอบ - ต้นทุนต่ำกว่า เหมาะกับปริมาณคำขอสูง แต่ความสามารถเชิงเหตุผลเชิงลึกอาจน้อยกว่า Pro - บางครั้งมีข้อจำกัดด้านความยาวบริบทหรือคุณสมบัติขั้นสูงบางรายการ การเตรียมความพร้อมด้าน API - การค้นพบและเลือกใช้รุ่น - ตรวจสอบเอ็นด์พอยต์รายการรุ่นเพื่อยืนยันรหัสรุ่นที่พร้อมใช้งาน - กำหนด fallback chain เช่น ใช้ Pro สำหรับงานหนัก และ Flash สำหรับงานโต้ตอบ พร้อมเงื่อนไขสลับอัตโนมัติ - พารามิเตอร์และคุณสมบัติใหม่ - ทบทวนเอกสารสำหรับพารามิเตอร์เฉพาะ เช่น การจำกัดงบประมาณเหตุผล ตัวเลือกรูปแบบผลลัพธ์ และโหมดเครื่องมือ - ยืนยันการรองรับสตรีม เครื่องมือหลายตัว และเอาต์พุตแบบโครงสร้าง - การจัดการสตรีมและเอาต์พุต - รองรับ Server-Sent Events การประกอบผลบางส่วน และสัญญาณเรียกใช้ฟังก์ชัน - ตรวจสอบการคงความถูกต้องของ JSON/Schema เมื่อสตรีมผลลัพธ์ - การนับโทเคนและการประเมินต้นทุน - อัปเดตตัวนับโทเคนและตัวคำนวณงบประมาณ - วางกลยุทธ์แบ่งชิ้นข้อความสำหรับบริบทยาวและการแคชผลลัพธ์ - ความทนทานและความปลอดภัย - กำหนด timeout, retry, backoff, idempotency และ circuit breaker - จัดการโควตาและเพดานอัตรา พร้อมการลดระดับบริการอย่างนุ่มนวล - ปฏิบัติตามข้อกำหนดข้อมูล เช่น การทำให้ข้อมูลระบุตัวตนไม่ได้ การกำหนดภูมิภาค และนโยบายการเก็บข้อมูล - การตรวจวัดและคุณภาพ - ตั้งค่าการเฝ้าระวัง p50/p95 latency อัตราความล้มเหลว และต้นทุนต่อธุรกรรม - สร้างชุดประเมินภายในและทดสอบแบบคานารีก่อนเปิดใช้จริง - ทำ A/B เพื่อปรับพรอมต์และเส้นทางรุ่นให้เหมาะกับงานจริง - การบำรุงรักษาไลบรารีและเอกสาร - อัปเดต SDK เวอร์ชันล่าสุด และทบทวนตัวอย่างโค้ดอ้างอิง - จัดทำบันทึกเวอร์ชันภายในและเทมเพลตเปลี่ยนรุ่น เพื่อย้อนกลับได้เร็วหากเกิดปัญหา แนวทางปฏิบัติเมื่อมีเฉพาะ Flash หรือมีความไม่แน่นอนของรุ่น - ตั้ง default เป็น Flash เพื่อเวลาแฝงต่ำสำหรับผู้ใช้ปลายทาง และสลับไป Pro เมื่อพบงานที่ต้องการเหตุผลลึกหรือความแม่นยำสูง - ใช้ตัวชี้วัดลักษณะงาน เช่น ความยาวอินพุต คำสำคัญทางคณิตหรือโค้ด เพื่อกำหนดเส้นทางรุ่น - เปิดสวิตช์ปิดฟีเจอร์ และเตรียมแผนถอยกลับไปยังรุ่นก่อนหน้า สรุป - ยังไม่มีหลักฐานยืนยันการเปิดตัว DeepSeek V4.1 Pro ในข้อมูลก่อนตุลาคม 2024 การตัดสินใจเชิงผลิตภัณฑ์ควรยึดตามประกาศอย่างเป็นทางการ - เตรียมการทดสอบและโครงสร้างพื้นฐานให้รองรับทั้งรุ่นเน้นความสามารถ (Pro) และรุ่นเน้นเวลาแฝง/ต้นทุน (Flash) พร้อมกระบวนการประเมินที่ทำซ้ำได้และแผนสลับรุ่นอัตโนมัติ

จะรัน DeepSeek-V4.1-Flash ภายในเครื่องอย่างไร?

ต่อไปนี้คือแนวทางครบชุดในการรัน DeepSeek‑V4.1‑Flash แบบโลคัลด้วย vLLM พร้อมข้อกำหนด GPU, ขนาดเช็คพอยต์ 511 GB, คำสั่งตั้งค่า, ทางเลือกอย่าง SGLang, Ollama และวิธีเรียกใช้งานผ่าน API ส่วนที่ 1: ข้อกำหนดฮาร์ดแวร์และสโตเรจ - ขนาดเช็คพอยต์: 511 GB (บนดิสก์) ควรมีพื้นที่ว่างอย่างน้อย 1 TB บน NVMe SSD เพื่อรองรับไฟล์เช็คพอยต์, ชาร์ด, และแคช - GPU/VRAM (โหมด FP16/BF16 ไม่บีบอัด): - ต้องใช้การแบ่งน้ำหนักแบบ tensor parallel หลายการ์ด - แนะนำอย่างน้อย 8×80 GB (เช่น A100/H100) เพื่อให้เพียงพอสำหรับน้ำหนักโมเดลและโอเวอร์เฮด - หากมี 4×80 GB (320 GB) โดยทั่วไปไม่พอสำหรับโมเดลระดับนี้เมื่อไม่บีบอัด - ทางเลือกบีบอัดน้ำหนัก (weight-only quantization): - INT4/AWQ/GPTQ จะลดหน่วยความจำลงราว 3–4 เท่า (โดยประมาณ 511 GB → ~128–170 GB) - ยังแนะนำหลายการ์ด (เช่น 2×80 GB หรือ 3×48 GB ขึ้นกับการตั้งค่าและโอเวอร์เฮด) - ค่าใช้จ่ายหน่วยความจำเพิ่มเติม: - KV cache และอินพุตยาว/คิวงานพร้อมกันจะใช้ VRAM เพิ่มเติม ควรกำหนด max-model-len และจำนวน concurrent requests ให้เหมาะกับ VRAM - เครือข่ายและไฟล์: - ถ้าโหลดจาก Hugging Face/HTTP ควรใช้การดาวน์โหลดล่วงหน้าไปยังดิสก์โลคัล - ตรวจสอบให้แน่ใจว่าชาร์ด/ไฟล์สอดคล้องกับเอนจินที่ใช้ (เช่น FP16/BF16 หรือชุดน้ำหนักที่ผ่าน AWQ/GPTQ) ส่วนที่ 2: เตรียมสภาพแวดล้อม - ระบบ: - Linux 64‑bit, Python 3.9–3.11, CUDA 12.x, ไดรเวอร์ NVIDIA รุ่นที่รองรับ - ติดตั้ง PyTorch พร้อม CUDA: - ตัวอย่าง: pip install torch --index-url https://download.pytorch.org/whl/cu121 - ติดตั้ง vLLM: - pip install vllm - หากต้องการเวอร์ชันที่ตรงกับ CUDA เฉพาะ อาจเลือกแพ็กเกจ vllm ที่ผูกกับ cu121/cu122 ตามสภาพแวดล้อม ส่วนที่ 3: รันด้วย vLLM (OpenAI-compatible server) - ตัวอย่างรัน FP16/BF16 ชาร์ดข้ามหลาย GPU: - export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 - python -m vllm.entrypoints.openai.api_server \ --model /path/to/DeepSeek-V4.1-Flash \ --dtype bfloat16 \ --tensor-parallel-size 8 \ --max-model-len 8192 \ --gpu-memory-utilization 0.90 \ --port 8000 - คำอธิบายพารามิเตอร์หลัก: - --model: ชี้ไปที่โฟลเดอร์เช็คพอยต์โลคัลหรือชื่อรีโป HF - --dtype: กำหนดชนิดตัวเลข (fp16/bf16) - --tensor-parallel-size: จำนวนการ์ดที่ใช้แบ่งน้ำหนัก - --max-model-len: ความยาวบริบทสูงสุด - --gpu-memory-utilization: สัดส่วนการใช้ VRAM ต่อการ์ด (0–1) - การรันแบบบีบอัดน้ำหนัก (ถ้าโมเดลมีชุดน้ำหนัก AWQ/GPTQ ที่เข้ากันได้กับ vLLM): - python -m vllm.entrypoints.openai.api_server \ --model /path/to/DeepSeek-V4.1-Flash-AWQ \ --quantization awq \ --tensor-parallel-size 2 \ --dtype float16 \ --port 8000 - หมายเหตุ: ต้องใช้ชุดน้ำหนักที่ถูกบีบอัดด้วยวิธีเดียวกันล่วงหน้า (เช่น awq/gptq) และ vLLM เวอร์ชันที่รองรับ - ทดสอบเรียกใช้งาน API (OpenAI-compatible): - curl -s http://localhost:8000/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "DeepSeek-V4.1-Flash", "messages": [{"role":"user","content":"Hello"}], "temperature": 0.7 }' - ตัวอย่างโค้ดไคลเอนต์ (Python, OpenAI SDK): - import openai openai.base_url = "http://localhost:8000/v1" openai.api_key = "EMPTY" resp = openai.chat.completions.create( model="DeepSeek-V4.1-Flash", messages=[{"role":"user","content":"สวัสดี"}], temperature=0.7, ) print(resp.choices[0].message.content) ส่วนที่ 4: ทางเลือกเอนจินเสิร์ฟ SGLang - ติดตั้ง: - pip install sglang - รันเซิร์ฟเวอร์: - python -m sglang.launch_server \ --model /path/to/DeepSeek-V4.1-Flash \ --tp 8 \ --dtype bf16 \ --host 0.0.0.0 \ --port 30000 - โหมดบีบอัดน้ำหนัก (ถ้า SGLang/น้ำหนักรองรับ): - เพิ่มออปชันเช่น --quantize awq หรือ --quantize gptq ตามชุดน้ำหนัก - เรียกใช้งานแบบ OpenAI-compatible: - curl -s http://localhost:30000/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "DeepSeek-V4.1-Flash", "messages": [{"role":"user","content":"Hello"}] }' ส่วนที่ 5: ทางเลือกผ่าน Ollama - สร้าง Modelfile ชี้ไปที่รีโปหรือเช็คพอยต์: - เนื้อหา Modelfile: FROM hf:/// PARAM temperature 0.7 - สร้างโมเดลใน Ollama: - ollama create deepseek-v4.1-flash -f Modelfile - รัน: - ollama run deepseek-v4.1-flash - หมายเหตุสำคัญ: - Ollama อาศัยเอนจิน llama.cpp ซึ่งเหมาะกับโมเดลที่รองรับและขนาดไม่ใหญ่เกินความสามารถของเครื่อง การใช้กับเช็คพอยต์ระดับหลายร้อย GB อาจต้องใช้ชุดน้ำหนักแบบบีบอัดอย่างหนักและอาจมีข้อจำกัดด้านประสิทธิภาพและการรองรับหลาย GPU ส่วนที่ 6: ทางเลือก API และการใช้งานผ่านไคลเอนต์ - ใช้เอนจินโลคัลเป็น OpenAI-compatible endpoint: - vLLM: http://localhost:8000/v1 - SGLang: http://localhost:30000/v1 - ตั้งค่าใน SDK: - ตัวอย่าง Python OpenAI SDK: import openai openai.base_url = "http://localhost:8000/v1" openai.api_key = "EMPTY" openai.chat.completions.create(...) - ทางเลือก Managed/Hosted API: - ใช้ผู้ให้บริการที่รองรับโมเดลตระกูล DeepSeek ผ่าน OpenAI-compatible API เช่น Together AI, Fireworks, Groq, หรือ API ทางการของ DeepSeek (หากมี) - ตั้งค่า base_url และ api_key ตามผู้ให้บริการนั้น ๆ โดยไม่ต้องโฮสต์เอง ส่วนที่ 7: เคล็ดลับและการดีบัก - ดาวน์โหลดเช็คพอยต์ล่วงหน้าไปยังดิสก์ในเครื่องเพื่อลด I/O bottleneck - ตรวจสอบเวอร์ชัน CUDA/ไดรเวอร์ให้ตรงกับ PyTorch/vLLM - ใช้ --tensor-parallel-size ให้ตรงกับจำนวน GPU ที่เปิดใช้งาน และตั้งค่า CUDA_VISIBLE_DEVICES ให้ถูกต้อง - หาก OOM: - ลด --max-model-len - ลด concurrent requests หรือเปิดใช้บีบอัดน้ำหนัก - ปรับ --gpu-memory-utilization และพิจารณาเพิ่ม swap-space ของ vLLM - ติดตามล็อกเพื่อดูการแมปเลเยอร์ลงบน GPU ว่ากระจายตัวถูกต้องหรือไม่ สรุปภาพรวมการเลือกเอนจิน - vLLM: ทางเลือกหลักสำหรับงานเสิร์ฟผ่าน OpenAI-compatible API, รองรับ tensor parallel, throughput สูง - SGLang: ทางเลือกที่เน้น latency/throughput สูง และมีอินเตอร์เฟซ OpenAI-compatible - Ollama: เหมาะสำหรับเวิร์กโฟลว์แบบเบา/โมเดลที่เล็กหรือบีบอัดหนัก บนเครื่องเดียว หมายเหตุสุดท้าย - การรันเช็คพอยต์ 511 GB แบบไม่บีบอัดต้องการหลาย GPU ระดับศูนย์ข้อมูล ควรเตรียมฮาร์ดแวร์ การบีบอัดน้ำหนัก และการตั้งค่าพารามิเตอร์ให้เหมาะสมกับทรัพยากรของคุณก่อนเริ่มรันจริง

DeepSeek V4.1 Flash เทียบกับ V4 Pro: ประสิทธิภาพ ราคา และคู่มือการย้าย

เปรียบเทียบ DeepSeek V4.1 Flash และ V4 Pro ในด้านสถาปัตยกรรม, ผลทดสอบมาตรฐานอย่างเป็นทางการ, การกำหนดราคา API, ความสามารถด้านภาพ (Vision), การทำงานพร้อมกัน (Concurrency) และตัวเลือกการย้ายระบบ

ราคา API ของ DeepSeek: V4 Pro เทียบกับ V4.1 Flash

กรุณาส่งเนื้อหาต้นฉบับ (เช่น ตาราง/หน้าเอกสาร/JSON) ที่ระบุอัตรา API ของ DeepSeek V4 Pro และ V4.1 Flash รวมถึง model IDs, ราคาช่วงพีค-นอกพีค, การประหยัดด้วยแคช และตัวอย่างต้นทุนงานจริง เพื่อให้ฉันแปลเป็นภาษาไทยโดยคงโครงสร้างเดิมไว้

DeepSeek V4 Flash Vision: คืออะไรและใช้อย่างไร

ต่อไปนี้เป็นภาพรวมและแนวทางใช้งาน DeepSeek V4 Flash Vision พร้อมโค้ดตัวอย่างทั้งผ่าน DeepSeek โดยตรงและผ่าน gateway อย่าง CometAPI 1) DeepSeek V4 Flash Vision คืออะไร - โมเดลมัลติโหมดสำหรับงานภาพ-ข้อความที่เน้นความเร็ว (latency ต่ำ/throughput สูง) เหมาะกับงานสรุปภาพ, อธิบายภาพ, OCR เบื้องต้น, vision-grounded chat และ use case ที่ต้องการตอบสนองรวดเร็ว 2) ข้อจำกัดด้านภาพและราคา (อัปเดตตามเอกสารผู้ให้บริการ) - รูปแบบไฟล์ที่รองรับ: โดยทั่วไป JPEG/PNG/WebP (โปรดตรวจเอกสารรุ่นจริง) - ขนาดไฟล์สูงสุด/ความละเอียดสูงสุด: มักมีเพดานทั้งด้าน MB และพิกเซล - จำนวนภาพต่อคำขอ: อาจจำกัดจำนวนภาพในหนึ่งข้อความ/หนึ่งคำขอ - อัตราจำกัดการเรียก (rate limits): ต่อ key/ต่อโมเดล/ต่อ endpoint - การคิดราคา: มักคิดแบบต่อ 1K tokens (prompt/completion) และ/หรือคิดเพิ่มต่อภาพ หมายเหตุ: โปรดตรวจหน้าเอกสารและหน้าราคาอย่างเป็นทางการล่าสุดของ DeepSeek/CometAPI เพื่อยืนยันตัวเลขและเงื่อนไขล่าสุด 3) ใช้งานผ่าน DeepSeek API (OpenAI-compatible) ตัวอย่าง Python (ส่งภาพผ่าน URL) import os from openai import OpenAI client = OpenAI( api_key=os.environ["DEEPSEEK_API_KEY"], base_url="https://api.deepseek.com" ) model_name = "deepseek-v4-flash-vision" # ปรับตามชื่อโมเดลที่บัญชีของคุณใช้งานได้ image_url = "https://example.com/path/to/image.jpg" resp = client.chat.completions.create( model=model_name, messages=[ { "role": "user", "content": [ {"type": "text", "text": "อธิบายภาพนี้แบบสั้นๆ"}, {"type": "image_url", "image_url": {"url": image_url}} ] } ], temperature=0.2 ) print(resp.choices[0].message.content) ตัวอย่าง JavaScript (ส่งภาพผ่าน URL) import OpenAI from "openai"; const client = new OpenAI({ apiKey: process.env.DEEPSEEK_API_KEY, baseURL: "https://api.deepseek.com" }); const modelName = "deepseek-v4-flash-vision"; // ปรับตามชื่อโมเดล const imageUrl = "https://example.com/path/to/image.jpg"; const resp = await client.chat.completions.create({ model: modelName, messages: [ { role: "user", content: [ { type: "text", text: "สรุปสิ่งที่เห็นในภาพนี้ 3 ประเด็น" }, { type: "image_url", image_url: { url: imageUrl } } ] } ], temperature: 0.3 }); console.log(resp.choices[0].message.content); หมายเหตุการใช้งาน: - หากต้องอัปโหลดไฟล์แทน URL ให้ตรวจวิธีอัปโหลด/แนวทางส่งไฟล์ที่เอกสารทางการแนะนำ (เช่น data URL หรือ endpoint อัปโหลดไฟล์) - ชื่อโมเดลที่ใช้งานได้จริงอาจแตกต่างกันไปตามบัญชี/ภูมิภาค โปรดอ้างอิงรายการโมเดลล่าสุดในเอกสาร DeepSeek 4) ใช้งานผ่าน CometAPI (ในฐานะ OpenAI-compatible gateway/router) แนวคิด: - ตั้งค่า base_url ของ CometAPI แทนที่จะชี้ไปยัง DeepSeek โดยตรง - ใช้คีย์ของ CometAPI และเลือก/ตั้ง route ให้วิ่งไปยังผู้ให้บริการ DeepSeek หรือเลือกโมเดลตามที่ CometAPI เผยแพร่ - รูปแบบ header/ตัวเลือก route อาจต่างกันไปตาม CometAPI โปรดดูเอกสารของ CometAPI ตัวอย่าง Python (โค้ดโครง OpenAI-compatible; ปรับ base_url/headers ตาม CometAPI) import os from openai import OpenAI client = OpenAI( api_key=os.environ["COMET_API_KEY"], base_url=os.environ.get("COMET_API_BASE_URL", "https://your-cometapi-base") ) # ตัวอย่าง: บาง gateway อนุญาตระบุ provider/model ผ่านชื่อโมเดลหรือผ่าน headers/extra params model_name = "deepseek-v4-flash-vision" # หรือใช้ชื่อโมเดลตามที่ CometAPI ระบุ image_url = "https://example.com/path/to/image.jpg" # หาก CometAPI ต้องการ header/param เพิ่มเพื่อเลือกเส้นทาง ให้เพิ่มผ่าน client หรือผ่านคำขอ (ขึ้นกับไลบรารี) # ตัวอย่าง (สมมติ): extra_headers={"X-Route-Provider": "deepseek"} resp = client.chat.completions.create( model=model_name, messages=[ { "role": "user", "content": [ {"type": "text", "text": "สรุปภาพนี้เป็นข้อๆ"}, {"type": "image_url", "image_url": {"url": image_url}} ] } ], temperature=0.2 ) print(resp.choices[0].message.content) ตัวอย่าง JavaScript import OpenAI from "openai"; const client = new OpenAI({ apiKey: process.env.COMET_API_KEY, baseURL: process.env.COMET_API_BASE_URL || "https://your-cometapi-base" // ถ้า CometAPI ต้องการ header เลือก provider/route: // defaultHeaders: { "X-Route-Provider": "deepseek" } }); const modelName = "deepseek-v4-flash-vision"; // หรือชื่อที่ CometAPI ประกาศ const imageUrl = "https://example.com/path/to/image.jpg"; const resp = await client.chat.completions.create({ model: modelName, messages: [ { role: "user", content: [ { type: "text", text: "ให้คำอธิบายภาพนี้แบบกระชับ" }, { type: "image_url", image_url: { url: imageUrl } } ] } ], temperature: 0.2 }); console.log(resp.choices[0].message.content); คำแนะนำด้านการตั้งค่าและความถูกต้องล่าสุด - ยืนยันชื่อโมเดลและ endpoint ที่ใช้งานได้จริงจากเอกสาร DeepSeek - สำหรับ CometAPI โปรดอ้างอิงคู่มืออย่างเป็นทางการของ CometAPI เกี่ยวกับ: - base_url ที่ถูกต้อง - วิธีเลือกเส้นทาง/ผู้ให้บริการ (เช่น header/พารามิเตอร์เฉพาะ) - โควตา/เรตลิมิตและการคิดราคาเฉพาะของ gateway - ตรวจหน้าประกาศเวอร์ชัน/รุ่นของ DeepSeek เพื่อตรวจสอบว่ามี DeepSeek V4 Flash Vision ในบัญชีและภูมิภาคของคุณหรือไม่ รวมถึงเงื่อนไขการใช้งานและราคาอัปเดตล่าสุด

วิธีใช้ DeepSeek V4.1 Flash API

จะใช้ DeepSeek V4.1 Flash API ร่วมกับ CometAPI โดยใช้ cURL, Python และ JavaScript อย่างไร? สำรวจโหมดการคิด การป้อนข้อมูล การสตรีม และแนวทางปฏิบัติสำหรับการใช้งานจริง.