Die Ongesensureerde DeepSeek API

Mense wat by die frase "ongesensureerde DeepSeek API" uitkom, wil een spesifieke ding hê: 'n model met DeepSeek se redeneer- en koderingsvermoë wat die vraag antwoord wat hulle werklik gevra het. Die vermoënshelfte is goed gedokumenteer — DeepSeek-AI het die argitektuur en die syfers gepubliseer, en die gewigte is op Hugging Face onder MIT. Die tweede helfte is 'n bedryfsbesluit, en dit word gewoonlik namens jou geneem. Hierdie bladsy dek albei: wat die V4-Pro-grondslag is, wat ons 3BIT-REAP-bou daaraan doen, en presies wat "ongesensureerd" beteken wanneer ons dit sê.

01Wat "ongesensureerde DeepSeek API" werklik beteken

Twee verskillende meganismes word onder dieselfde woord ingedeel. Die eerste is belyning wat in die gewigte ingebak is — weieringsgedrag wat tydens na-afrigting aangeleer is. Die tweede is 'n modereringslaag aan die bedieningskant: 'n aparte klassifiseerder wat jou opdrag inspekteer voordat die model dit sien en die uitvoer voordat jy dit sien, en wat 'n antwoord middel-in-die-sin kan afsny ongeag wat die model wou sê.

Albei is meetbaar, en DeepSeek se eerstepartydiens is gemeet. Promptfoo het 'n stel van 1,360 polities sensitiewe vrae saamgestel en berig dat DeepSeek se gehuisveste R1 1,156 daarvan geweier of afgeweer het — ongeveer 85%. Akademiese werk oor dieselfde familie het 'n aparte mislukkingswyse gevind wat die outeurs gedagteonderdrukking genoem het, waar die model se redeneerspoor byna beëindig sodra dit op 'n sensitiewe onderwerp begin. 'n Aparte oudit wat in Information Sciences gepubliseer is, het onderdrukking op semantiese vlak gedokumenteer: inhoud wat in die model se interne redenering teenwoordig is, maar stilweg weggelaat of herskryf word voordat dit die gebruiker bereik. Dit is 'n moeiliker probleem as 'n reguit weiering, want 'n afgekapte antwoord lyk soos 'n antwoord.

Wat ons bedryf, is die vrystelling met oop gewigte, op hardeware wat ons bedryf, in die Verenigde State, onder Shannon Lab LLC. Daar is geen weieringslaag voor die model nie en geen filter op wat terugkom nie: jou opdrag word nie vir beleid geklassifiseer voordat dit bedien word nie, en die uitvoerstroom word nie op pad uit geïnspekteer nie. Omdat die grondslag MIT-gelisensieer en openbaar is, kan jy ons uitvoer self teen die verwysingsgewigte vergelyk eerder as om ons woord daarvoor te neem.

02Die grondslag: DeepSeek-V4-Pro, 'n MoE van 1.6T

DeepSeek-V4 is DeepSeek-AI se huidige familie met oop gewigte, in April 2026 in voorskou gewys en onder MIT in twee groottes vrygestel: V4-Flash (284B totaal, 13B geaktiveer) en V4-Pro (1.6T totaal, 49B geaktiveer). Hierdie artikel gaan oor die Pro-vlak. Albei is voorafgeleer op ongeveer 33 biljoen tekens en albei ondersteun inheems 'n konteks van een miljoen tekens.

Die yl-verhouding is die ding om raak te sien: slegs ongeveer 3% van die parameters vuur op enige gegewe teken, wat is wat 'n model van hierdie grootte hoegenaamd bedienbaar maak. Die MoE-blok self is steeds DeepSeekMoE — die fynkorrelige gerouteerde eksperts plus altyd-aan gedeelde eksperts wat in V2 ingevoer is — met slegs klein V4-veranderings, die sigbaarste hash-routering in die vroegste lae. Multi-Token Prediction, die V3-hulpdoelwit wat ook spekulatiewe dekodering moontlik maak, word onveranderd behou.

Die nuwe dele in V4 is struktureel. Manifold-Constrained Hyper-Connections (mHC) vervang die gewone residupad met 'n aangeleerde mengmatriks wat via 'n Sinkhorn–Knopp-projeksie op die manifold van dubbelstogastiese matrikse beperk word — 'n residustroom wat per inset herweeg sonder die numeriese dryf wat baie diep stapels doodmaak. Afrigting het van AdamW na Muon geskuif vir die meeste modules, met Newton–Schulz-ortogonalisering, en AdamW is slegs vir inbeddings, voorspellingskoppe, normalisering en die statiese mHC-parameters behou. En ekspertgewigte word in FP4 afgerig met die meeste ander parameters in FP8 — kwantiseringsbewus van die begin af, wat saak maak vir hoe grasieus die model verdere kompressie hanteer.

03Van MLA na CSA + HCA: hoe DeepSeek lang konteks goedkoop hou

DeepSeek se deurlopende lyn oor vier geslagte is nie grootte nie, dit is aandagekonomie. Elke weergawe het die KV-kas aangeval, wat lineêr met konteks groei en geheue by lang lengtes oorheers.

• V2 het Multi-head Latent Attention (MLA) ingevoer — 'n laerang gesamentlike kompressie van sleutels en waardes in 'n latente vektor, sodat generering daardie vektor plus 'n ontkoppelde RoPE-sleutel kas in plaas van volle K en V per kop. DeepSeek het berig dat die KV-kas tot ongeveer 4–14% van standaard multikop-aandag daal, met kwaliteit wat behou of verbeter is.
• V3 het dit na 671B geskaal, wat MLA die verstekaanname vir goedkoop lang konteks in oop modelle gemaak het.
• V3.2 het DeepSeek Sparse Attention (DSA) bygevoeg, wat 'n top-k-deelversameling van geskiedenis per navraag deur 'n liggewig-indekseerder kies eerder as om aan alles aandag te gee.
• V4 hibridiseer. Compressed Sparse Attention (CSA) komprimeer eers die KV-inskrywings van elke m tekens in een inskrywing met aangeleerde gewigte, en loop dan yl top-k-seleksie oor daardie saamgeperste inskrywings. Heavily Compressed Attention (HCA) komprimeer veel aggressiewer maar bly dig oor die resultaat. Die twee laagtipes word deur die stapel afgewissel, sodat goedkoop globale opsomming en presiese plaaslike herwinning saam bestaan.

Die berigte opbrengs by 'n konteks van een miljoen tekens is opvallend: V4-Pro het ongeveer 27% van die afleidings-FLOPs per teken en 10% van die KV-kas van V3.2 nodig. Dit is waarom 'n 262K-versoek hom soos 'n gewone versoek gedra eerder as 'n geheuegebeurtenis, en waarom die langkonteks-herwinningsyfers standhou in plaas van om ná 'n paar tienduisende tekens in te stort.

04Wat die 3BIT-REAP-agtervoegsel beteken

Ons katalogus-ID eindig in 3BIT-REAP, en dit beskryf twee onafhanklike kompressiestappe wat in volgorde toegepas word.

REAP: eksperts snoei, nie saamsmelt nie

REAP is Router-weighted Expert Activation Pruning, van Cerebras Research — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression", aanvaar vir ICLR 2026. In 'n yl MoE gebruik die router nie sy eksperts eweredig nie: 'n lang stert word selde, swak, of albei gekies. REAP punt elke ekspert deur routerhekwaardes (hoe dikwels en hoe sterk dit gekies word) met ekspertaktiveringsnorme (hoeveel sy uitvoer bydra) te kombineer, en skrap dan die verloorders heeltemal.

Die artikel se argument is dat snoei saamsmelting klop: saamsmelting middel die funksionele spesialisasie weg wat die MoE die moeite werd gemaak het om te bou, terwyl die skrap van die eksperts wat die router skaars bereik dit behou. Oor modelle van 20B tot 1T het REAP saamsmelting en mededingende snoeimetodes op generatiewe maatstawwe oortref, en die outeurs berig byna verlieslose resultate op kodegenerering en gereedskaproeping teen 50% ekspertsnoei op Qwen3-Coder-480B en Kimi-K2 — wat presies die werkladingsprofiel is waarvoor hierdie model hier is.

3-bis-gewigte: die kompressievlak vir die grootste grondslae

Wat oorleef, word dan na 3-bis-gewigte gekwantiseer. Drie bisse is aggressief, en ons maak nie asof dit anders is nie: oor die reeks heen gebruik ons W8A16 waar die grondslag klein genoeg is om nie die knyp nodig te hê nie, W4A16-AUTOROUND-REAP in die middel, en 3BIT-REAP slegs op die grootste grondslae, waar dit die verskil is tussen om die model te bedien en om dit nie te bedien nie.

Die afruiling is die moeite werd om reguit te stel: 'n 3-bis 1.6T MoE is nie bis-identies aan die verwysingsvrystelling nie, en 'n klein kwaliteitskoste is werklik. Wat jy daarvoor kry, is 'n grondslag wie se ongekomprimeerde plafon ver bo enigiets sit wat gemaklik teen hoër presisie pas — en omdat V4 se eksperts van meet af aan in FP4 afgerig is, is die model buitengewoon goedgeaard onder verdere gewigskompressie. As jy 'n DeepSeek-bou met 'n ligter aanslag op presisie wil hê, gebruik DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP 4-bis-gewigte met 16-bis-aktiverings en AutoRound se aangeleerde afronding, op dieselfde 262K konteks teen $0.50 in / $2.00 uit.

05Redenering, en die reasoning_effort-knop

V4 se na-afrigting lei domeinspesialiste apart op — wiskunde, kodering, agente, instruksievolging — met SFT gevolg deur GRPO, die Group Relative Policy Optimization-metode wat DeepSeek met R1 ingevoer het. Daardie spesialiste word dan deur op-beleid-distillasie onder 'n omgekeerde-KL-doelwit in een model verenig, sodat 'n enkele kontrolepunt spesialisgraadgedrag in verskeie domeine tegelyk dra eerder as om 'n veelweter te wees wat in almal middelmatig is.

Die vrygestelde model stel gegradeerde denkmodusse beskikbaar eerder as 'n binêre skakelaar. Op ons poort is dit die standaard reasoning_effort-parameter, die enkele nuttigste knop op hierdie model:

• Laag — byna-direkte antwoord: klassifikasie, onttrekking, herskrywing, enigiets waar jy vir die model se kennis eerder as sy beraadslaging betaal.
• Medium — die verstek-werkmodus vir kodehersiening, ontfouting en meerstap-ontleding.
• Hoog — lang beraadslaging voor die antwoord. Waar die moeilike probleme opgelos word, en waar jou uitvoertekenrekening leef, aangesien redeneertekens as uitvoer gefaktureer word.

Omdat daar geen weieringslaag is nie, word die redeneerspoor nie op sensitiewe onderwerpe afgekap nie — die gedagteonderdrukkingspatroon wat op die eerstepartydiens gedokumenteer is, het hier geen meganisme om te gebeur nie.

06Kode- en agentiese werk: wat die grondslag behaal

Dit is DeepSeek-AI se eie gepubliseerde syfers vir die V4-Pro-vrystelling — nie ons s'n nie, en nie op ons gekwantiseerde bou gemeet nie. Ons wys hulle omdat hulle die eerlike rede is om hierdie grondslag te kies, en merk hulle as eerstepartysyfers sodat jy hulle daarvolgens kan weeg.

Twee verdien kommentaar. SWE-bench Verified teen 80.6% is die oplossing van kwessies in werklike bewaarplekke — om 'n onbekende kodebasis te lees, die defek op te spoor, en 'n lap te lewer wat die projek se eie toetse slaag. MRCR by een miljoen tekens (83.5) is meerrondte-koverwysingsherwinning oor volle lengte, die syfer wat jou sê dat die langkontekseis nie versiering is nie. DeepSeek berig ook 'n Codeforces-gradering van 3206 vir die model, en 62.0 op CorpusQA teen 1M konteks.

Bostaande syfers is deur DeepSeek-AI berig vir die DeepSeek-V4-Pro-verwysingsvrystelling. Ons 3BIT-REAP-bou is 'n gekomprimeerde variant van daardie gewigte en is nie onafhanklik op hierdie take gemeet nie; behandel die verwysingspunte as die grondslag se plafon, nie as 'n meting van hierdie eindpunt nie.

07262K konteks: wat werklik inpas

Die verwysingsmodel is vir 'n miljoen tekens afgerig. Ons bedien 262,144 — die venster wat elke model op die poort deel, sodat om modelle te ruil 'n eenreëlverandering is en nooit 'n kontekstruggang nie. In die praktyk is 262K verby die punt waar konteks vir die meeste werklike werk knel:

Werklading	Ongev. tekens	Pas in 262K?
Middelgroot diensbewaarplek (~50k reëls)	~600K	Nee — kies modules
Enkele substelsel + sy toetse	~60–120K	Ja, gemaklik
Volle RFC-stel vir 'n protokol	~150K	Ja
'n Tegniese boek van 700 bladsye	~250K	Ja, naby die limiet
Lang agentlopie, 40+ gereedskapbeurte	~80–200K	Ja

Die limiet om rondom te beplan, is uitvoer: 16,384 tekens maksimum per antwoord. Dit is 'n lang dokument of 'n aansienlike multi-lêer-lap, maar nie 'n kodebasis nie. Groot genereringstake word gedoen deur versoeke aaneen te skakel met die vorige uitvoer terug in konteks — wat die 262K-venster goedkoop maak — eerder as deur een enorme voltooiing te vra.

08Prys, en waar V4-Pro in die reeks sit

Teen $1.95 in / $3.90 uit per miljoen tekens is V4-Pro die vlagskip-redeneervlak — die model waarna jy gryp wanneer die probleem moeilik is. Wanneer dit bloot groot is, sal goedkoper modelle op dieselfde 262K-venster dit vir 'n kwart van die prys doen.

Ongesensureerde model	In / 1M	Uit / 1M	Visie	Die beste vir
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Nee	Moeilike redenering, kode, agente
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Nee	Dieselfde afstamming, hoë volume
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nee	Algemene werkperd
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Ja	Topvlak-multimodale agente
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Ja	Goedkoopste visie

Om reguit te wees oor die vergelyking wat mense werklik gaan tref: DeepSeek se eie API is goedkoper as hierdie een — eersteparty-V4-Pro noteer ongeveer $0.435 in / $0.87 uit, en hulle kastreffer-insetprys is nog laer. As prys per teken jou enigste maatstaf is en die modereringsgedrag jou werk nie raak nie, gebruik die eersteparty-API; ons sê dit liewer vir jou as om jou dit later te laat uitvind. Die premie koop 'n ander stel eienskappe: geen weieringslaag en geen uitvoerfilter nie, 'n Amerikaanse operateur onder Shannon Lab LLC, 'n vasgepende gedateerde kontrolepunt (0813) sodat 'n stille stroomop-opgradering nooit jou uitvoer middel-in-projek verander nie, drie API-dialekte teen een model, en dieselfde 262K-venster en parameteroppervlak oor al twaalf modelle in die reeks.

09Om dit te roep: drie dialekte, een model

Elke model op die poort antwoord op al drie eindpunte, met stroming op elkeen. Jy neem nie 'n nuwe SDK aan nie — jy verander 'n basis-URL en 'n model-ID.

curl https://api.shannon-ai.com/v1/chat/completions \
  -H "Authorization: Bearer $SHANNON_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "DeepSeek-V4-Pro-0813-3BIT-REAP",
    "reasoning_effort": "high",
    "stream": true,
    "messages": [
      {"role": "system", "content": "You are a systems programmer. Be direct."},
      {"role": "user", "content": "Audit this parser for memory-safety bugs."}
    ]
  }'

• /v1/chat/completions — OpenAI-dialek; werk met die OpenAI-SDK's en enigiets wat daarop gebou is.
• /v1/messages — Anthropic-dialek, vir kodebasisse wat reeds teen daardie vorm geskryf is.
• /v1/responses — die Responses-styl koppelvlak.

Ondersteun op hierdie model: stroming, inheemse gereedskaproeping, streng json_schema-gestruktureerde uitvoer, response_format, en reasoning_effort. Volledige parameterverwysing en 'n lewendige speelplek is in die API-dokumentasie.

10Eerlike grense

Vier dinge om te weet voordat jy daarop bou:

• Geen visie nie. Slegs teks; dit sal nie beeldinset op enige eindpunt aanvaar nie. As jy 'n ongesensureerde model nodig het wat sien, gebruik Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 of inkling.
• Uitvoerplafon van 16,384 tekens. Redeneertekens tel daarteen by hoë poging, so 'n lang beraadslaging laat minder ruimte vir die antwoord. Skakel versoeke aaneen vir groot genereringstake.
• 3-bis is 'n werklike kompressie. Die verwysingspunte beskryf die grondslag, nie hierdie bou nie. Vir die vlak met die hoogste getrouheid dra die W8A16-modelle (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) die minste kwantisering.
• Ongesensureerd is nie gevolgvry nie. Geen weieringslaag beteken dat die verantwoordelikheid vir wat jy vra, en wat jy met die antwoord doen, by jou lê — onder ons diensbepalings en die reg waar jy bedryf.

11Gereelde vrae

---

Bronne: DeepSeek-AI — DeepSeek-V4-Pro-modelkaart · DeepSeek-V4 tegniese verslag (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · DeepSeek-V3 tegniese verslag · REAP the Experts (Cerebras Research) · Promptfoo-sensuuroudit · Discovering Forbidden Topics in Language Models. Maatstafsyfers is deur DeepSeek-AI berig vir die verwysingsvrystelling; onafhanklike derdeparty-verifikasie van die gekomprimeerde bou is hangende. Pryse is Shannon AI-lyspryse soos op 5 September 2026.