واجهة DeepSeek Flash بلا رقابة

معظم الفرق التي تقيّم واجهة نموذج لغوي تحسّن المتغيّر الخاطئ. تختبر على أصعب عشرين طلبًا يخطر لها، وتختار الفائز، ثم تكتشف بعد ستة أسابيع أن خمسة وتسعين بالمئة من حركتها عمل قصير ومنظَّم ومتكرّر كان نموذج بربع السعر ليتعامل معه بالطريقة نفسها تمامًا. وDeepSeek-V4-Flash موجود لأجل تلك الخمسة والتسعين بالمئة. وهذه الصفحة عن معرفة متى تكون داخلها — ومتى لا تكون.

01ما الذي تحصل عليه فعلًا

الخاصّية	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
معرّف النموذج	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
السياق / أقصى خرج	262,144 رمزًا / 16,384 رمزًا
السعر لكل مليون (دخل / خرج)	$0.50 / $2.00
البثّ · استدعاء الأدوات · الاستدلال	نعم — في اللهجات الثلاث
المخرجات المنظَّمة	json_schema وresponse_format
إدخال الصور (الرؤية)	لا — نصّ فقط
طبقة الرفض / مرشِّح المخرجات	لا توجد
يُقدَّم على	عنقود GPU الخاص بـShannon

ثلاث لهجات برمجية تصل إلى الأوزان نفسها: /v1/chat/completions (بشكل OpenAI)، و/v1/messages (بشكل Anthropic)، و/v1/responses. والبثّ يعمل في الثلاث. والمرجع الكامل للمعاملات في توثيق الواجهة البرمجية.

02من أين جاء: نسب DeepSeek

أمضت DeepSeek-AI خمسة أجيال من النماذج على هوس واحد: انتزاع سلوك الحدود من نموذج رخيص التقديم، لا رخيص التدريب فحسب. وتكاد كل قرارات المعمارية في هذه السلسلة تعود إلى ذلك، والمهمّ منها منشور. وثلاثة منها تشرح ما الذي تستدعيه حين تصل إلى هذه النقطة.

DeepSeekMoE — خبراء دقيقو التخصّص مع خبير مشترك

تستبدل طبقة مزيج الخبراء شبكةَ تغذية أمامية واحدة كبيرة بشبكات أصغر كثيرة، مع موجِّه يختار حفنة منها لكل رمز. وتقطّع صيغة DeepSeek الخبراء أدقّ من التخطيط التقليدي بثمانية خبراء، فتشتري عمليات الفاصلة العائمة المفعّلة نفسها مزيجًا أكثر تحديدًا تأليفيًا بكثير، كما تعزل خبيرًا مشتركًا يمرّ به كل رمز، فلا تُعاد المعرفة العامّة تعلّمًا مكرّرًا داخل كل متخصّص. وقدّم DeepSeek-V3 ذلك في صورة 256 خبيرًا موجَّهًا مع خبير مشترك واحد، بتفعيل ثمانية موجَّهين لكل رمز — 671 مليار معامل إجمالي، منها 37 مليارًا نشطة — إلى جانب موازنة حِمل بلا خسارة مساعدة: فبدل حدّ جزائي يفسد الجودة، ينحرف انحياز خاصّ بكل خبير بدرجات التوجيه صعودًا أو هبوطًا في كل خطوة بحسب ما إذا كان ذلك الخبير محمَّلًا دون طاقته أو فوقها.

MLA — انتباه يتّسع في الذاكرة

النصف الآخر من مشكلة كلفة التقديم هو ذاكرة المفاتيح والقيم، التي تنمو خطّيًا مع السياق وتهيمن على الذاكرة عند أطوال التسلسل الكبيرة. والانتباه الكامن متعدّد الرؤوس، الذي قُدِّم في DeepSeek-V2، يضغط المفاتيح والقيم معًا في متّجه كامن منخفض الرتبة ويخزّن ذلك مؤقّتًا، ثم يعيد بناء مفاتيح وقيم صالحة للاستخدام آنيًا. وتذكر أرقام DeepSeek المنشورة عن V2، مقارنة بنموذجهم الكثيف الأسبق DeepSeek 67B، خفضًا بنسبة 93.3% في ذاكرة المفاتيح والقيم وإنتاجية توليد قصوى أعلى بـ5.76×. ولهذا صارت نافذة 262 ألف رمز أمرًا بديهيًا في هذه العائلة لا إضافة فاخرة.

الانتباه المتفرّق — والسابقة في رخص الرموز

أضاف V3.2-Exp الانتباه المتفرّق من DeepSeek: مُفهرِس خفيف يمنح رموز السياق درجات مقابل الاستعلام، ومُنتقٍ يبقي الأعلى درجة فقط. والمثير هنا هو الإيصال لا الآلية. فقد نشرت DeepSeek مقارنة جنبًا إلى جنب مع V3.1-Terminus، وفيها MMLU-Pro متطابق عند 85.0، وAIME 2025 صاعد (88.4 → 89.3)، وSWE-bench Verified هابط هامشيًا (68.4 → 67.8) — أي جودة ثابتة عمليًا — وخفضت أسعار واجهتها بأكثر من 50% في اليوم نفسه. معمارية، معلنة بصدق، تتحوّل مباشرة إلى سعر. وFlash هو تلك الحجّة مأخوذة خطوة أبعد.

جيل V4

استبدل V4، الذي عُرض في أبريل 2026 برخصة MIT، حزمة الانتباه مرّة أخرى بهجين من الانتباه المتفرّق المضغوط والانتباه شديد الضغط، وتدرّب بمُحسِّن Muon على أكثر من 32 تريليون رمز، وأبقى على هدف التنبّؤ متعدّد الرموز من V3 — وهو يعمل أيضًا كفكّ ترميز تخميني، وقد قاست DeepSeek له معدّل قبول للرمز الثاني بين 85 و90% مقابل تسريع لفكّ الترميز يبلغ نحو 1.8× في V3. ويذكر ملخّص V4 أن V4-Pro يعمل بـ27% من عمليات الفاصلة العائمة للرمز الواحد في V3.2 و10% من ذاكرة مفاتيحه وقيمه. وتتيح العائلة ثلاثة مستويات لجهد الاستدلال، وهي ما ينعكس عليه معاملنا reasoning_effort.

المصادر: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · التقرير التقني لـDeepSeek-V3 (arXiv 2412.19437) · بطاقة نموذج DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). وكل الأرقام معلنة من DeepSeek.

03ماذا تعني «Flash» فعلًا

هذه هي النقطة التي تخطئ فيها معظم المقارنات، فتستحقّ أن تُقال بوضوح: إن Flash لدى DeepSeek ليس نسخة مكمَّمة أو مشذَّبة أو مقطَّرة من Pro. بل هو نموذج مزيج خبراء أصغر مدرَّب على حدة بتدريب مسبق خاصّ به. وتعطي ورقة عرض V4 الحجمين:

الأرقام من ورقة عرض DeepSeek-V4. أمّا نقاط التفتيش الرسمية التي نقدّمها — V4-Flash-0731 وV4-Pro-0813 — فتذكر بطاقاتها إجماليات أكبر قليلًا تبلغ 304 مليارات و1.7 تريليون؛ ولا تعيد DeepSeek ذكر المعاملات المفعّلة لتلك النسخ.

ورقمان يقومان بالعمل هنا. إجمالي المعاملات يحدّد بصمة الذاكرة، وهي التي تقرّر كم عتادًا تشغل نسخة من النموذج. والمعاملات المفعّلة تحدّد الحساب لكل رمز، وهو الذي يقرّر الإنتاجية. وFlash أصغر بنحو 5.6× في الأول وبـ3.8× في الثاني — وفي هذه الفجوة دقّة تستحقّ الانتباه: فـFlash يفعّل 13 من 284 مليار معامل، أي نحو 4.6%، بينما يفعّل Pro 49 من 1,600 مليار، أي نحو 3.1%. فـFlash هو النموذج الأقلّ تفرّقًا. وهو ليس مجرّد Pro بعدد أقلّ من الخبراء المشغَّلين؛ بل تصميم أكثف ومختلف التوازن، ينفق حصّة أكبر من نفسه على كل رمز ينتجه. وهذا خيار هندسي حقيقي، لا انحدار في المستوى.

ماذا تقول أرقام DeepSeek نفسها

تنشر البطاقتان الرسميتان درجات على اختبارات الوكلاء وهندسة البرمجيات نفسها، ما يجعل هذه مقارنة نظيفة على نحو غير معتاد — المختبر نفسه، وبيئة التقييم نفسها، وحجمان:

الاختبار (بأرقام DeepSeek)	V4-Flash-0731	V4-Pro-0813
Terminal Bench 2.1	82.7	87.9
Toolathlon-Verified	70.3	74.1
DeepSWE	54.4	62.7
NL2Repo	54.2	61.5
DSBench-FullStack	68.7	71.1

يفوز Pro في كل صفّ. هذا هو العنوان الصادق، ونفضّل أن تقرأه هنا لا أن تكتشفه في الإنتاج. لكن اقرأ الفوارق، فهي ما تشتريه فعلًا. ففي Terminal Bench 2.1 الفجوة 5.2 نقطة على نموذج بجزء من خمسة وعشرين من المعاملات؛ وفي استخدام الأدوات 3.8 نقطة. وتتّسع الفجوة حيث يعمق العمل — 8.3 نقاط في DeepSWE، و7.3 في NL2Repo، وكلاهما يكافئ استدلالًا برمجيًا متعدّد الخطوات ومتواصلًا. وهذا هو شكل المقايضة في جدول واحد: يغلق Flash معظم المسافة في المهام المحدودة ويتراجع في المفتوحة.

وبطاقة Flash من DeepSeek نفسها تقول ذلك بحدّة أكبر: فـFlash-0731 يتفوّق على نسخة V4-Pro التمهيدية في الاختبارات المذكورة رغم عدد معاملاته المفعّلة الأصغر بكثير. وتفوّق نموذج صغير أحدث على نموذج كبير أقدم هو الحال الطبيعية في هذا الميدان، وهو سبب ألّا تكون «الطبقة الأكبر» جوابك الافتراضي أبدًا.

04قراءة اللاحقة: W4A16-AUTOROUND-REAP

تصرّح معرّفات نماذجنا بمخطّط ضغطها بصوت عالٍ، لأنه أكثر ما يؤثّر في جودة المخرجات ولا يكاد أحد يفصح عنه. وهذه اللاحقة تتفكّك إلى ثلاثة ادّعاءات.

W4A16 — أوزان بأربع بتات، تفعيلات بستّ عشرة

تُخزَّن الأوزان بأربع بتات لكل وزن؛ وتمرّ التفعيلات بدقّة ستّ عشرة بتة. وهذا تكميم للأوزان وحدها، ويستهدف عنق الزجاجة الفعلي في توليد الرموز، وهو عرض نطاق الذاكرة لا الحساب. وتكميم التفعيلات أيضًا كان ليشتري سرعة أكبر قليلًا ويخاطر بهوّة دقّة أكبر بكثير؛ وإبقاؤها عند ستّ عشرة بتة هو الخيار المحافظ عالي الأمانة. والترميز اختصار من بيئة التقديم — إذ تكتب أدبيات التكميم الشيء نفسه بصيغة W4 مع حجم مجموعة.

AUTOROUND — تقريب متعلَّم، لا تقريب إلى الأقرب

يقرّب التكميم الساذج كل وزن إلى أقرب قيمة قابلة للتمثيل. وهذا ليس أمثل بالبرهان: فتقريب وزن واحد في الاتجاه «الخاطئ» قد يلغي خطأً أدخله جيرانه، ومع مليارات الأوزان تهيمن هذه التفاعلات. وAutoRound، من Intel، تعامل قرار التقريب نفسه بوصفه شيئًا يُتعلَّم — اضطراب قابل للتدريب لكل وزن مقيَّد بـ±0.5، وهو تمامًا ما يكفي لقلب أي قرار تقريب مفرد ولا أكثر، إضافة إلى نطاقات قصّ قابلة للتعلّم، تُحسَّن بـالانحدار التدرّجي المُشار مقابل هدف إعادة بناء المخرجات كتلةً كتلة على مجموعة معايرة صغيرة. مئتا خطوة، ثم انتهى الأمر.

وتضع مقارنات Intel المنشورة AutoRound متفوّقة على GPTQ في 30 من 32 سيناريو مختبَرًا، وعلى AWQ في 27 من 32، وعلى OmniQuant في 29 من 32، عند إعدادات الأوزان وحدها بأربع بتات، مع مكاسب على التقريب الساذج إلى الأقرب تتراوح بين 6.9 و33.2 نقطة دقّة عند بتّتين. ولا يكلّف شيء من ذلك أي شيء وقت الاستدلال: فهو اختيار أفضل للأرقام، يُتّخذ مرّة واحدة، خارج الخطّ.

REAP — حذف الخبراء الذين لا يوجّه إليهم أحد

REAP (تشذيب تفعيل الخبراء الموزون بالموجِّه)، من Cerebras Systems وجامعة كالغاري، ضغط بخطوة واحدة لنماذج مزيج الخبراء. تمنح كل خبير درجة بحسب قوّة وتكرار توجيه الموجِّه إليه، مضروبةً في مقدار مخرج ذلك الخبير، ثم تحذف الخبراء الأقلّ أهمّية نهائيًا — دون إعادة تدريب بعدها.

والنتيجة المركزية للورقة هي المفيدة: عند نسب ضغط عالية، يتفوّق تشذيب الخبراء على دمجهم. فدمج خبراء متمايزين وظيفيًا يسبّب ما يسمّيه المؤلّفون انهيار الفضاء الجزئي الوظيفي — إذ يفقد الموجِّه التحكّم الدقيق المعتمد على المُدخل الذي جعل مزيج الخبراء يستحقّ البناء، فيبقى يوجّه بين متوسّطات ساكنة. وأرقامهم عبر نماذج من 20 مليارًا إلى تريليون معامل: عند ضغط 25% من الخبراء في مهام البرمجة، يخسر REAP 2.8% من متوسّط الدقّة حيث تخسر خطوط الدمج المرجعية أكثر من 5%؛ وعند 50%، يخسر REAP 8.0% حيث يخسر الدمج أكثر من 20%. وفي Qwen3-Coder-480B عند تشذيب 50% يبلغ الانخفاض 1.4%، مقابل 39.3% للتشذيب الساذج القائم على التكرار. وقد نشرت Cerebras نقاط تفتيش REAP لسلسلة DeepSeek ضمن غيرها.

لماذا أربع بتات هنا وثلاث في Pro

على الطبقتين كلتيهما أن تتّسعا وتبقيا سريعتين على الصنف نفسه من العتاد. ويحمل Pro 1.7 تريليون معامل، فيحتاج إلى المعالجة الأشرس بثلاث بتات ليتّسع أصلًا. ويحمل Flash نحو 300 مليار، فلا يحتاج — والبتّة التي يوفّرها تُنفَق على الأمانة بدل أن تُنفَق على الاتّساع.

وتلك البتّة الإضافية تهمّ أكثر ممّا يوحي حسابها، لأن ضرر التكميم ليس خطّيًا. ففي قياسات ورقة AWQ على WikiText-2، ينتقل Llama-2-7B من حيرة 5.47 عند FP16 إلى 5.60 عند أربع بتات — أي غرامة 2.4% — لكن إلى 6.24 عند ثلاث بتات، أي غرامة 14%. وهذا نحو ستّة أضعاف التدهور مقابل ضغط أكبر بـ25%، والنمط نفسه يصمد عند 70 مليارًا. وورقة GPTQ أصرح: عند ثلاث بتات، ينهار التقريب الساذج إلى الأقرب على نماذج فئة 175 مليارًا، إلى آلاف من الحيرة، بينما يبقى صالحًا تمامًا عند أربع بتات. فتحت الأربع بتات، تكفّ خوارزمية التكميم الجيّدة عن كونها كماليّة وتصير الشيء الوحيد الذي يمسك النموذج معًا.

فالقراءة الصادقة لهاتين اللاحقتين هي: Flash أقرب إلى نسخته غير المضغوطة ممّا هو Pro إلى نسخته. ويظلّ Pro النموذج الأقوى — وجدول الاختبارات أعلاه يحسم ذلك. لكنه تنازل عن أكثر ليصل إلى هنا، وأنت تدفع ثمن الامتياز.

المصادر: AutoRound — «تحسين تقريب الأوزان عبر الانحدار التدرّجي المُشار لتكميم النماذج اللغوية الكبيرة» (arXiv 2309.05516)، Intel، ضمن Findings of EMNLP 2024. REAP — «REAP the Experts: لماذا يتفوّق التشذيب في ضغط مزيج الخبراء بخطوة واحدة» (arXiv 2510.13999)، Cerebras Systems. وأرقام الحيرة من AWQ (arXiv 2306.00978) وGPTQ (arXiv 2210.17323).

05Flash مقابل Pro عند نقطة الوصول

غطّى القسم 03 الأسسَ. وإليك كيف تبدو الطبقتان كمنتجين على بوّابتنا:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
التكميم	W4A16-AUTOROUND-REAP	3BIT-REAP
دقّة الأوزان	أربع بتات، بتقريب متعلَّم	ثلاث بتات
الأساس (إجمالي / نشط)	~304B / 13B	~1.7T / 49B
الدخل لكل مليون رمز	$0.50	$1.95
الخرج لكل مليون رمز	$2.00	$3.90
السياق / أقصى خرج	262,144 / 16,384	262,144 / 16,384
الأدوات · المخرجات المنظَّمة · البثّ	نعم	نعم
الرؤية	لا	لا
طبقة الرفض	لا توجد	لا توجد

لاحظ ما لا يتغيّر: السياق، وسقف المخرجات، واستدعاء الأدوات، والمخرجات المنظَّمة، وغياب طبقة الرفض — كلّها متطابقة. والوحيد الذي يتحرّك هو الأساس والتكميم والسعر. وهذا يجعل التبديل بينهما تغييرًا في سلسلة نصّية واحدة في شفرتك، وقرارًا اقتصاديًا محضًا في معماريتك.

كم يكلّف استدعاء واحد بالحجم الأقصى

املأ السياق كاملًا بـ262,144 رمزًا وخذ المخرجات كاملة بـ16,384 رمزًا:

بسعر القائمة. Flash: 0.131$ دخلًا + 0.033$ خرجًا. Pro: 0.511$ + 0.064$. النسبة 3.51×. ويتشارك Flash أيضًا قاع 0.50$ / 2.00$ مع MiniMax-M3 وLaguna-S-2.1 وMiMo-V2.5 وMiMo-V2.5-Pro وHy3 — راجع القائمة الكاملة لمعرفة اختلافها في الرؤية والمخرجات المنظَّمة.

06حساب الحجم، محلولًا

«أرخص بـ3.9×» صحيح على الدخل فقط. أمّا على الخرج فـFlash أرخص بـ1.95×. ولذا يتوقّف توفيرك الحقيقي على نسبة الدخل إلى الخرج لديك، والفارق واسع بما يكفي لتغيير قرارات التصميم. وإليك أربعة أحمال عمل واقعية، كلّ منها عند 100,000 طلب:

حِمل العمل	دخل / خرج لكل استدعاء	Flash	Pro	التوفير
تصنيف التذاكر	1,200 / 120	$84	$281	3.3×
الإجابة بالاسترجاع المعزّز	8,000 / 600	$520	$1,794	3.4×
تلخيص مستند طويل	60,000 / 1,500	$3,300	$12,285	3.7×
توليد بيانات اصطناعية	500 / 2,000	$425	$878	2.1×

والنمط: كلّما دفعت سياقًا أكثر وولّدت نصًّا أقلّ، وفّر لك Flash أكثر. فخطوط الاسترجاع، وفرز المستندات، وتحليل السجلّات والنصوص المفرّغة، والاستخراج طويل السياق، هي البقعة المثلى — إذ يهيمن عليها الدخل بمقدار رتبة كاملة، والدخل هو حيث يعيش الخصم بـ3.9×. أمّا إن كان حِمل عملك طلبًا قصيرًا ينتج آلاف الرموز من النثر، فتضيق الفجوة إلى نحو 2× وتقوى حجّة القدرة لصالح Pro بالمقابل.

وقطعة حساب أخرى تستحقّ أن تستوعبها: عند 0.50$ لكل مليون رمز دخلًا، يكلّف ملء نافذة 262,144 رمزًا كاملة 13.1 سنتًا. والتوجيه طويل السياق يكفّ عن كونه مسألة ميزانية عند ذلك السعر، ما يعني أحيانًا أنك تستطيع تخطّي بناء طبقة استرجاع أصلًا وترك نافذة السياق تقوم بالعمل — توفير هندسي فوق توفير الرموز.

07ماذا تعني «بلا رقابة» هنا بدقّة

تُستخدم الكلمة بتساهل، وإليك تعريفنا، مذكورًا بوصفه خاصّية لنقطة الوصول: لا يوجد مصنّف رفض أمام النموذج ولا ترشيح للمحتوى مطبَّق على مخرجاته. لا شيء يعترض طلبًا ويعيد اعتذارًا معلّبًا؛ ولا شيء يفحص الإكمال ويحجب أجزاء منه. وفي أعمال الإنتاج عالية الحجم، النتائج أقلّ إثارة وأكثر فائدة ممّا توحي به الكلمة:

• لا إنذارات كاذبة على الحركة البريئة. فالنقاط المرشَّحة ترفض روتينيًا الملخّصات الطبّية، وتقارير الأمن، والاستكشاف القانوني، والأدب الخيالي، ومواد الحدّ من الضرر، وأعمال الإشراف على المحتوى نفسها — وهي بالضبط الفئات التي تعالج فيها مهمّة الدُّفعة نصًّا عن موضوع حسّاس بدل أن تنتج شيئًا ضارًّا. وعند مئة ألف طلب، نسبة رفض كاذب واحد بالمئة تعني ألف صفّ معطوب.
• عقود حتمية. اطلب استجابة بـjson_schema وستحصل على JSON مطابق للمخطّط، لا فقرة اعتذار في موضع كائن. ولن يحتاج محلّلك النصّي إلى فرع للرفض، ولن يضطرّ منطق إعادة المحاولة لديك إلى التمييز بين عطل نقل وعطل سياسة.
• أنت تملك السياسة. هذه هي المقايضة. فإن احتاج منتجك إلى حواجز لمستخدميه النهائيين، تبنيها في طبقتك، حيث تعرف مستخدميك ونطاق ولايتك، بدل أن ترث تخمينات مزوّد عن الاثنين. ويبقى حسابك محكومًا بسياسة الاستخدام المسؤول لدينا.

و«بلا رقابة» ليست مرادفًا لـ«بلا محاذاة» أو «بلا نفع». فالنموذج ما زال يتّبع التعليمات وما زال يحترم طلب النظام. وإن أردته أن يرفض فئات معيّنة لمستخدميك أنت، فقلْ ذلك هناك — فتلك التعليمة صارت لك أنت تكتبها لا لنا نفرضها.

08القدرات والحدود الصادقة

قدرتان تحملان معظم الثقل في العمل عالي الحجم. مخرجات json_schema الصارمة تحوّل الإكمال إلى صفّ في قاعدة بيانات بلا طبقة تحليل نصّي وبلا فرع رفض. واستدعاء الأدوات في اللهجات الثلاث يجعل Flash محرّكًا معقولًا للخطوات الفرعية الرخيصة في وكيل يعمل مخطّطه الأعلى على نموذج أقوى. أضف reasoning_effort، الذي يتيح لك إنفاق رموز إضافية فقط على الجزء من الحركة الذي يحتاجها، وسياقًا بـ262,144 رمزًا مطابقًا لسياق Pro — فأنت لا تتنازل عن السياق باختيارك الطبقة الرخيصة، وهذا غير معتاد.

والحدود ملموسة بالقدر نفسه:

• لا رؤية. فـFlash نصّي فقط وسيرفض أجزاء الصور في الرسالة. وللصور على نموذج بلا رقابة عند القاع نفسه 0.50$ / 2.00$، فإن MiniMax-M3 وMiMo-V2.5 هما الخياران القادران على الرؤية؛ وKimi-K2.6 وKimi-K3 نموذجا رؤية أقوى فوق تلك الطبقة.
• ليس قمّة السلّم. فأرقام DeepSeek نفسها تضع Pro في المقدّمة في كل اختبار وكيل منشور، والفجوة أوسع ما تكون في الاستدلال البرمجي المتواصل متعدّد الخطوات. وحيث تكلّف إجابة خاطئة واحدة أكثر من ألف إجابة رخيصة، أنفق الـ1.45$ الإضافية لكل مليون على DeepSeek-V4-Pro.
• 16,384 رمز مخرجات لكل طلب. فالتوليدات الطويلة يجب تقطيعها عبر عدّة استدعاءات. وهذا هو السقف نفسه في كل نموذج نقدّمه، وهو يقيّدك قبل نافذة السياق بكثير.

09كيف تستدعيه

وجّه أي عميل متوافق مع OpenAI إلى البوّابة وغيّر سلسلة النموذج. ولا شيء آخر في حزمتك مضطرّ للتحرّك.

curl https://api.shannon-ai.com/v1/chat/completions \
  -H "Authorization: Bearer $SHANNON_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP",
    "messages": [
      {"role": "system", "content": "Label the ticket. Reply only with the schema."},
      {"role": "user", "content": "The invoice PDF renders blank on Safari 18."}
    ],
    "response_format": {
      "type": "json_schema",
      "json_schema": {
        "name": "ticket_label",
        "schema": {
          "type": "object",
          "properties": {
            "category": {"type": "string"},
            "severity": {"type": "integer"},
            "needs_human": {"type": "boolean"}
          },
          "required": ["category", "severity", "needs_human"],
          "additionalProperties": false
        }
      }
    }
  }'

ومعرّف النموذج نفسه يعمل دون تغيير على /v1/messages و/v1/responses، وهو أسرع طريق لاختبار نموذج أرخص تحت تكامل قائم دون إعادة كتابة عميلك. والمعاملات، وأشكال أحداث البثّ، ومخطّطات استدعاء الأدوات، وحدود المعدّل، موثّقة في مرجع الواجهة البرمجية؛ وكل نموذج في القائمة مدرج في أبحاث Shannon.

10أسئلة شائعة

---

المصادر: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · التقرير التقني لـDeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · بطاقتا نموذجَي DeepSeek-V4-Flash-0731 وDeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516، Intel) · REAP (arXiv 2510.13999، Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). وكل أرقام الأسس والاختبارات كما نشرها مؤلّفوها؛ أمّا أسعار Shannon AI والسياق المقدَّم فهي قيم قائمتنا حتى سبتمبر 2026.