واجهة DeepSeek بلا رقابة

من يصل إلى عبارة "واجهة DeepSeek بلا رقابة" يريد شيئًا واحدًا بعينه: نموذجًا بقدرة DeepSeek على الاستدلال والبرمجة يجيب عن السؤال الذي طرحه فعلًا. أما نصف القدرة فموثّق جيدًا — إذ نشرت DeepSeek-AI البنية والأرقام، والأوزان متاحة على Hugging Face برخصة MIT. وأما النصف الثاني فقرار تشغيلي، وهو يُتَّخذ عنك عادةً. وهذه الصفحة تغطّي الاثنين: ما هو أساس V4-Pro، وما الذي تفعله به نسختنا 3BIT-REAP، وما الذي نعنيه بالضبط حين نقول "بلا رقابة".

01ماذا تعني "واجهة DeepSeek بلا رقابة" فعلًا

آليتان مختلفتان تُدرجان تحت الكلمة نفسها. الأولى هي المواءمة المخبوزة في الأوزان — سلوك رفض مكتسَب أثناء ما بعد التدريب. والثانية هي طبقة رقابة على جانب التقديم: مصنِّف منفصل يفحص مطالبتك قبل أن يراها النموذج ويفحص المخرَج قبل أن تراه أنت، ويستطيع قطع الرد في منتصف الجملة بغضّ النظر عمّا أراد النموذج قوله.

وكلتاهما قابلة للقياس، وقد قيست خدمة DeepSeek الرسمية. فقد جمّعت Promptfoo مجموعة من 1,360 مطالبة حسّاسة سياسيًا وأفادت بأن نموذج R1 المستضاف لدى DeepSeek رفض أو راوغ في 1,156 منها — أي نحو 85%. ووجد عمل أكاديمي على العائلة نفسها نمط عطل متمايزًا سمّاه مؤلّفوه كبت التفكير، حيث ينتهي أثر استدلال النموذج فور أن يبدأ تقريبًا عند موضوع حسّاس. ووثّق تدقيق منفصل نُشر في Information Sciences حالة كبت على المستوى الدلالي: محتوى حاضر في استدلال النموذج الداخلي يُحذَف أو يُعاد كتابته في صمت قبل أن يصل إلى المستخدم. وهذه مشكلة أصعب من الرفض الصريح، لأن الجواب المبتور يبدو جوابًا.

وما نشغّله نحن هو الإصدار مفتوح الأوزان، على عتاد نديره، في الولايات المتحدة، تحت Shannon Lab LLC. فلا توجد طبقة رفض أمام النموذج ولا مرشّح مطبَّق على ما يعود: فمطالبتك لا تُصنَّف سياسيًا قبل تقديمها، وتيار المخرَج لا يُفحَص في طريقه إليك. ولأن الأساس مرخَّص برخصة MIT وعلني، تستطيع أن تقارن مخرجاتنا بالأوزان المرجعية بنفسك بدل أن تأخذ كلامنا مسلَّمًا.

02الأساس: DeepSeek-V4-Pro، مزيج خبراء بـ1.6 تريليون معامل

DeepSeek-V4 هي العائلة الحالية مفتوحة الأوزان من DeepSeek-AI، عُرضت مبدئيًا في أبريل 2026 وصدرت برخصة MIT بحجمين: V4-Flash (284 مليارًا إجمالًا، و13 مليارًا مفعَّلة) وV4-Pro (1.6 تريليون إجمالًا، و49 مليارًا مفعَّلة). وهذه المقالة عن مستوى Pro. وكلاهما دُرِّب مسبقًا على نحو 33 تريليون رمز، وكلاهما يدعم أصلًا سياقًا بمليون رمز.

ونسبة التبعثر هي ما ينبغي ملاحظته: إذ لا يشتعل سوى نحو 3% من المعاملات على أي رمز بعينه، وهو ما يجعل نموذجًا بهذا الحجم قابلًا للتقديم أصلًا. وكتلة مزيج الخبراء نفسها لا تزال DeepSeekMoE — الخبراء الموجَّهون دقيقو التحبيب زائد الخبراء المشتركون الدائمو التشغيل، وقد قُدِّموا في V2 — مع تغييرات طفيفة في V4، أظهرها التوجيه بالتجزئة في الطبقات الأولى. أما التنبؤ متعدّد الرموز، وهو الهدف المساعد في V3 الذي يتيح أيضًا فكّ الترميز التخميني، فقد بقي كما هو.

والأجزاء الجديدة في V4 بنيوية. فـالوصلات الفائقة المقيَّدة بالمنطوي (mHC) تستبدل بالمسار المتبقّي البسيط مصفوفة مزج متعلَّمة مقيَّدة على منطوي المصفوفات العشوائية المزدوجة عبر إسقاط Sinkhorn–Knopp — أي تيّار متبقٍّ يعيد الوزن بحسب المدخل بلا الانجراف العددي الذي يقتل الأكداس شديدة العمق. وانتقل التدريب من AdamW إلى Muon لمعظم الوحدات، باستخدام تعامد Newton–Schulz، مع إبقاء AdamW للتضمينات ورؤوس التنبؤ والتسوية ومعاملات mHC الساكنة فقط. وتُدرَّب أوزان الخبراء بدقّة FP4 بينما معظم المعاملات الأخرى بدقّة FP8 — أي مراعية للتكميم من البداية، وهو ما يهمّ في مدى رشاقة تحمّل النموذج لمزيد من الضغط.

03من MLA إلى CSA + HCA: كيف تُبقي DeepSeek السياق الطويل رخيصًا

الخيط الناظم لدى DeepSeek عبر أربعة أجيال ليس الحجم، بل اقتصاديات الانتباه. فكل نسخة هاجمت ذاكرة KV المؤقتة، التي تنمو خطّيًا مع السياق وتهيمن على الذاكرة عند الأطوال الكبيرة.

• قدّمت V2 الانتباه الكامن متعدّد الرؤوس (MLA) — وهو ضغط مشترك منخفض الرتبة للمفاتيح والقيم في متّجه كامن، فيخزّن التوليد ذلك المتّجه زائد مفتاح RoPE منفصلًا بدل K وV كاملين لكل رأس. وأفادت DeepSeek بانخفاض ذاكرة KV إلى ما يقارب 4–14% من الانتباه متعدّد الرؤوس القياسي، مع ثبات الجودة أو تحسّنها.
• وسّعت V3 ذلك إلى 671 مليارًا، فجعلت MLA الافتراض القياسي للسياق الطويل الرخيص في النماذج المفتوحة.
• أضافت V3.2 الانتباه المتناثر من DeepSeek (DSA)، الذي يختار مجموعة جزئية من أعلى k من التاريخ لكل استعلام عبر مفهرِس خفيف بدل الانتباه إلى كل شيء.
• وتُهجِّن V4. فـالانتباه المتناثر المضغوط (CSA) يضغط أولًا مدخلات KV لكل m من الرموز في مدخل واحد بأوزان متعلَّمة، ثم يجري اختيار أعلى k المتناثر فوق تلك المدخلات المضغوطة. أما الانتباه شديد الضغط (HCA) فيضغط بقوة أكبر بكثير لكنه يبقى كثيفًا فوق النتيجة. ونوعا الطبقات متشابكان عبر الكدس، فيتعايش التلخيص العام الرخيص مع الاسترجاع المحلي الدقيق.

والعائد المبلَّغ عنه عند سياق بمليون رمز صارخ: إذ يحتاج V4-Pro إلى نحو 27% من عمليات الفاصلة العائمة لكل رمز و10% من ذاكرة KV مقارنة بـV3.2. ولذلك يتصرّف طلب بسعة 262 ألف رمز كطلب عادي لا كحدث ذاكرة، ولذلك تصمد أرقام الاسترجاع في السياق الطويل بدل أن تنهار بعد بضع عشرات الآلاف من الرموز.

04ماذا تعني اللاحقة 3BIT-REAP

معرّفنا في الفهرس ينتهي بـ3BIT-REAP، وذلك يصف خطوتَي ضغط مستقلّتين مطبَّقتين بالترتيب.

REAP: تشذيب الخبراء لا دمجهم

REAP هي تشذيب تنشيط الخبراء الموزون بالموجّه، من Cerebras Research — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression"، وقد قُبِلت في ICLR 2026. ففي مزيج خبراء متناثر لا يستخدم الموجّه خبراءه بالتساوي: إذ يُختار ذيل طويل منهم نادرًا، أو بضعف، أو الاثنين معًا. وتقيّم REAP كل خبير بالجمع بين قيم بوّابة الموجّه (كم مرة يُختار وبأي قوّة) ومعايير تنشيط الخبير (كم يسهم مخرَجه)، ثم تحذف الخاسرين تمامًا.

وحجّة الورقة أن التشذيب يتفوّق على الدمج: فالدمج يمحو بالمتوسّط التخصّص الوظيفي الذي جعل مزيج الخبراء يستحقّ البناء، بينما حذف الخبراء الذين يكاد الموجّه لا يبلغهم يحفظه. وعبر نماذج من 20 مليارًا إلى تريليون، تفوّقت REAP على الدمج وعلى طرق التشذيب المنافسة في المقاييس التوليدية، ويفيد المؤلّفون بـنتائج شبه خالية من الخسارة في توليد الشيفرة واستدعاء الأدوات عند تشذيب 50% من الخبراء على Qwen3-Coder-480B وKimi-K2 — وهو بالضبط ملفّ الأحمال الذي وُجد هذا النموذج من أجله.

أوزان بثلاث بتّات: مستوى الضغط لأكبر الأسس

ثم يُكمَّم ما ينجو إلى أوزان بثلاث بتّات. وثلاث بتّات ضغط جريء، ولا ندّعي غير ذلك: فعبر التشكيلة نستخدم W8A16 حيث يكون الأساس صغيرًا بما يكفي فلا يحتاج العصر، وW4A16-AUTOROUND-REAP في المنتصف، و3BIT-REAP على أكبر الأسس فقط، حيث يكون هو الفارق بين تقديم النموذج وعدم تقديمه.

والمقايضة تستحقّ القول بوضوح: فمزيج خبراء بـ1.6 تريليون معامل بثلاث بتّات ليس مطابقًا بتّة ببتّة للإصدار المرجعي، وثمّة كلفة جودة صغيرة حقيقية. وما تحصل عليه مقابلها هو أساس يقع سقفه غير المضغوط أعلى بكثير من أي شيء يتّسع بارتياح عند دقّة أعلى — ولأن خبراء V4 دُرِّبوا أصلًا بدقّة FP4، فإن النموذج حسن السلوك على نحو غير معتاد تحت مزيد من ضغط الأوزان. وإن أردت نسخة DeepSeek بلمسة أخفّ على الدقّة، فإن DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP يستخدم أوزانًا بأربع بتّات مع تنشيطات بستّ عشرة بتّة وتقريب AutoRound المتعلَّم، على سياق 262 ألف رمز نفسه بسعر 0.50$ دخلًا / 2.00$ خرجًا.

05الاستدلال، ومقبض reasoning_effort

يدرّب ما بعد التدريب في V4 متخصّصي مجالات على حدة — الرياضيات، والبرمجة، والوكلاء، واتّباع التعليمات — بضبط مُشرَف يتبعه GRPO، وهي طريقة تحسين السياسة النسبي الجماعي التي قدّمتها DeepSeek مع R1. ثم يُوحَّد هؤلاء المتخصّصون في نموذج واحد عبر تقطير على السياسة تحت هدف KL معكوس، فتحمل نقطة تفتيش واحدة سلوكًا بدرجة تخصّص في عدة مجالات معًا بدل أن تكون عامّة متوسّطة في كلٍّ منها.

والنموذج الصادر يتيح أنماط تفكير متدرّجة لا مفتاحًا ثنائيًا. وعلى بوّابتنا يكون ذلك هو معامل reasoning_effort القياسي، وهو أنفع مقبض في هذا النموذج:

• منخفض — إجابة شبه مباشرة: التصنيف، والاستخراج، وإعادة الصياغة، وكل ما تدفع فيه ثمن معرفة النموذج لا ثمن تدبّره.
• متوسّط — نمط العمل الافتراضي لمراجعة الشيفرة، وتصحيح الأخطاء، والتحليل متعدّد الخطوات.
• مرتفع — تدبّر طويل قبل الإجابة. وهنا تُحلّ المسائل الصعبة، وهنا تسكن فاتورة رموز مخرجاتك، لأن رموز الاستدلال تُحاسَب بوصفها مخرجات.

ولأنه لا توجد طبقة رفض، فإن أثر الاستدلال لا يُبتَر عند المواضيع الحسّاسة — فنمط كبت التفكير الموثَّق على الخدمة الرسمية لا آلية له كي يقع هنا.

06الشيفرة والعمل الوكيل: ماذا يسجّل الأساس

هذه أرقام DeepSeek-AI المنشورة عن إصدار V4-Pro — ليست أرقامنا، ولم تُقَس على نسختنا المكمَّمة. ونعرضها لأنها السبب الأمين لاختيار هذا الأساس، ونشير إلى أنها من الطرف الأول كي تزنها بحسب ذلك.

واثنان منها يستحقّان تعليقًا. SWE-bench Verified عند 80.6% هو حلّ مشكلات في مستودعات حقيقية — قراءة قاعدة شيفرة غير مألوفة، وتحديد الخلل، وإنتاج رقعة تجتاز اختبارات المشروع نفسه. وMRCR عند مليون رمز (83.5) هو استرجاع مرجعي متعدّد الجولات بالطول الكامل، وهو الرقم الذي يخبرك أن ادّعاء السياق الطويل ليس زينة. كما تفيد DeepSeek بـتصنيف Codeforces قدره 3206 للنموذج، و62.0 على CorpusQA عند سياق بمليون رمز.

الأرقام أعلاه مبلَّغ عنها من DeepSeek-AI عن الإصدار المرجعي DeepSeek-V4-Pro. ونسختنا 3BIT-REAP متغيّر مضغوط من تلك الأوزان ولم تُقَس مستقلًّا على هذه المهامّ؛ فتعامل مع الدرجات المرجعية بوصفها سقف الأساس لا قياسًا لهذه النقطة الطرفية.

07سياق 262 ألف رمز: ما الذي يتّسع فعلًا

النموذج المرجعي مدرَّب لمليون رمز. ونحن نقدّم 262,144 — وهي النافذة التي تشترك فيها كل نماذج البوّابة، فيصير تبديل النموذج تغييرًا من سطر واحد ولا يكون تراجعًا في السياق أبدًا. وعمليًا فإن 262 ألفًا تتجاوز النقطة التي يقيّد عندها السياق معظم العمل الحقيقي:

نوع العمل	الرموز تقريبًا	هل يتّسع في 262 ألفًا؟
مستودع خدمة متوسّط (~50 ألف سطر)	~600K	لا — انتقِ وحدات
نظام فرعي واحد مع اختباراته	~60–120K	نعم، بارتياح
مجموعة RFC كاملة لبروتوكول	~150K	نعم
كتاب تقني من 700 صفحة	~250K	نعم، قرب الحدّ
تشغيل وكيل طويل، أكثر من 40 دورة أدوات	~80–200K	نعم

والحدّ الذي ينبغي التخطيط حوله هو المخرجات: 16,384 رمزًا كحدّ أقصى لكل رد. وهذا وثيقة طويلة أو رقعة كبيرة متعدّدة الملفات، لا قاعدة شيفرة. وأعمال التوليد الكبيرة تُنجَز بتسلسل الطلبات مع إعادة المخرَج السابق إلى السياق — وهو ما تجعله نافذة 262 ألفًا رخيصًا — لا بطلب إكمال واحد ضخم.

08السعر، وموقع V4-Pro في التشكيلة

عند 1.95$ دخلًا / 3.90$ خرجًا لكل مليون رمز، يكون V4-Pro مستوى الاستدلال الرائد — النموذج الذي تلجأ إليه حين تكون المسألة صعبة. أما حين تكون كبيرة فحسب، فإن نماذج أرخص على نافذة 262 ألفًا نفسها ستنجزها بربع السعر.

نموذج بلا رقابة	دخل / مليون	خرج / مليون	الرؤية	الأنسب لـ
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	لا	الاستدلال الصعب، والشيفرة، والوكلاء
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	لا	السلالة نفسها، بحجم كبير
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	لا	حصان العمل العام
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	نعم	وكلاء متعدّدو الوسائط من الطبقة العليا
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	نعم	أرخص رؤية

ولنكن صريحين بشأن المقارنة التي سيعقدها الناس فعلًا: واجهة DeepSeek نفسها أرخص من هذه — إذ يُدرَج V4-Pro لدى الطرف الأول بنحو 0.435$ دخلًا / 0.87$ خرجًا، وسعر الدخل عند إصابة الذاكرة المؤقتة أقل من ذلك. فإن كان السعر لكل رمز هو معيارك الوحيد ولم يؤثّر سلوك الرقابة في عملك، فاستخدم الواجهة الرسمية؛ نفضّل أن نقول لك ذلك على أن تكتشفه لاحقًا. أما العلاوة فتشتري مجموعة خصائص مختلفة: بلا طبقة رفض وبلا مرشّح مخرجات، ومشغّل أمريكي تحت Shannon Lab LLC، ونقطة تفتيش مؤرّخة مثبّتة (0813) كي لا تغيّر ترقية صامتة من المنبع مخرجاتك في منتصف المشروع، وثلاث لهجات برمجية على نموذج واحد، ونافذة 262 ألفًا نفسها وسطح المعاملات نفسه عبر النماذج الاثني عشر كلها في التشكيلة.

09الاستدعاء: ثلاث لهجات، نموذج واحد

كل نموذج على البوّابة يجيب على النقاط الطرفية الثلاث كلها، مع بثّ في كلٍّ منها. فأنت لا تتبنّى حزمة تطوير جديدة — بل تغيّر عنوان الأساس ومعرّف النموذج.

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 — لهجة OpenAI؛ تعمل مع حزم OpenAI وكل ما بُني عليها.
• /v1/messages — لهجة Anthropic، لقواعد الشيفرة المكتوبة أصلًا على ذلك الشكل.
• /v1/responses — الواجهة على نمط Responses.

المدعوم على هذا النموذج: البثّ، واستدعاء الأدوات الأصلي، والمخرجات المنظَّمة الصارمة عبر json_schema، وresponse_format، وreasoning_effort. والمرجع الكامل للمعاملات وساحة تجريب حيّة موجودان في توثيق الواجهة البرمجية.

10حدود صادقة

أربعة أمور ينبغي معرفتها قبل أن تبني عليه:

• بلا رؤية. نصّي فقط؛ ولن يقبل إدخال صور على أي نقطة طرفية. فإن احتجت نموذجًا بلا رقابة يرى، استخدم Kimi-K3 أو Kimi-K2.6 أو MiniMax-M3 أو MiMo-V2.5 أو inkling.
• سقف مخرجات 16,384 رمزًا. ورموز الاستدلال تُحسَب ضمنه عند الجهد المرتفع، فالتدبّر الطويل يترك مساحة أقلّ للجواب. سلسِل الطلبات لأعمال التوليد الكبيرة.
• ثلاث بتّات ضغط حقيقي. فالدرجات المرجعية تصف الأساس لا هذه النسخة. وللمستوى الأعلى أمانة، تحمل نماذج W8A16 (MiMo-V2.5-Pro، وMiMo-V2.5، وHy3) أقلّ قدر من التكميم.
• انعدام الرقابة ليس بلا تبعات. فغياب طبقة الرفض يعني أن مسؤولية ما تسأل عنه وما تفعله بالجواب تقع عليك — بموجب شروط خدمتنا والقانون حيث تعمل.

11أسئلة شائعة

---

المصادر: DeepSeek-AI — بطاقة نموذج DeepSeek-V4-Pro · التقرير التقني لـDeepSeek-V4 (CSA/HCA، mHC، Muon) · DeepSeek-V2 (MLA، DeepSeekMoE) · التقرير التقني لـDeepSeek-V3 · REAP the Experts (Cerebras Research) · تدقيق الرقابة من Promptfoo · Discovering Forbidden Topics in Language Models. والأرقام القياسية مبلَّغ عنها من DeepSeek-AI عن الإصدار المرجعي؛ والتحقّق المستقلّ من النسخة المضغوطة لا يزال معلَّقًا. والأسعار هي أسعار Shannon AI المدرَجة حتى 5 سبتمبر 2026.