Senzurasız DeepSeek Flash API

LLM API-ni qiymətləndirən komandaların çoxu səhv dəyişəni optimallaşdırır. Ağıllarına gələn ən çətin iyirmi sorğu üzərində benchmark aparır, qalibi seçir və altı həftə sonra kəşf edirlər ki, trafiklərinin doxsan beş faizi qısa, strukturlaşdırılmış, təkrarlanan işdir və dörd dəfə ucuz model onu eyni cür yerinə yetirərdi. DeepSeek-V4-Flash məhz həmin doxsan beş faiz üçün var. Bu səhifə nə vaxt onun içində olduğunuzu — və nə vaxt olmadığınızı — bilmək haqqındadır.

01Əslində nə alırsınız

Xüsusiyyət	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Model ID	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kontekst / maksimum çıxış	262,144 token / 16,384 token
1M üçün qiymət (giriş / çıxış)	$0.50 / $2.00
Axın · alət çağırışı · düşünmə	Bəli — hər üç dialektdə
Strukturlaşdırılmış çıxış	json_schema və response_format
Şəkil girişi (görmə)	Yox — yalnız mətn
İmtina qatı / çıxış filtri	Yoxdur
Verildiyi yer	Shannon-un öz GPU klasteri

Eyni çəkilərə üç API dialekti çatır: /v1/chat/completions (OpenAI formalı), /v1/messages (Anthropic formalı) və /v1/responses. Axın hər üçündə işləyir. Tam parametr arayışı API sənədlərindədir.

02Haradan gəlir: DeepSeek nəsli

DeepSeek-AI beş model nəslini bir vəsvəsəyə sərf edib: sadəcə öyrətməsi ucuz deyil, verilməsi ucuz olan modeldən cəbhə davranışı çıxarmaq. Xəttdəki demək olar hər arxitektura qərarı buna gedib çıxır və vaciblərinin hamısı dərc olunub. Üçü bu uc nöqtəyə vurduğunuzda nəyi çağırdığınızı izah edir.

DeepSeekMoE — incə dənəli ekspertlər plus paylaşılan bir ekspert

Mixture-of-Experts qatı bir böyük irəli ötürmə şəbəkəsini çoxlu kiçiklərlə və token başına bir neçəsini seçən marşrutlayıcı ilə əvəzləyir. DeepSeek-in variantı ekspertləri ənənəvi səkkiz ekspertli düzülüşdən daha incə doğrayır, beləliklə eyni aktivləşdirilmiş FLOP-lar kombinator baxımından xeyli daha spesifik qarışıq alır, üstəlik hər tokenin keçdiyi paylaşılan eksperti ayırır, ona görə ümumi bilik hər ixtisaslaşmış ekspertin içində təkrar-təkrar öyrənilmir. DeepSeek-V3 bunu 256 marşrutlanan ekspert plus 1 paylaşılan ekspert, token başına 8 marşrutlananın aktivləşməsi ilə göndərdi — cəmi 671B parametr, 37B aktiv — üstəgəl köməkçi itkisiz yük balanslaşdırması: keyfiyyəti pisləşdirən cərimə həddi əvəzinə, hər ekspert üzrə meyl həmin ekspert az və ya çox yükləndikcə marşrutlama xallarını hər addımda yuxarı və ya aşağı itələyir.

MLA — yaddaşa sığan diqqət

Verilmə xərci probleminin o biri yarısı KV keşidir: o, kontekstlə xətti artır və uzun ardıcıllıq uzunluqlarında yaddaşa hakim kəsilir. DeepSeek-V2-də təqdim edilmiş Multi-head Latent Attention açar və dəyərləri birgə aşağı ranqlı gizli vektora sıxır və onu keşləyir, işlək K/V-ni isə uçuşda bərpa edir. DeepSeek-in dərc etdiyi V2 rəqəmləri, onların əvvəlki sıx DeepSeek 67B modeli ilə müqayisədə KV keşində 93.3% azalma və 5.76× yüksək maksimum generasiya buraxılış qabiliyyəti bildirir. 262K tokenlik pəncərənin bu ailədə premium əlavə deyil, minimum şərt olmasının səbəbi budur.

Seyrək diqqət — və ucuz tokenlərin presedenti

V3.2-Exp DeepSeek Sparse Attention əlavə etdi: yüngül indeksləyici kontekst tokenlərini sorğuya qarşı qiymətləndirir, seçici isə yalnız ən yüksək xallıları saxlayır. Maraqlı hissə mexanizm yox, qəbzdir. DeepSeek V3.1-Terminus ilə yanaşı müqayisə dərc etdi: MMLU-Pro 85.0-da eyni, AIME 2025 yüksəlib (88.4 → 89.3), SWE-bench Verified cüzi düşüb (68.4 → 67.8) — mahiyyətcə dəyişməz keyfiyyət — və elə həmin gün API qiymətlərini 50%-dən çox endirdi. Dürüst bildirilmiş arxitektura birbaşa qiymətə çevrilir. Flash həmin arqumentin bir addım irəli aparılmasıdır.

V4 nəsli

2026-cı ilin aprelində MIT lisenziyası altında ilkin təqdim edilən V4 diqqət yığınını yenidən dəyişir — Compressed Sparse Attention və Heavily Compressed Attention hibridi ilə — 32T-dən çox token üzərində Muon optimallaşdırıcısı ilə öyrədilir və V3-ün çoxtokenli proqnoz məqsədini saxlayır; həmin məqsəd eyni zamanda spekulyativ dekodlaşdırma kimi işləyir və DeepSeek onu V3-də təxminən 1.8× dekodlaşdırma sürətlənməsi üçün 85–90% ikinci token qəbul dərəcəsi ilə ölçüb. V4 xülasəsi bildirir ki, V4-Pro V3.2-nin tək token çıxarış FLOP-larının 27%-i və KV keşinin 10%-i ilə işləyir. Ailə üç düşünmə səyi səviyyəsini açır və reasoning_effort parametrimiz məhz onlara uyğunlaşır.

Mənbələr: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 Texniki Hesabatı (arXiv 2412.19437) · DeepSeek-V3.2-Exp model kartı · DeepSeek-V4 (arXiv 2606.19348). Bütün rəqəmlər DeepSeek tərəfindən bildirilib.

03"Flash" əslində nə deməkdir

Müqayisələrin çoxunun səhv saldığı məqam budur, ona görə birbaşa demək lazımdır: DeepSeek-in Flash-i kvantlanmış, budanmış və ya distillə edilmiş Pro deyil. O, öz ön öyrətmə qaçışı olan, ayrıca öyrədilmiş, daha kiçik Mixture-of-Experts modelidir. V4 ilkin məqaləsi iki ölçünü verir:

Rəqəmlər DeepSeek-V4 ilkin məqaləsindəndir. Verdiyimiz rəsmi yoxlama nöqtələri — V4-Flash-0731 və V4-Pro-0813 — öz model kartlarında bir qədər daha böyük, 304B və 1.7T ümumi rəqəmlər göstərir; DeepSeek həmin quruluşlar üçün aktivləşdirilmiş parametrləri yenidən açıqlamır.

Burada işi iki rəqəm görür. Ümumi parametrlər yaddaş izini müəyyən edir və bu, modelin bir nüsxəsinin nə qədər avadanlıq tutduğuna qərar verir. Aktivləşdirilmiş parametrlər token başına arifmetikanı müəyyən edir və bu, buraxılış qabiliyyətinə qərar verir. Flash birincidə təxminən 5.6×, ikincidə 3.8× kiçikdir — və həmin fərqdə diqqətə layiq bir incəlik var: Flash 284 milyarddan 13-ünü, təxminən 4.6%-ni aktivləşdirir, Pro isə 1,600 milyarddan 49-unu, təxminən 3.1%-ni. Flash daha az seyrək modeldir. O, sadəcə daha az eksperti işə salınmış Pro deyil; bu, daha sıx, fərqli balanslaşdırılmış dizayndır və istehsal etdiyi hər tokenə özünün daha böyük payını sərf edir. Bu, geriləmə deyil, real mühəndislik seçimidir.

DeepSeek-in öz rəqəmləri nə deyir

Hər iki rəsmi model kartı eyni agentik və proqram mühəndisliyi benchmarklarında xallar dərc edir və bu, müqayisəni qeyri-adi dərəcədə təmiz edir — eyni laboratoriya, eyni qiymətləndirmə qurğusu, iki ölçü:

Benchmark (DeepSeek tərəfindən bildirilib)	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

Pro hər sətirdə qalib gəlir. Dürüst manşet budur və bunu istehsalatda kəşf etməkdənsə burada oxumağınızı istərdik. Amma fərq həddlərini oxuyun, çünki əslində satın aldığınız onlardır. Terminal Bench 2.1-də fərq parametrlərinin iyirmi beşdə birinə malik modeldə 5.2 baldır; alət istifadəsində 3.8 bal. Fərq işin ən dərinləşdiyi yerdə genişlənir — DeepSWE-də 8.3 bal, NL2Repo-da 7.3 bal, hər ikisi davamlı çoxaddımlı kod düşüncəsini mükafatlandırır. Mübadilənin forması bir cədvəldə belədir: Flash məhdud tapşırıqlarda məsafənin çoxunu bağlayır və açıq uclu tapşırıqlarda geri çəkilir.

DeepSeek-in öz Flash kartı fikri daha da kəskin ifadə edir: Flash-0731 aktivləşdirilmiş parametr sayının xeyli az olmasına baxmayaraq, sadalanan benchmarklarda V4-Pro ilkin versiyasını üstələyir. Bu sahədə daha yeni kiçik modelin daha köhnə böyüyü üstələməsi normal haldır və "daha böyük pillə" cavabının heç vaxt standart cavabınız olmamalı olmasının səbəbi də budur.

04Şəkilçini oxumaq: W4A16-AUTOROUND-REAP

Model ID-lərimiz sıxılma sxemini ucadan bildirir, çünki çıxış keyfiyyətinə ən çox təsir edən və demək olar heç kimin açıqlamadığı şey odur. Bu şəkilçi üç iddiaya ayrılır.

W4A16 — 4-bitlik çəkilər, 16-bitlik aktivasiyalar

Çəkilər hər biri 4 bitdə saxlanılır; aktivasiyalar 16-bitlik dəqiqliklə axır. Bu, yalnız-çəki kvantlamasıdır və token generasiyasındakı real darboğazı — arifmetikanı deyil, yaddaş buraxılış qabiliyyətini — hədəfləyir. Aktivasiyaları da kvantlamaq bir az da sürət qazandırar, amma xeyli böyük dəqiqlik uçurumu riski yaradar; onları 16 bitdə saxlamaq ehtiyatlı, yüksək sədaqətli seçimdir. Notasiya verilmə ekosisteminin qısaltmasıdır — kvantlama ədəbiyyatı eyni şeyi qrup ölçüsü ilə birlikdə W4 kimi yazır.

AUTOROUND — ən yaxına deyil, öyrənilmiş yuvarlaqlaşdırma

Sadə kvantlama hər çəkini ən yaxın təsvir edilə bilən dəyərə yuvarlaqlaşdırır. Bunun optimal olmadığı sübut edilib: bir çəkini "səhv" istiqamətə yuvarlaqlaşdırmaq qonşularının gətirdiyi səhvi ləğv edə bilər və milyardlarla çəki ilə bu qarşılıqlı təsirlər hakim olur. Intel-dən gələn AutoRound yuvarlaqlaşdırma qərarının özünə öyrəniləsi bir şey kimi yanaşır — hər çəki üzrə ±0.5 ilə məhdudlaşdırılmış öyrədilə bilən təlatüm, yəni hər hansı tək yuvarlaqlaşdırma qərarını çevirməyə tam yetəcək qədər və heç vaxt artıq, üstəgəl öyrənilə bilən kəsmə diapazonları — kiçik kalibrləmə dəsti üzərində blok üzrə çıxış bərpası məqsədinə qarşı işarəli qradiyent enişi ilə optimallaşdırılır. İki yüz addım, sonra bitdi.

Intel-in dərc etdiyi müqayisələrdə AutoRound 4-bitlik yalnız-çəki rejimində test edilmiş 32 ssenaridən 30-da GPTQ-nu, 32-dən 27-də AWQ-nu və 32-dən 29-da OmniQuant-ı üstələyir, 2 bitdə isə sadə ən yaxına yuvarlaqlaşdırmaya nisbətən 6.9 ilə 33.2 arasında dəqiqlik balı qazandırır. Bunların heç biri çıxarış zamanı heç nəyə başa gəlmir: bu, offline, bir dəfə edilmiş daha yaxşı rəqəm seçimidir.

REAP — heç kimin marşrutlamadığı ekspertləri atmaq

Cerebras Systems və Kalqari Universitetindən gələn REAP (Marşrutlayıcı Çəkili Ekspert Aktivasiya Budaması) MoE modelləri üçün birdəfəlik sıxılmadır. O, hər eksperti marşrutlayıcının ona nə qədər güclü və nə qədər tez-tez qapı açmasına görə qiymətləndirir, bunu həmin ekspertin çıxışının böyüklüyünə vurur, sonra ən az əhəmiyyətli ekspertləri birbaşa silir — sonradan heç bir yenidən öyrətmə yoxdur.

Məqalənin mərkəzi tapıntısı faydalı olanıdır: yüksək sıxılma nisbətlərində ekspertləri budamaq onları birləşdirməyi üstələyir. Funksional baxımdan fərqli ekspertləri birləşdirmək müəlliflərin funksional altfəza çökməsi adlandırdığı şeyə gətirib çıxarır — marşrutlayıcı MoE-ni qurmağa dəyər edən incə dənəli, girişdən asılı nəzarəti itirir və statik ortalamalar arasında sükan çevirməklə qalır. 20B-dən 1T parametrədək modellər üzrə rəqəmləri belədir: kodlaşdırma tapşırıqlarında 25% ekspert sıxılmasında REAP orta dəqiqlikdən 2.8% itirir, birləşdirmə bazaları isə 5%-dən çox; 50%-də REAP 8.0% itirir, birləşdirmə isə 20%-dən çox. Qwen3-Coder-480B-də 50% budamada düşüş 1.4%-dir, sadə tezliyə əsaslanan budamada isə 39.3%. Cerebras başqaları ilə yanaşı DeepSeek xətti üçün də REAP yoxlama nöqtələri dərc edib.

Niyə burada 4-bit, Pro-da isə 3-bit

Hər iki pillə eyni sinif avadanlığa sığmalı və sürətli qalmalıdır. Pro 1.7 trilyon parametr daşıyır, ona görə ümumiyyətlə sığmaq üçün daha aqressiv 3-bitlik emala ehtiyacı var. Flash təxminən 300 milyard daşıyır, ona görə ehtiyacı yoxdur — və qənaət etdiyi həmin bit sığmağa deyil, sədaqətə sərf olunur.

Həmin əlavə bit arifmetikanın işarə etdiyindən daha çox əhəmiyyət daşıyır, çünki kvantlama ziyanı xətti deyil. AWQ məqaləsinin WikiText-2 ölçmələrində Llama-2-7B FP16-da 5.47 perpleksiyadan 4-bitdə 5.60-a keçir — 2.4% cərimə — amma 3-bitdə 6.24-ə, yəni 14% cərimə. Bu, 25% artıq sıxılma müqabilində təxminən altı dəfə çox deqradasiyadır və eyni naxış 70B-də də qalır. GPTQ məqaləsi daha da kəskindir: 3 bitdə sadə ən yaxına yuvarlaqlaşdırma 175B sinifli modellərdə minlərlə perpleksiyaya çökür, 4 bitdə isə mükəmməl istifadəyə yararlı qalır. Dörd bitdən aşağıda yaxşı kvantlama alqoritmi xoş əlavə olmaqdan çıxıb modeli bir yerdə saxlayan yeganə şeyə çevrilir.

Beləliklə, bu iki şəkilçinin dürüst oxunuşu belədir: Flash öz sıxılmamış halına Pro-nun öz halına olduğundan daha yaxındır. Pro yenə də daha güclü modeldir — yuxarıdakı benchmark cədvəli bunu həll edir. O, sadəcə bura çatmaq üçün daha çoxundan keçib və siz bu imtiyaza görə ödəyirsiniz.

Mənbələr: AutoRound — "Optimize Weight Rounding via Signed Gradient Descent for the Quantization of LLMs" (arXiv 2309.05516), Intel, Findings of EMNLP 2024. REAP — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression" (arXiv 2510.13999), Cerebras Systems. Perpleksiya rəqəmləri AWQ (arXiv 2306.00978) və GPTQ (arXiv 2210.17323) məqalələrindəndir.

05Uc nöqtədə Flash ilə Pro

03-cü bölmə təmələ aiddir. Bu iki pillənin gateway-imizdə məhsul kimi görünüşü isə belədir:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantlama	W4A16-AUTOROUND-REAP	3BIT-REAP
Çəki dəqiqliyi	4-bit, öyrənilmiş yuvarlaqlaşdırma	3-bit
Təməl (ümumi / aktiv)	~304B / 13B	~1.7T / 49B
1M token üçün giriş	$0.50	$1.95
1M token üçün çıxış	$2.00	$3.90
Kontekst / maksimum çıxış	262,144 / 16,384	262,144 / 16,384
Alətlər · strukturlaşdırılmış çıxış · axın	Bəli	Bəli
Görmə	Yox	Yox
İmtina qatı	Yoxdur	Yoxdur

Nəyin dəyişmədiyinə fikir verin: kontekst, çıxış tavanı, alət çağırışı, strukturlaşdırılmış çıxış və imtina qatının yoxluğu eynidir. Yalnız təməl, kvantlama və qiymət dəyişir. Bu, onlar arasında keçidi kodunuzda bir sətirlik dəyişikliyə, arxitekturanızda isə sırf iqtisadi qərara çevirir.

Maksimum ölçülü bir çağırış nə qədər tutur

Bütöv 262,144 tokenlik konteksti doldurun və tam 16,384 tokenlik çıxışı götürün:

Siyahı qiyməti ilə. Flash: $0.131 giriş + $0.033 çıxış. Pro: $0.511 + $0.064. Nisbət 3.51×. Flash həm də $0.50 / $2.00 döşəməsini MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro və Hy3 ilə bölüşür — onların görmə və strukturlaşdırılmış çıxışda necə fərqləndiyini tam kataloqda görün.

06Həcm hesabı, addım-addım

"3.9× ucuz" yalnız girişdə doğrudur. Çıxışda Flash 1.95× ucuzdur. Deməli, real qənaətiniz giriş-çıxış nisbətinizdən asılıdır və yayılma dizayn qərarlarını dəyişəcək qədər genişdir. Hər biri 100,000 sorğu olan dörd real iş yükü:

İş yükü	Çağırış başına giriş / çıxış	Flash	Pro	Qənaət
Müraciət təsnifatı	1,200 / 120	$84	$281	3.3×
RAG sual-cavab	8,000 / 600	$520	$1,794	3.4×
Uzun sənəd xülasəsi	60,000 / 1,500	$3,300	$12,285	3.7×
Sintetik verilən generasiyası	500 / 2,000	$425	$878	2.1×

Naxış belədir: nə qədər çox kontekst itələyib nə qədər az mətn yaradırsınızsa, Flash sizə bir o qədər çox qənaət edir. Axtarış boru kəmərləri, sənəd çeşidləmə, jurnal və transkript təhlili, uzun kontekstli çıxarma ideal sahədir — onlar bir tərtib giriş üstünlüklüdür və 3.9× endirim məhz girişdədir. Əksinə, iş yükünüz minlərlə token nəsr istehsal edən qısa sorğudursa, fərq təxminən 2×-ə daralır və Pro üçün imkan arqumenti müvafiq olaraq güclənir.

Mənimsəməyə dəyən daha bir hesab: milyon giriş tokeni üçün $0.50 olduqda bütöv 262,144 tokenlik pəncərəni doldurmaq 13.1 sent tutur. Bu qiymətdə uzun kontekstli sorğu vermək büdcə sualı olmaqdan çıxır və bu bəzən o deməkdir ki, ümumiyyətlə axtarış qatı qurmağı ötürüb işi kontekst pəncərəsinə tapşıra bilərsiniz — token qənaətinin üstünə mühəndislik qənaəti.

07Burada "senzurasız" dəqiq nə deməkdir

Söz boş-boşuna işlədilir, ona görə tərifimiz budur və uc nöqtənin xassəsi kimi ifadə olunur: modelin qarşısında imtina təsnifatçısı yoxdur və çıxışına məzmun filtri tətbiq edilmir. Heç nə sorğunu tutub hazır rədd cavabı qaytarmır; heç nə tamamlamaya baxıb onu redaktə etmir. Yüksək həcmli istehsalat işi üçün nəticələr sözün ehtiva etdiyindən daha az dramatik və daha faydalıdır:

• Zərərsiz trafikdə yanlış müsbətlər yoxdur. Filtrli uc nöqtələr müntəzəm olaraq tibbi xülasələri, təhlükəsizlik icmallarını, hüquqi kəşfiyyatı, bədii ədəbiyyatı, zərər azaltma materiallarını və elə moderasiya işinin özünü rədd edir — yəni paket işinin zərərli heç nə istehsal etmədən həssas mövzu haqqında mətn emal etdiyi kateqoriyaları. Yüz min sorğuda bir faizlik yanlış imtina dərəcəsi min sınıq sətir deməkdir.
• Determinik müqavilələr. json_schema cavabı istəyirsiniz və obyektin olması lazım olan yerdə üzrxahlıq abzası deyil, sxemə uyğun JSON alırsınız. Təhlilçinizə imtina budağı lazım deyil və təkrar cəhd məntiqiniz nəqliyyat xətası ilə siyasət xətasını ayırd etmək məcburiyyətində deyil.
• Siyasətin sahibi sizsiniz. Mübadilə budur. Məhsulunuza son istifadəçiləriniz üçün qoruyucular lazımdırsa, onları öz qatınızda qurursunuz — istifadəçilərinizi və yurisdiksiyanızı bildiyiniz yerdə — provayderin hər ikisi haqqındakı təxminlərini miras almaq əvəzinə. Hesabınız yenə də Məsuliyyətli İstifadə Siyasətimizlə idarə olunur.

Senzurasız uyğunlaşdırılmamış və ya faydasız demək deyil. Model yenə də təlimatlara əməl edir və sistem sorğusuna hörmət edir. Sizin istifadəçiləriniz üçün müəyyən kateqoriyalardan imtina etməsini istəyirsinizsə, orada bunu deyin — həmin təlimatı artıq bizim tətbiq etməyimiz yox, sizin yazmağınız lazımdır.

08İmkanlar və dürüst məhdudiyyətlər

Həcmli iş üçün yükün böyük hissəsini iki imkan daşıyır. Ciddi json_schema çıxışı tamamlamanı təhlil qatı və imtina budağı olmadan verilənlər bazası sətrinə çevirir. Hər üç dialektdə alət çağırışı Flash-i, yuxarı səviyyəli planlayıcısı daha güclü modeldə işləyən agentin ucuz alt-addımları üçün məntiqli mühərrik edir. Buna trafikin yalnız ehtiyacı olan hissəsinə əlavə token sərf etməyə imkan verən reasoning_effort-u və Pro ilə eyni 262,144 tokenlik konteksti əlavə edin — ucuz pilləni seçməklə konteksti təslim etmirsiniz, bu isə qeyri-adidir.

Məhdudiyyətlər də eyni dərəcədə konkretdir:

• Görmə yoxdur. Flash yalnız mətndir və mesajdakı şəkil hissələrini rədd edəcək. Eyni $0.50 / $2.00 döşəməsində senzurasız modeldə şəkillər üçün görmə qabiliyyətli variantlar MiniMax-M3 və MiMo-V2.5-dir; həmin pillədən yuxarıda Kimi-K2.6 və Kimi-K3 daha güclü görmə modelləridir.
• Nərdivanın zirvəsi deyil. DeepSeek-in öz rəqəmləri Pro-nu dərc edilmiş hər agentik benchmarkda irəlidə göstərir və fərq davamlı çoxaddımlı kod düşüncəsində ən genişdir. Bir səhv cavabın min ucuz cavabdan baha oturduğu yerdə milyon üçün əlavə $1.45-i DeepSeek-V4-Pro-ya xərcləyin.
• Sorğu başına 16,384 çıxış tokeni. Uzun generasiyalar çağırışlar arasında hissələrə bölünməlidir. Bu, verdiyimiz hər modeldə eyni tavandır və kontekst pəncərəsindən xeyli əvvəl özünü göstərir.

09Onu çağırmaq

İstənilən OpenAI uyğun klienti gateway-ə yönəldin və model sətrini dəyişin. Yığınınızda başqa heç nə tərpənməli deyil.

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
        }
      }
    }
  }'

Eyni model ID /v1/messages və /v1/responses üzərində dəyişmədən işləyir və bu, klientinizi yenidən yazmadan mövcud inteqrasiyanın altında daha ucuz modeli A/B sınamağın ən sürətli yoludur. Parametrlər, axın hadisə formaları, alət çağırışı sxemləri və sürət limitləri API arayışında sənədləşdirilib; kataloqdakı hər model Shannon Research-də sadalanıb.

10Tez-tez verilən suallar

---

Mənbələr: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 Texniki Hesabatı (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · DeepSeek-V4-Flash-0731 və DeepSeek-V4-Pro-0813 model kartları · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Bütün təməl və benchmark rəqəmləri müvafiq müəllifləri tərəfindən dərc edildiyi kimidir; Shannon AI qiymətləri və verilən kontekst 2026-cı ilin sentyabrına olan öz siyahı dəyərlərimizdir.