Senzurasız DeepSeek API

"Senzurasız DeepSeek API" ifadəsinə gələn insanlar bir konkret şey istəyir: DeepSeek-in düşünmə və kodlaşdırma qabiliyyətinə malik olub həqiqətən verdikləri suala cavab verən model. Qabiliyyət yarısı yaxşı sənədləşdirilib — DeepSeek-AI arxitekturanı və rəqəmləri dərc etdi, çəkilər isə MIT altında Hugging Face-dədir. İkinci yarı isə əməliyyat qərarıdır və adətən sizin əvəzinizə verilir. Bu səhifə hər ikisini əhatə edir: V4-Pro təməlinin nə olduğunu, bizim 3BIT-REAP quruluşumuzun ona nə etdiyini və biz "senzurasız" deyəndə bunun dəqiq nə demək olduğunu.

01"Senzurasız DeepSeek API" əslində nə deməkdir

Eyni sözün altına iki fərqli mexanizm yığılır. Birincisi çəkilərin içinə bişirilmiş uyğunlaşdırmadır — post-təlim zamanı öyrənilmiş imtina davranışı. İkincisi xidmət tərəfindəki moderasiya qatıdır: promptunuzu model görməzdən əvvəl, çıxışı isə siz görməzdən əvvəl yoxlayan və modelin nə demək istədiyindən asılı olmayaraq cavabı cümlənin ortasında kəsə bilən ayrıca təsnifatçı.

Hər ikisi ölçüləndir və DeepSeek-in birinci tərəf xidməti ölçülüb. Promptfoo siyasi baxımdan həssas 1,360 promptdan ibarət toplu hazırladı və DeepSeek-in hostladığı R1-in onlardan 1,156-sından imtina etdiyini və ya yayındığını bildirdi — təxminən 85%. Eyni ailə üzərində akademik iş müəlliflərin düşüncənin boğulması adlandırdığı fərqli bir uğursuzluq rejimi aşkarladı: modelin düşünmə izi həssas mövzuda demək olar ki, başlayan kimi kəsilir. Information Sciences-də dərc olunmuş ayrıca audit semantik səviyyədə boğulmanı sənədləşdirdi: modelin daxili düşüncəsində mövcud olan məzmun istifadəçiyə çatmazdan əvvəl səssizcə çıxarılır və ya yenidən yazılır. Bu, açıq imtinadan daha çətin problemdir, çünki kəsilmiş cavab cavab kimi görünür.

Bizim işlətdiyimiz açıq çəki buraxılışıdır — özümüzün idarə etdiyimiz avadanlıqda, Amerika Birləşmiş Ştatlarında, Shannon Lab LLC nəzdində. Modelin qarşısında imtina qatı yoxdur və geri qayıdana filtr tətbiq olunmur: promptunuz xidmətə verilməzdən əvvəl siyasət baxımından təsnif edilmir və çıxış axını yol boyu yoxlanmır. Təməl MIT lisenziyalı və ictimai olduğu üçün sözümüzə inanmaq əvəzinə çıxışlarımızı istinad çəkiləri ilə özünüz müqayisə edə bilərsiniz.

02Təməl: DeepSeek-V4-Pro, 1.6T MoE

DeepSeek-V4 DeepSeek-AI-nin cari açıq çəki ailəsidir; 2026-cı ilin aprelində önizlədilib və MIT altında iki ölçüdə buraxılıb: V4-Flash (cəmi 284B, 13B aktiv) və V4-Pro (cəmi 1.6T, 49B aktiv). Bu məqalə Pro pilləsi haqqındadır. Hər ikisi təxminən 33 trilyon token üzərində ilkin öyrədilib və hər ikisi doğma şəkildə bir milyon tokenlik konteksti dəstəkləyir.

Diqqət çəkən şey seyrəklik nisbətidir: hər verilmiş tokendə parametrlərin yalnız təxminən 3%-i işə düşür və bu ölçüdə modeli ümumiyyətlə verilə bilən edən də elə budur. MoE bloku özü hələ də DeepSeekMoE-dur — V2-də təqdim edilmiş incə dənəli marşrutlanan ekspertlər üstəgəl həmişə aktiv ortaq ekspertlər — V4-də yalnız kiçik dəyişikliklərlə, ən gözəçarpanı ilk qatlardakı heş marşrutlaşdırmadır. Spekulyativ dekodlaşdırmanı da mümkün edən V3 köməkçi məqsədi Multi-Token Prediction dəyişməz saxlanılıb.

V4-dəki yeni hissələr strukturaldır. Manifold-Constrained Hyper-Connections (mHC) sadə qalıq yolunu Sinkhorn–Knopp proyeksiyası ilə ikiqat stoxastik matrislər manifoldu üzərinə məhdudlaşdırılmış öyrənilən qarışdırma matrisi ilə əvəz edir — çox dərin yığınları öldürən ədədi sürüşmə olmadan girişə görə yenidən çəkilən qalıq axını. Təlim əksər modullar üçün AdamW-dən Muon-a keçdi və Newton–Schulz ortoqonallaşdırmasından istifadə edir; AdamW yalnız yerləşdirmələr, proqnoz başlıqları, normallaşdırma və statik mHC parametrləri üçün saxlanılıb. Ekspert çəkiləri isə FP4-də öyrədilir, digər parametrlərin çoxu FP8-də — yəni lap əvvəldən kvantlamaya uyğun, bu da modelin sonrakı sıxılmanı nə qədər zərif qəbul etməsi baxımından əhəmiyyətlidir.

03MLA-dan CSA + HCA-ya: DeepSeek uzun konteksti necə ucuz saxlayır

DeepSeek-in dörd nəsil boyu keçən əsas xətti ölçü deyil, diqqət iqtisadiyyatıdır. Hər versiya kontekstlə xətti artan və uzun uzunluqlarda yaddaşa hakim olan KV keşinə hücum edib.

• V2 Multi-head Latent Attention (MLA) təqdim etdi — açarların və dəyərlərin latent vektora aşağı ranklı birgə sıxılması, beləliklə generasiya hər başlıq üzrə tam K və V əvəzinə həmin vektoru üstəgəl ayrılmış RoPE açarını keşləyir. DeepSeek KV keşinin standart çoxbaşlı diqqətin təxminən 4-14%-inə düşdüyünü, keyfiyyətin isə saxlandığını və ya yaxşılaşdığını bildirdi.
• V3 bunu 671B-ə qədər miqyaslandırdı və MLA-nı açıq modellərdə ucuz uzun kontekst üçün standart fərziyyəyə çevirdi.
• V3.2 DeepSeek Sparse Attention (DSA) əlavə etdi; hər şeyə diqqət yetirmək əvəzinə yüngül indeksləyici vasitəsilə sorğu başına tarixçənin top-k alt çoxluğunu seçir.
• V4 hibridləşdirir. Compressed Sparse Attention (CSA) əvvəlcə hər m tokenin KV yazılarını öyrənilən çəkilərlə bir yazıya sıxır, sonra həmin sıxılmış yazılar üzərində seyrək top-k seçimi işlədir. Heavily Compressed Attention (HCA) daha aqressiv sıxır, amma nəticə üzərində sıx qalır. İki qat tipi yığın boyu növbələşir, beləliklə ucuz qlobal xülasə ilə dəqiq lokal axtarış birgə mövcud olur.

Bir milyon tokenlik kontekstdə bildirilən qazanc kəskindir: V4-Pro-ya V3.2-nin token başına nəticələmə FLOP-larının təxminən 27%-i və KV keşinin 10%-i lazımdır. 262K sorğunun yaddaş hadisəsi kimi deyil, adi sorğu kimi davranmasının və uzun kontekst axtarış rəqəmlərinin bir neçə on min tokendən sonra çökmək əvəzinə dayanıqlı qalmasının səbəbi budur.

043BIT-REAP şəkilçisi nə deməkdir

Kataloq identifikatorumuz 3BIT-REAP ilə bitir və bu, ardıcıllıqla tətbiq edilən iki müstəqil sıxılma addımını təsvir edir.

REAP: ekspertləri birləşdirmək yox, budamaq

REAP Cerebras Research-dən gələn Router-weighted Expert Activation Pruning-dir — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression", ICLR 2026-ya qəbul edilib. Seyrək MoE-də marşrutlayıcı ekspertlərindən bərabər istifadə etmir: uzun quyruq nadir hallarda, zəif, yaxud hər ikisi ilə seçilir. REAP hər eksperti marşrutlayıcı qapı dəyərləri (nə qədər tez-tez və nə qədər güclü seçilir) ilə ekspert aktivasiya normalarını (çıxışının nə qədər töhfə verdiyi) birləşdirərək qiymətləndirir, sonra uduzanları birbaşa silir.

Məqalənin arqumenti budur ki, budama birləşdirməni üstələyir: birləşdirmə MoE-ni qurmağa dəyər edən funksional ixtisaslaşmanı ortalayıb yox edir, marşrutlayıcının çətinliklə çatdığı ekspertləri silmək isə onu qoruyur. 20B-dən 1T-yə qədər modellərdə REAP generativ benchmark-larda birləşdirməni və rəqib budama metodlarını üstələdi və müəlliflər Qwen3-Coder-480B ilə Kimi-K2 üzərində 50% ekspert budamasında kod generasiyası və alət çağırışında demək olar ki, itkisiz nəticələr bildirdi — bu da elə bu modelin buradakı iş profilidir.

3-bitlik çəkilər: ən böyük təməllər üçün sıxılma pilləsi

Sağ qalan sonra 3-bitlik çəkilərə kvantlanır. Üç bit aqressivdir və biz bunun əksini iddia etmirik: cərgə boyu təməlin sıxılmaya ehtiyacı olmayacaq qədər kiçik olduğu yerdə W8A16, ortada W4A16-AUTOROUND-REAP və yalnız ən böyük təməllərdə 3BIT-REAP işlədirik; orada bu, modeli vermək və verməmək arasındakı fərqdir.

Güzəşti açıq demək lazımdır: 3-bitlik 1.6T MoE istinad buraxılışı ilə bit-bit eyni deyil və kiçik keyfiyyət xərci realdır. Bunun müqabilində aldığınız sıxılmamış tavanı daha yüksək dəqiqlikdə rahat yerləşən hər şeydən xeyli yuxarıda olan təməldir — və V4-ün ekspertləri elə əvvəldən FP4-də öyrədildiyi üçün model əlavə çəki sıxılması altında qeyri-adi dərəcədə yaxşı davranır. Dəqiqliyə daha yüngül toxunan DeepSeek quruluşu istəyirsinizsə, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP eyni 262K kontekstdə $0.50 giriş / $2.00 çıxış qiymətinə 4-bitlik çəkilər, 16-bitlik aktivasiyalar və AutoRound-un öyrənilmiş yuvarlaqlaşdırması ilə işləyir.

05Düşünmə və reasoning_effort tənzimləyicisi

V4-ün post-təlimi domen üzrə mütəxəssisləri ayrıca öyrədir — riyaziyyat, kodlaşdırma, agentlər, təlimata riayət — SFT-dən sonra DeepSeek-in R1 ilə təqdim etdiyi Group Relative Policy Optimization metodu, yəni GRPO gəlir. Həmin mütəxəssislər sonra tərs-KL məqsədi altında on-policy distillə ilə vahid modeldə birləşdirilir, beləliklə tək bir checkpoint hər şeydə ortabab olan ümumi model olmaq əvəzinə eyni anda bir neçə domendə mütəxəssis səviyyəli davranış daşıyır.

Buraxılan model ikili açar əvəzinə pillələnmiş düşünmə rejimləri təqdim edir. Bizim gateway-də bu, standart reasoning_effort parametridir — bu modeldəki ən faydalı tənzimləyici:

• Low — demək olar ki, birbaşa cavab: təsnifat, çıxarma, yenidən yazma və modelin götür-qoyuna deyil, biliyinə pul ödədiyiniz hər şey.
• Medium — kod baxışı, sazlama və çoxaddımlı təhlil üçün standart iş rejimi.
• High — cavabdan əvvəl uzun götür-qoy. Çətin problemlərin həll olunduğu və çıxış tokeni hesabınızın yaşadığı yer, çünki düşünmə tokenləri çıxış kimi hesablanır.

İmtina qatı olmadığı üçün düşünmə izi həssas mövzularda kəsilmir — birinci tərəf xidmətində sənədləşdirilmiş düşüncənin boğulması naxışının burada baş vermək üçün mexanizmi yoxdur.

06Kod və agent işi: təməlin nəticələri

Bunlar DeepSeek-AI-nin V4-Pro buraxılışı üçün özünün dərc etdiyi rəqəmlərdir — bizim deyil və bizim kvantlanmış quruluşumuzda ölçülməyib. Onları göstəririk, çünki bu təməli seçməyin dürüst səbəbi elə onlardır və uyğun çəki verə biləsiniz deyə birinci tərəf mənşəli olduqlarını qeyd edirik.

İkisi şərhə layiqdir. SWE-bench Verified-də 80.6% real repozitoriyada məsələ həllidir — tanış olmayan kod bazasını oxumaq, qüsuru tapmaq, layihənin öz testlərindən keçən yamaq hazırlamaq. Bir milyon tokendə MRCR (83.5) tam uzunluqda çoxraundlu koreferens axtarışıdır — uzun kontekst iddiasının bəzək olmadığını deyən rəqəm. DeepSeek həmçinin model üçün 3206 Codeforces reytinqi və 1M kontekstdə CorpusQA-da 62.0 bildirir.

Yuxarıdakı rəqəmlər DeepSeek-V4-Pro istinad buraxılışı üçün DeepSeek-AI tərəfindən bildirilib. Bizim 3BIT-REAP quruluşumuz həmin çəkilərin sıxılmış variantıdır və bu tapşırıqlarda müstəqil şəkildə benchmark edilməyib; istinad ballarına bu uc nöqtənin ölçüsü kimi deyil, təməlin tavanı kimi yanaşın.

07262K kontekst: əslində nə sığır

İstinad modeli bir milyon token üçün öyrədilib. Biz 262,144 veririk — gateway-dəki hər modelin bölüşdüyü pəncərə, beləliklə modeli dəyişmək bir sətirlik dəyişiklikdir və heç vaxt kontekst geriləməsi olmur. Praktikada 262K real işin çoxu üçün kontekstin darlıq yaratdığı nöqtəni geridə qoyur:

İş yükü	Təxmini token	262K-ya sığır?
Ortaölçülü servis repozitoriyası (~50k sətir)	~600K	Xeyr — modulları seçin
Tək altsistem + onun testləri	~60–120K	Bəli, rahatlıqla
Bir protokol üçün tam RFC toplusu	~150K	Bəli
700 səhifəlik texniki kitab	~250K	Bəli, hədd yaxınlığında
Uzun agent icrası, 40+ alət növbəsi	~80–200K	Bəli

Planlaşdırarkən nəzərə alınmalı hədd çıxışdır: cavab başına maksimum 16,384 token. Bu, uzun sənəd və ya ciddi çoxfayllı yamaqdır, kod bazası deyil. Böyük generasiya işləri bir nəhəng tamamlama istəməklə deyil, əvvəlki çıxışı yenidən kontekstə qoyaraq sorğuları zəncirləməklə görülür — 262K pəncərə bunu ucuz edir.

08Qiymət və V4-Pro-nun cərgədəki yeri

Milyon token üçün $1.95 giriş / $3.90 çıxış qiyməti ilə V4-Pro flaqman düşünmə pilləsidir — problem çətin olanda müraciət etdiyiniz model. Problem sadəcə böyük olanda eyni 262K pəncərədəki daha ucuz modellər bunu dörddəbir qiymətə edəcək.

Senzurasız model	Giriş / 1M	Çıxış / 1M	Görmə	Nə üçün ən yaxşıdır
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Xeyr	Çətin düşünmə, kod, agentlər
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Xeyr	Eyni nəsil, yüksək həcm
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Xeyr	Ümumi təyinatlı iş atı
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Bəli	Yüksək səviyyəli multimodal agentlər
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Bəli	Ən ucuz görmə

İnsanların həqiqətən aparacağı müqayisə barədə düz danışaq: DeepSeek-in öz API-si bundan ucuzdur — birinci tərəf V4-Pro təxminən $0.435 giriş / $0.87 çıxış göstərir, keş uğuru olan giriş qiymətləri isə daha da aşağıdır. Token başına qiymət yeganə meyarınızdırsa və moderasiya davranışı işinizə təsir etmirsə, birinci tərəf API-dan istifadə edin; bunu sonradan öyrənməyinizdənsə, indi deməyi üstün tuturuq. Əlavə haqq fərqli xüsusiyyətlər dəsti alır: imtina qatı və çıxış filtri yoxdur, Shannon Lab LLC nəzdində ABŞ operatoru, sabitlənmiş tarixli checkpoint (0813) ki, səssiz yuxarı axın yeniləməsi layihənin ortasında çıxışlarınızı dəyişməsin, bir modelə qarşı üç API dialekti və cərgədəki hər on iki modeldə eyni 262K pəncərə və eyni parametr səthi.

09Çağırış: üç dialekt, bir model

Gateway-dəki hər model üç uc nöqtənin hamısında cavab verir və hər birində axın var. Yeni SDK mənimsəmirsiniz — baza URL-ni və model identifikatorunu dəyişirsiniz.

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 dialekti; OpenAI SDK-ları və onların üzərində qurulmuş hər şeylə işləyir.
• /v1/messages — həmin formaya uyğun yazılmış kod bazaları üçün Anthropic dialekti.
• /v1/responses — Responses üslubunda interfeys.

Bu modeldə dəstəklənir: axın, doğma alət çağırışı, ciddi json_schema strukturlaşdırılmış çıxışı, response_format və reasoning_effort. Tam parametr arayışı və canlı playground API sənədlərindədir.

10Dürüst hədlər

Üzərində qurmazdan əvvəl bilməli olduğunuz dörd şey:

• Görmə yoxdur. Yalnız mətn; heç bir uc nöqtədə şəkil girişi qəbul etməyəcək. Görən senzurasız model lazımdırsa, Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 və ya inkling işlədin.
• 16,384 tokenlik çıxış tavanı. Yüksək səydə düşünmə tokenləri də ona sayılır, ona görə uzun götür-qoy cavaba daha az yer qoyur. Böyük generasiya işləri üçün sorğuları zəncirləyin.
• 3 bit real sıxılmadır. İstinad balları bu quruluşu deyil, təməli təsvir edir. Ən yüksək sədaqətli pillə üçün W8A16 modelləri (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) ən az kvantlama daşıyır.
• Senzurasız nəticəsiz demək deyil. İmtina qatının olmaması nə soruşduğunuza və cavabla nə etdiyinizə görə məsuliyyətin sizdə qaldığı deməkdir — bizim xidmət şərtlərimiz və fəaliyyət göstərdiyiniz yerin qanunu çərçivəsində.

11Tez-tez verilən suallar

---

Mənbələr: DeepSeek-AI — DeepSeek-V4-Pro model kartı · DeepSeek-V4 texniki hesabatı (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · DeepSeek-V3 texniki hesabatı · REAP the Experts (Cerebras Research) · Promptfoo senzura auditi · Discovering Forbidden Topics in Language Models. Benchmark rəqəmləri istinad buraxılışı üçün DeepSeek-AI tərəfindən bildirilib; sıxılmış quruluşun müstəqil üçüncü tərəf yoxlaması gözlənilir. Qiymətlər 5 sentyabr 2026-cı il tarixinə Shannon AI siyahı qiymətləridir.