Necenzurirani DeepSeek Flash API

Većina timova koji vrednuju LLM API optimizuje pogrešnu varijablu. Testiraju na dvadeset najtežih promptova kojih se mogu sjetiti, izaberu pobjednika, pa šest sedmica kasnije otkriju da je devedeset pet posto njihovog prometa kratak, strukturiran, ponovljiv posao koji bi model četiri puta jeftiniji obavio identično. DeepSeek-V4-Flash postoji zbog tih devedeset pet posto. Ova stranica govori o tome kako znati da ste u njima — i kada niste.

01Šta zapravo dobijate

Svojstvo	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Id modela	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kontekst / maksimalni izlaz	262.144 tokena / 16.384 tokena
Cijena po 1M (ulaz / izlaz)	$0.50 / $2.00
Striming · pozivanje alata · rezonovanje	Da — sva tri dijalekta
Strukturirani izlaz	json_schema i response_format
Slika na ulazu (vid)	Ne — samo tekst
Sloj odbijanja / filter izlaza	Nema
Poslužen na	Shannonovom vlastitom GPU klasteru

Tri API dijalekta dosežu iste težine: /v1/chat/completions (OpenAI oblik), /v1/messages (Anthropicov oblik) i /v1/responses. Striming radi na sva tri. Potpuni pregled parametara nalazi se u API dokumentaciji.

02Odakle dolazi: loza DeepSeeka

DeepSeek-AI je pet generacija modela proveo na jednoj opsesiji: izvući ponašanje s vrha polja iz modela koji je jeftin za posluživanje, a ne samo jeftin za treniranje. Gotovo svaka arhitektonska odluka u nizu vodi porijeklo odatle, a one bitne su objavljene. Tri objašnjavaju šta pozivate kada se obratite ovoj krajnjoj tački.

DeepSeekMoE — sitnozrni eksperti plus jedan zajednički

Sloj tipa Mixture-of-Experts zamjenjuje jednu veliku unaprijednu mrežu sa mnogo manjih i usmjerivačem koji po tokenu bira šačicu njih. DeepSeekova varijanta reže eksperte sitnije od uobičajenog rasporeda sa osam eksperata, pa isti aktivirani FLOP-ovi kupuju daleko kombinatorno specifičniju mješavinu, a izdvaja zajedničkog eksperta kroz kojeg prolazi svaki token, tako da se opšte znanje ne uči iznova redundantno unutar svakog specijaliste. DeepSeek-V3 je to isporučio kao 256 usmjeravanih eksperata plus 1 zajednički, uz 8 usmjeravanih aktivnih po tokenu — 671 milijarda ukupnih parametara, 37 milijardi aktivnih — zajedno sa balansiranjem opterećenja bez pomoćnog gubitka: umjesto kaznenog člana koji degradira kvalitet, pristrasnost po ekspertu na svakom koraku podiže ili spušta ocjene usmjeravanja prema tome radi li taj ekspert nedovoljno ili prekomjerno opterećen.

MLA — pažnja koja stane u memoriju

Druga polovina problema troška posluživanja jeste KV keš, koji raste linearno sa kontekstom i pri velikim dužinama sekvence dominira memorijom. Multi-head Latent Attention, uveden u DeepSeeku-V2, ključeve i vrijednosti zajednički sažima u latentni vektor niskog ranga i kešira njega, rekonstruišući upotrebljive K/V u hodu. DeepSeekove objavljene brojke za V2, u odnosu na njihov raniji gusti DeepSeek 67B, prijavljuju smanjenje KV keša od 93,3% i 5,76× veću maksimalnu propusnost generisanja. Zato je prozor od 262K tokena u ovoj porodici osnovni ulog, a ne skupi dodatak.

Rijetka pažnja — i presedan za jeftine tokene

V3.2-Exp je dodao DeepSeek Sparse Attention: lagani indekser ocjenjuje kontekstne tokene u odnosu na upit, a selektor zadržava samo najbolje ocijenjene. Zanimljiv je račun, a ne mehanizam. DeepSeek je objavio poređenje jedan na jedan sa V3.1-Terminusom, gdje je MMLU-Pro identičan na 85,0, AIME 2025 gore (88,4 → 89,3), SWE-bench Verified neznatno dolje (68,4 → 67,8) — kvalitet u suštini nepromijenjen — a cijene svog API-ja su istog dana snizili za više od 50%. Arhitektura, pošteno prijavljena, izravno pretvorena u cijenu. Flash je isti argument odveden korak dalje.

Generacija V4

V4, predstavljen u aprilu 2026. pod MIT licencom, ponovo mijenja skup slojeva pažnje hibridom Compressed Sparse Attention i Heavily Compressed Attention, trenira sa Muon optimizatorom na više od 32 biliona tokena i zadržava cilj predikcije više tokena iz V3 — koji ujedno služi kao spekulativno dekodiranje i koji je DeepSeek u V3 izmjerio uz stopu prihvatanja drugog tokena od 85–90% za ubrzanje dekodiranja od otprilike 1,8×. Sažetak rada o V4 navodi da V4-Pro radi na 27% FLOP-ova zaključivanja po tokenu i 10% KV keša modela V3.2. Porodica izlaže tri nivoa napora rezonovanja, i upravo se na njih preslikava naš parametar reasoning_effort.

Izvori: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Tehnički izvještaj o DeepSeeku-V3 (arXiv 2412.19437) · Kartica modela DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Sve brojke prijavio je DeepSeek.

03Šta „Flash” zapravo znači

Ovo je tačka koju većina poređenja pogriješi, pa je vrijedi izreći ravno: DeepSeekov Flash nije kvantizovani, obrezani ili destilovani Pro. To je zasebno treniran, manji model tipa Mixture-of-Experts sa vlastitim predtreningom. Rad o pregledu V4 daje dvije veličine:

Brojke iz rada o pregledu DeepSeeka-V4. Zvanične kontrolne tačke koje poslužujemo — V4-Flash-0731 i V4-Pro-0813 — na svojim karticama modela navode nešto veće ukupne iznose od 304 milijarde i 1,7 biliona; DeepSeek za ta izdanja ne navodi ponovo aktivirane parametre.

Ovdje posao obavljaju dva broja. Ukupni parametri određuju memorijski otisak, koji odlučuje koliko hardvera zauzima jedna kopija modela. Aktivirani parametri određuju aritmetiku po tokenu, koja odlučuje o propusnosti. Flash je otprilike 5,6× manji po prvom i 3,8× manji po drugom — a u toj razlici vrijedi primijetiti finesu: Flash aktivira 13 od 284 milijarde parametara, oko 4,6%, dok Pro aktivira 49 od 1.600 milijardi, oko 3,1%. Flash je manje rijedak model. Nije prosto Pro sa manje uključenih eksperata; to je gušći, drugačije izbalansiran dizajn koji na svaki token koji proizvede troši veći udio sebe. To je stvarna inženjerska odluka, a ne degradacija.

Šta kažu DeepSeekove vlastite brojke

Obje zvanične kartice modela objavljuju rezultate na istim agentskim i softverskoinženjerskim benchmarkovima, što ovo čini neuobičajeno čistim poređenjem — ista laboratorija, isti evaluacijski postav, dvije veličine:

Benchmark (prijavio 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

Pro pobjeđuje u svakom redu. To je poštena vijest u naslovu i draže nam je da je pročitate ovdje nego da je otkrijete u produkciji. Ali čitajte razlike, jer su one ono što zapravo kupujete. Na Terminal Benchu 2.1 razmak je 5,2 poena kod modela sa dvadeset petinom parametara; na korištenju alata 3,8 poena. Razmak se širi tamo gdje posao postaje najdublji — 8,3 poena na DeepSWE-u, 7,3 na NL2Repou, a oba nagrađuju održano višekoračno rezonovanje o kodu. To je oblik razmjene u jednoj tabeli: Flash zatvara većinu razmaka na omeđenim zadacima, a popušta na otvorenima.

DeepSeekova vlastita kartica za Flash tvrdi to još oštrije: Flash-0731 nadmašuje pregled V4-Pro na navedenim benchmarkovima uprkos daleko manjem broju aktiviranih parametara. To što noviji mali model tuče stariji veliki jeste normalno stanje stvari u ovom polju, i upravo je zato „veći nivo” nikada ne bi trebalo da bude vaš podrazumijevani odgovor.

04Čitanje sufiksa: W4A16-AUTOROUND-REAP

Naši id-ovi modela naglas izriču svoju shemu kompresije, jer je to ono što najviše utiče na kvalitet izlaza, a gotovo niko to ne obznanjuje. Ovaj se razlaže na tri tvrdnje.

W4A16 — 4-bitne težine, 16-bitne aktivacije

Težine se pohranjuju na 4 bita svaka; aktivacije prolaze u 16-bitnoj preciznosti. Ovo je kvantizacija samo težina i cilja stvarno usko grlo u generisanju tokena, a to je memorijski propusni opseg, a ne aritmetika. Kvantizovanje i aktivacija donijelo bi nešto malo brzine uz rizik daleko veće provalije u tačnosti; ostaviti ih na 16 bita jeste konzervativan izbor visoke vjernosti. Notacija je skraćenica ekosistema za posluživanje — kvantizacijska literatura isto to piše kao W4 uz veličinu grupe.

AUTOROUND — naučeno zaokruživanje, a ne zaokruživanje na najbliže

Naivna kvantizacija svaku težinu zaokružuje na najbližu predstavljivu vrijednost. To dokazivo nije optimalno: zaokruživanje jedne težine na „pogrešnu” stranu može poništiti grešku koju su unijele njene susjede, a kod milijardi težina te interakcije dominiraju. AutoRound, iz Intela, samu odluku o zaokruživanju tretira kao nešto što treba naučiti — trenirajuću perturbaciju po težini ograničenu na ±0,5, tačno toliko da preokrene bilo koju pojedinačnu odluku o zaokruživanju i nikada više, plus naučive raspone odsijecanja, optimizovane predznačenim gradijentnim spustom prema cilju rekonstrukcije izlaza po blokovima nad malim kalibracijskim skupom. Dvije stotine koraka, i gotovo.

Intelova objavljena poređenja pokazuju da AutoRound tuče GPTQ u 30 od 32 testirana scenarija, AWQ u 27 od 32 i OmniQuant u 29 od 32 pri 4-bitnim postavkama samo za težine, uz dobitke od 6,9 do 33,2 poena tačnosti u odnosu na naivno zaokruživanje na najbliže pri 2 bita. Ništa od toga ne košta u trenutku zaključivanja: to je bolji izbor brojeva, napravljen jednom, van linije.

REAP — izbacivanje eksperata kojima niko ne usmjerava

REAP (Router-weighted Expert Activation Pruning), iz Cerebras Systemsa i Univerziteta u Calgaryju, jednokoračna je kompresija za MoE modele. Svakog eksperta ocjenjuje po tome koliko mu snažno i koliko često usmjerivač propušta promet, pomnoženo veličinom izlaza tog eksperta, pa najmanje značajne eksperte izravno briše — bez ponovnog treniranja poslije.

Središnji nalaz rada je onaj koristan: pri visokim omjerima kompresije obrezivanje eksperata tuče njihovo stapanje. Stapanje funkcionalno različitih eksperata izaziva ono što autori zovu kolapsom funkcionalnog podprostora — usmjerivač gubi sitnozrnu kontrolu ovisnu o ulazu zbog koje se MoE i gradio, i ostaje da upravlja između statičkih prosjeka. Njihove brojke kroz modele od 20 milijardi do bilion parametara: pri 25% kompresije eksperata na zadacima kodiranja REAP gubi 2,8% prosječne tačnosti tamo gdje osnovna rješenja sa stapanjem gube preko 5%; pri 50% REAP gubi 8,0% gdje stapanje gubi preko 20%. Na Qwen3-Coder-480B pri 50% obrezivanja pad je 1,4%, naspram 39,3% za naivno obrezivanje po frekvenciji. Cerebras je objavio REAP kontrolne tačke između ostalog i za niz DeepSeek.

Zašto 4 bita ovdje, a 3 bita na Prou

Oba nivoa moraju stati i ostati brza na istoj klasi hardvera. Pro nosi 1,7 biliona parametara, pa mu je agresivniji 3-bitni tretman potreban da bi uopšte stao. Flash nosi otprilike 300 milijardi, pa mu nije — a bit koji uštedi troši se na vjernost umjesto na uklapanje.

Taj dodatni bit znači više nego što njegova aritmetika sugeriše, jer šteta od kvantizacije nije linearna. U mjerenjima na WikiTextu-2 iz rada o AWQ-u, Llama-2-7B ide sa 5,47 perpleksnosti pri FP16 na 5,60 pri 4 bita — kazna od 2,4% — ali na 6,24 pri 3 bita, kazna od 14%. To je otprilike šesterostruka degradacija za 25% više kompresije, a isti obrazac važi i na 70B. Rad o GPTQ-u je još izravniji: pri 3 bita naivno zaokruživanje na najbliže kolabira na modelima klase 175B, u hiljade perpleksnosti, dok pri 4 bita ostaje sasvim upotrebljivo. Ispod četiri bita dobar algoritam kvantizacije prestaje biti udobnost i postaje jedino što model drži na okupu.

Pošteno čitanje ova dva sufiksa glasi, dakle: Flash je bliži vlastitoj nekomprimovanoj verziji nego što je Pro bliži svojoj. Pro je i dalje jači model — tabela sa benchmarkovima iznad to rješava. On je jednostavno više predao da bi stigao dovde, a vi tu povlasticu plaćate.

Izvori: 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. Brojke perpleksnosti iz AWQ-a (arXiv 2306.00978) i GPTQ-a (arXiv 2210.17323).

05Flash naspram Proa na krajnjoj tački

Odjeljak 03 pokrio je temelje. Evo kako ta dva nivoa izgledaju kao proizvodi na našem gatewayu:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantizacija	W4A16-AUTOROUND-REAP	3BIT-REAP
Preciznost težina	4 bita, naučeno zaokruživanje	3 bita
Temelj (ukupno / aktivno)	~304B / 13B	~1.7T / 49B
Ulaz po 1M tokena	$0.50	$1.95
Izlaz po 1M tokena	$2.00	$3.90
Kontekst / maksimalni izlaz	262.144 / 16.384	262.144 / 16.384
Alati · strukturirani izlaz · striming	Da	Da
Vid	Ne	Ne
Sloj odbijanja	Nema	Nema

Primijetite šta se ne mijenja: kontekst, plafon izlaza, pozivanje alata, strukturirani izlaz i odsustvo sloja odbijanja identični su. Jedino što se pomjera jesu temelj, kvantizacija i cijena. To prebacivanje između njih čini promjenom jednog stringa u vašem kodu i čisto ekonomskom odlukom u vašoj arhitekturi.

Koliko košta jedan poziv maksimalne veličine

Popunite cijeli kontekst od 262.144 tokena i uzmite pun izlaz od 16.384 tokena:

Po cjenovniku. Flash: $0.131 ulaz + $0.033 izlaz. Pro: $0.511 + $0.064. Omjer 3,51×. Flash ujedno dijeli donju granicu od $0.50 / $2.00 sa modelima MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro i Hy3 — pogledajte cijeli katalog da vidite po čemu se razlikuju u vidu i strukturiranom izlazu.

06Račun obima, razrađen

„3,9× jeftinije” važi samo na ulazu. Na izlazu je Flash 1,95× jeftiniji. Vaša stvarna ušteda stoga ovisi o vašem omjeru ulaza i izlaza, a raspon je dovoljno širok da mijenja odluke o dizajnu. Četiri realna opterećenja, svako na 100.000 zahtjeva:

Opterećenje	Ulaz / izlaz po pozivu	Flash	Pro	Ušteda
Klasifikacija tiketa	1,200 / 120	$84	$281	3,3×
Odgovaranje na pitanja po RAG-u	8,000 / 600	$520	$1,794	3,4×
Sažetak dugog dokumenta	60,000 / 1,500	$3,300	$12,285	3,7×
Generisanje sintetičkih podataka	500 / 2,000	$425	$878	2,1×

Obrazac: što više konteksta gurate i što manje teksta generišete, to vam Flash više štedi. Cjevovodi za pretragu, trijaža dokumenata, analiza logova i transkripata te izvlačenje podataka iz dugog konteksta su slatka tačka — ulazom dominiraju za red veličine, a ulaz je mjesto gdje popust od 3,9× živi. Ako je pak vaše opterećenje kratak prompt koji proizvodi hiljade tokena proze, razmak se sužava na otprilike 2×, a argument sposobnosti za Pro postaje srazmjerno jači.

Još jedan komad aritmetike vrijedan usvajanja: pri $0.50 po milionu ulaznih tokena, popunjavanje cijelog prozora od 262.144 tokena košta 13,1 cent. Promptovanje na dugom kontekstu po toj cijeni prestaje biti budžetsko pitanje, što ponekad znači da sloj za pretragu možete uopšte preskočiti i pustiti kontekstni prozor da odradi posao — inženjerska ušteda povrh uštede na tokenima.

07Šta „necenzurirano” ovdje znači, precizno

Riječ se koristi olako, pa evo naše definicije, izrečene kao svojstvo krajnje tačke: ispred modela nema klasifikatora odbijanja, a na njegov izlaz se ne primjenjuje filtriranje sadržaja. Ništa ne presreće prompt da bi vratilo konzerviranu odbijenicu; ništa ne pregleda dovršetak da bi ga redigovalo. Za produkcijski rad velikog obima posljedice su manje dramatične i korisnije nego što riječ sugeriše:

• Nema lažno pozitivnih na bezazlenom prometu. Filtrirane krajnje tačke redovno odbijaju medicinske sažetke, sigurnosne izvještaje, pravnu pripremu dokaza, fikciju, materijal za smanjenje štete i sam posao moderacije — upravo one kategorije gdje grupni posao obrađuje tekst o osjetljivoj temi, a ne proizvodi išta štetno. Na sto hiljada zahtjeva, stopa lažnih odbijanja od jedan posto jeste hiljadu pokvarenih redova.
• Deterministički ugovori. Zatražite odgovor po json_schema i dobijete JSON koji odgovara shemi, a ne pasus izvinjenja tamo gdje bi trebao biti objekt. Vašem parseru ne treba grana za odbijanje, a vaša logika ponavljanja ne mora razlikovati kvar prijenosa od kvara politike.
• Politika je vaša. To je razmjena. Ako vašem proizvodu trebaju zaštitne ograde za vaše krajnje korisnike, gradite ih na svom sloju, gdje poznajete svoje korisnike i svoju jurisdikciju, umjesto da naslijedite dobavljačeva nagađanja o oboje. Vaš nalog i dalje uređuje naša Politika odgovornog korištenja.

Necenzurirano nije isto što i neusklađeno ili neuslužno. Model i dalje slijedi upute i i dalje poštuje sistemsku uputu. Ako želite da odbija određene kategorije za vaše korisnike, recite to tamo — ta uputa je sada vaša da je napišete, a ne naša da je nametnemo.

08Mogućnosti i pošteno navedena ograničenja

Dvije mogućnosti nose najveći dio tereta za rad na obimu. Strogi izlaz po json_schema pretvara dovršetak u red u bazi bez sloja za parsiranje i bez grane za odbijanje. Pozivanje alata u sva tri dijalekta čini Flash razumnim motorom za jeftine podkorake agenta čiji planer na vrhu radi na jačem modelu. Dodajte reasoning_effort, koji vam dopušta da dodatne tokene trošite samo na onaj dio prometa kojem trebaju, i kontekst od 262.144 tokena identičan Proovom — birajući jeftiniji nivo ne predajete kontekst, što je neuobičajeno.

Ograničenja su jednako konkretna:

• Nema vida. Flash radi samo sa tekstom i odbiće dijelove poruke sa slikom. Za slike na necenzuriranom modelu po istoj donjoj granici od $0.50 / $2.00, opcije koje vide jesu MiniMax-M3 i MiMo-V2.5; Kimi-K2.6 i Kimi-K3 jači su modeli za vid iznad tog nivoa.
• Nije vrh ljestvice. DeepSeekove vlastite brojke stavljaju Pro ispred na svakom objavljenom agentskom benchmarku, a razmak je najveći na održanom višekoračnom rezonovanju o kodu. Tamo gdje jedan pogrešan odgovor košta više od hiljadu jeftinih, potrošite dodatnih $1.45 po milionu na DeepSeek-V4-Pro.
• 16.384 izlazna tokena po zahtjevu. Duga generisanja moraju se dijeliti kroz više poziva. To je isti plafon na svakom modelu koji poslužujemo, i veže se mnogo prije nego kontekstni prozor.

09Pozivanje

Uperite bilo kojeg klijenta kompatibilnog sa OpenAI-jem na gateway i promijenite string modela. Ništa se drugo u vašem sklopu ne mora pomjeriti.

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
        }
      }
    }
  }'

Isti id modela radi nepromijenjen na /v1/messages i /v1/responses, što je najbrži način da A/B testirate jeftiniji model ispod postojeće integracije bez prepisivanja klijenta. Parametri, oblici strimujućih događaja, sheme za pozivanje alata i ograničenja brzine dokumentovani su u API referenci; svaki model iz kataloga naveden je na Shannon Researchu.

10Često postavljana pitanja

---

Izvori: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Tehnički izvještaj o DeepSeeku-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · Kartice modela DeepSeek-V4-Flash-0731 i DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Sve brojke o temelju i benchmarkovima objavili su njihovi autori; cijene Shannon AI-ja i posluženi kontekst naše su vrijednosti iz cjenovnika na dan septembra 2026.