Necenzurirani DeepSeek API

Ljudi koji stižu na izraz „necenzurirani DeepSeek API” žele jednu konkretnu stvar: model sa DeepSeekovom sposobnošću rezonovanja i programiranja koji odgovara na pitanje koje su zaista postavili. Polovina o sposobnostima dobro je dokumentovana — DeepSeek-AI je objavio arhitekturu i brojke, a težine su na Hugging Faceu pod MIT licencom. Druga polovina je operativna odluka, i obično je donesu umjesto vas. Ova stranica pokriva oboje: šta je temelj V4-Pro, šta mu naše 3BIT-REAP izdanje radi i šta tačno znači „necenzurirano” kada mi to kažemo.

01Šta „necenzurirani DeepSeek API” zapravo znači

Dva različita mehanizma svrstavaju se pod istu riječ. Prvi je usklađivanje upečeno u težine — ponašanje odbijanja naučeno tokom post-treninga. Drugi je sloj moderacije na strani posluživanja: zaseban klasifikator koji pregleda vaš prompt prije nego što ga model vidi i izlaz prije nego što ga vi vidite, i koji odgovor može prekinuti usred rečenice bez obzira na to šta je model htio reći.

Oba su mjerljiva, a DeepSeekov vlastiti servis je i izmjeren. Promptfoo je sastavio skup od 1.360 politički osjetljivih pitanja i izvijestio da je DeepSeekov hostovani R1 odbio ili izbjegao njih 1.156 — otprilike 85%. Akademski rad na istoj porodici pronašao je poseban obrazac kvara koji su autori nazvali potiskivanjem misli, gdje se trag rezonovanja modela prekida gotovo čim krene na osjetljivu temu. Zasebna revizija objavljena u časopisu Information Sciences dokumentovala je potiskivanje na semantičkom nivou: sadržaj prisutan u internom rezonovanju modela koji se potiho izostavi ili prepiše prije nego što stigne do korisnika. To je teži problem od otvorenog odbijanja, jer skraćen odgovor izgleda kao odgovor.

Ono što mi pokrećemo jeste izdanje otvorenih težina, na hardveru kojim upravljamo, u Sjedinjenim Državama, pod Shannon Lab LLC-om. Nema sloja odbijanja ispred modela ni filtera nad onim što se vraća: vaš prompt se ne klasifikuje prema politici prije nego što bude poslužen, a izlazni tok se ne pregleda na izlasku. Pošto je temelj pod MIT licencom i javan, možete sami uporediti naše izlaze sa referentnim težinama umjesto da nam vjerujete na riječ.

02Temelj: DeepSeek-V4-Pro, MoE od 1,6 biliona

DeepSeek-V4 je trenutna porodica otvorenih težina kompanije DeepSeek-AI, najavljena u aprilu 2026. i objavljena pod MIT licencom u dvije veličine: V4-Flash (284 milijarde ukupno, 13 milijardi aktivnih) i V4-Pro (1,6 biliona ukupno, 49 milijardi aktivnih). Ovaj članak govori o Pro nivou. Oba su prethodno trenirana na otprilike 33 biliona tokena i oba izvorno podržavaju kontekst od milion tokena.

Omjer rijetkosti je ono što treba primijetiti: na bilo kojem datom tokenu okida samo oko 3% parametara, a to je ono što model ove veličine uopšte čini poslužljivim. Sam MoE blok i dalje je DeepSeekMoE — fino zrnati usmjereni eksperti plus uvijek uključeni zajednički eksperti uvedeni u V2 — sa tek manjim izmjenama u V4, najvidljivije heš usmjeravanjem u najranijim slojevima. Multi-Token Prediction, pomoćni cilj iz V3 koji ujedno omogućava spekulativno dekodiranje, zadržan je nepromijenjen.

Novi dijelovi u V4 su strukturni. Manifold-Constrained Hyper-Connections (mHC) zamjenjuju običnu rezidualnu putanju naučenom matricom miješanja ograničenom na mnogostrukost dvostruko stohastičkih matrica putem Sinkhorn–Knopp projekcije — rezidualni tok koji se preteže po ulazu bez numeričkog odlutavanja koje ubija vrlo duboke slojeve. Treniranje je prešlo sa AdamW-a na Muon za većinu modula, uz Newton–Schulz ortogonalizaciju, dok je AdamW zadržan samo za ugrađivanja, predikcione glave, normalizaciju i statičke mHC parametre. A težine eksperata treniraju se u FP4, dok je većina ostalih parametara u FP8 — svjesno kvantizacije od samog početka, što je bitno za to koliko model graciozno podnosi dalju kompresiju.

03Od MLA do CSA + HCA: kako DeepSeek drži dug kontekst jeftinim

DeepSeekova crvena nit kroz četiri generacije nije veličina, nego ekonomija pažnje. Svaka verzija napadala je KV keš, koji raste linearno sa kontekstom i na velikim dužinama dominira memorijom.

• V2 je uveo Multi-head Latent Attention (MLA) — niskorangovnu zajedničku kompresiju ključeva i vrijednosti u latentni vektor, tako da generisanje kešira taj vektor plus odvojeni RoPE ključ umjesto punih K i V po glavi. DeepSeek je izvijestio o padu KV keša na otprilike 4–14% standardne višeglave pažnje, uz zadržan ili poboljšan kvalitet.
• V3 je to skalirao na 671 milijardu, čime je MLA postao podrazumijevana pretpostavka za jeftin dug kontekst u otvorenim modelima.
• V3.2 je dodao DeepSeek Sparse Attention (DSA), koji preko lakog indeksera bira top-k podskup historije po upitu umjesto da obraća pažnju na sve.
• V4 pravi hibrid. Compressed Sparse Attention (CSA) prvo sažima KV unose svakih m tokena u jedan unos sa naučenim težinama, pa onda nad tim sažetim unosima pokreće rijetki top-k izbor. Heavily Compressed Attention (HCA) sažima daleko agresivnije, ali nad rezultatom ostaje gusta. Te dvije vrste slojeva ispreplijetane su kroz cijeli niz, pa jeftin globalni sažetak i precizno lokalno dohvatanje koegzistiraju.

Prijavljena isplata na kontekstu od milion tokena je upečatljiva: V4-Pro treba oko 27% FLOPS-a po tokenu pri zaključivanju i 10% KV keša u odnosu na V3.2. Zato se zahtjev od 262K ponaša kao običan zahtjev, a ne kao memorijski događaj, i zato brojke za dohvatanje na dugom kontekstu opstaju umjesto da se sruše nakon nekoliko desetina hiljada tokena.

04Šta znači sufiks 3BIT-REAP

Naš kataloški id završava na 3BIT-REAP, a to opisuje dva nezavisna koraka kompresije primijenjena redom.

REAP: obrezivanje eksperata, a ne njihovo stapanje

REAP je Router-weighted Expert Activation Pruning, iz Cerebras Researcha — „REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression”, prihvaćen na ICLR 2026. U rijetkom MoE modelu usmjerivač ne koristi svoje eksperte ravnomjerno: dugi rep bira se rijetko, slabo ili oboje. REAP ocjenjuje svakog eksperta kombinujući vrijednosti kapije usmjerivača (koliko često i koliko snažno se bira) sa normama aktivacije eksperta (koliko njegov izlaz doprinosi), pa gubitnike izravno briše.

Argument rada jeste da obrezivanje pobjeđuje stapanje: stapanje usrednjavanjem uništava funkcionalnu specijalizaciju zbog koje se MoE i gradio, dok brisanje eksperata do kojih usmjerivač jedva dopire tu specijalizaciju čuva. Na modelima od 20 milijardi do bilion parametara, REAP je nadmašio stapanje i konkurentske metode obrezivanja na generativnim benchmarkovima, a autori izvještavaju o gotovo bezgubitnim rezultatima na generisanju koda i pozivanju alata pri 50% obrezanih eksperata na Qwen3-Coder-480B i Kimi-K2 — a to je upravo profil opterećenja zbog kojeg je ovaj model ovdje.

3-bitne težine: nivo kompresije za najveće temelje

Ono što preživi zatim se kvantizuje na 3-bitne težine. Tri bita su agresivna i ne pravimo se da nisu: kroz cijelu postavu koristimo W8A16 tamo gdje je temelj dovoljno malen da mu stiskanje ne treba, W4A16-AUTOROUND-REAP u sredini, a 3BIT-REAP samo na najvećim temeljima, gdje je to razlika između posluživanja modela i neposluživanja.

Kompromis vrijedi reći otvoreno: 3-bitni MoE od 1,6 biliona nije bit-identičan referentnom izdanju, a mali gubitak kvaliteta je stvaran. Zauzvrat dobijate temelj čiji nekomprimovani plafon leži daleko iznad svega što udobno staje pri višoj preciznosti — a pošto su V4-ovi eksperti od početka trenirani u FP4, model se pod daljom kompresijom težina ponaša neobično dobro. Ako želite DeepSeek izdanje sa lakšim dodirom po pitanju preciznosti, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP koristi 4-bitne težine sa 16-bitnim aktivacijama i AutoRoundovim naučenim zaokruživanjem, na istom kontekstu od 262K po cijeni od $0.50 ulaz / $2.00 izlaz.

05Rezonovanje i regulator reasoning_effort

V4-ov post-trening trenira specijaliste po domenima odvojeno — matematika, programiranje, agenti, praćenje uputstava — uz SFT praćen GRPO-om, metodom Group Relative Policy Optimization koju je DeepSeek uveo sa R1. Ti specijalisti se zatim objedinjuju u jedan model destilacijom na politici pod obrnutim KL ciljem, tako da jedna kontrolna tačka nosi ponašanje specijalističke klase u nekoliko domena odjednom, umjesto da bude generalista osrednji u svemu.

Objavljeni model izlaže stupnjevite načine razmišljanja, a ne binarni prekidač. Na našem gatewayu to je standardni parametar reasoning_effort, pojedinačno najkorisniji regulator na ovom modelu:

• Low — gotovo direktno odgovaranje: klasifikacija, izvlačenje podataka, prepisivanje, sve gdje plaćate modelovo znanje, a ne njegovo promišljanje.
• Medium — podrazumijevani radni način za pregled koda, otklanjanje grešaka i višekoračnu analizu.
• High — dugo promišljanje prije odgovora. Tu se rješavaju teški problemi i tu živi vaš račun za izlazne tokene, jer se tokeni rezonovanja naplaćuju kao izlaz.

Pošto nema sloja odbijanja, trag rezonovanja se ne skraćuje na osjetljivim temama — obrazac potiskivanja misli dokumentovan na vlastitom servisu nema ovdje mehanizma da se dogodi.

06Kod i agentski rad: šta temelj postiže

Ovo su brojke koje je za izdanje V4-Pro objavio sam DeepSeek-AI — nisu naše i nisu mjerene na našem kvantizovanom izdanju. Pokazujemo ih jer su pošten razlog da se odabere ovaj temelj, i označavamo ih kao brojke iz prve ruke proizvođača kako biste im dali odgovarajuću težinu.

Dvije zaslužuju komentar. SWE-bench Verified sa 80,6% je rješavanje problema u stvarnim repozitorijima — čitanje nepoznate baze koda, pronalaženje kvara i izrada zakrpe koja prolazi projektove vlastite testove. MRCR na milion tokena (83,5) jeste višekružno dohvatanje koreferencije na punoj dužini, brojka koja vam govori da tvrdnja o dugom kontekstu nije ukras. DeepSeek za model prijavljuje i Codeforces rejting od 3206, te 62,0 na CorpusQA pri kontekstu od 1M.

Gornje brojke prijavio je DeepSeek-AI za referentno izdanje DeepSeek-V4-Pro. Naše 3BIT-REAP izdanje komprimovana je varijanta tih težina i nije nezavisno mjereno na ovim zadacima; referentne rezultate shvatite kao plafon temelja, a ne kao mjerenje ove krajnje tačke.

07262K konteksta: šta zaista staje

Referentni model treniran je za milion tokena. Mi poslužujemo 262.144 — prozor koji dijeli svaki model na gatewayu, pa je zamjena modela izmjena u jednoj liniji i nikada nazadovanje u kontekstu. U praksi je 262K iza tačke na kojoj kontekst za većinu stvarnog posla predstavlja ograničenje:

Opterećenje	Približno tokena	Staje li u 262K?
Servisni repozitorij srednje veličine (~50 hiljada linija)	~600K	Ne — birajte module
Jedan podsistem + njegovi testovi	~60–120K	Da, sa lakoćom
Kompletan skup RFC-ova za protokol	~150K	Da
Tehnička knjiga od 700 stranica	~250K	Da, blizu granice
Dug agentski rad, 40+ poteza sa alatima	~80–200K	Da

Granica koju treba planirati jeste izlaz: najviše 16.384 tokena po odgovoru. To je dug dokument ili sadržajna zakrpa preko više datoteka, ali ne i baza koda. Veliki poslovi generisanja rade se ulančavanjem zahtjeva sa prethodnim izlazom vraćenim u kontekst — što prozor od 262K čini jeftinim — a ne traženjem jedne ogromne dovršenice.

08Cijena i gdje V4-Pro stoji u postavi

Sa $1.95 ulaz / $3.90 izlaz po milionu tokena, V4-Pro je vodeći nivo za rezonovanje — model za kojim posežete kada je problem težak. Kada je samo velik, jeftiniji modeli na istom prozoru od 262K obaviće to za četvrtinu cijene.

Necenzurirani model	Ulaz / 1M	Izlaz / 1M	Vid	Najbolji za
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Ne	Teško rezonovanje, kod, agenti
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Ne	Isto porijeklo, veliki obim
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Ne	Univerzalni radni konj
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Da	Vrhunski multimodalni agenti
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Da	Najjeftiniji vid

Da budemo iskreni o poređenju koje će ljudi zaista napraviti: DeepSeekov vlastiti API jeftiniji je od ovoga — V4-Pro iz prve ruke naveden je po oko $0.435 ulaz / $0.87 izlaz, a njihova cijena ulaza pri pogotku u keš još je niža. Ako vam je cijena po tokenu jedini kriterij i ponašanje moderacije ne utiče na vaš posao, koristite njihov API; radije ćemo vam to reći nego da to otkrijete kasnije. Premija kupuje drugačiji skup svojstava: bez sloja odbijanja i bez filtera izlaza, američki operater pod Shannon Lab LLC-om, prikovana datirana kontrolna tačka (0813) tako da vam tiha nadogradnja uzvodno nikada ne promijeni izlaze usred projekta, tri API dijalekta prema jednom modelu, te isti prozor od 262K i ista površina parametara na svih dvanaest modela u postavi.

09Pozivanje: tri dijalekta, jedan model

Svaki model na gatewayu odgovara na sve tri krajnje tačke, sa strimingom na svakoj. Ne usvajate novi SDK — mijenjate osnovni URL i id modela.

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 dijalekt; radi sa OpenAI SDK-ovima i svime što je na njima građeno.
• /v1/messages — Anthropicov dijalekt, za baze koda već pisane prema tom obliku.
• /v1/responses — interfejs u stilu Responses.

Podržano na ovom modelu: striming, izvorno pozivanje alata, strogi strukturirani izlaz po json_schema, response_format i reasoning_effort. Potpuni pregled parametara i živi playground nalaze se u API dokumentaciji.

10Poštena ograničenja

Četiri stvari koje treba znati prije nego što na tome gradite:

• Bez vida. Samo tekst; neće primiti sliku na ulazu ni na jednoj krajnjoj tački. Ako vam treba necenzurirani model koji vidi, koristite Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 ili inkling.
• Gornja granica izlaza od 16.384 tokena. Tokeni rezonovanja se pri visokom naporu ubrajaju u nju, pa dugo promišljanje ostavlja manje mjesta za odgovor. Za velike poslove generisanja ulančavajte zahtjeve.
• 3 bita su stvarna kompresija. Referentni rezultati opisuju temelj, a ne ovo izdanje. Za nivo najveće vjernosti, W8A16 modeli (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) nose najmanje kvantizacije.
• Necenzurirano nije bez posljedica. Nepostojanje sloja odbijanja znači da odgovornost za ono što pitate i za ono što uradite sa odgovorom leži na vama — po našim uslovima korištenja i zakonu tamo gdje poslujete.

11Često postavljana pitanja

---

Izvori: DeepSeek-AI — kartica modela DeepSeek-V4-Pro · Tehnički izvještaj o DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Tehnički izvještaj o DeepSeek-V3 · REAP the Experts (Cerebras Research) · Promptfooova revizija cenzure · Discovering Forbidden Topics in Language Models. Brojke sa benchmarkova prijavio je DeepSeek-AI za referentno izdanje; nezavisna provjera komprimovanog izdanja od treće strane još je u toku. Cijene su cjenovnik Shannon AI-ja na dan 5. septembra 2026.