API de DeepSeek Flash sense censura

La majoria d'equips que avaluen una API d'LLM optimitzen la variable equivocada. Fan proves amb els vint prompts més difícils que se'ls acudeixen, trien el guanyador i descobreixen sis setmanes més tard que el noranta-cinc per cent del seu trànsit és feina curta, estructurada i repetitiva que un model que costa una quarta part hauria resolt de manera idèntica. DeepSeek-V4-Flash existeix per a aquest noranta-cinc per cent. Aquesta pàgina va de saber quan hi ets — i quan no.

01Què obtens realment

Propietat	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Id del model	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Context / sortida màxima	262.144 tokens / 16.384 tokens
Preu per 1M (entrada / sortida)	$0.50 / $2.00
Streaming · crides a eines · raonament	Sí — als tres dialectes
Sortida estructurada	json_schema i response_format
Entrada d'imatge (visió)	No — només text
Capa de refús / filtre de sortida	Cap
Servit a	El clúster de GPU propi de Shannon

Tres dialectes d'API arriben als mateixos pesos: /v1/chat/completions (amb forma d'OpenAI), /v1/messages (amb forma d'Anthropic) i /v1/responses. El streaming funciona als tres. La referència completa de paràmetres és a la documentació de l'API.

02D'on ve: el llinatge DeepSeek

DeepSeek-AI ha dedicat cinc generacions de models a una sola obsessió: obtenir comportament de frontera d'un model que sigui barat de servir, no només barat d'entrenar. Gairebé totes les decisions arquitectòniques de la línia hi remeten, i les importants són publicades. Tres expliquen què estàs cridant quan pegues a aquest extrem.

DeepSeekMoE — experts de gra fi més un de compartit

Una capa Mixture-of-Experts substitueix una gran xarxa feed-forward per moltes de més petites i un router que en selecciona un grapat per token. La variant de DeepSeek talla els experts més fi que la disposició convencional de vuit experts, de manera que els mateixos FLOPs activats compren una barreja molt més específica combinatòriament, i aïlla un expert compartit pel qual passa cada token, així el coneixement comú no es torna a aprendre de manera redundant dins de cada especialista. DeepSeek-V3 ho va lliurar com a 256 experts encaminats més 1 expert compartit, activant-ne 8 d'encaminats per token — 671B de paràmetres totals, 37B actius — juntament amb un equilibrat de càrrega sense pèrdua auxiliar: en lloc d'un terme de penalització que degrada la qualitat, un biaix per expert empeny les puntuacions d'encaminament amunt o avall a cada pas segons si aquell expert va infracarregat o sobrecarregat.

MLA — atenció que cap a la memòria

L'altra meitat del problema del cost de servei és la cau KV, que creix linealment amb el context i domina la memòria amb seqüències llargues. La Multi-head Latent Attention, introduïda a DeepSeek-V2, comprimeix claus i valors conjuntament en un vector latent de rang baix i posa això a la cau, reconstruint K/V utilitzables sobre la marxa. Les xifres publicades de V2 per DeepSeek, contra el seu DeepSeek 67B dens anterior, reporten una reducció del 93,3% de la cau KV i un rendiment màxim de generació 5,76× superior. Per això una finestra de 262K tokens és el mínim exigible en aquesta família i no un complement de pagament.

Atenció dispersa — i el precedent dels tokens barats

La V3.2-Exp va afegir la DeepSeek Sparse Attention: un indexador lleuger puntua els tokens del context contra la consulta, i un selector només es queda els millor puntuats. La part interessant és el rebut, no el mecanisme. DeepSeek va publicar una comparació directa amb V3.1-Terminus amb MMLU-Pro idèntic a 85,0, AIME 2025 a l'alça (88,4 → 89,3) i SWE-bench Verified marginalment a la baixa (68,4 → 67,8) — qualitat essencialment plana — i van retallar els preus de la seva API més d'un 50% aquell mateix dia. Arquitectura, reportada honestament, convertida directament en preu. Flash és aquest argument portat un pas més enllà.

La generació V4

La V4, presentada com a avançament l'abril de 2026 sota llicència MIT, torna a substituir la pila d'atenció per un híbrid de Compressed Sparse Attention i Heavily Compressed Attention, entrena amb l'optimitzador Muon sobre més de 32T de tokens i manté l'objectiu de predicció multitoken de la V3 — que fa alhora de descodificació especulativa i que DeepSeek va mesurar amb una taxa d'acceptació del segon token del 85–90% per a una acceleració de descodificació d'aproximadament 1,8× a la V3. El resum de la V4 reporta que V4-Pro funciona amb el 27% dels FLOPs d'inferència per token de la V3.2 i el 10% de la seva cau KV. La família exposa tres nivells d'esforç de raonament, que és allò a què es correspon el nostre paràmetre reasoning_effort.

Fonts: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Informe tècnic de DeepSeek-V3 (arXiv 2412.19437) · fitxa del model DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Totes les xifres són reportades per DeepSeek.

03Què vol dir «Flash» realment

Aquest és el punt que la majoria de comparacions erren, així que val la pena dir-ho pla: el Flash de DeepSeek no és un Pro quantitzat, podat ni destil·lat. És un model Mixture-of-Experts més petit entrenat per separat, amb el seu propi preentrenament. L'article de l'avançament de la V4 dona les dues mides:

Xifres de l'article de l'avançament de DeepSeek-V4. Els checkpoints oficials que servim — V4-Flash-0731 i V4-Pro-0813 — llisten totals lleugerament superiors de 304B i 1,7T a les seves fitxes de model; DeepSeek no torna a indicar els paràmetres activats d'aquestes compilacions.

Aquí hi ha dues xifres que fan la feina. Els paràmetres totals fixen l'empremta de memòria, que decideix quant maquinari ocupa una còpia del model. Els paràmetres activats fixen l'aritmètica per token, que decideix el rendiment. Flash és aproximadament 5,6× més petit en la primera i 3,8× més petit en la segona — i en aquesta diferència hi ha una subtilesa que val la pena notar: Flash activa 13 de 284 mil milions de paràmetres, un 4,6% aproximadament, mentre que Pro n'activa 49 de 1.600 mil milions, un 3,1% aproximadament. Flash és el model menys dispers. No és simplement un Pro amb menys experts encesos; és un disseny més dens i equilibrat de manera diferent que dedica una part més gran d'ell mateix a cada token que produeix. Això és una decisió d'enginyeria real, no una rebaixa.

Què diuen les xifres pròpies de DeepSeek

Les dues fitxes de model oficials publiquen puntuacions als mateixos benchmarks agèntics i d'enginyeria de programari, cosa que fa que aquesta sigui una comparació inusualment neta — el mateix laboratori, el mateix arnès d'avaluació, dues mides:

Benchmark (reportat per 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 guanya a totes les files. Aquest és el titular honest, i preferim que el llegeixis aquí i no que el descobreixis en producció. Però llegeix els marges, perquè són el que estàs comprant realment. A Terminal Bench 2.1 la diferència és de 5,2 punts en un model amb una vint-i-cinquena part dels paràmetres; en ús d'eines és de 3,8 punts. La diferència s'eixampla allà on la feina es fa més profunda — 8,3 punts a DeepSWE, 7,3 a NL2Repo, tots dos premiant el raonament sostingut de codi en diversos passos. Aquesta és la forma del compromís en una sola taula: Flash tanca la major part de la distància en tasques acotades i cedeix terreny en les obertes.

La fitxa pròpia de Flash de DeepSeek ho remarca encara més: Flash-0731 supera l'avançament de V4-Pro als benchmarks llistats malgrat el seu recompte de paràmetres activats molt inferior. Que un model petit més nou superi un de gran més antic és l'estat normal de les coses en aquest camp, i és la raó per la qual «la gamma més gran» no hauria de ser mai la teva resposta per defecte.

04Llegir el sufix: W4A16-AUTOROUND-REAP

Els nostres ids de model diuen en veu alta el seu esquema de compressió, perquè és allò que més afecta la qualitat de la sortida i que gairebé ningú no revela. Aquest es descompon en tres afirmacions.

W4A16 — pesos de 4 bits, activacions de 16 bits

Els pesos es desen a 4 bits cadascun; les activacions circulen amb precisió de 16 bits. Això és quantització només de pesos, i apunta al coll d'ampolla real en la generació de tokens, que és l'amplada de banda de memòria i no pas l'aritmètica. Quantitzar també les activacions compraria una mica més de velocitat i arriscaria una caiguda de precisió molt més gran; deixar-les a 16 bits és l'opció conservadora i d'alta fidelitat. La notació és una abreviatura de l'ecosistema de servei — la literatura de quantització escriu el mateix com a W4 amb una mida de grup.

AUTOROUND — arrodoniment après, no arrodoniment al més proper

La quantització ingènua arrodoneix cada pes al valor representable més proper. Això demostrablement no és òptim: arrodonir un pes en el sentit «equivocat» pot cancel·lar l'error introduït pels seus veïns, i amb milers de milions de pesos aquestes interaccions dominen. L'AutoRound, d'Intel, tracta la decisió d'arrodoniment mateixa com una cosa a aprendre — una pertorbació entrenable per pes restringida a ±0,5, exactament el just per invertir qualsevol decisió d'arrodoniment individual i mai més, més rangs de retallada apresos, optimitzat mitjançant descens de gradient signat contra un objectiu de reconstrucció de sortida per blocs sobre un petit conjunt de calibratge. Dos-cents passos, i llestos.

Les comparacions publicades d'Intel tenen AutoRound superant GPTQ en 30 de 32 escenaris provats, AWQ en 27 de 32 i OmniQuant en 29 de 32 amb configuracions de només pesos a 4 bits, amb guanys sobre l'arrodoniment ingenu al més proper de 6,9 a 33,2 punts de precisió a 2 bits. Res d'això no costa gens en temps d'inferència: és una millor tria de números, feta una vegada, fora de línia.

REAP — descartar els experts a qui ningú no encamina

REAP (Router-weighted Expert Activation Pruning), de Cerebras Systems i la Universitat de Calgary, és compressió d'un sol pas per a models MoE. Puntua cada expert per la força i la freqüència amb què el router hi obre pas, multiplicada per la magnitud de la sortida d'aquell expert, i després esborra directament els experts menys rellevants — sense cap reentrenament posterior.

La troballa central de l'article és la útil: amb ràtios de compressió altes, podar experts supera fusionar-los. Fusionar experts funcionalment diferents provoca el que els autors anomenen col·lapse del subespai funcional — el router perd el control de gra fi i dependent de l'entrada que feia que valgués la pena construir la MoE, i queda dirigint entre mitjanes estàtiques. Les seves xifres en models de 20B a 1T de paràmetres: amb una compressió d'experts del 25% en tasques de programació, REAP perd un 2,8% de precisió mitjana on les bases de fusió en perden més d'un 5%; al 50%, REAP perd un 8,0% on la fusió en perd més d'un 20%. A Qwen3-Coder-480B amb una poda del 50% la caiguda és de l'1,4%, contra el 39,3% de la poda ingènua basada en freqüència. Cerebras ha publicat checkpoints REAP per a la línia DeepSeek, entre d'altres.

Per què 4 bits aquí i 3 bits a Pro

Totes dues gammes han de cabre i mantenir-se ràpides a la mateixa classe de maquinari. Pro porta 1,7 bilions de paràmetres, així que necessita el tractament més agressiu de 3 bits per cabre-hi. Flash en porta uns 300 mil milions, així que no li cal — i el bit que estalvia el gasta en fidelitat en lloc de gastar-lo a cabre-hi.

Aquest bit extra importa més del que suggereix la seva aritmètica, perquè el dany de la quantització no és lineal. A les mesures de WikiText-2 de l'article d'AWQ, Llama-2-7B passa de 5,47 de perplexitat a FP16 a 5,60 a 4 bits — una penalització del 2,4% — però a 6,24 a 3 bits, una penalització del 14%. Això és aproximadament sis vegades la degradació per un 25% més de compressió, i el mateix patró es manté a 70B. L'article de GPTQ és encara més contundent: a 3 bits, l'arrodoniment ingenu al més proper col·lapsa en models de classe 175B, fins a perplexitats de milers, mentre que continua sent perfectament utilitzable a 4 bits. Per sota de quatre bits, un bon algorisme de quantització deixa de ser un detall i esdevé l'única cosa que manté el model sencer.

Així que la lectura honesta d'aquests dos sufixos és: Flash queda més a prop del seu jo sense comprimir del que Pro queda del seu. Pro continua sent el model més fort — la taula de benchmarks d'aquí sobre ho resol. Simplement va cedir més per arribar-hi, i tu pagues pel privilegi.

Fonts: 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. Xifres de perplexitat d'AWQ (arXiv 2306.00978) i GPTQ (arXiv 2210.17323).

05Flash contra Pro a l'extrem

La secció 03 cobria les bases. Vet aquí quin aspecte tenen les dues gammes com a productes a la nostra passarel·la:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Quantització	W4A16-AUTOROUND-REAP	3BIT-REAP
Precisió dels pesos	4 bits, arrodoniment après	3 bits
Base (total / actius)	~304B / 13B	~1.7T / 49B
Entrada per 1M de tokens	$0.50	$1.95
Sortida per 1M de tokens	$2.00	$3.90
Context / sortida màxima	262.144 / 16.384	262.144 / 16.384
Eines · sortida estructurada · streaming	Sí	Sí
Visió	No	No
Capa de refús	Cap	Cap

Fixa't en què no canvia: el context, el sostre de sortida, les crides a eines, la sortida estructurada i l'absència de capa de refús són idèntics. Les úniques coses que es mouen són la base, la quantització i el preu. Això fa que canviar d'un a l'altre sigui un canvi d'una sola cadena al teu codi i una decisió purament econòmica a la teva arquitectura.

Què costa una crida de mida màxima

Omple tot el context de 262.144 tokens i pren la sortida completa de 16.384 tokens:

A preu de tarifa. Flash: 0,131 $ d'entrada + 0,033 $ de sortida. Pro: 0,511 $ + 0,064 $. Ràtio de 3,51×. Flash també comparteix el terra de 0,50 $ / 2,00 $ amb MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro i Hy3 — consulta el catàleg complet per veure en què difereixen quant a visió i sortida estructurada.

06Els números del volum, fets

«3,9× més barat» només és cert a l'entrada. A la sortida, Flash és 1,95× més barat. El teu estalvi real depèn, doncs, de la teva ràtio entre entrada i sortida, i la forquilla és prou ampla per canviar decisions de disseny. Quatre càrregues de treball realistes, cadascuna amb 100.000 peticions:

Càrrega de treball	Entrada / sortida per crida	Flash	Pro	Estalvi
Classificació de tiquets	1,200 / 120	$84	$281	3.3×
Resposta a preguntes amb RAG	8,000 / 600	$520	$1,794	3.4×
Resum de documents llargs	60,000 / 1,500	$3,300	$12,285	3.7×
Generació de dades sintètiques	500 / 2,000	$425	$878	2.1×

El patró: com més context empenys i menys text generes, més t'estalvia Flash. Les canonades de recuperació, el triatge de documents, l'anàlisi de registres i de transcripcions i l'extracció amb context llarg són el punt dolç — estan dominades per l'entrada en un ordre de magnitud, i l'entrada és on viu el descompte de 3,9×. Si en canvi la teva càrrega de treball és un prompt curt que produeix milers de tokens de prosa, la diferència s'estreny fins a un 2× aproximadament i l'argument de capacitat a favor de Pro es fa proporcionalment més fort.

Un altre càlcul que val la pena interioritzar: a 0,50 $ per milió de tokens d'entrada, omplir tota la finestra de 262.144 tokens costa 13,1 cèntims. Fer prompts de context llarg deixa de ser una qüestió de pressupost a aquest preu, cosa que de vegades vol dir que et pots estalviar construir una capa de recuperació i deixar que la finestra de context faci la feina — un estalvi d'enginyeria a sobre de l'estalvi de tokens.

07Què vol dir «sense censura» aquí, exactament

La paraula es fa servir amb lleugeresa, així que vet aquí la nostra definició, formulada com una propietat de l'extrem: no hi ha cap classificador de refús davant del model ni cap filtratge de contingut aplicat a la seva sortida. Res no intercepta un prompt i retorna una negativa enllaunada; res no inspecciona la compleció i la redacta. Per a la feina de producció d'alt volum, les conseqüències són menys dramàtiques i més útils del que suggereix la paraula:

• Cap fals positiu amb trànsit benigne. Els extrems filtrats declinen rutinàriament resums mèdics, informes de seguretat, descoberta legal, ficció, material de reducció de danys i la mateixa feina de moderació — exactament les categories on una feina per lots processa text sobre un tema sensible en lloc de produir res nociu. Amb cent mil peticions, una taxa d'un u per cent de refusos falsos són mil files trencades.
• Contractes deterministes. Demana una resposta json_schema i obtens JSON que encaixa amb l'esquema, no un paràgraf de disculpa on hi hauria d'haver un objecte. El teu analitzador no necessita cap branca de refús, i la teva lògica de reintents no ha de distingir una fallada de transport d'una de política.
• La política és teva. Aquest és el compromís. Si el teu producte necessita baranes de protecció per als teus usuaris finals, les construeixes a la teva capa, on coneixes els teus usuaris i la teva jurisdicció, en lloc d'heretar les suposicions d'un proveïdor sobre totes dues coses. El teu compte continua regit per la nostra Política d'ús responsable.

Sense censura no és el mateix que sense alineació ni que poc útil. El model continua seguint instruccions i continua respectant un prompt de sistema. Si vols que rebutgi certes categories per als teus usuaris, digues-ho allà — aquesta instrucció ara és teva d'escriure i no nostra d'imposar.

08Capacitats i límits honestos

Dues capacitats carreguen la major part del pes per a la feina de volum. La sortida estricta json_schema converteix una compleció en una fila de base de dades sense capa d'anàlisi i sense branca de refús. Les crides a eines als tres dialectes fan de Flash un motor assenyat per als subpassos barats d'un agent el planificador de primer nivell del qual s'executa en un model més fort. Afegeix-hi reasoning_effort, que et permet gastar tokens extra només a la fracció del trànsit que els necessita, i un context de 262.144 tokens idèntic al de Pro — no renuncies al context per triar la gamma barata, cosa que és inusual.

Els límits són igualment concrets:

• Sense visió. Flash és només text i rebutjarà les parts d'imatge d'un missatge. Per a imatges amb un model sense censura al mateix terra de 0,50 $ / 2,00 $, MiniMax-M3 i MiMo-V2.5 són les opcions amb visió; Kimi-K2.6 i Kimi-K3 són models de visió més forts per sobre d'aquella gamma.
• No és el cim de l'escala. Les xifres pròpies de DeepSeek posen Pro al davant a tots els benchmarks agèntics publicats, amb la diferència més gran al raonament sostingut de codi en diversos passos. Allà on una resposta errònia costa més que mil de barates, gasta l'1,45 $ extra per milió a DeepSeek-V4-Pro.
• 16.384 tokens de sortida per petició. Les generacions llargues s'han de trossejar en diverses crides. Aquest és el mateix sostre a tots els models que servim, i lliga molt abans que no ho faci la finestra de context.

09Com cridar-lo

Apunta qualsevol client compatible amb OpenAI a la passarel·la i canvia la cadena del model. Res més de la teva pila no s'ha de moure.

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
        }
      }
    }
  }'

El mateix id de model funciona sense canvis a /v1/messages i /v1/responses, que és la manera més ràpida de provar en A/B un model més barat sota una integració existent sense reescriure el client. Els paràmetres, les formes dels esdeveniments de streaming, els esquemes de crides a eines i els límits de freqüència estan documentats a la referència de l'API; tots els models del catàleg són llistats a Shannon Research.

10Preguntes freqüents

---

Fonts: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Informe tècnic de DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · fitxes dels models 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). Totes les xifres de bases i de benchmarks són tal com les han publicat els seus autors respectius; els preus de Shannon AI i el context servit són els nostres valors de tarifa a setembre de 2026.