L'API de DeepSeek sense censura
Una Mixture-of-Experts de DeepSeek d'1,6 bilions de paràmetres servida sense cap capa de refús: 262K de context, esforç de raonament natiu, crides a eines i tres dialectes d'API al nostre propi clúster de GPU.
TL;DR
DeepSeek-V4-Pro-0813-3BIT-REAP és el model insígnia de raonament i codi de la gamma sense censura de Shannon AI. La base és la V4-Pro de pesos oberts de DeepSeek-AI — 1,6T de paràmetres totals, 49B activats per token, amb llicència MIT, entrenada nativament per a un context d'un milió de tokens. La servim al nostre propi clúster de GPU amb pesos de 3 bits i poda d'experts REAP, amb una finestra de 262.144 tokens, una sortida màxima de 16.384 tokens, streaming, crides a eines natives, sortida estricta json_schema i un comandament reasoning_effort. 1,95 $ per 1M d'entrada, 3,90 $ per 1M de sortida. Sense visió. Sense capa de refús ni filtratge de la sortida.
Qui arriba a l'expressió «API de DeepSeek sense censura» vol una cosa molt concreta: un model amb la capacitat de raonament i de programació de DeepSeek que respongui la pregunta que ha fet de debò. La meitat de la capacitat està ben documentada — DeepSeek-AI va publicar l'arquitectura i les xifres, i els pesos són a Hugging Face amb llicència MIT. La segona meitat és una decisió d'explotació, i normalment la prenen per tu. Aquesta pàgina cobreix totes dues: què és la base V4-Pro, què li fa la nostra compilació 3BIT-REAP i exactament què vol dir «sense censura» quan ho diem nosaltres.
01Què vol dir realment «API de DeepSeek sense censura»
Sota la mateixa paraula s'hi arxiven dos mecanismes diferents. El primer és l'alineament cuit dins dels pesos — comportament de refús après durant el postentrenament. El segon és una capa de moderació al costat del servei: un classificador separat que inspecciona el teu prompt abans que el vegi el model i la sortida abans que la vegis tu, i que pot tallar una resposta a mitja frase independentment del que el model volgués dir.
Tots dos són mesurables, i el servei de primera part de DeepSeek s'ha mesurat. Promptfoo va reunir un conjunt de 1.360 prompts de preguntes políticament sensibles i va informar que la R1 allotjada per DeepSeek en va refusar o desviar 1.156 — a l'entorn del 85%. Feina acadèmica sobre la mateixa família va trobar un mode de fallada diferent que els autors van anomenar supressió del pensament, on la traça de raonament del model s'acaba gairebé tan bon punt comença amb un tema sensible. Una auditoria a part publicada a Information Sciences va documentar supressió a escala semàntica: contingut present al raonament intern del model que s'omet o es reescriu discretament abans d'arribar a l'usuari. Aquest és un problema més difícil que un refús directe, perquè una resposta truncada sembla una resposta.
El que executem nosaltres és la publicació de pesos oberts, en maquinari que operem, als Estats Units, sota Shannon Lab LLC. No hi ha cap capa de refús davant del model ni cap filtre aplicat al que en torna: el teu prompt no es classifica per política abans de servir-lo, i el flux de sortida no s'inspecciona pel camí. Com que la base té llicència MIT i és pública, pots comparar tu mateix les nostres sortides amb els pesos de referència en lloc de creure'ns.
02La base: DeepSeek-V4-Pro, un MoE d'1,6T
DeepSeek-V4 és la família actual de pesos oberts de DeepSeek-AI, presentada l'abril de 2026 i publicada amb llicència MIT en dues mides: V4-Flash (284B totals, 13B activats) i V4-Pro (1,6T totals, 49B activats). Aquest article va del nivell Pro. Totes dues es van preentrenar amb aproximadament 33 bilions de tokens i totes dues admeten nativament un context d'un milió de tokens.
La ràtio d'esparsitat és el que cal notar: només al voltant del 3% dels paràmetres s'activen en un token qualsevol, que és el que fa que un model d'aquesta mida es pugui servir. El bloc MoE en si continua sent DeepSeekMoE — els experts encaminats de gra fi més els experts compartits sempre actius introduïts a la V2 — amb només canvis menors a la V4, el més visible dels quals és l'encaminament per hash a les capes més primerenques. La predicció multitoken, l'objectiu auxiliar de la V3 que també permet la descodificació especulativa, es conserva sense canvis.
Les peces noves de la V4 són estructurals. Les Manifold-Constrained Hyper-Connections (mHC) substitueixen el camí residual pla per una matriu de mescla apresa restringida a la varietat de matrius doblement estocàstiques mitjançant una projecció de Sinkhorn–Knopp — un flux residual que es repondera segons l'entrada sense la deriva numèrica que mata les piles molt profundes. L'entrenament va deixar AdamW per Muon a la majoria de mòduls, fent servir ortogonalització de Newton–Schulz, i va mantenir AdamW només per als encastaments, els caps de predicció, la normalització i els paràmetres estàtics de mHC. I els pesos dels experts s'entrenen en FP4 amb la majoria dels altres paràmetres en FP8 — conscients de la quantització des del principi, cosa que importa per com de bé el model encaixa una compressió addicional.
03De MLA a CSA + HCA: com DeepSeek manté barat el context llarg
El fil conductor de DeepSeek al llarg de quatre generacions no és la mida, és l'economia de l'atenció. Cada versió ha atacat la memòria cau KV, que creix linealment amb el context i domina la memòria en longituds llargues.
- La V2 va introduir la Multi-head Latent Attention (MLA) — una compressió conjunta de rang baix de claus i valors en un vector latent, de manera que la generació desa aquest vector més una clau RoPE desacoblada en lloc de K i V complets per cap. DeepSeek va informar d'una memòria cau KV reduïda a aproximadament el 4–14% de l'atenció multicap estàndard, mantenint o millorant la qualitat.
- La V3 ho va escalar a 671B, i va convertir la MLA en el supòsit per defecte per al context llarg barat als models oberts.
- La V3.2 va afegir la DeepSeek Sparse Attention (DSA), que selecciona un subconjunt top-k de la història per consulta mitjançant un indexador lleuger en lloc d'atendre-ho tot.
- La V4 ho hibrida. La Compressed Sparse Attention (CSA) primer comprimeix les entrades KV de cada m tokens en una sola entrada amb pesos apresos, i després executa una selecció esparsa top-k sobre aquestes entrades comprimides. La Heavily Compressed Attention (HCA) comprimeix molt més agressivament però es manté densa sobre el resultat. Els dos tipus de capa s'intercalen al llarg de la pila, de manera que el resum global barat i la recuperació local precisa coexisteixen.
El rèdit reportat amb un context d'un milió de tokens és contundent: la V4-Pro necessita al voltant del 27% dels FLOPs d'inferència per token i del 10% de la memòria cau KV de la V3.2. Per això una petició de 262K es comporta com una petició normal i no com un esdeveniment de memòria, i per això les xifres de recuperació en context llarg aguanten en lloc d'esfondrar-se passades unes quantes desenes de milers de tokens.
04Què vol dir el sufix 3BIT-REAP
L'id del nostre catàleg acaba en 3BIT-REAP, i això descriu dos passos de compressió independents aplicats en ordre.
REAP: podar experts, no fusionar-los
REAP és Router-weighted Expert Activation Pruning, de Cerebras Research — «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression», acceptat a ICLR 2026. En una MoE esparsa el router no fa servir els experts de manera uniforme: hi ha una cua llarga que se selecciona poc, feblement o totes dues coses. REAP puntua cada expert combinant els valors de la porta del router (amb quina freqüència i amb quina força se'l tria) amb les normes d'activació de l'expert (quant hi contribueix la seva sortida), i després esborra directament els perdedors.
L'argument de l'article és que podar supera fusionar: fusionar fa desaparèixer per mitjana l'especialització funcional que feia que valgués la pena construir la MoE, mentre que esborrar els experts que el router gairebé no arriba a tocar la preserva. En models de 20B a 1T, REAP va superar la fusió i altres mètodes de poda en proves generatives, i els autors informen de resultats gairebé sense pèrdues en generació de codi i crides a eines amb un 50% d'experts podats a Qwen3-Coder-480B i Kimi-K2 — que és exactament el perfil de càrrega per al qual aquest model és aquí.
Pesos de 3 bits: el nivell de compressió per a les bases més grans
El que sobreviu es quantitza després a pesos de 3 bits. Tres bits és agressiu, i no fem veure el contrari: a tota la gamma fem servir W8A16 allà on la base és prou petita per no necessitar l'estretor, W4A16-AUTOROUND-REAP al mig, i 3BIT-REAP només a les bases més grans, on és la diferència entre servir el model i no servir-lo.
Val la pena dir la contrapartida clarament: una MoE d'1,6T a 3 bits no és idèntica bit a bit a la publicació de referència, i hi ha un cost de qualitat petit però real. El que hi guanyes és una base el sostre sense comprimir de la qual queda molt per damunt de qualsevol cosa que càpiga còmodament amb més precisió — i com que els experts de la V4 es van entrenar en FP4 des del principi, el model es comporta inusualment bé amb una compressió addicional dels pesos. Si vols una compilació de DeepSeek amb la mà més lleugera sobre la precisió, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP fa servir pesos de 4 bits amb activacions de 16 bits i l'arrodoniment après d'AutoRound, amb els mateixos 262K de context a 0,50 $ d'entrada / 2,00 $ de sortida.
05El raonament i el comandament reasoning_effort
El postentrenament de la V4 entrena especialistes de domini per separat — matemàtiques, programació, agents, seguiment d'instruccions — amb SFT seguit de GRPO, el mètode Group Relative Policy Optimization que DeepSeek va introduir amb R1. Aquests especialistes s'unifiquen després en un sol model mitjançant destil·lació on-policy amb un objectiu de KL invers, de manera que un únic punt de control porta comportament de nivell especialista en diversos dominis alhora en lloc de ser un generalista mediocre en tots.
El model publicat exposa modes de pensament graduats en lloc d'un interruptor binari. A la nostra passarel·la això és el paràmetre estàndard reasoning_effort, el comandament més útil d'aquest model:
- Low — resposta gairebé directa: classificació, extracció, reescriptura, qualsevol cosa on paguis pel coneixement del model i no per la seva deliberació.
- Medium — el mode de treball per defecte per a revisió de codi, depuració i anàlisi de diversos passos.
- High — deliberació llarga abans de respondre. On es resolen els problemes difícils, i on viu la teva factura de tokens de sortida, ja que els tokens de raonament es facturen com a sortida.
Com que no hi ha cap capa de refús, la traça de raonament no es trunca en temes sensibles — el patró de supressió del pensament documentat al servei de primera part no té aquí cap mecanisme per produir-se.
06Codi i feina agèntica: què puntua la base
Aquestes són les xifres publicades per DeepSeek-AI mateixa per a la publicació de la V4-Pro — no són nostres i no s'han mesurat sobre la nostra compilació quantitzada. Les mostrem perquè són la raó honesta per triar aquesta base, i les marquem com a de primera part perquè les puguis ponderar en conseqüència.
N'hi ha dues que mereixen comentari. SWE-bench Verified amb un 80,6% és resolució d'incidències en repositoris reals — llegir una base de codi desconeguda, localitzar el defecte i produir un pedaç que passi les proves del mateix projecte. MRCR a un milió de tokens (83,5) és recuperació de correferència en diverses rondes a longitud completa, la xifra que et diu que l'afirmació sobre context llarg no és decorativa. DeepSeek també reporta una puntuació de Codeforces de 3206 per al model, i 62,0 a CorpusQA amb 1M de context.
Les xifres de dalt les reporta DeepSeek-AI per a la publicació de referència de DeepSeek-V4-Pro. La nostra compilació 3BIT-REAP és una variant comprimida d'aquests pesos i no s'ha avaluat de manera independent en aquestes tasques; tracta les puntuacions de referència com el sostre de la base, no com una mesura d'aquest extrem.
07262K de context: què hi cap de debò
El model de referència està entrenat per a un milió de tokens. Nosaltres en servim 262.144 — la finestra que comparteixen tots els models de la passarel·la, de manera que canviar de model és un canvi d'una línia i mai una regressió de context. A la pràctica, 262K és més enllà del punt on el context limita la major part de la feina real:
| Càrrega de treball | Tokens aprox. | Cap en 262K? |
|---|---|---|
| Repositori de servei mitjà (~50k línies) | ~600K | No — selecciona mòduls |
| Un sol subsistema + les seves proves | ~60–120K | Sí, còmodament |
| Conjunt complet d'RFC d'un protocol | ~150K | Sí |
| Un llibre tècnic de 700 pàgines | ~250K | Sí, a tocar del límit |
| Execució llarga d'agent, més de 40 torns d'eina | ~80–200K | Sí |
El límit que cal planificar és la sortida: 16.384 tokens com a màxim per resposta. Això és un document llarg o un pedaç substancial de diversos fitxers, però no una base de codi. Les feines de generació grans es fan encadenant peticions amb la sortida anterior de nou al context — cosa que la finestra de 262K fa barata — i no demanant una sola compleció enorme.
08Preu, i on se situa la V4-Pro dins de la gamma
A 1,95 $ d'entrada / 3,90 $ de sortida per milió de tokens, la V4-Pro és el nivell insígnia de raonament — el model que agafes quan el problema és difícil. Quan només és gran, models més barats amb la mateixa finestra de 262K ho faran per una quarta part del preu.
| Model sense censura | Entrada / 1M | Sortida / 1M | Visió | Millor per a |
|---|---|---|---|---|
| DeepSeek-V4-Pro · 3BIT-REAP | $1.95 | $3.90 | No | Raonament difícil, codi, agents |
| DeepSeek-V4-Flash · W4A16 | $0.50 | $2.00 | No | Mateix llinatge, volum alt |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | No | Cavall de batalla d'ús general |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Sí | Agents multimodals de gamma alta |
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Sí | La visió més barata |
Anem clars sobre la comparació que la gent farà de debò: l'API pròpia de DeepSeek és més barata que això — la V4-Pro de primera part està a l'entorn de 0,435 $ d'entrada / 0,87 $ de sortida, i el seu preu d'entrada amb encert de memòria cau encara és més baix. Si el preu per token és el teu únic criteri i el comportament de moderació no afecta la teva feina, fes servir l'API de primera part; preferim dir-t'ho que no pas que ho descobreixis més tard. El sobrepreu compra un conjunt diferent de propietats: cap capa de refús ni filtre de sortida, un operador dels EUA sota Shannon Lab LLC, un punt de control datat i fixat (0813) perquè una actualització silenciosa amunt no et canviï mai les sortides a mig projecte, tres dialectes d'API contra un mateix model, i la mateixa finestra de 262K i la mateixa superfície de paràmetres als dotze models de la gamma.
09Com cridar-lo: tres dialectes, un model
Tots els models de la passarel·la responen als tres extrems, amb streaming a cadascun. No adoptes cap SDK nou — canvies una URL base i un id de model.
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— dialecte d'OpenAI; funciona amb els SDK d'OpenAI i amb qualsevol cosa construïda sobre ells./v1/messages— dialecte d'Anthropic, per a bases de codi ja escrites contra aquesta forma./v1/responses— la interfície d'estil Responses.
Admesos en aquest model: streaming, crides a eines natives, sortida estructurada estricta amb json_schema, response_format i reasoning_effort. La referència completa de paràmetres i un espai de proves en viu són a la documentació de l'API.
10Límits honestos
Quatre coses per saber abans de construir-hi a sobre:
- Sense visió. Només text; no acceptarà entrada d'imatge en cap extrem. Si necessites un model sense censura que hi vegi, fes servir Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 o inkling.
- Sostre de sortida de 16.384 tokens. Els tokens de raonament hi compten quan l'esforç és alt, així que una deliberació llarga deixa menys espai per a la resposta. Encadena peticions per a les feines de generació grans.
- 3 bits és una compressió real. Les puntuacions de referència descriuen la base, no aquesta compilació. Per al nivell de màxima fidelitat, els models
W8A16(MiMo-V2.5-Pro, MiMo-V2.5, Hy3) porten la mínima quantització. - Sense censura no vol dir sense conseqüències. No tenir capa de refús vol dir que la responsabilitat pel que demanes, i pel que facis amb la resposta, recau en tu — sota les nostres condicions del servei i la llei d'allà on operis.
Cada afirmació arquitectònica i cada xifra de benchmark d'aquesta pàgina prové d'una font primària pública. Llegeix-les tu mateix.
11Preguntes freqüents
Què és l'API de DeepSeek sense censura?
És el model de pesos oberts DeepSeek-V4-Pro servit al clúster de GPU propi de Shannon AI, sense cap capa de refús al davant i sense cap filtratge aplicat al que retorna. El crides a /v1/chat/completions, /v1/messages o /v1/responses amb una finestra de context de 262.144 tokens, i l'extrem respon en lloc de moderar.
En què es diferencia de l'API oficial de DeepSeek?
Mateix llinatge de pesos oberts, operador diferent i política diferent. El servei de primera part de DeepSeek és més barat per token i aplica la seva pròpia moderació; auditories publicades per Promptfoo i per grups acadèmics hi van documentar refusos i supressió semàntica en prompts políticament sensibles. Shannon AI executa els pesos als Estats Units sense cap capa de refús, exposa l'esforç de raonament i les crides a eines en tres dialectes d'API i fixa un punt de control datat perquè les sortides no et canviïn sota els peus.
Què vol dir 3BIT-REAP?
Dos passos de compressió. REAP és Router-weighted Expert Activation Pruning, un mètode de Cerebras Research que elimina d'un model Mixture-of-Experts els experts poc i feblement encaminats, puntuant cada expert pels valors de la porta del router i per les normes d'activació. El que sobreviu es quantitza després a pesos de 3 bits. Junts fan que una base d'1,6 bilions de paràmetres hi càpiga i continuï sent ràpida al nostre propi clúster de GPU.
Quina mida tenen la finestra de context i la sortida màxima?
262.144 tokens de context i fins a 16.384 tokens de sortida per petició. Això són aproximadament de 600 a 800 pàgines de text d'entrada, i un document tècnic llarg o un pedaç gran de diversos fitxers de sortida. Les feines llargues es fan encadenant peticions, no apujant el sostre de sortida.
DeepSeek V4 Pro admet crides a eines i sortida amb esquema JSON?
Sí a totes dues coses. Les crides a eines natives, la sortida estructurada estricta json_schema i response_format estan totes admeses, juntament amb l'streaming i un paràmetre reasoning_effort. No accepta entrada d'imatge; si necessites visió en un model sense censura, fes servir Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 o inkling.
Quant costa l'API de DeepSeek sense censura?
1,95 $ per milió de tokens d'entrada i 3,90 $ per milió de tokens de sortida. Dins de la mateixa gamma sense censura, DeepSeek-V4-Flash costa 0,50 $ d'entrada i 2,00 $ de sortida amb els mateixos 262K de context, i GLM-5.2 costa 0,73 $ d'entrada i 2,34 $ de sortida, de manera que V4-Pro és el nivell que agafes quan el problema és difícil més que no pas gran.
Crida DeepSeek V4 Pro sense censura
262K de context, esforç de raonament, crides a eines. Dialectes d'OpenAI, d'Anthropic i de Responses amb una sola clau.
Llegeix la documentació de l'API Totes les fitxes de modelShannon Lab LLC · Nou Mèxic, EUA · models servits al nostre propi clúster de GPU
Fonts: DeepSeek-AI — fitxa del model DeepSeek-V4-Pro · Informe tècnic de DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Informe tècnic de DeepSeek-V3 · REAP the Experts (Cerebras Research) · Auditoria de censura de Promptfoo · Discovering Forbidden Topics in Language Models. Les xifres de benchmark les reporta DeepSeek-AI per a la publicació de referència; la verificació independent de tercers de la compilació comprimida està pendent. Els preus són els preus de tarifa de Shannon AI a 5 de setembre de 2026.