DeepSeek Flash API bez cenzury

Většina týmů, které vybírají LLM API, optimalizuje špatnou proměnnou. Nabenchmarkují dvacet nejtěžších promptů, jaké je napadnou, vyberou vítěze a o šest týdnů později zjistí, že devadesát pět procent jejich provozu je krátká, strukturovaná, opakující se práce, kterou by model za čtvrtinu ceny zvládl úplně stejně. DeepSeek-V4-Flash existuje právě pro těch devadesát pět procent. Tahle stránka je o tom, jak poznat, že v nich jste — a kdy nejste.

01Co konkrétně dostanete

Vlastnost	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Id modelu	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kontext / max. výstup	262 144 tokenů / 16 384 tokenů
Cena za 1M (vstup / výstup)	$0.50 / $2.00
Streamování · volání nástrojů · uvažování	Ano — všechny tři dialekty
Strukturovaný výstup	json_schema a response_format
Obrazový vstup (vidění)	Ne — pouze text
Vrstva odmítání / filtr výstupu	Žádná
Servírováno na	Vlastním GPU clusteru Shannonu

Ke stejným váhám vedou tři dialekty API: /v1/chat/completions (tvar OpenAI), /v1/messages (tvar Anthropic) a /v1/responses. Streamování funguje na všech třech. Úplná referenční příručka parametrů je v dokumentaci API.

02Odkud pochází: linie DeepSeek

DeepSeek-AI strávil pět generací modelů jedinou posedlostí: dostat chování na hranici špičky z modelu, který je levný servírovat, ne jen levný trénovat. Skoro každé architektonické rozhodnutí v téhle linii se k tomu vrací a ta důležitá jsou zveřejněná. Tři z nich vysvětlují, co voláte, když trefíte tenhle endpoint.

DeepSeekMoE — jemně granulovaní experti plus jeden sdílený

Vrstva Mixture-of-Experts nahrazuje jednu velkou dopřednou síť mnoha menšími a routerem, který jich na token vybere hrstku. Varianta DeepSeeku krájí experty jemněji než konvenční osmiexpertní uspořádání, takže stejné aktivované FLOPs koupí kombinatoricky mnohem specifičtější směs, a izoluje sdíleného experta, kterým prochází každý token, aby se běžné znalosti nemusely redundantně přeučovat uvnitř každého specialisty. DeepSeek-V3 to dodal jako 256 routovaných expertů plus 1 sdíleného, s aktivací 8 routovaných na token — 671 miliard celkových parametrů, 37 miliard aktivních — spolu s vyvažováním zátěže bez pomocné ztráty: místo penalizačního členu, který zhoršuje kvalitu, posouvá bias na experta routovací skóre nahoru nebo dolů podle toho, jestli je daný expert nedotížený, nebo přetížený.

MLA — pozornost, která se vejde do paměti

Druhou polovinou problému ceny servírování je KV cache, která roste lineárně s kontextem a při velkých délkách sekvence dominuje paměti. Multi-head Latent Attention, zavedená v DeepSeek-V2, komprimuje klíče a hodnoty společně do nízkohodnostního latentního vektoru a cachuje ten, přičemž použitelné K/V rekonstruuje za běhu. Zveřejněná čísla DeepSeeku pro V2 oproti jejich staršímu hustému DeepSeek 67B uvádějí 93,3% zmenšení KV cache a 5,76× vyšší maximální propustnost generování. Proto je okno 262K tokenů v téhle rodině samozřejmostí, a ne prémiovým příplatkem.

Řídká pozornost — a precedens pro levné tokeny

V3.2-Exp přidala DeepSeek Sparse Attention: lehký indexer boduje kontextové tokeny proti dotazu a selektor ponechá jen ty s nejvyšším skóre. Zajímavý je účet, ne mechanismus. DeepSeek zveřejnil srovnání bok po boku s V3.1-Terminus, kde MMLU-Pro zůstalo shodně na 85.0, AIME 2025 stouplo (88.4 → 89.3) a SWE-bench Verified nepatrně kleslo (68.4 → 67.8) — v podstatě plochá kvalita — a tentýž den snížili ceny svého API o víc než 50 %. Architektura, poctivě vykázaná, přímo převedená na cenu. Flash je tenhle argument posunutý o krok dál.

Generace V4

V4, představená v dubnu 2026 pod licencí MIT, znovu vyměnila stoh pozornosti za hybrid Compressed Sparse Attention a Heavily Compressed Attention, trénuje optimalizátorem Muon na více než 32 bilionech tokenů a ponechává cíl predikce více tokenů z V3 — který zároveň slouží jako spekulativní dekódování a u kterého DeepSeek naměřil 85–90% míru přijetí druhého tokenu pro zhruba 1,8× zrychlení dekódování ve V3. Abstrakt V4 uvádí, že V4-Pro běží na 27 % inferenčních FLOPs na token a 10 % KV cache oproti V3.2. Rodina vystavuje tři úrovně úsilí uvažování, na což se mapuje náš parametr reasoning_effort.

Zdroje: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Technická zpráva DeepSeek-V3 (arXiv 2412.19437) · karta modelu DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Všechna čísla uvádí DeepSeek.

03Co „Flash“ vlastně znamená

Tohle je bod, ve kterém se většina srovnání plete, takže stojí za to říct to natvrdo: Flash od DeepSeeku není kvantizované, prořezané ani destilované Pro. Je to samostatně trénovaný, menší model Mixture-of-Experts s vlastním předtréninkovým během. Práce představující V4 uvádí obě velikosti:

Údaje z práce představující DeepSeek-V4. Oficiální checkpointy, které servírujeme — V4-Flash-0731 a V4-Pro-0813 — uvádějí na svých kartách modelu mírně vyšší součty 304B a 1,7T; DeepSeek pro tyhle buildy počty aktivovaných parametrů znovu neuvádí.

Práci tu odvádějí dvě čísla. Celkový počet parametrů určuje paměťovou stopu, která rozhoduje, kolik hardwaru jedna kopie modelu zabere. Aktivované parametry určují aritmetiku na token, která rozhoduje o propustnosti. Flash je v prvním zhruba 5,6× menší a ve druhém 3,8× menší — a v tom rozdílu je jemnost, které stojí za to si všimnout: Flash aktivuje 13 z 284 miliard parametrů, tedy asi 4,6 %, zatímco Pro aktivuje 49 z 1 600 miliard, tedy asi 3,1 %. Flash je méně řídký model. Není to prostě Pro s méně zapnutými experty; je to hustší, jinak vyvážený návrh, který na každý produkovaný token utratí větší část sebe sama. To je skutečné inženýrské rozhodnutí, ne degradace.

Co říkají vlastní čísla DeepSeeku

Obě oficiální karty modelu zveřejňují skóre na týchž agentních a softwarově inženýrských benchmarcích, což z toho dělá nezvykle čisté srovnání — stejná laboratoř, stejný evaluační harness, dvě velikosti:

Benchmark (uvádí 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 vyhrává každý řádek. To je poctivý titulek a je nám milejší, když si ho přečtete tady, než abyste na něj přišli v produkci. Ale čtěte i rozdíly, protože to je to, co ve skutečnosti kupujete. Na Terminal Bench 2.1 je odstup 5,2 bodu u modelu s pětadvacetinou parametrů; u používání nástrojů 3,8 bodu. Odstup se rozšiřuje tam, kde práce nejvíc houstne — 8,3 bodu na DeepSWE, 7,3 na NL2Repo, přičemž obojí odměňuje vytrvalé vícekrokové uvažování nad kódem. To je tvar toho kompromisu v jedné tabulce: Flash dohání většinu vzdálenosti na ohraničených úlohách a ztrácí na těch otevřených.

Vlastní karta Flashe od DeepSeeku to říká ještě ostřeji: Flash-0731 překonává preview verzi V4-Pro na uvedených benchmarcích navzdory mnohem menšímu počtu aktivovaných parametrů. Novější malý model porážející starší velký je v tomhle oboru normální stav věcí a je to důvod, proč by „vyšší tier“ nikdy neměl být vaší výchozí odpovědí.

04Jak číst příponu: W4A16-AUTOROUND-REAP

Naše id modelů říkají své kompresní schéma nahlas, protože je to věc, která nejvíc ovlivňuje kvalitu výstupu a skoro nikdo ji neuvádí. Tahle se rozpadá na tři tvrzení.

W4A16 — 4bitové váhy, 16bitové aktivace

Váhy se ukládají po 4 bitech; aktivace protékají v 16bitové přesnosti. Je to kvantizace pouze vah a míří na skutečné úzké hrdlo generování tokenů, kterým je paměťová propustnost, ne aritmetika. Kvantizovat i aktivace by koupilo trochu víc rychlosti a riskovalo mnohem větší propad přesnosti; ponechat je na 16 bitech je konzervativní volba s vysokou věrností. Ta notace je zkratkou servírovacího ekosystému — kvantizační literatura píše totéž jako W4 s velikostí skupiny.

AUTOROUND — naučené zaokrouhlování, ne zaokrouhlování na nejbližší

Naivní kvantizace zaokrouhlí každou váhu na nejbližší reprezentovatelnou hodnotu. To prokazatelně není optimální: zaokrouhlit jednu váhu „špatným“ směrem může vyrušit chybu zanesenou jejími sousedy a při miliardách vah tyhle interakce dominují. AutoRound od Intelu bere samotné rozhodnutí o zaokrouhlení jako něco, co se dá naučit — trénovatelnou perturbaci na váhu omezenou na ±0,5, tedy přesně tolik, aby šlo překlopit kterékoli jednotlivé zaokrouhlení a nikdy víc, plus učitelné rozsahy ořezu, optimalizované znaménkovým gradientním sestupem proti blokovému cíli rekonstrukce výstupu nad malou kalibrační sadou. Dvě stě kroků a hotovo.

Zveřejněná srovnání Intelu mají AutoRound porážející GPTQ ve 30 z 32 testovaných scénářů, AWQ ve 27 z 32 a OmniQuant ve 29 z 32 při 4bitovém nastavení pouze pro váhy, se ziskem 6,9 až 33,2 bodu přesnosti oproti naivnímu zaokrouhlování na nejbližší při 2 bitech. Nic z toho nic nestojí při inferenci: je to lepší volba čísel, provedená jednou, offline.

REAP — zahození expertů, ke kterým nikdo neroutuje

REAP (Router-weighted Expert Activation Pruning) od Cerebras Systems a University of Calgary je jednorázová komprese pro modely MoE. Boduje každého experta podle toho, jak silně a jak často k němu router propouští, vynásobeno velikostí výstupu daného experta, a nejméně významné experty pak rovnou smaže — bez následného přetrénování.

Ústřední zjištění té práce je to užitečné: při vysokých kompresních poměrech prořezávání expertů poráží jejich slučování. Slučování funkčně odlišných expertů způsobuje to, co autoři nazývají kolapsem funkčního podprostoru — router ztrácí jemnou, na vstupu závislou kontrolu, kvůli které stálo za to MoE stavět, a zbývá mu jen řídit mezi statickými průměry. Jejich čísla napříč modely od 20 miliard do 1 bilionu parametrů: při 25% kompresi expertů na kódovacích úlohách ztrácí REAP 2,8 % průměrné přesnosti tam, kde slučovací základy ztrácejí přes 5 %; při 50 % ztrácí REAP 8,0 % tam, kde slučování ztrácí přes 20 %. Na Qwen3-Coder-480B při 50% prořezání je propad 1,4 % oproti 39,3 % u naivního prořezávání podle frekvence. Cerebras zveřejnil REAP checkpointy mimo jiné i pro linii DeepSeek.

Proč tady 4 bity a na Pro 3 bity

Oba tiery se musejí vejít na tutéž třídu hardwaru a zůstat rychlé. Pro nese 1,7 bilionu parametrů, takže agresivnější 3bitové ošetření potřebuje, aby se vůbec vešlo. Flash nese zhruba 300 miliard, takže ne — a ušetřený bit se utratí za věrnost místo za vejití se.

Ten bit navíc znamená víc, než by jeho aritmetika napovídala, protože poškození kvantizací není lineární. V měřeních na WikiText-2 z práce o AWQ jde Llama-2-7B z perplexity 5,47 při FP16 na 5,60 při 4 bitech — penalizace 2,4 % — ale na 6,24 při 3 bitech, penalizace 14 %. To je zhruba šestinásobné zhoršení za 25 % komprese navíc a týž vzorec platí i na 70B. Práce o GPTQ je ještě přímočařejší: při 3 bitech se naivní zaokrouhlování na nejbližší u modelů třídy 175B hroutí do tisíců perplexity, zatímco při 4 bitech zůstává naprosto použitelné. Pod čtyřmi bity přestává být dobrý kvantizační algoritmus příjemností a stává se jedinou věcí, která model drží pohromadě.

Poctivé čtení těch dvou přípon tedy zní: Flash leží blíž svému vlastnímu nekomprimovanému já, než Pro leží tomu svému. Pro je pořád silnější model — to benchmarková tabulka výše uzavírá. Jen se sem dostalo za větší oběť a vy si to privilegium platíte.

Zdroje: 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. Hodnoty perplexity z AWQ (arXiv 2306.00978) a GPTQ (arXiv 2210.17323).

05Flash vs Pro na endpointu

Sekce 03 pokryla základy. Tady je, jak ty dva tiery vypadají jako produkty na naší bráně:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantizace	W4A16-AUTOROUND-REAP	3BIT-REAP
Přesnost vah	4 bity, naučené zaokrouhlování	3 bity
Základ (celkem / aktivní)	~304B / 13B	~1.7T / 49B
Vstup za 1M tokenů	$0.50	$1.95
Výstup za 1M tokenů	$2.00	$3.90
Kontext / max. výstup	262 144 / 16 384	262 144 / 16 384
Nástroje · strukturovaný výstup · streamování	Ano	Ano
Vidění	Ne	Ne
Vrstva odmítání	Žádná	Žádná

Všimněte si, co se nemění: kontext, strop výstupu, volání nástrojů, strukturovaný výstup a absence vrstvy odmítání jsou shodné. Jediné, co se hýbe, je základ, kvantizace a cena. Díky tomu je přepnutí mezi nimi změnou jednoho řetězce ve vašem kódu a čistě ekonomickým rozhodnutím ve vaší architektuře.

Kolik stojí jedno volání maximální velikosti

Zaplňte celý kontext 262 144 tokenů a vezměte plný výstup 16 384 tokenů:

V ceníkových cenách. Flash: $0.131 vstup + $0.033 výstup. Pro: $0.511 + $0.064. Poměr 3,51×. Flash také sdílí spodní hranici $0.50 / $2.00 s MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro a Hy3 — v úplné nabídce najdete, jak se liší ve vidění a strukturovaném výstupu.

06Objemová matematika, rozpočítaná

„3,9× levnější“ platí jen na vstupu. Na výstupu je Flash 1,95× levnější. Vaše skutečná úspora tedy závisí na poměru vstupu k výstupu a rozptyl je dost velký na to, aby měnil návrhová rozhodnutí. Čtyři realistické zátěže, každá při 100 000 požadavcích:

Zátěž	Vstup / výstup na volání	Flash	Pro	Úspora
Klasifikace tiketů	1,200 / 120	$84	$281	3.3×
Odpovídání nad RAG	8,000 / 600	$520	$1,794	3.4×
Shrnutí dlouhého dokumentu	60,000 / 1,500	$3,300	$12,285	3.7×
Generování syntetických dat	500 / 2,000	$425	$878	2.1×

Vzorec: čím víc kontextu tlačíte a čím míň textu generujete, tím víc vám Flash ušetří. Vyhledávací pipeline, třídění dokumentů, analýza logů a přepisů a extrakce z dlouhého kontextu jsou tou sladkou tečkou — jsou o řád dominované vstupem a vstup je místo, kde ta 3,9× sleva žije. Pokud je naopak vaše zátěž krátký prompt produkující tisíce tokenů prózy, odstup se zúží zhruba na 2× a argument pro Pro ve schopnostech odpovídajícím způsobem zesílí.

Ještě jeden kus aritmetiky, který stojí za zvnitřnění: při $0.50 za milion vstupních tokenů stojí zaplnění celého okna 262 144 tokenů 13,1 centu. Promptování s dlouhým kontextem při téhle ceně přestává být rozpočtovou otázkou, což někdy znamená, že si můžete stavbu vyhledávací vrstvy úplně odpustit a nechat práci na kontextovém okně — inženýrská úspora navrch k úspoře na tokenech.

07Co tady přesně znamená „bez cenzury“

To slovo se používá volně, takže tady je naše definice, vyslovená jako vlastnost endpointu: před modelem není žádný klasifikátor odmítání a na jeho výstup se neaplikuje žádné filtrování obsahu. Nic nezachytí prompt a nevrátí konzervované odmítnutí; nic neprohlíží dokončení a nic v něm nezačerňuje. U vysokoobjemové produkční práce jsou důsledky méně dramatické a užitečnější, než to slovo napovídá:

• Žádné falešné poplachy na neškodném provozu. Filtrované endpointy běžně odmítají lékařská shrnutí, bezpečnostní rozbory, právní discovery, beletrii, materiály o snižování rizik i samotnou práci na moderaci — přesně ty kategorie, kde dávková úloha zpracovává text o citlivém tématu, místo aby produkovala cokoli škodlivého. Při sto tisících požadavcích je jednoprocentní míra falešných odmítnutí tisíc rozbitých řádků.
• Deterministické kontrakty. Požádáte o odpověď podle json_schema a dostanete JSON odpovídající schématu, ne odstavec omluvy tam, kde měl být objekt. Váš parser nepotřebuje větev pro odmítnutí a vaše logika opakování nemusí rozlišovat selhání přenosu od selhání kvůli politice.
• Politiku vlastníte vy. To je ten obchod. Pokud váš produkt potřebuje zábradlí pro vaše koncové uživatele, postavíte je ve své vrstvě, kde znáte své uživatele i svou jurisdikci, místo abyste dědili poskytovatelovy dohady o obojím. Váš účet se i nadále řídí naší Politikou odpovědného užívání.

Bez cenzury není totéž co bez alignmentu nebo neochotný. Model pořád dodržuje instrukce a pořád respektuje systémový prompt. Pokud chcete, aby určité kategorie vašim uživatelům odmítal, řekněte mu to tam — tuhle instrukci teď píšete vy, místo abychom vám ji vnucovali my.

08Schopnosti a poctivé meze

Pro objemovou práci nesou většinu váhy dvě schopnosti. Striktní výstup json_schema mění dokončení v databázový řádek bez parsovací vrstvy a bez větve pro odmítnutí. Volání nástrojů ve všech třech dialektech dělá z Flashe rozumný motor pro levné dílčí kroky agenta, jehož plánovač nejvyšší úrovně běží na silnějším modelu. Přidejte reasoning_effort, který vám dovolí utratit tokeny navíc jen na tom zlomku provozu, který je potřebuje, a kontext 262 144 tokenů shodný s Pro — volbou levného tieru se kontextu nevzdáváte, což je nezvyklé.

Meze jsou stejně konkrétní:

• Žádné vidění. Flash je pouze textový a obrazové části ve zprávě odmítne. Pro obrázky na modelu bez cenzury na téže spodní hranici $0.50 / $2.00 jsou volbami se schopností vidění MiniMax-M3 a MiMo-V2.5; Kimi-K2.6 a Kimi-K3 jsou silnější modely vidění nad tímhle tierem.
• Není to vrchol žebříčku. Vlastní čísla DeepSeeku staví Pro dopředu na každém zveřejněném agentním benchmarku, s největším odstupem u vytrvalého vícekrokového uvažování nad kódem. Tam, kde jedna špatná odpověď stojí víc než tisíc levných, utraťte těch $1.45 navíc za milion za DeepSeek-V4-Pro.
• 16 384 výstupních tokenů na požadavek. Dlouhá generování se musejí dělit napříč voláními. Je to stejný strop na každém modelu, který servírujeme, a naráží se do něj dávno před kontextovým oknem.

09Jak ho volat

Namiřte na bránu libovolného klienta kompatibilního s OpenAI a změňte řetězec modelu. Nic jiného ve vašem stohu se hýbat nemusí.

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
        }
      }
    }
  }'

Totéž id modelu funguje beze změny na /v1/messages a /v1/responses, což je nejrychlejší způsob, jak pod stávající integrací otestovat A/B levnější model bez přepisování klienta. Parametry, tvary streamovacích událostí, schémata volání nástrojů a limity rychlosti jsou zdokumentovány v referenční příručce API; každý model v nabídce je uveden na Shannon Research.

10Nejčastější dotazy

---

Zdroje: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Technická zpráva DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · karty modelů DeepSeek-V4-Flash-0731 a DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Všechna čísla o základech a benchmarcích jsou tak, jak je zveřejnili jejich autoři; ceny Shannon AI a servírovaný kontext jsou naše vlastní ceníkové hodnoty k září 2026.