Ucensureret DeepSeek Flash-API

De fleste teams, der evaluerer et LLM-API, optimerer den forkerte variabel. De benchmarker på de tyve sværeste prompts, de kan komme i tanke om, vælger vinderen og opdager seks uger senere, at femoghalvfems procent af deres trafik er kort, struktureret, gentaget arbejde, som en model til en fjerdedel af prisen ville have klaret identisk. DeepSeek-V4-Flash findes til de femoghalvfems procent. Denne side handler om at vide, hvornår du er i dem — og hvornår du ikke er.

01Hvad du rent faktisk får

Egenskab	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Model-id	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kontekst / maks. output	262.144 tokens / 16.384 tokens
Pris pr. 1M (input / output)	$0,50 / $2,00
Streaming · tool calling · ræsonnement	Ja — alle tre dialekter
Struktureret output	json_schema og response_format
Billedinput (vision)	Nej — kun tekst
Afvisningslag / outputfilter	Intet
Serveret på	Shannons egen GPU-klynge

Tre API-dialekter når de samme vægte: /v1/chat/completions (OpenAI-formet), /v1/messages (Anthropic-formet) og /v1/responses. Streaming virker på alle tre. Den fulde parameteroversigt findes i API-dokumentationen.

02Hvor den kommer fra: DeepSeek-slægten

DeepSeek-AI har brugt fem modelgenerationer på én besættelse: at få adfærd på frontlinjen ud af en model, der er billig at servere, ikke bare billig at træne. Næsten alle arkitektoniske beslutninger i rækken kan spores tilbage til det, og de vigtigste er offentliggjort. Tre af dem forklarer, hvad du kalder, når du rammer dette endpoint.

DeepSeekMoE — finkornede eksperter plus en delt

Et Mixture-of-Experts-lag erstatter ét stort feed-forward-netværk med mange mindre og en router, der vælger en håndfuld pr. token. DeepSeeks variant skærer eksperterne finere end den gængse opbygning med otte eksperter, så de samme aktiverede FLOPs køber en langt mere kombinatorisk specifik blanding, og den udskiller en delt ekspert, som hver token passerer igennem, så almen viden ikke bliver genindlært redundant inde i hver specialist. DeepSeek-V3 leverede det som 256 rutede eksperter plus 1 delt ekspert, med 8 rutede aktive pr. token — 671 mia. parametre i alt, 37 mia. aktive — sammen med lastbalancering uden hjælpetab: i stedet for et strafled, der forringer kvaliteten, skubber en bias pr. ekspert routing-scoren op eller ned ved hvert skridt, efterhånden som den ekspert kører under- eller overbelastet.

MLA — attention der kan være i hukommelsen

Den anden halvdel af serveringsomkostningsproblemet er KV-cachen, som vokser lineært med konteksten og dominerer hukommelsen ved lange sekvenser. Multi-head Latent Attention, introduceret i DeepSeek-V2, komprimerer keys og values samlet til en lavrangs latent vektor og cacher den, hvorefter brugbare K/V rekonstrueres undervejs. DeepSeeks offentliggjorte V2-tal rapporterer i forhold til deres tidligere tætte DeepSeek 67B en reduktion på 93,3 % i KV-cache og 5,76× højere maksimalt genereringsgennemløb. Det er derfor, et vindue på 262K tokens er et minimumskrav i denne familie frem for et tilkøb.

Sparsom attention — og præcedensen for billige tokens

V3.2-Exp tilføjede DeepSeek Sparse Attention: et let indeks giver kontekst-tokens en score op mod forespørgslen, og en vælger beholder kun de højest scorende. Det interessante er kvitteringen, ikke mekanismen. DeepSeek offentliggjorde en sammenstilling mod V3.1-Terminus med MMLU-Pro identisk på 85,0, AIME 2025 op (88,4 → 89,3) og SWE-bench Verified marginalt ned (68,4 → 67,8) — i praksis flad kvalitet — og skar deres API-priser med mere end 50 % samme dag. Arkitektur, ærligt rapporteret, omsat direkte til pris. Flash er det argument taget et skridt videre.

V4-generationen

V4, forhåndsvist i april 2026 under en MIT-licens, udskifter attention-stakken igen med en hybrid af Compressed Sparse Attention og Heavily Compressed Attention, træner med Muon-optimeringsalgoritmen på mere end 32 bio. tokens og beholder V3's multi-token-forudsigelsesmål — som samtidig fungerer som spekulativ afkodning, og som DeepSeek målte til en acceptrate for anden token på 85–90 % svarende til cirka 1,8× hurtigere afkodning i V3. V4-resuméet rapporterer, at V4-Pro kører på 27 % af V3.2's inferens-FLOPs pr. token og 10 % af dens KV-cache. Familien giver adgang til tre niveauer af ræsonnementsindsats, og det er dem, vores parameter reasoning_effort peger på.

Kilder: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 Technical Report (arXiv 2412.19437) · modelkortet for DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Alle tal er rapporteret af DeepSeek.

03Hvad »Flash« faktisk betyder

Det er her, de fleste sammenligninger tager fejl, så det er værd at sige rent ud: DeepSeeks Flash er ikke en kvantiseret, beskåret eller destilleret Pro. Den er en separat trænet, mindre Mixture-of-Experts-model med sin egen fortræning. V4-forhåndsartiklen angiver de to størrelser:

Tal fra forhåndsartiklen om DeepSeek-V4. De officielle checkpoints, vi serverer — V4-Flash-0731 og V4-Pro-0813 — angiver lidt større totaler på 304 mia. og 1,7 bio. på deres modelkort; DeepSeek gentager ikke antallet af aktiverede parametre for de udgaver.

To tal gør arbejdet her. Parametre i alt sætter hukommelsesaftrykket, som afgør, hvor meget hardware én kopi af modellen fylder. Aktiverede parametre sætter regnearbejdet pr. token, som afgør gennemløbet. Flash er cirka 5,6× mindre på det første og 3,8× mindre på det andet — og der er en finesse værd at bemærke i det spring: Flash aktiverer 13 ud af 284 milliarder parametre, cirka 4,6 %, mens Pro aktiverer 49 ud af 1.600 milliarder, cirka 3,1 %. Flash er den mindst sparsomme model. Den er ikke bare Pro med færre eksperter tændt; den er et tættere, anderledes afbalanceret design, der bruger en større del af sig selv på hver eneste token, den producerer. Det er et reelt ingeniørvalg, ikke en nedgradering.

Hvad DeepSeeks egne tal siger

Begge officielle modelkort offentliggør scorer på de samme agentiske benchmarks og softwareudviklings-benchmarks, hvilket gør dette til en usædvanligt ren sammenligning — samme laboratorium, samme evalueringsopstilling, to størrelser:

Benchmark (rapporteret af 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 vinder hver eneste række. Det er den ærlige overskrift, og vi vil hellere have, at du læser den her end opdager den i produktion. Men læs marginerne, for det er dem, du reelt køber. På Terminal Bench 2.1 er afstanden 5,2 point på en model med en femogtyvendedel af parametrene; på værktøjsbrug er den 3,8 point. Afstanden vokser, hvor arbejdet bliver dybest — 8,3 point på DeepSWE, 7,3 på NL2Repo, som begge belønner vedholdende kodeforståelse over mange trin. Det er formen på afvejningen i én tabel: Flash lukker det meste af afstanden på afgrænsede opgaver og taber terræn på åbne.

DeepSeeks eget Flash-kort skærper pointen yderligere: Flash-0731 overgår V4-Pro-forhåndsudgaven på de anførte benchmarks trods sit langt mindre antal aktiverede parametre. At en nyere lille model slår en ældre stor er den normale tilstand på dette felt, og det er grunden til, at »det største niveau« aldrig bør være dit standardsvar.

04Endelsen læst: W4A16-AUTOROUND-REAP

Vores model-id'er siger deres komprimeringsmetode højt, for det er dét, der påvirker outputkvaliteten mest, og næsten ingen oplyser det. Denne her deler sig i tre påstande.

W4A16 — 4-bit vægte, 16-bit aktiveringer

Vægtene gemmes med 4 bit hver; aktiveringerne flyder igennem med 16-bit præcision. Det er kvantisering kun af vægte, og den rammer den faktiske flaskehals ved tokengenerering, som er hukommelsesbåndbredde snarere end regnearbejde. At kvantisere aktiveringerne med ville købe lidt mere fart og risikere et langt større fald i nøjagtighed; at lade dem blive på 16 bit er det konservative valg med høj troværdighed. Notationen er stenografi fra serveringsøkosystemet — kvantiseringslitteraturen skriver det samme som W4 med en gruppestørrelse.

AUTOROUND — lært afrunding, ikke afrunding til nærmeste

Naiv kvantisering afrunder hver vægt til den nærmeste repræsenterbare værdi. Det er påviseligt ikke optimalt: at afrunde én vægt den »forkerte« vej kan udligne fejl indført af naboerne, og med milliarder af vægte dominerer de samspil. AutoRound fra Intel behandler selve afrundingsbeslutningen som noget, der skal læres — en trænbar forstyrrelse pr. vægt begrænset til ±0,5, præcis nok til at vende en enkelt afrundingsbeslutning og aldrig mere, plus lærbare klipningsintervaller, optimeret ved fortegnsbaseret gradientnedstigning mod et blokvist mål om rekonstruktion af output over et lille kalibreringssæt. To hundrede skridt, og så er det gjort.

Intels offentliggjorte sammenligninger har AutoRound foran GPTQ i 30 ud af 32 testede scenarier, foran AWQ i 27 ud af 32 og foran OmniQuant i 29 ud af 32 ved 4-bit indstillinger med vægte alene, med gevinster over naiv afrunding til nærmeste på 6,9 til 33,2 nøjagtighedspoint ved 2 bit. Intet af det koster noget ved inferens: det er et bedre valg af tal, truffet én gang, offline.

REAP — at droppe eksperter, ingen ruter til

REAP (Router-weighted Expert Activation Pruning), fra Cerebras Systems og University of Calgary, er enkeltskuds-komprimering til MoE-modeller. Den giver hver ekspert en score ud fra, hvor kraftigt og hvor ofte routeren åbner for den, ganget med størrelsen af den eksperts output, og sletter derefter de mindst betydningsfulde eksperter helt — uden gentræning bagefter.

Artiklens centrale fund er det brugbare: ved høje komprimeringsgrader slår beskæring af eksperter det at lægge dem sammen. At lægge funktionelt forskellige eksperter sammen medfører, hvad forfatterne kalder funktionelt underrumssammenbrud — routeren mister den finkornede, inputafhængige kontrol, der gjorde MoE'en værd at bygge, og står tilbage med at styre mellem statiske gennemsnit. Deres tal på tværs af modeller fra 20 mia. til 1 bio. parametre: ved 25 % ekspertkomprimering på kodeopgaver taber REAP 2,8 % gennemsnitlig nøjagtighed, hvor sammenlægningsbaselines taber over 5 %; ved 50 % taber REAP 8,0 %, hvor sammenlægning taber over 20 %. På Qwen3-Coder-480B med 50 % beskæring er faldet 1,4 %, mod 39,3 % for naiv frekvensbaseret beskæring. Cerebras har blandt andet offentliggjort REAP-checkpoints for DeepSeek-rækken.

Hvorfor 4-bit her og 3-bit på Pro

Begge niveauer skal passe og forblive hurtige på den samme klasse hardware. Pro bærer 1,7 billioner parametre, så den har brug for den mere aggressive 3-bit-behandling for overhovedet at passe. Flash bærer cirka 300 milliarder, så det har den ikke — og den bit, den sparer, bruges på troværdighed i stedet for på at passe.

Den ekstra bit betyder mere, end regnestykket antyder, for kvantiseringsskade er ikke lineær. I AWQ-artiklens WikiText-2-målinger går Llama-2-7B fra 5,47 i perplexity ved FP16 til 5,60 ved 4-bit — en straf på 2,4 % — men til 6,24 ved 3-bit, en straf på 14 %. Det er cirka seks gange så stor forringelse for 25 % mere komprimering, og det samme mønster holder ved 70B. GPTQ-artiklen er endnu mere kontant: ved 3 bit bryder naiv afrunding til nærmeste sammen på modeller i 175B-klassen, ud i perplexity-værdier i tusinderne, mens den forbliver fuldt brugbar ved 4 bit. Under fire bit holder en god kvantiseringsalgoritme op med at være en luksus og bliver det eneste, der holder modellen sammen.

Så den ærlige læsning af de to endelser er: Flash ligger tættere på sin egen ukomprimerede udgave, end Pro ligger på sin. Pro er stadig den stærkere model — benchmarktabellen ovenfor afgør den sag. Den gav bare mere afkald for at komme hertil, og du betaler for privilegiet.

Kilder: 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. Perplexity-tal fra AWQ (arXiv 2306.00978) og GPTQ (arXiv 2210.17323).

05Flash mod Pro ved endpointet

Afsnit 03 dækkede grundmodellerne. Her er, hvordan de to niveauer ser ud som produkter på vores gateway:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantisering	W4A16-AUTOROUND-REAP	3BIT-REAP
Vægtpræcision	4-bit, lært afrunding	3-bit
Grundmodel (i alt / aktive)	~304B / 13B	~1.7T / 49B
Input pr. 1M tokens	$0,50	$1,95
Output pr. 1M tokens	$2,00	$3,90
Kontekst / maks. output	262.144 / 16.384	262.144 / 16.384
Værktøjer · struktureret output · streaming	Ja	Ja
Vision	Nej	Nej
Afvisningslag	Intet	Intet

Bemærk, hvad der ikke ændrer sig: kontekst, outputloft, tool calling, struktureret output og fraværet af et afvisningslag er identiske. Det eneste, der flytter sig, er grundmodellen, kvantiseringen og prisen. Det gør skiftet mellem dem til en ændring af én streng i din kode og til en rent økonomisk beslutning i din arkitektur.

Hvad ét kald i maksimal størrelse koster

Fyld hele konteksten på 262.144 tokens, og tag det fulde output på 16.384 tokens:

Til listepris. Flash: $0,131 input + $0,033 output. Pro: $0,511 + $0,064. Forhold 3,51×. Flash deler også bundprisen $0,50 / $2,00 med MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro og Hy3 — se hele kataloget for, hvordan de adskiller sig på vision og struktureret output.

06Regnestykket for mængde, gennemregnet

»3,9× billigere« gælder kun på input. På output er Flash 1,95× billigere. Din reelle besparelse afhænger derfor af dit forhold mellem input og output, og spændet er bredt nok til at ændre designbeslutninger. Fire realistiske arbejdsbyrder, hver på 100.000 forespørgsler:

Arbejdsbyrde	Ind / ud pr. kald	Flash	Pro	Besparelse
Klassifikation af sager	1.200 / 120	$84	$281	3,3×
Besvarelse af RAG-spørgsmål	8.000 / 600	$520	$1.794	3,4×
Resumé af langt dokument	60.000 / 1.500	$3.300	$12.285	3,7×
Generering af syntetiske data	500 / 2.000	$425	$878	2,1×

Mønsteret: jo mere kontekst du skubber ind, og jo mindre tekst du genererer, jo mere sparer Flash dig. Retrieval-pipelines, dokumentsortering, analyse af logfiler og transskriptioner samt udtræk fra lang kontekst er det søde punkt — de er inputdominerede med en størrelsesorden, og input er dér, rabatten på 3,9× bor. Er din arbejdsbyrde derimod en kort prompt, der producerer tusindvis af tokens prosa, snævrer afstanden ind til cirka 2×, og kapacitetsargumentet for Pro bliver tilsvarende stærkere.

Endnu et regnestykke, der er værd at gøre til sit eget: til $0,50 pr. million inputtokens koster hele vinduet på 262.144 tokens 13,1 cent at fylde. Prompting med lang kontekst holder op med at være et budgetspørgsmål til den pris, hvilket somme tider betyder, at du helt kan springe opbygningen af et retrieval-lag over og lade kontekstvinduet gøre arbejdet — en ingeniørbesparelse oven i tokenbesparelsen.

07Hvad »ucensureret« betyder her, præcist

Ordet bruges løst, så her er vores definition, formuleret som en egenskab ved endpointet: der sidder ingen afvisningsklassifikator foran modellen, og der anvendes ingen indholdsfiltrering på dens output. Intet opsnapper en prompt og returnerer et standardafslag; intet inspicerer svaret og redigerer i det. For produktionsarbejde i store mængder er konsekvenserne mindre dramatiske og mere nyttige, end ordet antyder:

• Ingen falske positiver på harmløs trafik. Filtrerede endpoints afviser rutinemæssigt medicinske resuméer, sikkerhedsrapporter, juridisk bevisindsamling, fiktion, skadesreducerende materiale og selve moderationsarbejdet — præcis de kategorier, hvor et batchjob behandler tekst om et følsomt emne frem for at producere noget skadeligt. Ved hundrede tusind forespørgsler er en falsk afvisningsrate på én procent tusind ødelagte rækker.
• Deterministiske kontrakter. Bed om et json_schema-svar, og du får JSON, der matcher skemaet, ikke et afsnit med undskyldninger, hvor et objekt skulle stå. Din parser har ikke brug for en afvisningsgren, og din genforsøgslogik behøver ikke skelne en transportfejl fra en politikfejl.
• Du ejer politikken. Det er afvejningen. Har dit produkt brug for værn over for dine slutbrugere, bygger du dem i dit lag, hvor du kender dine brugere og din jurisdiktion, i stedet for at arve en udbyders gæt om begge dele. Din konto er fortsat omfattet af vores politik for ansvarlig brug.

Ucensureret er ikke det samme som ujusteret eller uhjælpsom. Modellen følger stadig instruktioner og respekterer stadig en systemprompt. Vil du have den til at afvise bestemte kategorier over for dine brugere, så skriv det dér — den instruktion er nu din at skrive frem for vores at påtvinge.

08Egenskaber og ærlige begrænsninger

To egenskaber bærer det meste af vægten i arbejde med store mængder. Strikst json_schema-output gør et svar til en databaserække uden parselag og uden afvisningsgren. Tool calling i alle tre dialekter gør Flash til en fornuftig motor for de billige deltrin i en agent, hvis øverste planlægger kører på en stærkere model. Læg reasoning_effort til, som lader dig bruge ekstra tokens kun på den brøkdel af trafikken, der har brug for dem, og en kontekst på 262.144 tokens identisk med Pro's — du giver ikke afkald på kontekst ved at vælge det billige niveau, hvilket er usædvanligt.

Begrænsningerne er lige så konkrete:

• Ingen vision. Flash er kun tekst og vil afvise billeddele i en besked. Har du brug for billeder på en ucensureret model til den samme bundpris $0,50 / $2,00, er MiniMax-M3 og MiMo-V2.5 mulighederne med vision; Kimi-K2.6 og Kimi-K3 er stærkere vision-modeller over det niveau.
• Ikke toppen af stigen. DeepSeeks egne tal sætter Pro foran på hvert eneste offentliggjorte agentiske benchmark, med den største afstand på vedholdende kodeforståelse over mange trin. Hvor ét forkert svar koster mere end tusind billige, så brug de ekstra $1,45 pr. million på DeepSeek-V4-Pro.
• 16.384 outputtokens pr. forespørgsel. Lange generationer skal deles op over flere kald. Det er det samme loft på hver model, vi serverer, og det binder et godt stykke før kontekstvinduet gør.

09Sådan kalder du den

Peg en hvilken som helst OpenAI-kompatibel klient mod gatewayen, og skift modelstrengen. Intet andet i din stak behøver at flytte sig.

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
        }
      }
    }
  }'

Det samme model-id virker uændret på /v1/messages og /v1/responses, hvilket er den hurtigste måde at A/B-teste en billigere model under en eksisterende integration uden at skrive din klient om. Parametre, formen på streaming-events, skemaer for tool calling og hastighedsgrænser er dokumenteret i API-referencen; alle modeller i kataloget er listet på Shannon Research.

10Ofte stillede spørgsmål

---

Kilder: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 Technical Report (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · modelkortene for DeepSeek-V4-Flash-0731 og DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Alle tal om grundmodeller og benchmarks er, som de er offentliggjort af deres respektive forfattere; Shannon AI's priser og serverede kontekst er vores egne listeværdier pr. september 2026.