Det ucensurerede DeepSeek-API

Folk, der lander på udtrykket »ucensureret DeepSeek-API«, vil have én bestemt ting: en model med DeepSeeks evner inden for ræsonnement og kode, som besvarer det spørgsmål, de faktisk stillede. Kapacitetshalvdelen er veldokumenteret — DeepSeek-AI har offentliggjort arkitekturen og tallene, og vægtene ligger på Hugging Face under MIT. Den anden halvdel er en driftsbeslutning, og den bliver som regel truffet for dig. Denne side dækker begge dele: hvad V4-Pro-grundmodellen er, hvad vores 3BIT-REAP-build gør ved den, og præcis hvad »ucensureret« betyder, når vi siger det.

01Hvad »ucensureret DeepSeek-API« egentlig betyder

To forskellige mekanismer bliver placeret under det samme ord. Den første er alignment bagt ind i vægtene — afvisningsadfærd, der er lært under efter-træning. Den anden er et modereringslag på serversiden: en separat klassifikator, der inspicerer din prompt, før modellen ser den, og outputtet, før du ser det, og som kan afbryde et svar midt i en sætning uanset hvad modellen ville have sagt.

Begge dele kan måles, og DeepSeeks egen tjeneste er blevet målt. Promptfoo samlede et sæt på 1.360 politisk følsomme spørgsmål og rapporterede, at DeepSeeks hostede R1 afviste eller afledte 1.156 af dem — cirka 85 %. Akademisk arbejde på den samme familie fandt en særskilt fejlform, som forfatterne kaldte tankeundertrykkelse, hvor modellens ræsonnementsspor stopper næsten i samme øjeblik det begynder på et følsomt emne. En separat revision offentliggjort i Information Sciences dokumenterede undertrykkelse på semantisk niveau: indhold, der er til stede i modellens interne ræsonnement, men som stilfærdigt udelades eller omskrives, før det når brugeren. Det er et sværere problem end en direkte afvisning, for et afkortet svar ligner et svar.

Det, vi kører, er udgivelsen med åbne vægte, på hardware vi selv driver, i USA, under Shannon Lab LLC. Der er intet afvisningslag foran modellen og intet filter på det, der kommer tilbage: din prompt bliver ikke klassificeret efter politik, før den serveres, og outputstrømmen bliver ikke inspiceret på vej ud. Fordi grundmodellen er MIT-licenseret og offentlig, kan du selv sammenligne vores output med referencevægtene frem for at tage os på ordet.

02Grundmodellen: DeepSeek-V4-Pro, en MoE på 1,6 billioner

DeepSeek-V4 er DeepSeek-AI's nuværende familie med åbne vægte, forhåndsvist i april 2026 og udgivet under MIT i to størrelser: V4-Flash (284 mia. i alt, 13 mia. aktiveret) og V4-Pro (1,6 bio. i alt, 49 mia. aktiveret). Denne artikel handler om Pro-niveauet. Begge blev fortrænet på cirka 33 billioner tokens, og begge understøtter indbygget en kontekst på en million tokens.

Sparsitetsforholdet er det, man skal lægge mærke til: kun cirka 3 % af parametrene aktiveres på en given token, og det er det, der overhovedet gør en model af denne størrelse mulig at servere. Selve MoE-blokken er stadig DeepSeekMoE — de finkornede rutede eksperter plus de altid aktive delte eksperter, der blev introduceret i V2 — med kun mindre V4-ændringer, mest synligt hash-routing i de tidligste lag. Multi-Token Prediction, det hjælpemål fra V3, der også muliggør spekulativ afkodning, er bevaret uændret.

De nye dele i V4 er strukturelle. Manifold-Constrained Hyper-Connections (mHC) erstatter den simple residualvej med en lært blandingsmatrix, der via en Sinkhorn-Knopp-projektion holdes på manifolden af dobbeltstokastiske matricer — en residualstrøm, der omvægter pr. input uden den numeriske drift, der slår meget dybe stakke ihjel. Træningen flyttede fra AdamW over på Muon for de fleste moduler, med Newton-Schulz-ortogonalisering, mens AdamW kun blev beholdt til embeddings, forudsigelseshoveder, normalisering og de statiske mHC-parametre. Og ekspertvægtene trænes i FP4 med de fleste øvrige parametre i FP8 — kvantiseringsbevidst fra begyndelsen, hvilket betyder noget for, hvor elegant modellen tåler yderligere komprimering.

03Fra MLA til CSA + HCA: sådan holder DeepSeek lang kontekst billig

DeepSeeks røde tråd gennem fire generationer er ikke størrelse, det er attention-økonomi. Hver version har angrebet KV-cachen, som vokser lineært med konteksten og dominerer hukommelsen ved store længder.

• V2 introducerede Multi-head Latent Attention (MLA) — en lavrangs fælles komprimering af keys og values ned i en latent vektor, så genereringen cacher den vektor plus en afkoblet RoPE-key i stedet for fulde K og V pr. hoved. DeepSeek rapporterede, at KV-cachen faldt til cirka 4-14 % af standard multi-head attention, med kvaliteten bevaret eller forbedret.
• V3 skalerede det til 671 mia. og gjorde MLA til standardantagelsen for billig lang kontekst i åbne modeller.
• V3.2 tilføjede DeepSeek Sparse Attention (DSA), som via en let indekser udvælger en top-k-delmængde af historikken pr. forespørgsel frem for at rette opmærksomheden mod det hele.
• V4 hybridiserer. Compressed Sparse Attention (CSA) komprimerer først KV-posterne for hver m tokens til én post med lærte vægte og kører derefter sparsom top-k-udvælgelse over de komprimerede poster. Heavily Compressed Attention (HCA) komprimerer langt mere aggressivt, men forbliver tæt over resultatet. De to lagtyper flettes gennem stakken, så billigt globalt overblik og præcis lokal fremfinding kan sameksistere.

Det rapporterede udbytte ved en kontekst på en million tokens er markant: V4-Pro har brug for cirka 27 % af inferens-FLOPS pr. token og 10 % af KV-cachen sammenlignet med V3.2. Det er derfor, en forespørgsel på 262K opfører sig som en helt almindelig forespørgsel frem for som en hukommelsesbegivenhed, og derfor tallene for fremfinding i lang kontekst holder frem for at bryde sammen efter nogle få titusinder tokens.

04Hvad endelsen 3BIT-REAP betyder

Vores katalog-id ender på 3BIT-REAP, og det beskriver to uafhængige komprimeringstrin anvendt i rækkefølge.

REAP: at beskære eksperter, ikke at flette dem

REAP står for Router-weighted Expert Activation Pruning og kommer fra Cerebras Research — »REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression«, antaget til ICLR 2026. I en sparsom MoE bruger routeren ikke sine eksperter jævnt: en lang hale bliver valgt sjældent, svagt eller begge dele. REAP giver hver ekspert en score ved at kombinere router-gateværdier (hvor ofte og hvor stærkt den bliver valgt) med ekspertens aktiveringsnormer (hvor meget dens output bidrager) og sletter derefter taberne helt.

Artiklens argument er, at beskæring slår fletning: fletning gennemsnitliggør den funktionelle specialisering væk, som gjorde MoE'en værd at bygge, mens sletning af de eksperter, routeren næsten aldrig når frem til, bevarer den. På tværs af modeller fra 20 mia. til 1 bio. slog REAP både fletning og konkurrerende beskæringsmetoder på generative benchmarks, og forfatterne rapporterer næsten tabsfrie resultater på kodegenerering og tool calling ved 50 % ekspertbeskæring på Qwen3-Coder-480B og Kimi-K2 — hvilket er præcis den arbejdsprofil, denne model er her for.

3-bit vægte: komprimeringsniveauet til de største grundmodeller

Det, der overlever, bliver derefter kvantiseret til 3-bit vægte. Tre bit er aggressivt, og det lægger vi ikke skjul på: på tværs af udvalget bruger vi W8A16, hvor grundmodellen er lille nok til ikke at have brug for klemmen, W4A16-AUTOROUND-REAP i midten, og 3BIT-REAP kun på de allerstørste grundmodeller, hvor det er forskellen på at kunne servere modellen og ikke at kunne.

Afvejningen er værd at sige lige ud: en 3-bit MoE på 1,6 billioner er ikke bit-identisk med referenceudgivelsen, og en lille kvalitetsomkostning er reel. Til gengæld får du en grundmodel, hvis ukomprimerede loft ligger langt over alt, hvad der kan være med god plads ved højere præcision — og fordi V4's eksperter fra begyndelsen blev trænet i FP4, opfører modellen sig usædvanligt pænt under yderligere vægtkomprimering. Vil du have et DeepSeek-build med en lettere hånd om præcisionen, bruger DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP 4-bit vægte med 16-bit aktiveringer og AutoRounds lærte afrunding, på den samme 262K-kontekst til $0,50 ind / $2,00 ud.

05Ræsonnement og reasoning_effort-knappen

V4's efter-træning træner domænespecialister hver for sig — matematik, kodning, agenter, instruktionsfølgning — med SFT efterfulgt af GRPO, den Group Relative Policy Optimization-metode, DeepSeek introducerede med R1. Specialisterne forenes derefter til én model gennem on-policy-destillation under et omvendt KL-mål, så ét enkelt checkpoint bærer specialistniveau i flere domæner på én gang frem for at være en generalist, der er middelmådig til det hele.

Den udgivne model eksponerer trinvise tænkeindstillinger frem for en tænd/sluk-kontakt. På vores gateway er det standardparameteren reasoning_effort, den mest nyttige enkeltknap på denne model:

• Low — næsten direkte svar: klassifikation, udtræk, omskrivning, alt hvor du betaler for modellens viden frem for dens overvejelse.
• Medium — standardarbejdstilstanden til kodegennemgang, fejlfinding og analyse i flere trin.
• High — lang overvejelse før svaret. Det er her, de svære problemer bliver løst, og det er her, din output-token-regning bor, da ræsonnementstokens faktureres som output.

Fordi der ikke er noget afvisningslag, bliver ræsonnementssporet ikke afkortet på følsomme emner — det mønster med tankeundertrykkelse, der er dokumenteret på den officielle tjeneste, har ingen mekanisme at optræde igennem her.

06Kode og agentarbejde: hvad grundmodellen scorer

Det her er DeepSeek-AI's egne offentliggjorte tal for V4-Pro-udgivelsen — ikke vores, og ikke målt på vores kvantiserede build. Vi viser dem, fordi de er den ærlige grund til at vælge denne grundmodel, og vi markerer dem som førstepartstal, så du kan vægte dem derefter.

To af dem fortjener en kommentar. SWE-bench Verified på 80,6 % er løsning af issues i rigtige repositories — at læse en ukendt kodebase, finde defekten og producere en patch, der består projektets egne tests. MRCR ved en million tokens (83,5) er koreferencefremfinding over flere runder i fuld længde, og det er det tal, der fortæller dig, at påstanden om lang kontekst ikke er pynt. DeepSeek rapporterer også en Codeforces-rating på 3206 for modellen og 62,0 på CorpusQA ved 1M kontekst.

Tallene ovenfor er rapporteret af DeepSeek-AI for referenceudgivelsen af DeepSeek-V4-Pro. Vores 3BIT-REAP-build er en komprimeret variant af de vægte og er ikke uafhængigt benchmarket på disse opgaver; betragt referencescorerne som grundmodellens loft, ikke som en måling af dette endpoint.

07262K kontekst: hvad der rent faktisk kan være

Referencemodellen er trænet til en million tokens. Vi serverer 262.144 — det vindue, alle modeller på gatewayen deler, så et modelskift er en ændring på én linje og aldrig en kontekstforringelse. I praksis ligger 262K forbi det punkt, hvor konteksten binder for det meste rigtige arbejde:

Opgave	Ca. tokens	Kan være i 262K?
Mellemstort service-repo (~50k linjer)	~600K	Nej — udvælg moduler
Ét delsystem + dets tests	~60-120K	Ja, med god plads
Hele RFC-sættet for en protokol	~150K	Ja
En teknisk bog på 700 sider	~250K	Ja, tæt på grænsen
Langt agentforløb, 40+ værktøjsture	~80-200K	Ja

Grænsen, du skal planlægge efter, er outputtet: 16.384 tokens maksimalt pr. svar. Det er et langt dokument eller en betydelig patch over flere filer, men ikke en kodebase. Store genereringsopgaver løses ved at kæde forespørgsler sammen med det forrige output tilbage i konteksten — hvilket 262K-vinduet gør billigt — frem for ved at bede om én kæmpestor completion.

08Pris, og hvor V4-Pro ligger i udvalget

Til $1,95 ind / $3,90 ud pr. million tokens er V4-Pro flagskibsniveauet for ræsonnement — den model, du griber til, når problemet er svært. Når det blot er stort, klarer billigere modeller på det samme 262K-vindue det for en fjerdedel af prisen.

Ucensureret model	Ind / 1M	Ud / 1M	Vision	Bedst til
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Nej	Svært ræsonnement, kode, agenter
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Nej	Samme afstamning, stort volumen
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nej	Alsidig arbejdshest
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Ja	Multimodale agenter i topklasse
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Ja	Billigste vision

Lad os være ærlige om den sammenligning, folk faktisk foretager: DeepSeeks eget API er billigere end det her — førsteparts V4-Pro er prissat til omkring $0,435 ind / $0,87 ud, og deres pris for cache-træffere på input er endnu lavere. Er pris pr. token dit eneste kriterium, og påvirker modereringsadfærden ikke dit arbejde, så brug det officielle API; det siger vi hellere til dig end at lade dig opdage det senere. Merprisen køber et andet sæt egenskaber: intet afvisningslag og intet outputfilter, en amerikansk operatør under Shannon Lab LLC, et fastlåst dateret checkpoint (0813), så en tavs opgradering opstrøms aldrig ændrer dine output midt i et projekt, tre API-dialekter mod én model, og det samme 262K-vindue og den samme parameteroverflade på tværs af alle tolv modeller i udvalget.

09Sådan kalder du den: tre dialekter, én model

Alle modeller på gatewayen svarer på alle tre endpoints, med streaming på hver af dem. Du skal ikke skifte SDK — du skifter en base-URL og et model-id.

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-dialekten; virker med OpenAI-SDK'erne og alt, der er bygget på dem.
• /v1/messages — Anthropic-dialekten, til kodebaser der allerede er skrevet mod den form.
• /v1/responses — Responses-grænsefladen.

Understøttet på denne model: streaming, indbygget tool calling, strengt json_schema-struktureret output, response_format og reasoning_effort. Fuld parameterreference og en live-legeplads findes i API-dokumentationen.

10Ærlige begrænsninger

Fire ting, du skal vide, før du bygger på den:

• Ingen vision. Kun tekst; den tager ikke imod billedinput på noget endpoint. Har du brug for en ucensureret model, der kan se, så brug Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 eller inkling.
• Outputloft på 16.384 tokens. Ræsonnementstokens tæller med i det ved høj effort, så en lang overvejelse efterlader mindre plads til svaret. Kæd forespørgsler sammen til store genereringsopgaver.
• 3-bit er en reel komprimering. Referencescorerne beskriver grundmodellen, ikke dette build. Vil du have det højeste trofasthedsniveau, bærer W8A16-modellerne (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) den mindste kvantisering.
• Ucensureret er ikke uden konsekvenser. Intet afvisningslag betyder, at ansvaret for, hvad du spørger om, og hvad du gør med svaret, ligger hos dig — under vores servicevilkår og lovgivningen dér, hvor du opererer.

11Ofte stillede spørgsmål

---

Kilder: DeepSeek-AI — modelkort for DeepSeek-V4-Pro · Teknisk rapport for DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Teknisk rapport for DeepSeek-V3 · REAP the Experts (Cerebras Research) · Promptfoos censurrevision · Discovering Forbidden Topics in Language Models. Benchmark-tal er rapporteret af DeepSeek-AI for referenceudgivelsen; uafhængig tredjepartsverifikation af det komprimerede build udestår. Priser er Shannon AI's listepriser pr. 5. september 2026.