Unzensierte DeepSeek Flash API

Die meisten Teams, die eine LLM-API evaluieren, optimieren die falsche Variable. Sie benchmarken mit den zwanzig schwersten Prompts, die ihnen einfallen, küren einen Sieger und stellen sechs Wochen später fest, dass fünfundneunzig Prozent ihres Traffics kurze, strukturierte, sich wiederholende Arbeit ist, die ein Modell zum Viertelpreis genauso erledigt hätte. DeepSeek-V4-Flash existiert für diese fünfundneunzig Prozent. Auf dieser Seite geht es darum, zu erkennen, wann Sie darin sind — und wann nicht.

01Was Sie tatsächlich bekommen

Eigenschaft	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Modell-ID	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kontext / max. Ausgabe	262,144 Token / 16,384 Token
Preis pro 1 Mio. (Eingabe / Ausgabe)	$0.50 / $2.00
Streaming · Tool-Calling · Reasoning	Ja — alle drei Dialekte
Strukturierte Ausgabe	json_schema und response_format
Bildeingabe (Vision)	Nein — nur Text
Ablehnungsschicht / Ausgabefilter	Keine
Ausgeliefert auf	Shannons eigenem GPU-Cluster

Drei API-Dialekte erreichen dieselben Gewichte: /v1/chat/completions (im OpenAI-Format), /v1/messages (im Anthropic-Format) und /v1/responses. Streaming funktioniert bei allen dreien. Die vollständige Parameterreferenz steht in der API-Dokumentation.

02Woher es kommt: die DeepSeek-Linie

DeepSeek-AI hat fünf Modellgenerationen lang eine einzige Obsession verfolgt: Frontier-Verhalten aus einem Modell zu holen, dessen Auslieferung billig ist, nicht bloß dessen Training. Nahezu jede Architekturentscheidung der Linie geht darauf zurück, und die wichtigen sind veröffentlicht. Drei erklären, was Sie aufrufen, wenn Sie diesen Endpunkt ansprechen.

DeepSeekMoE — feingranulare Experten plus ein geteilter

Eine Mixture-of-Experts-Schicht ersetzt ein großes Feed-Forward-Netz durch viele kleinere und einen Router, der pro Token eine Handvoll auswählt. DeepSeeks Variante schneidet die Experten feiner als das übliche Acht-Experten-Layout, sodass dieselben aktivierten FLOPs eine kombinatorisch weit spezifischere Mischung kaufen, und sie isoliert einen geteilten Experten, durch den jedes Token läuft, sodass Allgemeinwissen nicht redundant in jedem Spezialisten neu gelernt wird. DeepSeek-V3 lieferte das als 256 geroutete Experten plus 1 geteilten Experten, mit 8 gerouteten pro Token aktiv aus — 671B Parameter insgesamt, 37B aktiv — zusammen mit Lastverteilung ohne Hilfsverlust: Statt eines Strafterms, der die Qualität verschlechtert, schiebt ein Bias pro Experte die Routing-Scores in jedem Schritt nach oben oder unten, je nachdem, ob dieser Experte unter- oder überlastet läuft.

MLA — Attention, die in den Speicher passt

Die andere Hälfte des Auslieferungskostenproblems ist der KV-Cache, der linear mit dem Kontext wächst und bei langen Sequenzen den Speicher dominiert. Multi-head Latent Attention, eingeführt in DeepSeek-V2, komprimiert Keys und Values gemeinsam in einen niedrigrangigen latenten Vektor und cacht diesen, während nutzbare K/V im Betrieb rekonstruiert werden. DeepSeeks veröffentlichte V2-Zahlen berichten gegenüber dem früheren dichten DeepSeek 67B eine Reduktion des KV-Cache um 93,3 % und einen 5,76× höheren maximalen Generierungsdurchsatz. Deshalb ist ein Fenster von 262K Token in dieser Familie Grundausstattung statt Aufpreis-Extra.

Sparse Attention — und der Präzedenzfall für billige Token

V3.2-Exp ergänzte DeepSeek Sparse Attention: Ein leichtgewichtiger Indexer bewertet Kontext-Token gegen die Anfrage, und ein Selektor behält nur die bestbewerteten. Interessant ist dabei der Beleg, nicht der Mechanismus. DeepSeek veröffentlichte einen direkten Vergleich mit V3.1-Terminus: MMLU-Pro identisch bei 85.0, AIME 2025 gestiegen (88.4 → 89.3), SWE-bench Verified geringfügig gefallen (68.4 → 67.8) — also im Wesentlichen unveränderte Qualität — und senkte am selben Tag die API-Preise um mehr als 50 %. Architektur, ehrlich berichtet, die sich direkt in Preis übersetzt. Flash treibt dieses Argument einen Schritt weiter.

Die V4-Generation

V4, im April 2026 unter einer MIT-Lizenz als Preview gezeigt, ersetzt den Attention-Stack erneut durch eine Hybride aus Compressed Sparse Attention und Heavily Compressed Attention, trainiert mit dem Muon-Optimierer auf mehr als 32T Token und behält V3s Multi-Token-Prediction-Ziel bei — das zugleich als spekulatives Dekodieren dient und das DeepSeek in V3 mit einer Akzeptanzrate des zweiten Tokens von 85–90 % für rund 1,8× schnelleres Dekodieren gemessen hat. Das V4-Abstract berichtet, dass V4-Pro mit 27 % der Single-Token-Inferenz-FLOPs von V3.2 und 10 % ihres KV-Cache läuft. Die Familie bietet drei Reasoning-Effort-Stufen, und genau darauf bildet unser Parameter reasoning_effort ab.

Quellen: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 Technical Report (arXiv 2412.19437) · Modellkarte DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Alle Zahlen sind von DeepSeek berichtet.

03Was „Flash“ tatsächlich bedeutet

An diesem Punkt liegen die meisten Vergleiche falsch, deshalb sei es klar gesagt: DeepSeeks Flash ist kein quantisiertes, beschnittenes oder destilliertes Pro. Es ist ein separat trainiertes, kleineres Mixture-of-Experts-Modell mit eigenem Pre-Training-Lauf. Das V4-Preview-Paper nennt die beiden Größen:

Zahlen aus dem DeepSeek-V4-Preview-Paper. Die offiziellen Checkpoints, die wir ausliefern — V4-Flash-0731 und V4-Pro-0813 —, führen auf ihren Modellkarten etwas höhere Gesamtwerte von 304B und 1,7T; aktivierte Parameter nennt DeepSeek für diese Builds nicht erneut.

Zwei Zahlen tragen hier die Last. Die Gesamtparameter bestimmen den Speicherbedarf, der festlegt, wie viel Hardware eine Kopie des Modells belegt. Die aktivierten Parameter bestimmen die Arithmetik pro Token, die den Durchsatz festlegt. Flash ist beim ersten Wert rund 5,6× kleiner und beim zweiten 3,8× kleiner — und in dieser Lücke steckt eine bemerkenswerte Feinheit: Flash aktiviert 13 von 284 Milliarden Parametern, etwa 4,6 %, während Pro 49 von 1.600 Milliarden aktiviert, etwa 3,1 %. Flash ist das weniger spärliche Modell. Es ist nicht einfach Pro mit weniger eingeschalteten Experten; es ist ein dichteres, anders austariertes Design, das einen größeren Anteil seiner selbst für jedes erzeugte Token aufwendet. Das ist eine echte Konstruktionsentscheidung, keine Abwertung.

Was DeepSeeks eigene Zahlen sagen

Beide offiziellen Modellkarten veröffentlichen Werte auf denselben agentischen und Software-Engineering-Benchmarks, was diesen Vergleich ungewöhnlich sauber macht — dasselbe Labor, dieselbe Evaluations-Umgebung, zwei Größen:

Benchmark (von DeepSeek berichtet)	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 gewinnt jede Zeile. Das ist die ehrliche Schlagzeile, und Sie sollen sie lieber hier lesen als in der Produktion entdecken. Aber lesen Sie die Abstände, denn die sind das, was Sie tatsächlich kaufen. Auf Terminal Bench 2.1 beträgt die Lücke 5,2 Punkte — bei einem Modell mit einem Fünfundzwanzigstel der Parameter; bei der Tool-Nutzung sind es 3,8 Punkte. Die Lücke weitet sich dort, wo die Arbeit am tiefsten geht: 8,3 Punkte auf DeepSWE, 7,3 auf NL2Repo, beides Benchmarks, die anhaltendes mehrstufiges Code-Reasoning belohnen. Das ist die Form des Handels in einer Tabelle: Flash schließt den größten Teil des Abstands bei begrenzten Aufgaben und gibt bei offenen Aufgaben nach.

DeepSeeks eigene Flash-Karte formuliert es noch schärfer: Flash-0731 übertrifft die V4-Pro-Preview auf den gelisteten Benchmarks, trotz weit geringerer Zahl aktivierter Parameter. Dass ein neueres kleines Modell ein älteres großes schlägt, ist in diesem Feld der Normalfall — und der Grund, warum „die größere Stufe“ nie Ihre Standardantwort sein sollte.

04Das Suffix lesen: W4A16-AUTOROUND-REAP

Unsere Modell-IDs nennen ihr Kompressionsverfahren laut und deutlich, weil es das ist, was die Ausgabequalität am stärksten beeinflusst und fast niemand offenlegt. Dieses hier zerfällt in drei Aussagen.

W4A16 — 4-Bit-Gewichte, 16-Bit-Aktivierungen

Gewichte werden mit je 4 Bit gespeichert; Aktivierungen fließen mit 16-Bit-Präzision durch. Das ist reine Gewichts-Quantisierung, und sie zielt auf den tatsächlichen Engpass der Token-Generierung, nämlich die Speicherbandbreite statt der Arithmetik. Auch die Aktivierungen zu quantisieren brächte etwas mehr Tempo und riskierte einen viel größeren Genauigkeitsabsturz; sie bei 16 Bit zu lassen, ist die konservative, originalgetreue Wahl. Die Notation ist Kurzschrift des Serving-Ökosystems — die Quantisierungsliteratur schreibt dasselbe als W4 mit einer Gruppengröße.

AUTOROUND — gelerntes Runden statt Runden zum Nächsten

Naive Quantisierung rundet jedes Gewicht auf den nächstliegenden darstellbaren Wert. Das ist nachweislich nicht optimal: Ein Gewicht „falsch“ zu runden kann Fehler ausgleichen, die seine Nachbarn eingebracht haben, und bei Milliarden von Gewichten dominieren diese Wechselwirkungen. AutoRound von Intel behandelt die Rundungsentscheidung selbst als etwas Lernbares — eine trainierbare Störung pro Gewicht, begrenzt auf ±0,5, gerade genug, um eine einzelne Rundungsentscheidung zu kippen, und nie mehr, dazu lernbare Clipping-Bereiche, optimiert per Signed Gradient Descent gegen ein blockweises Ziel der Ausgabe-Rekonstruktion über einen kleinen Kalibrierungsdatensatz. Zweihundert Schritte, dann fertig.

Intels veröffentlichte Vergleiche sehen AutoRound in 30 von 32 getesteten Szenarien vor GPTQ, in 27 von 32 vor AWQ und in 29 von 32 vor OmniQuant, jeweils bei reiner 4-Bit-Gewichtsquantisierung, mit Zugewinnen gegenüber naivem Runden zum Nächsten von 6,9 bis 33,2 Genauigkeitspunkten bei 2 Bit. Nichts davon kostet zur Inferenzzeit etwas: Es ist eine bessere Wahl von Zahlen, einmal offline getroffen.

REAP — Experten wegwerfen, zu denen niemand routet

REAP (Router-weighted Expert Activation Pruning) von Cerebras Systems und der University of Calgary ist One-Shot-Kompression für MoE-Modelle. Es bewertet jeden Experten danach, wie stark und wie oft der Router auf ihn schaltet, multipliziert mit der Größenordnung der Ausgabe dieses Experten, und löscht die am wenigsten relevanten Experten dann ersatzlos — ohne anschließendes Nachtraining.

Der zentrale Befund des Papers ist der nützliche: Bei hohen Kompressionsraten schlägt das Wegschneiden von Experten deren Verschmelzen. Funktional verschiedene Experten zu verschmelzen führt zu dem, was die Autoren funktionalen Unterraumkollaps nennen — der Router verliert die feingranulare, eingabeabhängige Kontrolle, die das MoE überhaupt lohnend machte, und steuert nur noch zwischen statischen Mittelwerten. Ihre Zahlen über Modelle von 20B bis 1T Parametern: Bei 25 % Expertenkompression auf Coding-Aufgaben verliert REAP 2,8 % mittlere Genauigkeit, während Merging-Baselines über 5 % verlieren; bei 50 % verliert REAP 8,0 %, Merging über 20 %. Auf Qwen3-Coder-480B bei 50 % Pruning beträgt der Verlust 1,4 % gegenüber 39,3 % bei naivem häufigkeitsbasiertem Pruning. Cerebras hat unter anderem REAP-Checkpoints für die DeepSeek-Linie veröffentlicht.

Warum hier 4 Bit und auf Pro 3 Bit

Beide Stufen müssen auf dieselbe Hardwareklasse passen und dort schnell bleiben. Pro trägt 1,7 Billionen Parameter, braucht also die aggressivere 3-Bit-Behandlung, um überhaupt zu passen. Flash trägt rund 300 Milliarden und braucht sie nicht — und das eingesparte Bit wird in Originaltreue statt ins Hineinpassen investiert.

Dieses zusätzliche Bit zählt mehr, als seine Arithmetik nahelegt, denn Quantisierungsschaden verläuft nicht linear. In den WikiText-2-Messungen des AWQ-Papers geht Llama-2-7B von 5,47 Perplexität bei FP16 auf 5,60 bei 4 Bit — eine Einbuße von 2,4 % —, aber auf 6,24 bei 3 Bit, eine Einbuße von 14 %. Das ist rund die sechsfache Verschlechterung für 25 % mehr Kompression, und dasselbe Muster gilt bei 70B. Das GPTQ-Paper ist noch deutlicher: Bei 3 Bit kollabiert naives Runden zum Nächsten auf Modellen der 175B-Klasse in Perplexitäten im Tausenderbereich, während es bei 4 Bit vollkommen brauchbar bleibt. Unterhalb von vier Bit hört ein guter Quantisierungsalgorithmus auf, eine nette Zugabe zu sein, und wird zum Einzigen, was das Modell zusammenhält.

Die ehrliche Lesart dieser beiden Suffixe lautet also: Flash liegt näher an seinem eigenen unkomprimierten Selbst als Pro an seinem. Pro ist immer noch das stärkere Modell — die Benchmark-Tabelle oben klärt das. Es hat nur mehr aufgegeben, um hierherzukommen, und für dieses Privileg zahlen Sie.

Quellen: 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. Perplexitätszahlen aus AWQ (arXiv 2306.00978) und GPTQ (arXiv 2210.17323).

05Flash gegen Pro am Endpunkt

Abschnitt 03 behandelte die Fundamente. So sehen die beiden Stufen als Produkte auf unserem Gateway aus:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Quantisierung	W4A16-AUTOROUND-REAP	3BIT-REAP
Gewichtspräzision	4 Bit, gelerntes Runden	3 Bit
Fundament (gesamt / aktiv)	~304B / 13B	~1.7T / 49B
Eingabe pro 1 Mio. Token	$0.50	$1.95
Ausgabe pro 1 Mio. Token	$2.00	$3.90
Kontext / max. Ausgabe	262,144 / 16,384	262,144 / 16,384
Tools · strukturierte Ausgabe · Streaming	Ja	Ja
Vision	Nein	Nein
Ablehnungsschicht	Keine	Keine

Beachten Sie, was sich nicht ändert: Kontext, Ausgabeobergrenze, Tool-Calling, strukturierte Ausgabe und das Fehlen einer Ablehnungsschicht sind identisch. Es bewegen sich nur das Fundament, die Quantisierung und der Preis. Damit ist der Wechsel zwischen beiden eine Änderung an einem String in Ihrem Code und eine rein wirtschaftliche Entscheidung in Ihrer Architektur.

Was ein Aufruf in maximaler Größe kostet

Den gesamten Kontext von 262.144 Token füllen und die vollen 16.384 Ausgabe-Token abrufen:

Zu Listenpreisen. Flash: $0.131 Eingabe + $0.033 Ausgabe. Pro: $0.511 + $0.064. Verhältnis 3,51×. Flash teilt sich den Boden von $0.50 / $2.00 außerdem mit MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro und Hy3 — der vollständige Katalog zeigt, wie sich diese bei Vision und strukturierter Ausgabe unterscheiden.

06Die Volumenrechnung, durchgerechnet

„3,9× günstiger“ stimmt nur für die Eingabe. Bei der Ausgabe ist Flash 1,95× günstiger. Ihre echte Ersparnis hängt daher von Ihrem Verhältnis von Eingabe zu Ausgabe ab, und die Spanne ist breit genug, um Designentscheidungen zu verändern. Vier realistische Arbeitslasten, jeweils mit 100.000 Anfragen:

Arbeitslast	Rein / raus pro Aufruf	Flash	Pro	Ersparnis
Ticket-Klassifizierung	1,200 / 120	$84	$281	3.3×
RAG-Fragebeantwortung	8,000 / 600	$520	$1,794	3.4×
Zusammenfassung langer Dokumente	60,000 / 1,500	$3,300	$12,285	3.7×
Generierung synthetischer Daten	500 / 2,000	$425	$878	2.1×

Das Muster: Je mehr Kontext Sie hineinschieben und je weniger Text Sie erzeugen, desto mehr spart Flash. Retrieval-Pipelines, Dokumenten-Triage, Log- und Transkriptanalyse sowie Extraktion aus langem Kontext sind der Sweetspot — sie sind um eine Größenordnung eingabelastig, und in der Eingabe steckt der Rabatt von 3,9×. Ist Ihre Arbeitslast dagegen ein kurzer Prompt, der Tausende Token Prosa erzeugt, schrumpft der Abstand auf etwa 2×, und das Fähigkeitsargument für Pro wird entsprechend stärker.

Noch eine Rechnung, die man verinnerlicht haben sollte: Bei $0.50 pro Million Eingabe-Token kostet das Füllen des gesamten Fensters von 262.144 Token 13,1 Cent. Long-Context-Prompting hört bei diesem Preis auf, eine Budgetfrage zu sein, was manchmal bedeutet, dass Sie sich eine Retrieval-Schicht ganz sparen und das Kontextfenster die Arbeit machen lassen können — eine Ersparnis im Engineering zusätzlich zur Ersparnis bei den Token.

07Was „unzensiert“ hier genau bedeutet

Das Wort wird lose verwendet, deshalb hier unsere Definition, formuliert als Eigenschaft des Endpunkts: Vor dem Modell sitzt kein Ablehnungsklassifikator, und auf seine Ausgabe wird keine Inhaltsfilterung angewendet. Nichts fängt einen Prompt ab und gibt eine vorgefertigte Absage zurück; nichts inspiziert die Vervollständigung und schwärzt sie. Für Produktionsarbeit mit hohem Volumen sind die Folgen weniger dramatisch und nützlicher, als das Wort vermuten lässt:

• Keine False Positives bei harmlosem Traffic. Gefilterte Endpunkte lehnen routinemäßig medizinische Zusammenfassungen, Security-Berichte, juristische Beweisaufnahme, Belletristik, Harm-Reduction-Material und die Moderationsarbeit selbst ab — genau die Kategorien, in denen ein Batch-Job Text über ein sensibles Thema verarbeitet, statt selbst etwas Schädliches zu erzeugen. Bei hunderttausend Anfragen bedeutet eine Fehlablehnungsquote von einem Prozent tausend kaputte Zeilen.
• Deterministische Verträge. Fordern Sie eine json_schema-Antwort an, bekommen Sie JSON, das dem Schema entspricht, und keinen Absatz voller Entschuldigung, wo ein Objekt stehen sollte. Ihr Parser braucht keinen Ablehnungszweig, und Ihre Retry-Logik muss keinen Transportfehler von einem Policy-Fehler unterscheiden.
• Die Policy gehört Ihnen. Das ist der Handel. Wenn Ihr Produkt Leitplanken für Ihre Endnutzer braucht, bauen Sie sie auf Ihrer Ebene, wo Sie Ihre Nutzer und Ihre Rechtsordnung kennen, statt die Vermutungen eines Anbieters über beides zu erben. Für Ihren Account gilt weiterhin unsere Responsible Use Policy.

Unzensiert ist nicht dasselbe wie unausgerichtet oder wenig hilfreich. Das Modell folgt weiterhin Anweisungen und respektiert weiterhin einen System-Prompt. Wenn es für Ihre Nutzer bestimmte Kategorien ablehnen soll, schreiben Sie es dort hinein — diese Anweisung zu formulieren liegt jetzt bei Ihnen, statt dass wir sie auferlegen.

08Fähigkeiten und ehrliche Grenzen

Zwei Fähigkeiten tragen bei Volumenarbeit den größten Teil der Last. Strikte json_schema-Ausgabe macht aus einer Vervollständigung eine Datenbankzeile, ohne Parsing-Schicht und ohne Ablehnungszweig. Tool-Calling in allen drei Dialekten macht Flash zu einer sinnvollen Maschine für die billigen Teilschritte eines Agenten, dessen oberster Planer auf einem stärkeren Modell läuft. Dazu kommt reasoning_effort, mit dem Sie zusätzliche Token nur für den Bruchteil des Traffics ausgeben, der sie braucht, und ein Kontext von 262.144 Token, identisch mit dem von Pro — Sie geben also keinen Kontext auf, wenn Sie die günstige Stufe wählen, was ungewöhnlich ist.

Die Grenzen sind ebenso konkret:

• Keine Vision. Flash ist reiner Text und weist Bildbestandteile in einer Nachricht zurück. Für Bilder auf einem unzensierten Modell zum selben Boden von $0.50 / $2.00 sind MiniMax-M3 und MiMo-V2.5 die Optionen mit Vision; Kimi-K2.6 und Kimi-K3 sind stärkere Vision-Modelle oberhalb dieser Stufe.
• Nicht die Spitze der Leiter. DeepSeeks eigene Zahlen sehen Pro auf jedem veröffentlichten agentischen Benchmark vorn, mit der größten Lücke beim anhaltenden mehrstufigen Code-Reasoning. Wo eine falsche Antwort mehr kostet als tausend billige, geben Sie die zusätzlichen $1.45 pro Million für DeepSeek-V4-Pro aus.
• 16.384 Ausgabe-Token pro Anfrage. Lange Generierungen müssen über mehrere Aufrufe gestückelt werden. Das ist die gleiche Obergrenze bei jedem Modell, das wir ausliefern, und sie greift lange vor dem Kontextfenster.

09Der Aufruf

Richten Sie einen beliebigen OpenAI-kompatiblen Client auf das Gateway und ändern Sie den Modell-String. Sonst muss sich in Ihrem Stack nichts bewegen.

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
        }
      }
    }
  }'

Dieselbe Modell-ID funktioniert unverändert auf /v1/messages und /v1/responses, was der schnellste Weg ist, ein günstigeres Modell unter einer bestehenden Integration im A/B-Test zu prüfen, ohne den Client umzuschreiben. Parameter, Streaming-Event-Formate, Tool-Calling-Schemata und Rate Limits sind in der API-Referenz dokumentiert; jedes Modell des Katalogs ist unter Shannon Research gelistet.

10Häufig gestellte Fragen

---

Quellen: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 Technical Report (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · Modellkarten DeepSeek-V4-Flash-0731 und DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Alle Fundament- und Benchmark-Zahlen sind so veröffentlicht, wie ihre jeweiligen Autoren sie angeben; die Preise von Shannon AI und der ausgelieferte Kontext sind unsere eigenen Listenwerte mit Stand September 2026.