Die unzensierte DeepSeek-API

Wer bei der Suche nach „unzensierter DeepSeek-API“ landet, will genau eine Sache: ein Modell mit DeepSeeks Reasoning- und Coding-Fähigkeit, das die tatsächlich gestellte Frage beantwortet. Die Fähigkeitshälfte ist gut dokumentiert — DeepSeek-AI hat Architektur und Zahlen veröffentlicht, und die Gewichte liegen unter MIT auf Hugging Face. Die zweite Hälfte ist eine Betriebsentscheidung, und die wird üblicherweise für Sie getroffen. Diese Seite behandelt beides: was das V4-Pro-Fundament ist, was unser 3BIT-REAP-Build damit macht und was „unzensiert“ genau heißt, wenn wir es sagen.

01Was „unzensierte DeepSeek-API“ tatsächlich bedeutet

Zwei verschiedene Mechanismen laufen unter demselben Wort. Der erste ist Alignment, das in den Gewichten steckt — Ablehnungsverhalten, das im Post-Training gelernt wurde. Der zweite ist eine Moderationsschicht auf der Serverseite: ein separater Klassifikator, der Ihren Prompt prüft, bevor das Modell ihn sieht, und die Ausgabe, bevor Sie sie sehen, und der eine Antwort mitten im Satz abschneiden kann, ganz gleich, was das Modell sagen wollte.

Beides ist messbar, und der Erstanbieterdienst von DeepSeek wurde gemessen. Promptfoo stellte ein Set aus 1.360 politisch heiklen Fragen zusammen und berichtete, dass das gehostete R1 von DeepSeek 1.156 davon ablehnte oder auswich — rund 85%. Akademische Arbeiten zu derselben Familie fanden einen eigenen Fehlermodus, den die Autoren thought suppression nannten: Die Argumentationsspur des Modells bricht bei einem heiklen Thema fast unmittelbar nach dem Beginn ab. Eine separate Prüfung in Information Sciences dokumentierte Unterdrückung auf semantischer Ebene: Inhalte, die im internen Reasoning des Modells vorhanden sind, werden stillschweigend weggelassen oder umgeschrieben, bevor sie beim Nutzer ankommen. Das ist ein schwierigeres Problem als eine offene Ablehnung, denn eine gekürzte Antwort sieht aus wie eine Antwort.

Was wir betreiben, ist das Open-Weights-Release, auf Hardware, die wir selbst betreiben, in den Vereinigten Staaten, unter Shannon Lab LLC. Es gibt keine Ablehnungsschicht vor dem Modell und keinen Filter auf dem, was zurückkommt: Ihr Prompt wird vor der Auslieferung nicht auf Richtlinien klassifiziert, und der Ausgabestrom wird auf dem Weg hinaus nicht inspiziert. Weil das Fundament MIT-lizenziert und öffentlich ist, können Sie unsere Ausgaben selbst gegen die Referenzgewichte prüfen, statt uns beim Wort zu nehmen.

02Das Fundament: DeepSeek-V4-Pro, ein MoE mit 1,6 Bio. Parametern

DeepSeek-V4 ist die aktuelle Open-Weights-Familie von DeepSeek-AI, im April 2026 vorgestellt und unter MIT in zwei Größen veröffentlicht: V4-Flash (284 Mrd. gesamt, 13 Mrd. aktiviert) und V4-Pro (1,6 Bio. gesamt, 49 Mrd. aktiviert). Dieser Artikel handelt von der Pro-Stufe. Beide wurden auf rund 33 Billionen Token vortrainiert, und beide unterstützen nativ einen Kontext von einer Million Token.

Bemerkenswert ist das Sparsity-Verhältnis: Nur etwa 3% der Parameter feuern bei einem gegebenen Token, und genau das macht ein Modell dieser Größe überhaupt auslieferbar. Der MoE-Block selbst ist weiterhin DeepSeekMoE — die feingranularen gerouteten Experten plus dauerhaft aktive geteilte Experten, eingeführt in V2 — mit nur geringen Änderungen in V4, am sichtbarsten Hash-Routing in den frühesten Schichten. Multi-Token-Prediction, das Hilfsziel aus V3, das zugleich spekulatives Dekodieren ermöglicht, bleibt unverändert erhalten.

Neu in V4 sind strukturelle Teile. Manifold-Constrained Hyper-Connections (mHC) ersetzen den einfachen Residualpfad durch eine gelernte Mischmatrix, die per Sinkhorn–Knopp-Projektion auf die Mannigfaltigkeit doppelt stochastischer Matrizen beschränkt wird — ein Residualstrom, der pro Eingabe neu gewichtet, ohne die numerische Drift, die sehr tiefe Stapel zerstört. Das Training wechselte für die meisten Module von AdamW auf Muon mit Newton–Schulz-Orthogonalisierung; AdamW bleibt nur für Embeddings, Vorhersageköpfe, Normalisierung und die statischen mHC-Parameter. Und die Expertengewichte werden in FP4 trainiert, die meisten übrigen Parameter in FP8 — quantisierungsbewusst von Anfang an, was dafür zählt, wie gnädig das Modell weitere Kompression verträgt.

03Von MLA zu CSA + HCA: wie DeepSeek langen Kontext günstig hält

Der rote Faden bei DeepSeek über vier Generationen ist nicht die Größe, sondern die Ökonomie der Attention. Jede Version hat den KV-Cache angegriffen, der linear mit dem Kontext wächst und bei großen Längen den Speicher dominiert.

• V2 führte Multi-head Latent Attention (MLA) ein — eine niederrangige gemeinsame Kompression von Keys und Values in einen latenten Vektor, sodass die Generierung diesen Vektor plus einen entkoppelten RoPE-Key zwischenspeichert statt vollständiger K und V pro Kopf. DeepSeek berichtete von einem KV-Cache bei rund 4–14% gegenüber Standard-Multi-Head-Attention, bei gehaltener oder verbesserter Qualität.
• V3 skalierte das auf 671 Mrd. und machte MLA zur Standardannahme für günstigen langen Kontext in offenen Modellen.
• V3.2 ergänzte DeepSeek Sparse Attention (DSA) und wählt über einen leichtgewichtigen Indexer eine Top-k-Teilmenge der Historie pro Query aus, statt auf alles zu achten.
• V4 hybridisiert. Compressed Sparse Attention (CSA) komprimiert zunächst die KV-Einträge von jeweils m Token mit gelernten Gewichten zu einem Eintrag und führt dann eine sparse Top-k-Auswahl über diese komprimierten Einträge aus. Heavily Compressed Attention (HCA) komprimiert deutlich aggressiver, bleibt über dem Ergebnis aber dicht. Die beiden Schichttypen sind über den Stapel hinweg verschränkt, sodass günstige globale Zusammenfassung und präzises lokales Abrufen nebeneinander bestehen.

Der berichtete Gewinn bei einem Kontext von einer Million Token ist deutlich: V4-Pro braucht etwa 27% der Inferenz-FLOPs pro Token und 10% des KV-Cache von V3.2. Deshalb verhält sich eine 262K-Anfrage wie eine normale Anfrage und nicht wie ein Speicherereignis, und deshalb halten die Werte für Abruf in langem Kontext, statt jenseits einiger Zehntausend Token einzubrechen.

04Was das Suffix 3BIT-REAP bedeutet

Unsere Katalog-ID endet auf 3BIT-REAP, und das beschreibt zwei unabhängige Kompressionsschritte, die nacheinander angewandt werden.

REAP: Experten entfernen, nicht verschmelzen

REAP steht für Router-weighted Expert Activation Pruning, von Cerebras Research — „REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression“, angenommen auf der ICLR 2026. In einem sparse MoE nutzt der Router seine Experten nicht gleichmäßig: Ein langer Schwanz wird selten, schwach oder beides gewählt. REAP bewertet jeden Experten, indem es Router-Gate-Werte (wie oft und wie stark er gewählt wird) mit Aktivierungsnormen des Experten (wie viel seine Ausgabe beiträgt) kombiniert, und löscht die Verlierer dann ersatzlos.

Das Argument der Arbeit lautet, dass Pruning das Verschmelzen schlägt: Verschmelzen mittelt die funktionale Spezialisierung weg, für die man das MoE überhaupt gebaut hat, während das Löschen der Experten, die der Router kaum erreicht, sie bewahrt. Über Modelle von 20 Mrd. bis 1 Bio. hinweg übertraf REAP das Verschmelzen und konkurrierende Pruning-Methoden in generativen Benchmarks, und die Autoren berichten nahezu verlustfreie Ergebnisse bei Codegenerierung und Tool-Calling bei 50% Experten-Pruning auf Qwen3-Coder-480B und Kimi-K2 — genau das Arbeitsprofil, für das dieses Modell hier steht.

3-Bit-Gewichte: die Kompressionsstufe für die größten Fundamente

Was übrig bleibt, wird anschließend auf 3-Bit-Gewichte quantisiert. Drei Bit sind aggressiv, und wir tun nicht so, als wäre es anders: In der Aufstellung verwenden wir W8A16, wo das Fundament klein genug ist, um die Kur nicht zu brauchen, W4A16-AUTOROUND-REAP in der Mitte und 3BIT-REAP nur bei den größten Fundamenten, wo es den Unterschied zwischen ausliefern und nicht ausliefern macht.

Der Kompromiss gehört klar benannt: Ein 3-Bit-MoE mit 1,6 Bio. Parametern ist nicht bit-identisch mit dem Referenz-Release, und ein kleiner Qualitätsverlust ist real. Dafür bekommen Sie ein Fundament, dessen unkomprimierte Obergrenze weit über allem liegt, was bei höherer Präzision bequem hineinpasst — und weil V4s Experten von vornherein in FP4 trainiert wurden, verhält sich das Modell unter weiterer Gewichtskompression ungewöhnlich gutmütig. Wenn Sie einen DeepSeek-Build mit sanfterem Umgang mit Präzision wollen: DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP nutzt 4-Bit-Gewichte mit 16-Bit-Aktivierungen und AutoRounds gelerntem Runden, auf demselben 262K-Kontext für $0.50 rein / $2.00 raus.

05Reasoning und der Regler reasoning_effort

Das Post-Training von V4 trainiert Domänenspezialisten getrennt — Mathematik, Coding, Agenten, Instruktionsbefolgung — mit SFT gefolgt von GRPO, der Group Relative Policy Optimization, die DeepSeek mit R1 einführte. Diese Spezialisten werden anschließend per On-Policy-Distillation unter einem Reverse-KL-Ziel zu einem Modell vereinigt, sodass ein einzelner Checkpoint Verhalten auf Spezialistenniveau in mehreren Domänen zugleich trägt, statt ein Generalist zu sein, der überall mittelmäßig ist.

Das veröffentlichte Modell bietet abgestufte Denkmodi statt eines Ein-Aus-Schalters. Auf unserem Gateway ist das der Standardparameter reasoning_effort, der mit Abstand nützlichste Regler an diesem Modell:

• Low — nahezu direktes Antworten: Klassifikation, Extraktion, Umschreiben, alles, wo Sie für das Wissen des Modells zahlen und nicht für sein Nachdenken.
• Medium — der voreingestellte Arbeitsmodus für Code-Review, Debugging und mehrstufige Analyse.
• High — langes Nachdenken vor der Antwort. Hier werden die harten Probleme gelöst, und hier entsteht Ihre Rechnung für Ausgabetoken, denn Reasoning-Token werden als Ausgabe abgerechnet.

Weil es keine Ablehnungsschicht gibt, wird die Argumentationsspur bei heiklen Themen nicht abgeschnitten — das auf dem Erstanbieterdienst dokumentierte Muster der Gedankenunterdrückung hat hier keinen Mechanismus, über den es auftreten könnte.

06Code und agentische Arbeit: was das Fundament erzielt

Dies sind DeepSeek-AIs eigene veröffentlichte Zahlen zum V4-Pro-Release — nicht unsere und nicht auf unserem quantisierten Build gemessen. Wir zeigen sie, weil sie der ehrliche Grund sind, dieses Fundament zu wählen, und kennzeichnen sie als Erstanbieterangaben, damit Sie sie entsprechend gewichten können.

Zwei davon verdienen einen Kommentar. SWE-bench Verified mit 80,6% ist das Lösen echter Repository-Issues — einen unbekannten Codebestand lesen, den Defekt finden, einen Patch erzeugen, der die projekteigenen Tests besteht. MRCR bei einer Million Token (83.5) ist mehrrundiger Koreferenz-Abruf über die volle Länge, also die Zahl, die Ihnen sagt, dass die Behauptung zum langen Kontext nicht bloß dekorativ ist. DeepSeek berichtet außerdem ein Codeforces-Rating von 3206 für das Modell und 62.0 auf CorpusQA bei 1M Kontext.

Die Zahlen oben stammen von DeepSeek-AI und beziehen sich auf das Referenz-Release DeepSeek-V4-Pro. Unser 3BIT-REAP-Build ist eine komprimierte Variante dieser Gewichte und wurde bei diesen Aufgaben nicht unabhängig gebenchmarkt; behandeln Sie die Referenzwerte als Obergrenze des Fundaments, nicht als Messung dieses Endpunkts.

07262K Kontext: was tatsächlich hineinpasst

Das Referenzmodell ist für eine Million Token trainiert. Wir liefern 262.144 — das Fenster, das jedes Modell auf dem Gateway teilt, sodass ein Modellwechsel eine Änderung von einer Zeile ist und nie ein Rückschritt beim Kontext. In der Praxis liegt 262K jenseits des Punktes, an dem der Kontext für die meiste echte Arbeit bindet:

Arbeitslast	Ca. Token	Passt in 262K?
Mittelgroßes Service-Repo (~50k Zeilen)	~600K	Nein — Module auswählen
Ein Subsystem plus seine Tests	~60–120K	Ja, bequem
Vollständiger RFC-Satz eines Protokolls	~150K	Ja
Ein technisches Buch mit 700 Seiten	~250K	Ja, nahe am Limit
Langer Agentenlauf, 40+ Tool-Runden	~80–200K	Ja

Die Grenze, um die Sie planen sollten, ist die Ausgabe: maximal 16.384 Token pro Antwort. Das ist ein langes Dokument oder ein umfangreicher Patch über mehrere Dateien, aber kein Codebestand. Große Generierungsaufgaben erledigt man durch Verketten von Anfragen, mit der vorherigen Ausgabe wieder im Kontext — was das 262K-Fenster günstig macht —, statt eine einzige riesige Completion zu verlangen.

08Preis und wo V4-Pro in der Aufstellung steht

Mit $1.95 rein / $3.90 raus pro Million Token ist V4-Pro die Spitzenstufe fürs Reasoning — das Modell, zu dem Sie greifen, wenn das Problem schwer ist. Ist es nur groß, erledigen günstigere Modelle auf demselben 262K-Fenster die Aufgabe zum Viertel des Preises.

Unzensiertes Modell	Rein / 1 Mio.	Raus / 1 Mio.	Vision	Am besten für
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Nein	Schweres Reasoning, Code, Agenten
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Nein	Dieselbe Herkunft, hohes Volumen
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nein	Allzweck-Arbeitstier
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Ja	Multimodale Agenten der Spitzenklasse
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Ja	Günstigste Vision

Um den Vergleich offen zu benennen, den Leute tatsächlich anstellen werden: DeepSeeks eigene API ist günstiger als diese hier — das Erstanbieter-V4-Pro liegt bei rund $0.435 rein / $0.87 raus, und der Preis für Cache-Treffer bei der Eingabe ist noch niedriger. Wenn der Preis pro Token Ihr einziges Kriterium ist und das Moderationsverhalten Ihre Arbeit nicht berührt, nutzen Sie die Erstanbieter-API; das sagen wir Ihnen lieber, als dass Sie es später herausfinden. Der Aufpreis kauft eine andere Menge an Eigenschaften: keine Ablehnungsschicht und kein Ausgabefilter, ein US-Betreiber unter Shannon Lab LLC, ein fixierter datierter Checkpoint (0813), sodass ein stilles Upstream-Upgrade Ihre Ausgaben nie mitten im Projekt verändert, drei API-Dialekte auf ein Modell und dasselbe 262K-Fenster samt derselben Parameterfläche über alle zwölf Modelle der Aufstellung hinweg.

09Der Aufruf: drei Dialekte, ein Modell

Jedes Modell auf dem Gateway antwortet auf allen drei Endpunkten, jeweils mit Streaming. Sie übernehmen kein neues SDK — Sie ändern eine Basis-URL und eine Modell-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-Dialekt; funktioniert mit den OpenAI-SDKs und allem, was darauf aufbaut.
• /v1/messages — Anthropic-Dialekt, für Codebestände, die bereits gegen diese Form geschrieben sind.
• /v1/responses — die Schnittstelle im Responses-Stil.

Auf diesem Modell unterstützt: Streaming, natives Tool-Calling, strikte strukturierte Ausgabe per json_schema, response_format und reasoning_effort. Die vollständige Parameterreferenz und ein Live-Playground stehen in der API-Dokumentation.

10Ehrliche Grenzen

Vier Dinge, die Sie wissen sollten, bevor Sie darauf bauen:

• Keine Vision. Nur Text; das Modell nimmt auf keinem Endpunkt Bildeingaben entgegen. Wenn Sie ein unzensiertes Modell brauchen, das sieht, nutzen Sie Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 oder inkling.
• Ausgabegrenze von 16.384 Token. Bei hohem Effort zählen Reasoning-Token dagegen, ein langes Nachdenken lässt also weniger Raum für die Antwort. Verketten Sie Anfragen für große Generierungsaufgaben.
• 3 Bit sind eine echte Kompression. Die Referenzwerte beschreiben das Fundament, nicht diesen Build. Für die Stufe mit der höchsten Treue tragen die W8A16-Modelle (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) die geringste Quantisierung.
• Unzensiert ist nicht folgenlos. Keine Ablehnungsschicht heißt, dass die Verantwortung dafür, was Sie fragen und was Sie mit der Antwort tun, bei Ihnen liegt — nach unseren Nutzungsbedingungen und nach dem Recht des Ortes, an dem Sie tätig sind.

11Häufige Fragen

---

Quellen: DeepSeek-AI — Modellkarte DeepSeek-V4-Pro · Technischer Bericht DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Technischer Bericht DeepSeek-V3 · REAP the Experts (Cerebras Research) · Promptfoo-Zensurprüfung · Discovering Forbidden Topics in Language Models. Die Benchmark-Zahlen stammen von DeepSeek-AI und beziehen sich auf das Referenz-Release; eine unabhängige Verifikation des komprimierten Builds durch Dritte steht aus. Die Preise sind Shannon-AI-Listenpreise mit Stand 5. September 2026.