Το DeepSeek Flash API χωρίς λογοκρισία

Οι περισσότερες ομάδες που αξιολογούν ένα API LLM βελτιστοποιούν τη λάθος μεταβλητή. Κάνουν benchmark στα είκοσι πιο δύσκολα prompt που μπορούν να σκεφτούν, διαλέγουν τον νικητή, και ανακαλύπτουν έξι εβδομάδες αργότερα ότι το ενενήντα πέντε τοις εκατό της κίνησής τους είναι σύντομη, δομημένη, επαναλαμβανόμενη δουλειά που ένα μοντέλο με το ένα τέταρτο του κόστους θα χειριζόταν πανομοιότυπα. Το DeepSeek-V4-Flash υπάρχει για αυτό το ενενήντα πέντε τοις εκατό. Αυτή η σελίδα αφορά το να ξέρεις πότε βρίσκεσαι μέσα σε αυτό — και πότε όχι.

01Τι παίρνεις στην πραγματικότητα

Ιδιότητα	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Model id	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Context / μέγιστη έξοδος	262.144 tokens / 16.384 tokens
Τιμή ανά 1M (είσοδος / έξοδος)	$0.50 / $2.00
Streaming · κλήση εργαλείων · συλλογιστική	Ναι — και στις τρεις διαλέκτους
Δομημένη έξοδος	json_schema και response_format
Είσοδος εικόνας (όραση)	Όχι — μόνο κείμενο
Επίπεδο άρνησης / φίλτρο εξόδου	Κανένα
Σερβίρεται σε	Το δικό μας cluster GPU

Τρεις διάλεκτοι API φτάνουν στα ίδια βάρη: /v1/chat/completions (σχήμα OpenAI), /v1/messages (σχήμα Anthropic) και /v1/responses. Το streaming δουλεύει και στις τρεις. Η πλήρης αναφορά παραμέτρων βρίσκεται στην τεκμηρίωση του API.

02Από πού προέρχεται: η καταγωγή της DeepSeek

Η DeepSeek-AI έχει ξοδέψει πέντε γενιές μοντέλων σε μία εμμονή: να βγάλει συμπεριφορά αιχμής από ένα μοντέλο που είναι φθηνό στο σερβίρισμα, όχι απλώς φθηνό στην εκπαίδευση. Σχεδόν κάθε αρχιτεκτονική απόφαση της σειράς ανάγεται σε αυτό, και οι σημαντικές είναι δημοσιευμένες. Τρεις εξηγούν τι καλείς όταν χτυπάς αυτό το endpoint.

DeepSeekMoE — λεπτόκοκκοι ειδικοί συν έναν κοινό

Ένα στρώμα Mixture-of-Experts αντικαθιστά ένα μεγάλο feed-forward δίκτυο με πολλά μικρότερα και έναν router που επιλέγει μια χούφτα ανά token. Η παραλλαγή της DeepSeek κόβει τους ειδικούς πιο λεπτά από τη συμβατική διάταξη των οκτώ ειδικών, ώστε τα ίδια ενεργοποιημένα FLOPs να αγοράζουν ένα πολύ πιο συνδυαστικά συγκεκριμένο μείγμα, και απομονώνει έναν κοινό ειδικό από τον οποίο περνά κάθε token, ώστε η κοινή γνώση να μη μαθαίνεται πλεοναστικά ξανά μέσα σε κάθε ειδικευμένο. Το DeepSeek-V3 το κυκλοφόρησε ως 256 δρομολογημένους ειδικούς συν 1 κοινό, ενεργοποιώντας 8 δρομολογημένους ανά token — 671B συνολικές παράμετροι, 37B ενεργές — μαζί με εξισορρόπηση φορτίου χωρίς βοηθητική απώλεια: αντί για όρο ποινής που υποβαθμίζει την ποιότητα, μια πόλωση ανά ειδικό σπρώχνει τις βαθμολογίες δρομολόγησης πάνω ή κάτω σε κάθε βήμα, ανάλογα με το αν ο ειδικός τρέχει υπο- ή υπερφορτωμένος.

MLA — attention που χωρά στη μνήμη

Το άλλο μισό του προβλήματος του κόστους σερβιρίσματος είναι η KV cache, που μεγαλώνει γραμμικά με το context και κυριαρχεί στη μνήμη σε μεγάλα μήκη ακολουθίας. Το Multi-head Latent Attention, που εισήχθη στο DeepSeek-V2, συμπιέζει από κοινού κλειδιά και τιμές σε ένα λανθάνον διάνυσμα χαμηλής τάξης και αποθηκεύει αυτό, ανακατασκευάζοντας χρησιμοποιήσιμα K/V εν κινήσει. Τα δημοσιευμένα νούμερα της DeepSeek για το V2, έναντι του παλαιότερου πυκνού DeepSeek 67B, αναφέρουν μείωση 93.3% στην KV cache και 5.76× υψηλότερη μέγιστη ρυθμαπόδοση παραγωγής. Γι' αυτό ένα παράθυρο 262K tokens είναι αυτονόητο σε αυτή την οικογένεια αντί για προνομιακή προσθήκη.

Αραιό attention — και το προηγούμενο των φθηνών tokens

Το V3.2-Exp πρόσθεσε το DeepSeek Sparse Attention: ένας ελαφρύς δείκτης βαθμολογεί τα tokens του context απέναντι στο ερώτημα, και ένας επιλογέας κρατά μόνο εκείνα με την υψηλότερη βαθμολογία. Το ενδιαφέρον κομμάτι είναι η απόδειξη, όχι ο μηχανισμός. Η DeepSeek δημοσίευσε σύγκριση δίπλα-δίπλα με το V3.1-Terminus, με το MMLU-Pro πανομοιότυπο στο 85.0, το AIME 2025 ανεβασμένο (88.4 → 89.3), το SWE-bench Verified οριακά κατεβασμένο (68.4 → 67.8) — ουσιαστικά επίπεδη ποιότητα — και έκοψε τις τιμές του API της πάνω από 50% την ίδια μέρα. Αρχιτεκτονική, ειλικρινά δηλωμένη, που μετατρέπεται απευθείας σε τιμή. Το Flash είναι αυτό το επιχείρημα ένα βήμα παραπέρα.

Η γενιά V4

Το V4, που παρουσιάστηκε σε προεπισκόπηση τον Απρίλιο του 2026 υπό άδεια MIT, αντικαθιστά ξανά τη στοίβα attention με ένα υβρίδιο Compressed Sparse Attention και Heavily Compressed Attention, εκπαιδεύεται με τον βελτιστοποιητή Muon σε πάνω από 32T tokens, και κρατά τον στόχο πρόβλεψης πολλαπλών tokens του V3 — που λειτουργεί και ως κερδοσκοπική αποκωδικοποίηση, και τον οποίο η DeepSeek μέτρησε σε ποσοστό αποδοχής δεύτερου token 85–90% για επιτάχυνση αποκωδικοποίησης περίπου 1.8× στο V3. Η περίληψη του V4 αναφέρει ότι το V4-Pro τρέχει στο 27% των FLOPs inference ενός token του V3.2 και στο 10% της KV cache του. Η οικογένεια εκθέτει τρία επίπεδα προσπάθειας συλλογιστικής, και σε αυτά αντιστοιχίζεται η δική μας παράμετρος reasoning_effort.

Πηγές: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Τεχνική αναφορά DeepSeek-V3 (arXiv 2412.19437) · κάρτα μοντέλου DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Όλα τα νούμερα είναι δηλωμένα από τη DeepSeek.

03Τι σημαίνει πραγματικά «Flash»

Εδώ κάνουν λάθος οι περισσότερες συγκρίσεις, οπότε αξίζει να ειπωθεί ξεκάθαρα: το Flash της DeepSeek δεν είναι ένα κβαντισμένο, κλαδεμένο ή αποσταγμένο Pro. Είναι ένα ξεχωριστά εκπαιδευμένο, μικρότερο μοντέλο Mixture-of-Experts με δικό του τρέξιμο προεκπαίδευσης. Το paper της προεπισκόπησης του V4 δίνει τα δύο μεγέθη:

Νούμερα από το paper της προεπισκόπησης DeepSeek-V4. Τα επίσημα checkpoint που σερβίρουμε — V4-Flash-0731 και V4-Pro-0813 — αναφέρουν ελαφρώς μεγαλύτερα σύνολα, 304B και 1.7T, στις κάρτες μοντέλου τους· η DeepSeek δεν επαναδιατυπώνει τις ενεργοποιημένες παραμέτρους για αυτά τα build.

Δύο νούμερα κάνουν τη δουλειά εδώ. Οι συνολικές παράμετροι καθορίζουν το αποτύπωμα μνήμης, που αποφασίζει πόσο υλικό καταλαμβάνει ένα αντίγραφο του μοντέλου. Οι ενεργοποιημένες παράμετροι καθορίζουν την αριθμητική ανά token, που αποφασίζει τη ρυθμαπόδοση. Το Flash είναι περίπου 5.6× μικρότερο στο πρώτο και 3.8× μικρότερο στο δεύτερο — και σε αυτό το χάσμα υπάρχει μια λεπτομέρεια που αξίζει να προσέξεις: το Flash ενεργοποιεί 13 από 284 δισεκατομμύρια παραμέτρους, περίπου 4.6%, ενώ το Pro ενεργοποιεί 49 από 1.600 δισεκατομμύρια, περίπου 3.1%. Το Flash είναι το λιγότερο αραιό μοντέλο. Δεν είναι απλώς ένα Pro με λιγότερους ειδικούς αναμμένους· είναι ένας πυκνότερος, διαφορετικά ισορροπημένος σχεδιασμός που ξοδεύει μεγαλύτερο μέρος του εαυτού του σε κάθε token που παράγει. Αυτή είναι πραγματική μηχανική επιλογή, όχι υποβάθμιση.

Τι λένε τα ίδια τα νούμερα της DeepSeek

Και οι δύο επίσημες κάρτες μοντέλου δημοσιεύουν σκορ στα ίδια αντζεντικά benchmark και benchmark μηχανικής λογισμικού, κάτι που κάνει τη σύγκριση ασυνήθιστα καθαρή — ίδιο εργαστήριο, ίδιο harness αξιολόγησης, δύο μεγέθη:

Benchmark (δηλωμένο από τη 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

Το Pro κερδίζει κάθε γραμμή. Αυτός είναι ο ειλικρινής τίτλος, και προτιμούμε να τον διαβάσεις εδώ παρά να τον ανακαλύψεις στην παραγωγή. Διάβασε όμως τα περιθώρια, γιατί αυτά είναι που αγοράζεις στην πραγματικότητα. Στο Terminal Bench 2.1 η διαφορά είναι 5.2 μονάδες για ένα μοντέλο με το ένα εικοστό πέμπτο των παραμέτρων· στη χρήση εργαλείων είναι 3.8 μονάδες. Η διαφορά ανοίγει εκεί όπου η δουλειά γίνεται βαθύτερη — 8.3 μονάδες στο DeepSWE, 7.3 στο NL2Repo, που και τα δύο ανταμείβουν παρατεταμένη συλλογιστική κώδικα πολλών βημάτων. Αυτό είναι το σχήμα της ανταλλαγής σε έναν πίνακα: το Flash κλείνει το μεγαλύτερο μέρος της απόστασης σε οριοθετημένες εργασίες και υποχωρεί σε ανοιχτές.

Η ίδια η κάρτα του Flash από τη DeepSeek το λέει ακόμη πιο κοφτά: το Flash-0731 ξεπερνά την προεπισκόπηση του V4-Pro στα αναφερόμενα benchmark παρά τον πολύ μικρότερο αριθμό ενεργοποιημένων παραμέτρων του. Ένα νεότερο μικρό μοντέλο που νικά ένα παλαιότερο μεγάλο είναι η κανονική κατάσταση σε αυτό το πεδίο, και είναι ο λόγος που η «μεγαλύτερη βαθμίδα» δεν πρέπει ποτέ να είναι η προεπιλεγμένη σου απάντηση.

04Διαβάζοντας την κατάληξη: W4A16-AUTOROUND-REAP

Τα model id μας δηλώνουν φωναχτά το σχήμα συμπίεσής τους, επειδή αυτό είναι που επηρεάζει περισσότερο την ποιότητα της εξόδου και σχεδόν κανείς δεν το αποκαλύπτει. Αυτή η κατάληξη αναλύεται σε τρεις ισχυρισμούς.

W4A16 — βάρη 4 bit, ενεργοποιήσεις 16 bit

Τα βάρη αποθηκεύονται σε 4 bit το καθένα· οι ενεργοποιήσεις ρέουν σε ακρίβεια 16 bit. Αυτή είναι κβάντιση μόνο βαρών, και στοχεύει στο πραγματικό σημείο συμφόρησης της παραγωγής tokens, που είναι το εύρος ζώνης μνήμης και όχι η αριθμητική. Η κβάντιση και των ενεργοποιήσεων θα αγόραζε λίγη ακόμη ταχύτητα με κίνδυνο πολύ μεγαλύτερου γκρεμού ακρίβειας· το να μείνουν στα 16 bit είναι η συντηρητική επιλογή υψηλής πιστότητας. Η σημειογραφία είναι συντομογραφία του οικοσυστήματος σερβιρίσματος — η βιβλιογραφία της κβάντισης γράφει το ίδιο πράγμα ως W4 με μέγεθος ομάδας.

AUTOROUND — μαθημένη στρογγυλοποίηση, όχι στρογγυλοποίηση στο πλησιέστερο

Η απλοϊκή κβάντιση στρογγυλοποιεί κάθε βάρος στην πλησιέστερη αναπαραστάσιμη τιμή. Αυτό αποδεδειγμένα δεν είναι βέλτιστο: η στρογγυλοποίηση ενός βάρους προς τη «λάθος» κατεύθυνση μπορεί να ακυρώσει σφάλμα που εισήγαγαν οι γείτονές του, και με δισεκατομμύρια βάρη αυτές οι αλληλεπιδράσεις κυριαρχούν. Το AutoRound, της Intel, αντιμετωπίζει την ίδια την απόφαση στρογγυλοποίησης ως κάτι που μαθαίνεται — μια εκπαιδεύσιμη διαταραχή ανά βάρος περιορισμένη στο ±0.5, ακριβώς όσο χρειάζεται για να αντιστραφεί οποιαδήποτε μεμονωμένη απόφαση στρογγυλοποίησης και ποτέ περισσότερο, συν μαθήσιμα εύρη αποκοπής, βελτιστοποιημένα με προσημασμένη κατάβαση κλίσης απέναντι σε έναν στόχο ανακατασκευής εξόδου ανά μπλοκ πάνω σε ένα μικρό σύνολο βαθμονόμησης. Διακόσια βήματα, και τέλος.

Οι δημοσιευμένες συγκρίσεις της Intel δείχνουν το AutoRound να νικά το GPTQ σε 30 από 32 δοκιμασμένα σενάρια, το AWQ σε 27 από 32 και το OmniQuant σε 29 από 32 σε ρυθμίσεις 4 bit μόνο βαρών, με κέρδη έναντι της απλοϊκής στρογγυλοποίησης στο πλησιέστερο από 6.9 έως 33.2 μονάδες ακρίβειας στα 2 bit. Τίποτε από αυτά δεν κοστίζει κάτι κατά την εξαγωγή συμπερασμάτων: είναι μια καλύτερη επιλογή αριθμών, που γίνεται μία φορά, εκτός σύνδεσης.

REAP — πετώντας ειδικούς στους οποίους δεν δρομολογεί κανείς

Το REAP (Router-weighted Expert Activation Pruning), από τη Cerebras Systems και το Πανεπιστήμιο του Κάλγκαρι, είναι συμπίεση μίας βολής για μοντέλα MoE. Βαθμολογεί κάθε ειδικό με βάση το πόσο ισχυρά και πόσο συχνά τον πυλώνει ο router, πολλαπλασιασμένο με το μέγεθος της εξόδου εκείνου του ειδικού, και μετά διαγράφει εντελώς τους λιγότερο σημαντικούς — χωρίς επανεκπαίδευση μετά.

Το κεντρικό εύρημα του paper είναι το χρήσιμο: σε υψηλούς λόγους συμπίεσης, το κλάδεμα ειδικών νικά τη συγχώνευσή τους. Η συγχώνευση λειτουργικά διακριτών ειδικών προκαλεί αυτό που οι συγγραφείς αποκαλούν κατάρρευση λειτουργικού υποχώρου — ο router χάνει τον λεπτόκοκκο, εξαρτώμενο από την είσοδο έλεγχο που έκανε το MoE να αξίζει να χτιστεί, και μένει να κατευθύνει ανάμεσα σε στατικούς μέσους όρους. Τα νούμερά τους σε μοντέλα από 20B έως 1T παραμέτρους: σε 25% συμπίεση ειδικών σε εργασίες προγραμματισμού, το REAP χάνει 2.8% μέση ακρίβεια εκεί όπου οι βάσεις συγχώνευσης χάνουν πάνω από 5%· στο 50%, το REAP χάνει 8.0% εκεί όπου η συγχώνευση χάνει πάνω από 20%. Στο Qwen3-Coder-480B με 50% κλάδεμα η πτώση είναι 1.4%, έναντι 39.3% για απλοϊκό κλάδεμα βάσει συχνότητας. Η Cerebras έχει δημοσιεύσει checkpoint REAP και για τη σειρά DeepSeek, μεταξύ άλλων.

Γιατί 4 bit εδώ και 3 bit στο Pro

Και οι δύο βαθμίδες πρέπει να χωρέσουν και να μείνουν γρήγορες στην ίδια κατηγορία υλικού. Το Pro κουβαλά 1,7 τρισεκατομμύρια παραμέτρους, οπότε χρειάζεται την πιο επιθετική μεταχείριση των 3 bit για να χωρέσει καν. Το Flash κουβαλά περίπου 300 δισεκατομμύρια, οπότε δεν τη χρειάζεται — και το bit που εξοικονομεί ξοδεύεται σε πιστότητα αντί για χωρητικότητα.

Αυτό το επιπλέον bit μετράει περισσότερο από όσο υποδηλώνει η αριθμητική του, επειδή η ζημιά της κβάντισης δεν είναι γραμμική. Στις μετρήσεις WikiText-2 του paper του AWQ, το Llama-2-7B πηγαίνει από perplexity 5.47 σε FP16 σε 5.60 στα 4 bit — ποινή 2.4% — αλλά σε 6.24 στα 3 bit, ποινή 14%. Αυτό είναι περίπου έξι φορές η υποβάθμιση για 25% περισσότερη συμπίεση, και το ίδιο μοτίβο ισχύει και στα 70B. Το paper του GPTQ είναι ακόμη πιο κοφτό: στα 3 bit, η απλοϊκή στρογγυλοποίηση στο πλησιέστερο καταρρέει σε μοντέλα κλάσης 175B, σε perplexity χιλιάδων, ενώ παραμένει απόλυτα χρησιμοποιήσιμη στα 4 bit. Κάτω από τα τέσσερα bit, ένας καλός αλγόριθμος κβάντισης παύει να είναι πολυτέλεια και γίνεται το μόνο πράγμα που κρατά το μοντέλο μαζί.

Άρα η ειλικρινής ανάγνωση αυτών των δύο καταλήξεων είναι: το Flash κάθεται πιο κοντά στον δικό του ασυμπίεστο εαυτό απ' ό,τι το Pro στον δικό του. Το Pro παραμένει το ισχυρότερο μοντέλο — ο πίνακας benchmark παραπάνω το λύνει αυτό. Απλώς παραχώρησε περισσότερα για να φτάσει εδώ, και εσύ πληρώνεις το προνόμιο.

Πηγές: 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. Νούμερα perplexity από τα AWQ (arXiv 2306.00978) και GPTQ (arXiv 2210.17323).

05Flash έναντι Pro στο endpoint

Η ενότητα 03 κάλυψε τα θεμέλια. Να πώς μοιάζουν οι δύο βαθμίδες ως προϊόντα στο gateway μας:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Κβάντιση	W4A16-AUTOROUND-REAP	3BIT-REAP
Ακρίβεια βαρών	4 bit, μαθημένη στρογγυλοποίηση	3 bit
Θεμέλιο (συνολικές / ενεργές)	~304B / 13B	~1.7T / 49B
Είσοδος ανά 1M tokens	$0.50	$1.95
Έξοδος ανά 1M tokens	$2.00	$3.90
Context / μέγιστη έξοδος	262.144 / 16.384	262.144 / 16.384
Εργαλεία · δομημένη έξοδος · streaming	Ναι	Ναι
Όραση	Όχι	Όχι
Επίπεδο άρνησης	Κανένα	Κανένα

Πρόσεξε τι δεν αλλάζει: το context, η οροφή εξόδου, η κλήση εργαλείων, η δομημένη έξοδος και η απουσία επιπέδου άρνησης είναι πανομοιότυπα. Τα μόνα που κινούνται είναι το θεμέλιο, η κβάντιση και η τιμή. Αυτό κάνει τη μετακίνηση ανάμεσά τους αλλαγή μίας συμβολοσειράς στον κώδικά σου και καθαρά οικονομική απόφαση στην αρχιτεκτονική σου.

Τι κοστίζει μία κλήση μέγιστου μεγέθους

Γέμισε ολόκληρο το context των 262.144 tokens και πάρε την πλήρη έξοδο των 16.384 tokens:

Σε τιμή καταλόγου. Flash: $0.131 είσοδος + $0.033 έξοδος. Pro: $0.511 + $0.064. Λόγος 3.51×. Το Flash μοιράζεται επίσης τον πάτο των $0.50 / $2.00 με τα MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro και Hy3 — δες τον πλήρη κατάλογο για το πώς διαφέρουν σε όραση και δομημένη έξοδο.

06Τα μαθηματικά του όγκου, λυμένα

Το «3.9× φθηνότερο» ισχύει μόνο στην είσοδο. Στην έξοδο το Flash είναι 1.95× φθηνότερο. Η πραγματική σου εξοικονόμηση εξαρτάται λοιπόν από τον λόγο εισόδου προς έξοδο, και το άνοιγμα είναι αρκετά μεγάλο ώστε να αλλάξει σχεδιαστικές αποφάσεις. Τέσσερις ρεαλιστικοί φόρτοι, ο καθένας σε 100.000 αιτήματα:

Φόρτος εργασίας	Είσοδος / έξοδος ανά κλήση	Flash	Pro	Εξοικονόμηση
Ταξινόμηση αιτημάτων υποστήριξης	1,200 / 120	$84	$281	3.3×
Απάντηση ερωτήσεων RAG	8,000 / 600	$520	$1,794	3.4×
Σύνοψη μεγάλου εγγράφου	60,000 / 1,500	$3,300	$12,285	3.7×
Παραγωγή συνθετικών δεδομένων	500 / 2,000	$425	$878	2.1×

Το μοτίβο: όσο περισσότερο context σπρώχνεις και όσο λιγότερο κείμενο παράγεις, τόσο περισσότερα σου γλιτώνει το Flash. Τα pipeline ανάκτησης, η διαλογή εγγράφων, η ανάλυση logs και απομαγνητοφωνήσεων και η εξαγωγή από μεγάλο context είναι το γλυκό σημείο — κυριαρχούνται από την είσοδο κατά μία τάξη μεγέθους, και η είσοδος είναι εκεί που ζει η έκπτωση 3.9×. Αν αντίθετα ο φόρτος σου είναι ένα σύντομο prompt που παράγει χιλιάδες tokens πρόζας, η διαφορά στενεύει σε περίπου 2× και το επιχείρημα δυνατοτήτων υπέρ του Pro δυναμώνει αντίστοιχα.

Ένα ακόμη κομμάτι αριθμητικής που αξίζει να εσωτερικεύσεις: στα $0.50 ανά εκατομμύριο tokens εισόδου, ολόκληρο το παράθυρο των 262.144 tokens κοστίζει 13.1 σεντς να γεμίσει. Το prompting μεγάλου context παύει να είναι θέμα προϋπολογισμού σε αυτή την τιμή, κάτι που μερικές φορές σημαίνει ότι μπορείς να παραλείψεις εντελώς το χτίσιμο ενός στρώματος ανάκτησης και να αφήσεις το παράθυρο context να κάνει τη δουλειά — μια εξοικονόμηση μηχανικής πάνω από την εξοικονόμηση tokens.

07Τι σημαίνει εδώ «χωρίς λογοκρισία», με ακρίβεια

Η λέξη χρησιμοποιείται χαλαρά, οπότε να ο ορισμός μας, διατυπωμένος ως ιδιότητα του endpoint: δεν υπάρχει ταξινομητής άρνησης μπροστά από το μοντέλο ούτε φιλτράρισμα περιεχομένου στην έξοδό του. Τίποτε δεν υποκλέπτει ένα prompt για να επιστρέψει κονσερβοποιημένη άρνηση· τίποτε δεν επιθεωρεί τη συμπλήρωση για να τη λογοκρίνει. Για δουλειά παραγωγής μεγάλου όγκου, οι συνέπειες είναι λιγότερο θεαματικές και πιο χρήσιμες απ' ό,τι υπονοεί η λέξη:

• Καθόλου ψευδώς θετικά σε αθώα κίνηση. Τα φιλτραρισμένα endpoint αρνούνται τακτικά ιατρικές συνόψεις, αναφορές ασφάλειας, νομική αποκάλυψη εγγράφων, μυθοπλασία, υλικό μείωσης βλάβης και την ίδια τη δουλειά moderation — ακριβώς τις κατηγορίες όπου μια μαζική εργασία επεξεργάζεται κείμενο για ένα ευαίσθητο θέμα αντί να παράγει κάτι βλαβερό. Σε εκατό χιλιάδες αιτήματα, ένα ποσοστό ψευδών αρνήσεων ενός τοις εκατό είναι χίλιες χαλασμένες γραμμές.
• Ντετερμινιστικά συμβόλαια. Ζήτα απάντηση json_schema και παίρνεις JSON που ταιριάζει με το schema, όχι μια παράγραφο συγγνώμης εκεί όπου έπρεπε να υπάρχει αντικείμενο. Ο parser σου δεν χρειάζεται κλάδο άρνησης, και η λογική επανάληψής σου δεν χρειάζεται να ξεχωρίσει μια αστοχία μεταφοράς από μια αστοχία πολιτικής.
• Η πολιτική είναι δική σου. Αυτή είναι η ανταλλαγή. Αν το προϊόν σου χρειάζεται δικλείδες για τους τελικούς χρήστες σου, τις χτίζεις στο δικό σου στρώμα, εκεί όπου ξέρεις τους χρήστες σου και τη δικαιοδοσία σου, αντί να κληρονομείς τις εικασίες ενός παρόχου και για τα δύο. Ο λογαριασμός σου εξακολουθεί να διέπεται από την Πολιτική Υπεύθυνης Χρήσης μας.

Το «χωρίς λογοκρισία» δεν είναι το ίδιο με «χωρίς ευθυγράμμιση» ή «άχρηστο». Το μοντέλο εξακολουθεί να ακολουθεί οδηγίες και εξακολουθεί να σέβεται ένα system prompt. Αν θέλεις να αρνείται ορισμένες κατηγορίες για τους δικούς σου χρήστες, πες το εκεί — αυτή η οδηγία είναι πλέον δική σου να τη γράψεις αντί για δική μας να την επιβάλουμε.

08Δυνατότητες και ειλικρινή όρια

Δύο δυνατότητες σηκώνουν το μεγαλύτερο βάρος για δουλειά όγκου. Η αυστηρή έξοδος json_schema μετατρέπει μια συμπλήρωση σε γραμμή βάσης δεδομένων χωρίς στρώμα ανάλυσης και χωρίς κλάδο άρνησης. Η κλήση εργαλείων και στις τρεις διαλέκτους κάνει το Flash λογική μηχανή για τα φθηνά υπο-βήματα ενός πράκτορα του οποίου ο σχεδιαστής ανώτατου επιπέδου τρέχει σε ισχυρότερο μοντέλο. Πρόσθεσε το reasoning_effort, που σου επιτρέπει να ξοδεύεις επιπλέον tokens μόνο στο κλάσμα της κίνησης που τα χρειάζεται, και ένα context 262.144 tokens πανομοιότυπο με του Pro — δεν παραδίδεις context επιλέγοντας τη φθηνή βαθμίδα, κάτι ασυνήθιστο.

Τα όρια είναι εξίσου συγκεκριμένα:

• Καθόλου όραση. Το Flash δέχεται μόνο κείμενο και θα απορρίψει τμήματα εικόνας σε ένα μήνυμα. Για εικόνες σε μοντέλο χωρίς λογοκρισία στον ίδιο πάτο των $0.50 / $2.00, τα MiniMax-M3 και MiMo-V2.5 είναι οι επιλογές με δυνατότητα όρασης· τα Kimi-K2.6 και Kimi-K3 είναι ισχυρότερα μοντέλα όρασης πάνω από εκείνη τη βαθμίδα.
• Δεν είναι η κορυφή της σκάλας. Τα ίδια τα νούμερα της DeepSeek βάζουν το Pro μπροστά σε κάθε δημοσιευμένο αντζεντικό benchmark, με τη διαφορά μεγαλύτερη στην παρατεταμένη συλλογιστική κώδικα πολλών βημάτων. Εκεί όπου μία λάθος απάντηση κοστίζει περισσότερο από χίλιες φθηνές, ξόδεψε τα επιπλέον $1.45 ανά εκατομμύριο στο DeepSeek-V4-Pro.
• 16.384 tokens εξόδου ανά αίτημα. Οι μεγάλες παραγωγές πρέπει να τεμαχίζονται σε πολλές κλήσεις. Είναι η ίδια οροφή σε κάθε μοντέλο που σερβίρουμε, και δεσμεύει πολύ πριν δεσμεύσει το παράθυρο context.

09Πώς το καλείς

Στρέψε οποιονδήποτε client συμβατό με OpenAI στο gateway και άλλαξε τη συμβολοσειρά του μοντέλου. Τίποτε άλλο στη στοίβα σου δεν χρειάζεται να κουνηθεί.

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
        }
      }
    }
  }'

Το ίδιο model id δουλεύει αμετάβλητο στα /v1/messages και /v1/responses, που είναι ο ταχύτερος τρόπος να δοκιμάσεις A/B ένα φθηνότερο μοντέλο κάτω από μια υπάρχουσα ενσωμάτωση χωρίς να ξαναγράψεις τον client σου. Οι παράμετροι, τα σχήματα συμβάντων streaming, τα schema κλήσης εργαλείων και τα όρια ρυθμού τεκμηριώνονται στην αναφορά του API· κάθε μοντέλο του καταλόγου παρατίθεται στο Shannon Research.

10Συχνές ερωτήσεις

---

Πηγές: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Τεχνική αναφορά DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · κάρτες μοντέλου DeepSeek-V4-Flash-0731 και DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Όλα τα νούμερα θεμελίων και benchmark είναι όπως δημοσιεύτηκαν από τους αντίστοιχους συγγραφείς τους· οι τιμές του Shannon AI και το σερβιριζόμενο context είναι δικές μας τιμές καταλόγου, όπως ισχύουν τον Σεπτέμβριο του 2026.