Sencenzura DeepSeek Flash API

Plej multaj teamoj taksantaj LLM-API-on optimumigas la malĝustan variablon. Ili benchmark-as per la dudek plej malfacilaj petoj, kiujn ili povas elpensi, elektas la venkinton, kaj malkovras ses semajnojn poste, ke naŭdek kvin procentoj de ilia trafiko estas mallonga, strukturita, ripetema laboro, kiun modelo kostanta kvaronon estus traktinta idente. DeepSeek-V4-Flash ekzistas por tiuj naŭdek kvin procentoj. Ĉi tiu paĝo temas pri scii, kiam vi estas en ili — kaj kiam ne.

01Kion vi efektive ricevas

Eco	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Modelidentigilo	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kunteksto / maksimuma eligo	262,144 ĵetonoj / 16,384 ĵetonoj
Prezo po 1M (enige / elige)	$0.50 / $2.00
Flusendado · ilvokado · rezonado	Jes — ĉiuj tri dialektoj
Strukturita eligo	json_schema kaj response_format
Bilda enigo (vido)	Ne — nur teksto
Rifuza tavolo / eliga filtrilo	Neniu
Servata sur	la propra GPU-aro de Shannon

Tri API-dialektoj atingas la samajn pezojn: /v1/chat/completions (laŭ la formo de OpenAI), /v1/messages (laŭ la formo de Anthropic), kaj /v1/responses. Flusendado funkcias sur ĉiuj tri. La plena referenco pri parametroj troviĝas en la API-dokumentado.

02De kie ĝi venas: la deveno de DeepSeek

DeepSeek-AI pasigis kvin modelgeneraciojn sur unu obsedo: elpremi pintnivelan konduton el modelo, kiu estas malmultekosta servi, ne nur malmultekosta trejni. Preskaŭ ĉiu arkitektura decido en la linio spuriĝas al tio, kaj la gravaj estas publikigitaj. Tri klarigas, kion vi vokas, kiam vi trafas ĉi tiun finpunkton.

DeepSeekMoE — fajngrajnaj spertuloj plus unu komuna

Tavolo laŭ Miksaĵo de Spertuloj anstataŭigas unu grandan antaŭeniran reton per multaj pli malgrandaj kaj enkursigilo, kiu elektas manplenon po ĵetono. La varianto de DeepSeek tranĉas spertulojn pli fajne ol la konvencia aranĝo kun ok spertuloj, do la samaj aktivigitaj FLOP-oj aĉetas multe pli kombinece specifan miksaĵon, kaj ĝi izolas komunan spertulon, tra kiu ĉiu ĵetono pasas, por ke komuna scio ne estu redunde relernata ene de ĉiu fakulo. DeepSeek-V3 liveris tion kiel 256 enkursigitajn spertulojn plus 1 komuna spertulo, aktivigante 8 enkursigitajn po ĵetono — 671 miliardoj da parametroj entute, 37 miliardoj aktivaj — kune kun ŝarĝoekvilibrigo sen helpa perdo: anstataŭ puna termo, kiu degradas la kvaliton, po-spertula kliniĝo puŝas la enkursigajn poentojn supren aŭ malsupren je ĉiu paŝo, laŭ tio, ĉu tiu spertulo estas sub- aŭ super-ŝarĝita.

MLA — atento, kiu enteniĝas en memoron

La alia duono de la problemo pri serva kosto estas la KV-kaŝmemoro, kiu kreskas lineare kun la kunteksto kaj regas la memoron ĉe longaj sekvencoj. Plurkapa latenta atento, enkondukita en DeepSeek-V2, kunpremas ŝlosilojn kaj valorojn kune en malaltrangan latentan vektoron kaj kaŝmemorigas tiun, rekonstruante uzeblajn K/V dumfunkcie. La publikigitaj ciferoj de DeepSeek pri V2, kontraŭ ilia pli frua densa DeepSeek 67B, raportas 93.3% da redukto de la KV-kaŝmemoro kaj 5.76× pli altan maksimuman generan trafluon. Jen kial fenestro de 262K ĵetonoj estas baza atendo en ĉi tiu familio anstataŭ luksa aldonaĵo.

Maldensa atento — kaj la precedenco por malmultekostaj ĵetonoj

V3.2-Exp aldonis DeepSeek Sparse Attention: malpeza indeksilo taksas kuntekstajn ĵetonojn kontraŭ la demando, kaj elektilo konservas nur la plej altpoentajn. La interesa parto estas la kvitanco, ne la mekanismo. DeepSeek publikigis flank-al-flankan komparon kontraŭ V3.1-Terminus kun MMLU-Pro identa je 85.0, AIME 2025 pli alta (88.4 → 89.3), SWE-bench Verified marĝene pli malalta (68.4 → 67.8) — esence plata kvalito — kaj tranĉis siajn API-prezojn je pli ol 50% la saman tagon. Arkitekturo, honeste raportita, transformiĝanta rekte en prezon. Flash estas tiu argumento portita unu paŝon plu.

La generacio V4

V4, antaŭmontrita en aprilo 2026 sub MIT-permesilo, denove anstataŭigas la atentan stakon per hibrido de Compressed Sparse Attention kaj Heavily Compressed Attention, trejnas per la optimumigilo Muon sur pli ol 32 bilionoj da ĵetonoj, kaj konservas la plurĵetonan antaŭdiran celon de V3 — kiu funkcias ankaŭ kiel spekulativa malkodado, kaj kiun DeepSeek mezuris je 85–90% da akcepto de la dua ĵetono por proksimume 1.8× rapidigo de la malkodado en V3. La resumo de V4 raportas, ke V4-Pro ruliĝas je 27% de la unuĵetonaj inferencaj FLOP-oj de V3.2 kaj 10% de ĝia KV-kaŝmemoro. La familio elmetas tri nivelojn de rezonada peno, kaj al tio nia parametro reasoning_effort mapiĝas.

Fontoj: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Teknika raporto pri DeepSeek-V3 (arXiv 2412.19437) · modelkarto de DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Ĉiuj ciferoj estas raportitaj de DeepSeek.

03Kion "Flash" efektive signifas

Jen la punkto, kiun plej multaj komparoj miskomprenas, do indas diri ĝin rekte: la Flash de DeepSeek ne estas kvantigita, pritondita aŭ distilita Pro. Ĝi estas aparte trejnita, pli malgranda modelo laŭ Miksaĵo de Spertuloj kun sia propra antaŭtrejnado. La antaŭmontra artikolo pri V4 donas la du grandojn:

Ciferoj el la antaŭmontra artikolo pri DeepSeek-V4. La oficialaj kontrolpunktoj, kiujn ni servas — V4-Flash-0731 kaj V4-Pro-0813 — listigas iomete pli grandajn totalojn de 304B kaj 1.7T sur siaj modelkartoj; DeepSeek ne reasertas la aktivigitajn parametrojn por tiuj konstruoj.

Du ciferoj faras la laboron ĉi tie. La totalaj parametroj fiksas la memoran spurojn, kiu decidas, kiom da aparataro unu kopio de la modelo okupas. La aktivigitaj parametroj fiksas la aritmetikon po ĵetono, kiu decidas la trafluon. Flash estas proksimume 5.6× pli malgranda laŭ la unua kaj 3.8× pli malgranda laŭ la dua — kaj estas subtilaĵo inda je rimarko en tiu breĉo: Flash aktivigas 13 el 284 miliardoj da parametroj, proksimume 4.6%, dum Pro aktivigas 49 el 1,600 miliardoj, proksimume 3.1%. Flash estas la malpli maldensa modelo. Ĝi ne estas simple Pro kun malpli da spertuloj ŝaltitaj; ĝi estas pli densa, alie ekvilibrigita dezajno, kiu elspezas pli grandan parton de si mem sur ĉiun ĵetonon, kiun ĝi produktas. Tio estas vera inĝeniera elekto, ne malaltigo.

Kion la propraj ciferoj de DeepSeek diras

Ambaŭ oficialaj modelkartoj publikigas poentojn sur la samaj agentaj kaj programaraj benchmark-oj, kio faras ĉi tion nekutime pura komparo — la sama laboratorio, la sama taksa framo, du grandoj:

Benchmark (raportita de 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 venkas en ĉiu vico. Tio estas la honesta fraptitolo, kaj ni preferas, ke vi legu ĝin ĉi tie anstataŭ malkovri ĝin en produktado. Sed legu la marĝenojn, ĉar ili estas tio, kion vi efektive aĉetas. Ĉe Terminal Bench 2.1 la breĉo estas 5.2 poentoj sur modelo kun dudek-kvinono de la parametroj; ĉe ilouzo ĝi estas 3.8 poentoj. La breĉo plilarĝiĝas tie, kie la laboro fariĝas plej profunda — 8.3 poentoj ĉe DeepSWE, 7.3 ĉe NL2Repo, kaj ambaŭ rekompencas daŭrigitan plurpaŝan kodan rezonadon. Jen la formo de la kompromiso en unu tabelo: Flash fermas plej multe de la distanco ĉe limigitaj taskoj kaj cedas terenon ĉe malfermitaj.

La propra karto de Flash ĉe DeepSeek faras la punkton eĉ pli akre: Flash-0731 superas la antaŭmontron de V4-Pro ĉe la listigitaj benchmark-oj malgraŭ sia multe pli malgranda nombro de aktivigitaj parametroj. Nova malgranda modelo venkanta pli malnovan grandan estas la normala stato de aferoj en ĉi tiu kampo, kaj tio estas la kialo, kial "pli granda nivelo" neniam estu via defaŭlta respondo.

04Legi la sufikson: W4A16-AUTOROUND-REAP

Niaj modelidentigiloj deklaras sian kunpreman skemon laŭtvoĉe, ĉar ĝi estas la afero, kiu plej influas la kvaliton de la eligo kaj kiun preskaŭ neniu malkaŝas. Ĉi tiu malkomponiĝas en tri asertojn.

W4A16 — 4-bitaj pezoj, 16-bitaj aktivigoj

La pezoj estas konservataj je 4 bitoj ĉiu; la aktivigoj fluas je 16-bita precizeco. Ĉi tio estas nur-peza kvantigo, kaj ĝi celas la veran botelkolon en la generado de ĵetonoj, kiu estas memora bendolarĝo anstataŭ aritmetiko. Kvantigi ankaŭ la aktivigojn aĉetus iom pli da rapido kaj riskus multe pli grandan precizecan falon; lasi ilin je 16 bitoj estas la konservativa, altfidela elekto. La notacio estas mallongigo de la serva ekosistemo — la kvantiga literaturo skribas la samon kiel W4 kun grupgrando.

AUTOROUND — lernita rondigo, ne rondigo al la plej proksima

Naiva kvantigo rondigas ĉiun pezon al la plej proksima reprezentebla valoro. Tio pruveble ne estas optimuma: rondigi unu pezon en la "malĝusta" direkto povas nuligi eraron enkondukitan de ĝiaj najbaroj, kaj kun miliardoj da pezoj tiuj interagoj regas. AutoRound, de Intel, traktas la rondigan decidon mem kiel ion lernendan — trejnebla po-peza perturbo limigita al ±0.5, ĝuste sufiĉa por renversi iun ajn unuopan rondigan decidon kaj neniam pli, plus lerneblaj tondaj gamoj, optimumigitaj per signuma gradienta descendo kontraŭ blokvica celo de rekonstruo de la eligo sur malgranda kalibra aro. Ducent paŝoj, kaj preta.

La publikigitaj komparoj de Intel montras AutoRound venkanta GPTQ en 30 el 32 testitaj scenaroj, AWQ en 27 el 32 kaj OmniQuant en 29 el 32 ĉe 4-bitaj nur-pezaj agordoj, kun gajnoj super naiva rondigo al la plej proksima de 6.9 ĝis 33.2 precizecaj poentoj je 2 bitoj. Nenio el tio kostas ion je la inferenca tempo: ĝi estas pli bona elekto de nombroj, farita unufoje, eksterrete.

REAP — forlasi spertulojn, al kiuj neniu enkursigas

REAP (Router-weighted Expert Activation Pruning), de Cerebras Systems kaj la Universitato de Kalgario, estas unupafa kunpremo por MoE-modeloj. Ĝi taksas ĉiun spertulon laŭ tio, kiom forte kaj kiom ofte la enkursigilo kluzas al ĝi, multiplikite per la grando de la eligo de tiu spertulo, poste forigas la malplej elstarajn spertulojn tute — sen retrejnado poste.

La centra konstato de la artikolo estas la utila: ĉe altaj kunpremaj proporcioj, pritondi spertulojn venkas kunfandi ilin. Kunfandi funkcie distingajn spertulojn kaŭzas tion, kion la aŭtoroj nomas kolapso de la funkcia subspaco — la enkursigilo perdas la fajngrajnan, enig-dependan regadon, kiu igis la MoE-on inda je konstruo, kaj restas stiranta inter statikaj mezumoj. Iliaj ciferoj tra modeloj de 20 miliardoj ĝis 1 biliono da parametroj: je 25% da kunpremo de spertuloj sur kodaj taskoj, REAP perdas 2.8% da meza precizeco tie, kie kunfandaj bazlinioj perdas pli ol 5%; je 50%, REAP perdas 8.0% tie, kie kunfandado perdas pli ol 20%. Sur Qwen3-Coder-480B je 50% pritondado la falo estas 1.4%, kontraŭ 39.3% por naiva pritondado laŭ ofteco. Cerebras publikigis REAP-kontrolpunktojn interalie por la linio DeepSeek.

Kial 4 bitoj ĉi tie kaj 3 bitoj ĉe Pro

Ambaŭ niveloj devas enteniĝi kaj resti rapidaj sur la sama klaso de aparataro. Pro portas 1.7 bilionojn da parametroj, do ĝi bezonas la pli agresan 3-bitan traktadon por entute enteniĝi. Flash portas proksimume 300 miliardojn, do ĝi ne bezonas — kaj la bito, kiun ĝi ŝparas, estas elspezita por fideleco anstataŭ por enteniĝo.

Tiu kroma bito gravas pli ol ĝia aritmetiko sugestas, ĉar kvantiga damaĝo ne estas lineara. En la mezuroj de la artikolo pri AWQ sur WikiText-2, Llama-2-7B iras de 5.47 perplekseco je FP16 al 5.60 je 4 bitoj — 2.4% da puno — sed al 6.24 je 3 bitoj, 14% da puno. Tio estas proksimume sesoble pli da degrado por 25% pli da kunpremo, kaj la sama ŝablono validas ĉe 70B. La artikolo pri GPTQ estas eĉ pli senornama: je 3 bitoj, naiva rondigo al la plej proksima kolapsas sur modeloj de la klaso 175B, ĝis miloj da perplekseco, dum ĝi restas perfekte uzebla je 4 bitoj. Sub kvar bitoj, bona kvantiga algoritmo ĉesas esti agrablaĵo kaj fariĝas la sola afero, kiu tenas la modelon kune.

Do la honesta legado de ĉi tiuj du sufiksoj estas: Flash sidas pli proksime al sia propra nekunpremita memo ol Pro sidas al la sia. Pro ankoraŭ estas la pli forta modelo — la benchmark-tabelo supre decidas tion. Ĝi simple fordonis pli por atingi ĉi tien, kaj vi pagas por la privilegio.

Fontoj: 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. La perpleksecaj ciferoj el AWQ (arXiv 2306.00978) kaj GPTQ (arXiv 2210.17323).

05Flash kontraŭ Pro ĉe la finpunkto

Sekcio 03 kovris la fundamentojn. Jen kiel la du niveloj aspektas kiel produktoj sur nia Enirejo:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantigo	W4A16-AUTOROUND-REAP	3BIT-REAP
Peza precizeco	4-bita, lernita rondigo	3-bita
Fundamento (entute / aktivaj)	~304B / 13B	~1.7T / 49B
Enigo po 1M ĵetonoj	$0.50	$1.95
Eligo po 1M ĵetonoj	$2.00	$3.90
Kunteksto / maksimuma eligo	262,144 / 16,384	262,144 / 16,384
Iloj · strukturita eligo · flusendado	Jes	Jes
Vido	Ne	Ne
Rifuza tavolo	Neniu	Neniu

Rimarku, kio ne ŝanĝiĝas: la kunteksto, la eliga plafono, la ilvokado, la strukturita eligo kaj la manko de rifuza tavolo estas identaj. La solaj aferoj, kiuj moviĝas, estas la fundamento, la kvantigo kaj la prezo. Tio faras la ŝanĝon inter ili unuĉena modifo en via kodo kaj pure ekonomia decido en via arkitekturo.

Kion kostas unu voko de maksimuma grando

Plenigu la tutan kuntekston de 262,144 ĵetonoj kaj prenu la plenan eligon de 16,384 ĵetonoj:

Je lista prezo. Flash: $0.131 enige + $0.033 elige. Pro: $0.511 + $0.064. Proporcio 3.51×. Flash ankaŭ dividas la plankon de $0.50 / $2.00 kun MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro kaj Hy3 — vidu la plenan katalogon pri tio, kiel tiuj diferencas laŭ vido kaj strukturita eligo.

06La aritmetiko de volumeno, ellaborita

"3.9× pli malmultekosta" veras nur enige. Elige Flash estas 1.95× pli malmultekosta. Via vera ŝparo do dependas de via proporcio enigo-al-eligo, kaj la disvastiĝo estas sufiĉe larĝa por ŝanĝi dezajnajn decidojn. Kvar realismaj ŝarĝoj, ĉiu je 100,000 petoj:

Ŝarĝo	Enige / elige po voko	Flash	Pro	Ŝparo
Klasifikado de biletoj	1,200 / 120	$84	$281	3.3×
Respondado de demandoj per RAG	8,000 / 600	$520	$1,794	3.4×
Resumo de longa dokumento	60,000 / 1,500	$3,300	$12,285	3.7×
Generado de sintezaj datumoj	500 / 2,000	$425	$878	2.1×

La ŝablono: ju pli da kunteksto vi puŝas kaj ju malpli da teksto vi generas, des pli Flash ŝparas al vi. Retrovaj ĉenstabloj, triaĝo de dokumentoj, analizo de protokoloj kaj transskriboj, kaj longkunteksta ekstraktado estas la dolĉa punkto — ili estas enig-dominataj je grandordo, kaj la enigo estas tie, kie loĝas la 3.9-obla rabato. Se anstataŭe via ŝarĝo estas mallonga peto produktanta milojn da ĵetonoj da prozo, la breĉo mallarĝiĝas al proksimume 2× kaj la kapabla argumento por Pro fariĝas responde pli forta.

Ankoraŭ unu peco de aritmetiko inda je enkapigo: je $0.50 por miliono da enigaj ĵetonoj, la tuta fenestro de 262,144 ĵetonoj kostas 13.1 cendojn por plenigi. Longkunteksta petado ĉesas esti buĝeta demando je tiu prezo, kio foje signifas, ke vi povas tute preterlasi la konstruadon de retrova tavolo kaj lasi la kuntekstan fenestron fari la laboron — inĝeniera ŝparo aldone al la ĵetona ŝparo.

07Kion "sencenzura" signifas ĉi tie, precize

La vorto estas uzata malprecize, do jen nia difino, deklarita kiel eco de la finpunkto: ekzistas neniu rifuza klasifikilo antaŭ la modelo kaj neniu enhavfiltrado aplikata al ĝia eligo. Nenio kaptas peton kaj redonas konservitan rifuzon; nenio inspektas la kompletigon kaj cenzuras ĝin. Por altvoluma produkta laboro la sekvoj estas malpli dramaj kaj pli utilaj ol la vorto sugestas:

• Neniuj falsaj pozitivoj sur sendanĝera trafiko. Filtritaj finpunktoj rutine rifuzas medicinajn resumojn, sekurecajn raportojn, juran malkovron, fikcion, damaĝ-reduktan materialon kaj la moderigan laboron mem — ĝuste la kategorioj, kie amasa tasko prilaboras tekston pri sentema temo anstataŭ produkti ion ajn damaĝan. Ĉe centmil petoj, unuprocenta rifuzkvoto estas mil rompitaj vicoj.
• Determinismaj kontraktoj. Petu respondon laŭ json_schema kaj vi ricevas JSON kongruan kun la skemo, ne alineon da pardonpeto tie, kie devus esti objekto. Via analizilo bezonas neniun rifuzan branĉon, kaj via reprova logiko ne devas distingi transportan fiaskon disde politika.
• Vi posedas la politikon. Jen la kompromiso. Se via produkto bezonas gardrelojn por viaj finuzantoj, vi konstruas ilin ĉe via tavolo, kie vi konas viajn uzantojn kaj vian jurisdikcion, anstataŭ heredi la divenojn de provizanto pri ambaŭ. Via konto restas regata de nia politiko pri respondeca uzo.

Sencenzura ne estas la sama kiel nealliniigita aŭ nehelpema. La modelo ankoraŭ sekvas instrukciojn kaj ankoraŭ respektas sisteman peton. Se vi volas, ke ĝi rifuzu certajn kategoriojn por viaj uzantoj, diru tion tie — tiu instrukcio nun estas via por verki anstataŭ nia por trudi.

08Kapabloj kaj honestaj limoj

Du kapabloj portas plej multe de la pezo por voluma laboro. Strikta eligo laŭ json_schema transformas kompletigon en datumbazan vicon sen analiza tavolo kaj sen rifuza branĉo. Ilvokado en ĉiuj tri dialektoj faras Flash racia motoro por la malmultekostaj subpaŝoj de agento, kies plejsupra planilo ruliĝas sur pli forta modelo. Aldonu reasoning_effort, kiu lasas vin elspezi kromajn ĵetonojn nur sur la frakcio de trafiko, kiu bezonas ilin, kaj kuntekston de 262,144 ĵetonoj identan al tiu de Pro — vi ne fordonas kuntekston elektante la malmultekostan nivelon, kio estas nekutima.

La limoj estas same konkretaj:

• Neniu vido. Flash estas nur-teksta kaj rifuzos bildajn partojn en mesaĝo. Por bildoj sur sencenzura modelo je la sama planko de $0.50 / $2.00, MiniMax-M3 kaj MiMo-V2.5 estas la opcioj kun vido; Kimi-K2.6 kaj Kimi-K3 estas pli fortaj vidaj modeloj super tiu nivelo.
• Ne la supro de la ŝtuparo. La propraj ciferoj de DeepSeek metas Pro antaŭen ĉe ĉiu publikigita agenta benchmark, kun la breĉo plej larĝa ĉe daŭrigita plurpaŝa koda rezonado. Kie unu malĝusta respondo kostas pli ol mil malmultekostaj, elspezu la kromajn $1.45 por miliono sur DeepSeek-V4-Pro.
• 16,384 eligaj ĵetonoj po peto. Longaj generadoj devas esti pecigitaj tra vokoj. Ĉi tio estas la sama plafono sur ĉiu modelo, kiun ni servas, kaj ĝi ligas multe antaŭ ol la kunteksta fenestro ligas.

09Voki ĝin

Direktu iun ajn klienton kongruan kun OpenAI al la Enirejo kaj ŝanĝu la modelĉenon. Nenio alia en via stako devas moviĝi.

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
        }
      }
    }
  }'

La sama modelidentigilo funkcias senŝanĝe sur /v1/messages kaj /v1/responses, kio estas la plej rapida maniero A/B-testi pli malmultekostan modelon sub ekzistanta integriĝo sen reverki vian klienton. La parametroj, la formoj de la flusendaj eventoj, la skemoj de ilvokado kaj la rapidlimoj estas dokumentitaj en la API-referenco; ĉiu modelo en la katalogo estas listigita ĉe Shannon Research.

10Oftaj demandoj

---

Fontoj: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Teknika raporto pri DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · modelkartoj de DeepSeek-V4-Flash-0731 kaj DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Ĉiuj ciferoj pri fundamentoj kaj benchmark-oj estas kiel publikigitaj de siaj respektivaj aŭtoroj; la prezoj de Shannon AI kaj la servata kunteksto estas niaj propraj listaj valoroj je septembro 2026.