La sencenzura DeepSeek-API
DeepSeek-Miksaĵo de Spertuloj kun 1.6 bilionoj da parametroj, servata kun neniu rifuza tavolo: 262K kunteksto, denaska rezonada peno, ilvokado, kaj tri API-dialektoj sur nia propra GPU-aro.
Resume
DeepSeek-V4-Pro-0813-3BIT-REAP estas la ĉefŝipa rezonada kaj koda modelo de la sencenzura gamo de Shannon AI. La fundamento estas la malfermpeza V4-Pro de DeepSeek-AI — 1.6 bilionoj da parametroj entute, 49 miliardoj aktivigitaj po ĵetono, licencita laŭ MIT, denaske trejnita por kunteksto de miliono da ĵetonoj. Ni servas ĝin sur nia propra GPU-aro je 3-bitaj pezoj kun REAP-pritondado de spertuloj, kun fenestro de 262,144 ĵetonoj, maksimuma eligo de 16,384 ĵetonoj, flusendado, denaska ilvokado, strikta eligo laŭ json_schema, kaj regilo reasoning_effort. $1.95 por 1M enige, $3.90 por 1M elige. Neniu vido. Neniu rifuza tavolo, neniu filtrado de la eligo.
Homoj, kiuj alvenas ĉe la frazo "sencenzura DeepSeek API", volas unu specifan aferon: modelon kun la rezonada kaj koda kapablo de DeepSeek, kiu respondas la demandon, kiun ili efektive faris. La kapabla duono estas bone dokumentita — DeepSeek-AI publikigis la arkitekturon kaj la ciferojn, kaj la pezoj troviĝas sur Hugging Face sub MIT. La dua duono estas funkciiga decido, kaj ĝi kutime estas farita por vi. Ĉi tiu paĝo kovras ambaŭ: kio estas la fundamento V4-Pro, kion nia konstruo 3BIT-REAP faras al ĝi, kaj precize kion "sencenzura" signifas, kiam ni diras ĝin.
01Kion "sencenzura DeepSeek API" efektive signifas
Du malsamaj mekanismoj estas dosierumataj sub la sama vorto. La unua estas alliniigo bakita en la pezojn — rifuza konduto lernita dum la post-trejnado. La dua estas moderiga tavolo ĉe la servado: aparta klasifikilo, kiu inspektas vian peton antaŭ ol la modelo vidas ĝin kaj la eligon antaŭ ol vi vidas ĝin, kaj kiu povas fortranĉi respondon meze de frazo sendepende de tio, kion la modelo volis diri.
Ambaŭ estas mezureblaj, kaj la unuapartia servo de DeepSeek estis mezurita. Promptfoo kunmetis aron de 1,360 politike sentemaj demandoj kaj raportis, ke la gastigita R1 de DeepSeek rifuzis aŭ deflankigis 1,156 el ili — proksimume 85%. Akademia laboro pri la sama familio trovis apartan fiasko-modon, kiun la aŭtoroj nomis penso-subpremado, kie la rezonada spuro de la modelo finiĝas preskaŭ tuj kiam ĝi komenciĝas ĉe sentema temo. Aparta revizio publikigita en Information Sciences dokumentis subpremadon je semantika nivelo: enhavo ĉeestanta en la interna rezonado de la modelo, kiu estas kviete forlasita aŭ reverkita antaŭ ol ĝi atingas la uzanton. Tio estas pli malfacila problemo ol rekta rifuzo, ĉar trunkita respondo aspektas kiel respondo.
Kion ni funkciigas estas la malfermpeza eldono, sur aparataro, kiun ni funkciigas, en Usono, sub Shannon Lab LLC. Ekzistas neniu rifuza tavolo antaŭ la modelo kaj neniu filtrilo aplikata al tio, kio revenas: via peto ne estas klasifikita laŭ politiko antaŭ ol ĝi estas servata, kaj la eliga fluo ne estas inspektata survoje eksteren. Ĉar la fundamento estas licencita laŭ MIT kaj publika, vi povas kompari niajn eligojn kontraŭ la referencaj pezoj mem anstataŭ fidi nian vorton.
02La fundamento: DeepSeek-V4-Pro, MoE kun 1.6 bilionoj
DeepSeek-V4 estas la nuna malfermpeza familio de DeepSeek-AI, antaŭmontrita en aprilo 2026 kaj eldonita sub MIT en du grandecoj: V4-Flash (284 miliardoj entute, 13 miliardoj aktivigitaj) kaj V4-Pro (1.6 bilionoj entute, 49 miliardoj aktivigitaj). Ĉi tiu artikolo temas pri la nivelo Pro. Ambaŭ estis antaŭtrejnitaj sur proksimume 33 bilionoj da ĵetonoj kaj ambaŭ denaske subtenas kuntekston de unu miliono da ĵetonoj.
La maldenseca proporcio estas la afero rimarkinda: nur ĉirkaŭ 3% de la parametroj ekbrulas ĉe iu ajn ĵetono, kaj ĝuste tio igas modelon tiel grandan entute servebla. La MoE-bloko mem restas DeepSeekMoE — la fajngrajnaj enkursigitaj spertuloj plus ĉiam-ŝaltitaj komunaj spertuloj enkondukitaj en V2 — kun nur malgrandaj ŝanĝoj en V4, plej videble haketa enkursigo en la plej fruaj tavoloj. Multi-Token Prediction, la helpa celo de V3, kiu ankaŭ ebligas spekulativan malkodadon, estas konservita senŝanĝe.
La novaj eroj en V4 estas strukturaj. Manifold-Constrained Hyper-Connections (mHC) anstataŭigas la simplan restuman vojon per lernita miksmatrico limigita al la sternaĵo de duoble stokastaj matricoj per Sinkhorn–Knopp-projekcio — restuma fluo, kiu repezas laŭ la enigo sen la numerika drivo, kiu mortigas tre profundajn stakojn. La trejnado transiris de AdamW al Muon por plej multaj moduloj, uzante Newton–Schulz-ortogonaligon, kun AdamW konservita nur por enkorpigoj, antaŭdiraj kapoj, normigo kaj la statikaj mHC-parametroj. Kaj la pezoj de la spertuloj estas trejnitaj en FP4 kun plej multaj aliaj parametroj en FP8 — kvantig-konsciaj de la komenco, kio gravas por tio, kiom bonvole la modelo akceptas plian kunpremon.
03De MLA al CSA + HCA: kiel DeepSeek tenas longan kuntekston malmultekosta
La kontinua linio de DeepSeek tra kvar generacioj ne estas grandeco, ĝi estas la ekonomiko de la atento. Ĉiu versio atakis la KV-kaŝmemoron, kiu kreskas linie kun la kunteksto kaj dominas la memoron ĉe longaj longecoj.
- V2 enkondukis Multi-head Latent Attention (MLA) — malaltranga komuna kunpremo de ŝlosiloj kaj valoroj en latentan vektoron, do la generado kaŝmemorigas tiun vektoron plus malkuplitan RoPE-ŝlosilon anstataŭ plenajn po-kapajn K kaj V. DeepSeek raportis la KV-kaŝmemoron malaltigita al proksimume 4–14% de norma plurkapa atento, kun la kvalito tenita aŭ plibonigita.
- V3 skalis tion al 671 miliardoj, farante MLA la defaŭlta supozo por malmultekosta longa kunteksto en malfermaj modeloj.
- V3.2 aldonis DeepSeek Sparse Attention (DSA), elektante top-k subaron de la historio po demando per malpeza indeksilo anstataŭ atenti ĉion.
- V4 hibridigas. Compressed Sparse Attention (CSA) unue kunpremas la KV-erojn de ĉiuj m ĵetonoj en unu eron kun lernitaj pezoj, poste rulas maldensan top-k-elekton super tiuj kunpremitaj eroj. Heavily Compressed Attention (HCA) kunpremas multe pli agrese sed restas densa super la rezulto. La du tavolspecoj estas interplektitaj tra la stako, do malmultekosta ĝenerala resumo kaj preciza loka retrovo kunekzistas.
La raportita gajno ĉe kunteksto de unu miliono da ĵetonoj estas frapa: V4-Pro bezonas ĉirkaŭ 27% de la po-ĵetonaj inferencaj FLOP-oj kaj 10% de la KV-kaŝmemoro de V3.2. Jen kial peto de 262K kondutas kiel normala peto anstataŭ kiel memor-evento, kaj kial la longkuntekstaj retrovaj ciferoj tenas sin anstataŭ kolapsi post kelkaj dekmiloj da ĵetonoj.
04Kion signifas la sufikso 3BIT-REAP
Nia kataloga identigilo finiĝas per 3BIT-REAP, kaj tio priskribas du sendependajn kunpremajn paŝojn aplikatajn laŭvice.
REAP: pritondi spertulojn, ne kunfandi ilin
REAP estas Router-weighted Expert Activation Pruning, de Cerebras Research — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression", akceptita ĉe ICLR 2026. En maldensa MoE la enkursigilo ne uzas siajn spertulojn egale: longa vosto estas elektata malofte, malforte, aŭ ambaŭ. REAP poentas ĉiun spertulon kombinante la kluzvalorojn de la enkursigilo (kiom ofte kaj kiom forte ĝi estas elektata) kun la aktivig-normoj de la spertulo (kiom multe ĝia eligo kontribuas), poste forigas la perdintojn tute.
La argumento de la artikolo estas, ke pritondado superas kunfandadon: kunfandado mezumigas for la funkcian specialiĝon, kiu igis la MoE-on inda je konstruo, dum forigi la spertulojn, kiujn la enkursigilo apenaŭ atingas, konservas ĝin. Tra modeloj de 20 miliardoj ĝis 1 biliono, REAP superis kunfandadon kaj konkurantajn pritondajn metodojn sur generaj benchmark-oj, kaj la aŭtoroj raportas preskaŭ senperdajn rezultojn ĉe kodgenerado kaj ilvokado je 50% da spertul-pritondado sur Qwen3-Coder-480B kaj Kimi-K2 — kio estas precize la ŝarĝoprofilo, por kiu ĉi tiu modelo ĉeestas.
3-bitaj pezoj: la kunprema nivelo por la plej grandaj fundamentoj
Kio postrestas, tiam estas kvantigita al 3-bitaj pezoj. Tri bitoj estas agrese, kaj ni ne ŝajnigas alie: tra la gamo ni uzas W8A16 tie, kie la fundamento estas sufiĉe malgranda por ne bezoni la premon, W4A16-AUTOROUND-REAP en la mezo, kaj 3BIT-REAP nur sur la plej grandaj fundamentoj, kie ĝi estas la diferenco inter servi la modelon kaj ne servi ĝin.
La kompromiso indas je klara deklaro: 3-bita MoE kun 1.6 bilionoj ne estas bit-identa al la referenca eldono, kaj malgranda kvalita kosto estas reala. Kion vi ricevas kontraŭe estas fundamento, kies nekunpremita plafono kuŝas multe super ĉio, kio komforte entenas je pli alta precizeco — kaj ĉar la spertuloj de V4 estis trejnitaj en FP4 ekde la komenco, la modelo estas nekutime bonkonduta sub plia kunpremo de la pezoj. Se vi volas DeepSeek-konstruon kun pli malpeza tuŝo sur la precizeco, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP uzas 4-bitajn pezojn kun 16-bitaj aktivigoj kaj la lernitan rondigon de AutoRound, sur la sama 262K kunteksto je $0.50 enige / $2.00 elige.
05Rezonado, kaj la regilo reasoning_effort
La post-trejnado de V4 trejnas fakajn specialistojn aparte — matematiko, kodado, agentoj, sekvado de instrukcioj — per SFT sekvata de GRPO, la metodo Group Relative Policy Optimization, kiun DeepSeek enkondukis kun R1. Tiuj specialistoj poste estas unuigitaj en unu modelon per surpolitika distilado sub inversa KL-celo, do unu sola kontrolpunkto portas specialist-nivelan konduton en pluraj kampoj samtempe anstataŭ esti ĝeneralisto mezkvalita en ĉiuj el ili.
La eldonita modelo elmetas gradigitajn pensadajn reĝimojn anstataŭ duuman ŝaltilon. Sur nia enirejo tio estas la norma parametro reasoning_effort, la ununura plej utila regilo sur ĉi tiu modelo:
- Low — preskaŭ rekta respondado: klasifikado, ekstraktado, reverkado, ĉio, kie vi pagas por la scio de la modelo anstataŭ por ĝia pripensado.
- Medium — la defaŭlta labora reĝimo por kodrevizio, sencimigo kaj plurpaŝa analizo.
- High — longa pripensado antaŭ ol respondi. Kie la malfacilaj problemoj estas solvataj, kaj kie loĝas via fakturo por eligaj ĵetonoj, ĉar rezonadaj ĵetonoj estas fakturataj kiel eligo.
Ĉar ekzistas neniu rifuza tavolo, la rezonada spuro ne estas trunkita ĉe sentemaj temoj — la ŝablono de penso-subpremado dokumentita ĉe la unuapartia servo havas neniun mekanismon por okazi ĉi tie.
06Kodo kaj agenta laboro: kion la fundamento poentas
Ĉi tiuj estas la propraj publikigitaj ciferoj de DeepSeek-AI por la eldono V4-Pro — ne niaj, kaj ne mezuritaj sur nia kvantigita konstruo. Ni montras ilin, ĉar ili estas la honesta kialo elekti ĉi tiun fundamenton, kaj ni marku ilin kiel unuapartiajn, por ke vi povu pezi ilin laŭe.
Du meritas komenton. SWE-bench Verified je 80.6% estas solvado de problemoj en veraj deponejoj — legi nekonatan kodbazon, lokalizi la difekton, produkti flikaĵon, kiu trapasas la proprajn testojn de la projekto. MRCR ĉe unu miliono da ĵetonoj (83.5) estas plurronda korefereca retrovo je plena longeco, la cifero, kiu diras al vi, ke la longkunteksta aserto ne estas ornama. DeepSeek ankaŭ raportas Codeforces-rangon de 3206 por la modelo, kaj 62.0 sur CorpusQA ĉe 1M kunteksto.
La supraj ciferoj estas raportitaj de DeepSeek-AI por la referenca eldono DeepSeek-V4-Pro. Nia konstruo 3BIT-REAP estas kunpremita variaĵo de tiuj pezoj kaj ne estis sendepende mezurita ĉe ĉi tiuj taskoj; traktu la referencajn poentojn kiel la plafonon de la fundamento, ne kiel mezuron de ĉi tiu finpunkto.
07262K kunteksto: kio efektive entenas
La referenca modelo estas trejnita por miliono da ĵetonoj. Ni servas 262,144 — la fenestro, kiun ĉiu modelo sur la enirejo dividas, do ŝanĝi modelon estas unulinia ŝanĝo kaj neniam kunteksta retropaŝo. Praktike 262K estas preter la punkto, kie la kunteksto ligas por plej multe da reala laboro:
| Ŝarĝo | Proks. ĵetonoj | Ĉu entenas en 262K? |
|---|---|---|
| Mezgranda serva deponejo (~50k linioj) | ~600K | Ne — elektu modulojn |
| Unu subsistemo + ĝiaj testoj | ~60–120K | Jes, komforte |
| Plena RFC-aro por protokolo | ~150K | Jes |
| Teknika libro de 700 paĝoj | ~250K | Jes, proksime al la limo |
| Longa agenta rulo, 40+ ilvicoj | ~80–200K | Jes |
La limo, ĉirkaŭ kiu plani, estas la eligo: maksimume 16,384 ĵetonoj po respondo. Tio estas longa dokumento aŭ konsiderinda plurdosiera flikaĵo, sed ne kodbazo. Grandaj generaj taskoj estas faritaj ĉenigante petojn kun la antaŭa eligo reen en la kunteksto — kion la 262K fenestro faras malmultekosta — anstataŭ petante unu enorman kompletigon.
08Prezo, kaj kie V4-Pro sidas en la gamo
Je $1.95 enige / $3.90 elige por miliono da ĵetonoj, V4-Pro estas la ĉefŝipa rezonada nivelo — la modelo, kiun vi elektas, kiam la problemo estas malfacila. Kiam ĝi estas nur granda, pli malmultekostaj modeloj sur la sama 262K fenestro faros ĝin por kvarono de la prezo.
| Sencenzura modelo | Enige / 1M | Elige / 1M | Vido | Plej taŭga por |
|---|---|---|---|---|
| DeepSeek-V4-Pro · 3BIT-REAP | $1.95 | $3.90 | Ne | Malfacila rezonado, kodo, agentoj |
| DeepSeek-V4-Flash · W4A16 | $0.50 | $2.00 | Ne | Sama deveno, alta volumeno |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | Ne | Ĝeneraluza laborĉevalo |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Jes | Plejsupraj plurmodalaj agentoj |
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Jes | Plej malmultekosta vido |
Estante rekta pri la komparo, kiun homoj efektive faros: la propra API de DeepSeek estas pli malmultekosta ol ĉi tio — unuapartia V4-Pro listigas ĉirkaŭ $0.435 enige / $0.87 elige, kaj ilia prezo por kaŝmemor-trafita enigo estas ankoraŭ pli malalta. Se prezo po ĵetono estas via sola kriterio kaj la moderiga konduto ne influas vian laboron, uzu la unuapartian API-on; ni preferas diri tion al vi ol lasi vin ekscii poste. La aldonpago aĉetas alian aron da ecoj: neniu rifuza tavolo kaj neniu eliga filtrilo, usona funkciiganto sub Shannon Lab LLC, alpinglita datita kontrolpunkto (0813), por ke silenta ĝisdatigo ĉe la fonto neniam ŝanĝu viajn eligojn meze de projekto, tri API-dialektoj kontraŭ unu modelo, kaj la sama 262K fenestro kaj parametra surfaco tra ĉiuj dek du modeloj en la gamo.
09Voki ĝin: tri dialektoj, unu modelo
Ĉiu modelo sur la enirejo respondas sur ĉiuj tri finpunktoj, kun flusendado sur ĉiu. Vi ne adoptas novan SDK-on — vi ŝanĝas bazan URL-on kaj modelan identigilon.
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— dialekto de OpenAI; funkcias kun la OpenAI-SDK-oj kaj ĉio konstruita sur ili./v1/messages— dialekto de Anthropic, por kodbazoj jam verkitaj laŭ tiu formo./v1/responses— la interfaco laŭ la stilo Responses.
Subtenataj sur ĉi tiu modelo: flusendado, denaska ilvokado, strikta strukturita eligo laŭ json_schema, response_format, kaj reasoning_effort. Plena parametra referenco kaj viva ludejo troviĝas en la API-dokumentado.
10Honestaj limoj
Kvar aferoj sciendaj antaŭ ol vi konstruas sur ĝi:
- Neniu vido. Nur teksto; ĝi ne akceptos bildan enigon sur iu ajn finpunkto. Se vi bezonas sencenzuran modelon, kiu vidas, uzu Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 aŭ inkling.
- Eliga plafono de 16,384 ĵetonoj. Rezonadaj ĵetonoj kalkuliĝas kontraŭ ĝi ĉe alta peno, do longa pripensado lasas malpli da spaco por la respondo. Ĉenigu petojn por grandaj generaj taskoj.
- 3-bita estas reala kunpremo. La referencaj poentoj priskribas la fundamenton, ne ĉi tiun konstruon. Por la plej altfidela nivelo, la modeloj
W8A16(MiMo-V2.5-Pro, MiMo-V2.5, Hy3) portas la malplej da kvantigo. - Sencenzura ne estas sensekva. Neniu rifuza tavolo signifas, ke la respondeco pri tio, kion vi demandas, kaj pri tio, kion vi faras kun la respondo, kuŝas ĉe vi — sub niaj uzkondiĉoj kaj la leĝo tie, kie vi operacias.
Ĉiu arkitektura aserto kaj benchmark-cifero sur ĉi tiu paĝo venas el publika unuaranga fonto. Legu ilin mem.
11Oftaj demandoj
Kio estas la sencenzura DeepSeek API?
Ĝi estas la malfermpeza modelo DeepSeek-V4-Pro servata sur la propra GPU-aro de Shannon AI sen rifuza tavolo antaŭ ĝi kaj sen filtrado aplikata al tio, kion ĝi redonas. Vi vokas ĝin ĉe /v1/chat/completions, /v1/messages aŭ /v1/responses kun kunteksta fenestro de 262,144 ĵetonoj, kaj la finpunkto respondas anstataŭ moderigi.
Kiel tio diferencas de la oficiala API de DeepSeek?
Sama malfermpeza deveno, alia funkciiganto kaj alia politiko. La unuapartia servo de DeepSeek estas pli malmultekosta po ĵetono kaj funkciigas sian propran moderigadon; publikigitaj revizioj de Promptfoo kaj akademiaj grupoj dokumentis rifuzon kaj semantikan subpremadon ĉe politike sentemaj petoj tie. Shannon AI funkciigas la pezojn en Usono sen rifuza tavolo, elmetas rezonadan penon kaj ilvokadon sur tri API-dialektoj, kaj alpinglas datitan kontrolpunkton, por ke la eligoj ne ŝanĝiĝu sub vi.
Kion signifas 3BIT-REAP?
Du kunpremaj paŝoj. REAP estas Router-weighted Expert Activation Pruning, metodo de Cerebras Research, kiu forigas malofte kaj malforte enkursigitajn spertulojn el modelo laŭ Miksaĵo de Spertuloj, poentante ĉiun spertulon per ĝiaj kluzvaloroj ĉe la enkursigilo kaj ĝiaj aktivig-normoj. Kio postrestas, tiam estas kvantigita al 3-bitaj pezoj. Kune ili igas fundamenton kun 1.6 bilionoj da parametroj enteni kaj resti rapida sur nia propra GPU-aro.
Kiom granda estas la kunteksta fenestro kaj la maksimuma eligo?
262,144 ĵetonoj da kunteksto kaj ĝis 16,384 ĵetonoj da eligo por unu peto. Tio estas proksimume 600 ĝis 800 paĝoj da teksto enige, kaj longa teknika dokumento aŭ granda plurdosiera flikaĵo elige. Longaj taskoj estas faritaj ĉenigante petojn, ne levante la eligan limon.
Ĉu DeepSeek V4 Pro subtenas ilvokadon kaj eligon laŭ JSON-skemo?
Jes al ambaŭ. Denaska ilvokado, strikta strukturita eligo per json_schema, kaj response_format estas ĉiuj subtenataj, kune kun flusendado kaj parametro reasoning_effort. Ĝi ne akceptas bildan enigon; se vi bezonas vidon sur sencenzura modelo, uzu anstataŭe Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 aŭ inkling.
Kiom kostas la sencenzura DeepSeek API?
$1.95 por miliono da enigaj ĵetonoj kaj $3.90 por miliono da eligaj ĵetonoj. Ene de la sama sencenzura gamo, DeepSeek-V4-Flash kostas $0.50 enige kaj $2.00 elige por la sama 262K kunteksto, kaj GLM-5.2 kostas $0.73 enige kaj $2.34 elige, do V4-Pro estas la nivelo, kiun vi elektas, kiam la problemo estas malfacila anstataŭ granda.
Voku DeepSeek V4 Pro sencenzure
262K kunteksto, rezonada peno, ilvokado. Dialektoj de OpenAI, Anthropic kaj Responses sur unu ŝlosilo.
Legu la API-dokumentojn Ĉiuj modelkartojShannon Lab LLC · Nov-Meksiko, Usono · modeloj servataj sur nia propra GPU-aro
Fontoj: DeepSeek-AI — modelkarto de DeepSeek-V4-Pro · Teknika raporto pri DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Teknika raporto pri DeepSeek-V3 · REAP the Experts (Cerebras Research) · Cenzura revizio de Promptfoo · Discovering Forbidden Topics in Language Models. La benchmark-ciferoj estas raportitaj de DeepSeek-AI por la referenca eldono; sendependa triapartia kontrolo de la kunpremita konstruo ankoraŭ mankas. La prezoj estas la listaj prezoj de Shannon AI je la 5-a de septembro 2026.