API de DeepSeek Flash sin censura

La mayoría de los equipos que evalúan una API de LLM optimizan la variable equivocada. Hacen benchmarks con los veinte prompts más difíciles que se les ocurren, eligen al ganador y descubren seis semanas después que el noventa y cinco por ciento de su tráfico es trabajo corto, estructurado y repetitivo que un modelo cuatro veces más barato habría resuelto de forma idéntica. DeepSeek-V4-Flash existe para ese noventa y cinco por ciento. Esta página trata de saber cuándo estás en él y cuándo no.

01Qué obtienes exactamente

Propiedad	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Identificador del modelo	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Contexto / salida máxima	262,144 tokens / 16,384 tokens
Precio por 1M (entrada / salida)	$0.50 / $2.00
Streaming · tool calling · razonamiento	Sí — en los tres dialectos
Salida estructurada	json_schema y response_format
Entrada de imagen (visión)	No — solo texto
Capa de rechazo / filtro de salida	Ninguno
Servido en	El propio clúster de GPU de Shannon

Tres dialectos de API llegan a los mismos pesos: /v1/chat/completions (con forma de OpenAI), /v1/messages (con forma de Anthropic) y /v1/responses. El streaming funciona en los tres. La referencia completa de parámetros está en la documentación de la API.

02De dónde viene: el linaje DeepSeek

DeepSeek-AI lleva cinco generaciones de modelos con una sola obsesión: sacar comportamiento de frontera de un modelo que sea barato de servir, no solo barato de entrenar. Casi todas las decisiones arquitectónicas de la línea se remontan a eso, y las importantes están publicadas. Tres explican a qué estás llamando cuando golpeas este endpoint.

DeepSeekMoE: expertos de grano fino más uno compartido

Una capa Mixture-of-Experts sustituye una red feed-forward grande por muchas más pequeñas y un enrutador que selecciona un puñado por token. La variante de DeepSeek trocea los expertos más fino que la disposición convencional de ocho expertos, de modo que los mismos FLOPs activados compran una mezcla combinatoriamente mucho más específica, y aísla un experto compartido por el que pasa todo token, para que el conocimiento común no se reaprenda de forma redundante dentro de cada especialista. DeepSeek-V3 lo publicó como 256 expertos enrutados más 1 experto compartido, activando 8 enrutados por token —671B parámetros totales, 37B activos— junto con equilibrado de carga sin pérdida auxiliar: en lugar de un término de penalización que degrada la calidad, un sesgo por experto empuja las puntuaciones de enrutado hacia arriba o hacia abajo en cada paso según ese experto esté infra o sobrecargado.

MLA: atención que cabe en memoria

La otra mitad del problema del coste de servicio es la caché KV, que crece linealmente con el contexto y domina la memoria en secuencias largas. La atención latente multicabeza (Multi-head Latent Attention), introducida en DeepSeek-V2, comprime conjuntamente claves y valores en un vector latente de rango bajo y cachea eso, reconstruyendo K/V utilizables sobre la marcha. Las cifras publicadas de V2 por DeepSeek, frente a su anterior DeepSeek 67B denso, reportan una reducción del 93.3% en la caché KV y un throughput máximo de generación 5.76× mayor. Por eso una ventana de 262K tokens es lo mínimo en esta familia y no un extra de pago.

Atención dispersa, y el precedente de los tokens baratos

V3.2-Exp añadió DeepSeek Sparse Attention: un indexador ligero puntúa los tokens del contexto contra la consulta y un selector conserva solo los mejor puntuados. Lo interesante es el recibo, no el mecanismo. DeepSeek publicó una comparación directa con V3.1-Terminus con MMLU-Pro idéntico en 85.0, AIME 2025 al alza (88.4 → 89.3) y SWE-bench Verified marginalmente a la baja (68.4 → 67.8) —calidad esencialmente plana—, y recortó los precios de su API en más de un 50% ese mismo día. Arquitectura, reportada con honestidad, convertida directamente en precio. Flash es ese argumento llevado un paso más allá.

La generación V4

V4, presentada en abril de 2026 bajo licencia MIT, vuelve a sustituir la pila de atención por un híbrido de Compressed Sparse Attention y Heavily Compressed Attention, entrena con el optimizador Muon sobre más de 32T tokens y conserva el objetivo de predicción multitoken de V3 —que además hace de decodificación especulativa y que DeepSeek midió con una tasa de aceptación del segundo token del 85–90% para una aceleración de decodificación de aproximadamente 1.8× en V3—. El resumen de V4 reporta que V4-Pro corre con el 27% de los FLOPs de inferencia por token de V3.2 y el 10% de su caché KV. La familia expone tres niveles de esfuerzo de razonamiento, que es a lo que se mapea nuestro parámetro reasoning_effort.

Fuentes: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · informe técnico de DeepSeek-V3 (arXiv 2412.19437) · ficha del modelo DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Todas las cifras están reportadas por DeepSeek.

03Qué significa «Flash» realmente

Este es el punto que la mayoría de las comparaciones se equivoca, así que conviene decirlo sin rodeos: el Flash de DeepSeek no es un Pro cuantizado, podado o destilado. Es un modelo Mixture-of-Experts más pequeño entrenado por separado, con su propio preentrenamiento. El artículo de presentación de V4 da los dos tamaños:

Cifras del artículo de presentación de DeepSeek-V4. Los checkpoints oficiales que servimos —V4-Flash-0731 y V4-Pro-0813— indican totales algo mayores, 304B y 1.7T, en sus fichas de modelo; DeepSeek no vuelve a declarar los parámetros activados para esas compilaciones.

Dos cifras hacen aquí todo el trabajo. Los parámetros totales fijan la huella de memoria, que decide cuánto hardware ocupa una copia del modelo. Los parámetros activados fijan la aritmética por token, que decide el rendimiento. Flash es aproximadamente 5.6× más pequeño en lo primero y 3.8× más pequeño en lo segundo, y hay una sutileza en esa diferencia que merece la pena notar: Flash activa 13 de 284 000 millones de parámetros, alrededor del 4.6%, mientras que Pro activa 49 de 1 600 000 millones, alrededor del 3.1%. Flash es el modelo menos disperso. No es simplemente Pro con menos expertos encendidos; es un diseño más denso y equilibrado de otra manera, que gasta una parte mayor de sí mismo en cada token que produce. Es una elección de ingeniería real, no una degradación.

Qué dicen las propias cifras de DeepSeek

Ambas fichas oficiales de modelo publican puntuaciones en los mismos benchmarks agénticos y de ingeniería de software, lo que hace de esta una comparación inusualmente limpia: el mismo laboratorio, el mismo arnés de evaluación, dos tamaños:

Benchmark (reportado por 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 gana en todas las filas. Ese es el titular honesto, y preferimos que lo leas aquí a que lo descubras en producción. Pero lee los márgenes, porque son lo que de verdad estás comprando. En Terminal Bench 2.1 la diferencia es de 5.2 puntos en un modelo con una veinticincoava parte de los parámetros; en uso de herramientas es de 3.8 puntos. La brecha se ensancha donde el trabajo se hace más profundo: 8.3 puntos en DeepSWE, 7.3 en NL2Repo, ambos premiando el razonamiento sostenido sobre código en varios pasos. Esa es la forma del intercambio en una sola tabla: Flash recorta casi toda la distancia en tareas acotadas y cede terreno en las abiertas.

La propia ficha de Flash de DeepSeek lo dice aún más claro: Flash-0731 supera a la versión previa de V4-Pro en los benchmarks listados pese a su recuento de parámetros activados mucho menor. Que un modelo pequeño y nuevo supere a uno grande y antiguo es el estado normal de las cosas en este campo, y es la razón por la que «el nivel más grande» nunca debería ser tu respuesta por defecto.

04Leyendo el sufijo: W4A16-AUTOROUND-REAP

Nuestros identificadores de modelo declaran su esquema de compresión en voz alta, porque es lo que más afecta a la calidad de la salida y casi nadie lo revela. Este se descompone en tres afirmaciones.

W4A16: pesos de 4 bits, activaciones de 16 bits

Los pesos se almacenan a 4 bits cada uno; las activaciones circulan con precisión de 16 bits. Esta es cuantización solo de pesos, y ataca el cuello de botella real de la generación de tokens, que es el ancho de banda de memoria y no la aritmética. Cuantizar también las activaciones daría algo más de velocidad y arriesgaría un desplome de precisión mucho mayor; dejarlas a 16 bits es la elección conservadora y de alta fidelidad. La notación es jerga del ecosistema de servicio: la literatura de cuantización escribe lo mismo como W4 con un tamaño de grupo.

AUTOROUND: redondeo aprendido, no redondeo al más cercano

La cuantización ingenua redondea cada peso al valor representable más cercano. Eso demostrablemente no es óptimo: redondear un peso en la dirección «equivocada» puede cancelar el error introducido por sus vecinos, y con miles de millones de pesos esas interacciones dominan. AutoRound, de Intel, trata la propia decisión de redondeo como algo que aprender: una perturbación entrenable por peso limitada a ±0.5, exactamente lo suficiente para invertir cualquier decisión de redondeo individual y nunca más, además de rangos de recorte aprendibles, optimizado por descenso de gradiente con signo contra un objetivo de reconstrucción de la salida por bloques sobre un pequeño conjunto de calibración. Doscientos pasos y listo.

Las comparaciones publicadas por Intel sitúan a AutoRound por delante de GPTQ en 30 de 32 escenarios probados, de AWQ en 27 de 32 y de OmniQuant en 29 de 32 con ajustes de 4 bits solo de pesos, con ganancias sobre el redondeo ingenuo al más cercano de entre 6.9 y 33.2 puntos de precisión a 2 bits. Nada de eso cuesta nada en tiempo de inferencia: es una mejor elección de números, hecha una vez, fuera de línea.

REAP: eliminar los expertos a los que nadie enruta

REAP (Router-weighted Expert Activation Pruning), de Cerebras Systems y la Universidad de Calgary, es compresión en una sola pasada para modelos MoE. Puntúa cada experto según con qué fuerza y con qué frecuencia el enrutador lo activa, multiplicado por la magnitud de la salida de ese experto, y luego elimina directamente los expertos menos relevantes, sin reentrenamiento posterior.

El hallazgo central del artículo es el útil: con ratios de compresión altos, podar expertos gana a fusionarlos. Fusionar expertos funcionalmente distintos provoca lo que los autores llaman colapso del subespacio funcional: el enrutador pierde el control fino y dependiente de la entrada que hacía que mereciera la pena construir el MoE, y se queda dirigiendo entre promedios estáticos. Sus cifras en modelos de 20B a 1T parámetros: con un 25% de compresión de expertos en tareas de programación, REAP pierde un 2.8% de precisión media donde las bases de fusión pierden más del 5%; con un 50%, REAP pierde un 8.0% donde la fusión pierde más del 20%. En Qwen3-Coder-480B con un 50% de poda la caída es del 1.4%, frente al 39.3% de la poda ingenua basada en frecuencia. Cerebras ha publicado checkpoints REAP para la línea DeepSeek, entre otras.

Por qué 4 bits aquí y 3 bits en Pro

Ambos niveles tienen que caber y mantenerse rápidos en la misma clase de hardware. Pro lleva 1.7 billones de parámetros, así que necesita el tratamiento más agresivo de 3 bits solo para caber. Flash lleva unos 300 000 millones, así que no lo necesita, y el bit que ahorra se gasta en fidelidad en lugar de en caber.

Ese bit extra importa más de lo que sugiere su aritmética, porque el daño de la cuantización no es lineal. En las mediciones sobre WikiText-2 del artículo de AWQ, Llama-2-7B pasa de 5.47 de perplejidad en FP16 a 5.60 a 4 bits —una penalización del 2.4%— pero a 6.24 a 3 bits, una penalización del 14%. Eso es aproximadamente seis veces la degradación por un 25% más de compresión, y el mismo patrón se mantiene a 70B. El artículo de GPTQ es aún más rotundo: a 3 bits, el redondeo ingenuo al más cercano colapsa en modelos de clase 175B, hasta miles de puntos de perplejidad, mientras sigue siendo perfectamente utilizable a 4 bits. Por debajo de cuatro bits, un buen algoritmo de cuantización deja de ser un detalle agradable y pasa a ser lo único que sostiene el modelo.

Así que la lectura honesta de estos dos sufijos es: Flash está más cerca de su propia versión sin comprimir de lo que Pro está de la suya. Pro sigue siendo el modelo más fuerte —la tabla de benchmarks de arriba lo zanja—. Simplemente cedió más para llegar aquí, y tú pagas por el privilegio.

Fuentes: 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. Cifras de perplejidad de AWQ (arXiv 2306.00978) y GPTQ (arXiv 2210.17323).

05Flash frente a Pro en el endpoint

La sección 03 cubrió las bases. Esto es lo que parecen los dos niveles como productos en nuestra pasarela:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Cuantización	W4A16-AUTOROUND-REAP	3BIT-REAP
Precisión de los pesos	4 bits, redondeo aprendido	3 bits
Base (total / activo)	~304B / 13B	~1.7T / 49B
Entrada por 1M de tokens	$0.50	$1.95
Salida por 1M de tokens	$2.00	$3.90
Contexto / salida máxima	262,144 / 16,384	262,144 / 16,384
Herramientas · salida estructurada · streaming	Sí	Sí
Visión	No	No
Capa de rechazo	Ninguna	Ninguna

Fíjate en lo que no cambia: el contexto, el techo de salida, el tool calling, la salida estructurada y la ausencia de capa de rechazo son idénticos. Lo único que se mueve es la base, la cuantización y el precio. Eso convierte el cambio entre ambos en una modificación de una sola cadena en tu código y en una decisión puramente económica en tu arquitectura.

Cuánto cuesta una llamada de tamaño máximo

Llena todo el contexto de 262,144 tokens y toma la salida completa de 16,384 tokens:

A precio de lista. Flash: $0.131 de entrada + $0.033 de salida. Pro: $0.511 + $0.064. Ratio de 3.51×. Flash comparte además el suelo de $0.50 / $2.00 con MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro y Hy3; consulta el catálogo completo para ver en qué se diferencian en visión y salida estructurada.

06Las cuentas del volumen, hechas

«3.9× más barato» solo es cierto en entrada. En salida Flash es 1.95× más barato. Tu ahorro real depende, por tanto, de tu relación entrada-salida, y la horquilla es lo bastante amplia como para cambiar decisiones de diseño. Cuatro cargas de trabajo realistas, cada una con 100,000 peticiones:

Carga de trabajo	Entrada / salida por llamada	Flash	Pro	Ahorro
Clasificación de tickets	1,200 / 120	$84	$281	3.3×
Respuesta a preguntas con RAG	8,000 / 600	$520	$1,794	3.4×
Resumen de documentos largos	60,000 / 1,500	$3,300	$12,285	3.7×
Generación de datos sintéticos	500 / 2,000	$425	$878	2.1×

El patrón: cuanto más contexto empujas y menos texto generas, más te ahorra Flash. Las tuberías de recuperación, la clasificación de documentos, el análisis de registros y transcripciones y la extracción de contexto largo son el punto dulce: están dominadas por la entrada en un orden de magnitud, y la entrada es donde vive el descuento de 3.9×. Si en cambio tu carga de trabajo es un prompt corto que produce miles de tokens de prosa, la diferencia se estrecha a aproximadamente 2× y el argumento de capacidad a favor de Pro se refuerza en la misma medida.

Una cuenta más que conviene interiorizar: a $0.50 por millón de tokens de entrada, llenar la ventana entera de 262,144 tokens cuesta 13.1 centavos. A ese precio, el prompting de contexto largo deja de ser una cuestión de presupuesto, lo que a veces significa que puedes saltarte por completo la construcción de una capa de recuperación y dejar que la ventana de contexto haga el trabajo: un ahorro de ingeniería encima del ahorro de tokens.

07Qué significa aquí «sin censura», con precisión

La palabra se usa a la ligera, así que aquí va nuestra definición, formulada como una propiedad del endpoint: no hay ningún clasificador de rechazo delante del modelo ni filtrado de contenido aplicado a su salida. Nada intercepta un prompt para devolver una negativa enlatada; nada inspecciona la respuesta para censurarla. Para el trabajo de producción de alto volumen, las consecuencias son menos dramáticas y más útiles de lo que sugiere la palabra:

• Sin falsos positivos sobre tráfico inocuo. Los endpoints filtrados rechazan rutinariamente resúmenes médicos, informes de seguridad, descubrimiento de pruebas jurídicas, ficción, material de reducción de daños y el propio trabajo de moderación — exactamente las categorías donde un trabajo por lotes procesa texto sobre un tema sensible en lugar de producir nada dañino. Con cien mil peticiones, una tasa de falso rechazo del uno por ciento son mil filas rotas.
• Contratos deterministas. Pide una respuesta con json_schema y obtienes JSON que cumple el esquema, no un párrafo de disculpa donde debería haber un objeto. Tu parseador no necesita una rama para rechazos, y tu lógica de reintentos no tiene que distinguir un fallo de transporte de uno de política.
• La política es tuya. Ese es el intercambio. Si tu producto necesita barreras para tus usuarios finales, las construyes en tu capa, donde conoces a tus usuarios y tu jurisdicción, en lugar de heredar las conjeturas de un proveedor sobre ambas cosas. Tu cuenta sigue regida por nuestra Política de Uso Responsable.

Sin censura no es lo mismo que sin alinear o poco servicial. El modelo sigue siguiendo instrucciones y sigue respetando un prompt de sistema. Si quieres que rechace ciertas categorías para tus usuarios, dilo ahí: esa instrucción ahora te toca escribirla a ti en lugar de que nosotros te la impongamos.

08Capacidades y límites honestos

Dos capacidades cargan con la mayor parte del peso en el trabajo de volumen. La salida estricta con json_schema convierte una respuesta en una fila de base de datos sin capa de parseo y sin rama para rechazos. El tool calling en los tres dialectos hace de Flash un motor sensato para los subpasos baratos de un agente cuyo planificador de alto nivel corre en un modelo más fuerte. Añade reasoning_effort, que te deja gastar tokens extra solo en la fracción de tráfico que los necesita, y un contexto de 262,144 tokens idéntico al de Pro: no renuncias a contexto por elegir el nivel barato, lo cual es inusual.

Los límites son igual de concretos:

• Sin visión. Flash es solo texto y rechazará las partes de imagen de un mensaje. Para imágenes en un modelo sin censura al mismo suelo de $0.50 / $2.00, MiniMax-M3 y MiMo-V2.5 son las opciones con visión; Kimi-K2.6 y Kimi-K3 son modelos de visión más potentes por encima de ese nivel.
• No es lo más alto de la escalera. Las propias cifras de DeepSeek ponen a Pro por delante en todos los benchmarks agénticos publicados, con la mayor diferencia en el razonamiento sostenido sobre código en varios pasos. Donde una respuesta equivocada cuesta más que mil baratas, gasta los $1.45 extra por millón en DeepSeek-V4-Pro.
• 16,384 tokens de salida por petición. Las generaciones largas hay que trocearlas en varias llamadas. Es el mismo techo en todos los modelos que servimos, y limita mucho antes que la ventana de contexto.

09Cómo llamarlo

Apunta cualquier cliente compatible con OpenAI a la pasarela y cambia la cadena del modelo. Nada más en tu pila tiene que moverse.

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
        }
      }
    }
  }'

El mismo identificador de modelo funciona sin cambios en /v1/messages y /v1/responses, que es la forma más rápida de probar en A/B un modelo más barato bajo una integración existente sin reescribir tu cliente. Los parámetros, las formas de los eventos de streaming, los esquemas de tool calling y los límites de tasa están documentados en la referencia de la API; todos los modelos del catálogo están listados en Shannon Research.

10Preguntas frecuentes

---

Fuentes: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · informe técnico de DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · fichas de modelo de DeepSeek-V4-Flash-0731 y DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Todas las cifras de base y de benchmark son tal como las publican sus respectivos autores; los precios de Shannon AI y el contexto servido son nuestros propios valores de lista a septiembre de 2026.