La API de DeepSeek sin censura

Quien llega buscando «API de DeepSeek sin censura» quiere una cosa muy concreta: un modelo con la capacidad de razonamiento y programación de DeepSeek que responda a la pregunta que de verdad ha hecho. La mitad de capacidad está bien documentada: DeepSeek-AI publicó la arquitectura y las cifras, y los pesos están en Hugging Face bajo licencia MIT. La segunda mitad es una decisión de operación, y normalmente la toman por ti. Esta página cubre las dos: qué es la base V4-Pro, qué le hace nuestra compilación 3BIT-REAP y qué significa exactamente «sin censura» cuando lo decimos nosotros.

01Qué significa realmente «API de DeepSeek sin censura»

Bajo la misma palabra se archivan dos mecanismos distintos. El primero es la alineación cocida en los pesos: el comportamiento de rechazo aprendido durante el post-entrenamiento. El segundo es una capa de moderación del lado del servidor: un clasificador aparte que inspecciona tu prompt antes de que el modelo lo vea y la salida antes de que la veas tú, y que puede cortar una respuesta a media frase sin importar lo que el modelo quisiera decir.

Ambos son medibles, y el servicio propio de DeepSeek ha sido medido. Promptfoo reunió un conjunto de 1,360 preguntas políticamente sensibles y reportó que el R1 alojado de DeepSeek rechazó o esquivó 1,156 de ellas, alrededor del 85%. Trabajos académicos sobre la misma familia encontraron un modo de fallo distinto que los autores llamaron supresión del pensamiento: la traza de razonamiento del modelo termina casi nada más empezar en cuanto el tema es sensible. Una auditoría aparte publicada en Information Sciences documentó supresión a nivel semántico: contenido presente en el razonamiento interno del modelo que se omite o se reescribe en silencio antes de llegar al usuario. Ese es un problema más difícil que un rechazo directo, porque una respuesta truncada parece una respuesta.

Lo que nosotros ejecutamos es la publicación de pesos abiertos, sobre hardware que operamos nosotros, en Estados Unidos, bajo Shannon Lab LLC. No hay capa de rechazo delante del modelo ni filtro aplicado a lo que vuelve: tu prompt no se clasifica por política antes de servirse, y el flujo de salida no se inspecciona de camino a ti. Como la base tiene licencia MIT y es pública, puedes comparar nuestras salidas con los pesos de referencia tú mismo en lugar de fiarte de nuestra palabra.

02La base: DeepSeek-V4-Pro, un MoE de 1,6 billones

DeepSeek-V4 es la familia actual de pesos abiertos de DeepSeek-AI, presentada en abril de 2026 y publicada bajo MIT en dos tamaños: V4-Flash (284B totales, 13B activados) y V4-Pro (1,6 billones totales, 49B activados). Este artículo trata del nivel Pro. Ambos se preentrenaron con unos 33 billones de tokens y ambos soportan de forma nativa un contexto de un millón de tokens.

Lo que hay que mirar es la proporción de dispersión: solo alrededor del 3% de los parámetros se activa en un token dado, que es lo que hace servible un modelo de este tamaño. El bloque MoE en sí sigue siendo DeepSeekMoE —los expertos enrutados de grano fino más los expertos compartidos siempre activos que se introdujeron en V2— con cambios menores en V4, el más visible el enrutado por hash en las capas más tempranas. Multi-Token Prediction, el objetivo auxiliar de V3 que además habilita la decodificación especulativa, se mantiene sin cambios.

Las piezas nuevas de V4 son estructurales. Las Manifold-Constrained Hyper-Connections (mHC) sustituyen la ruta residual simple por una matriz de mezcla aprendida, restringida a la variedad de las matrices doblemente estocásticas mediante una proyección de Sinkhorn–Knopp: un flujo residual que se repondera según la entrada sin la deriva numérica que mata las pilas muy profundas. El entrenamiento pasó de AdamW a Muon para la mayoría de módulos, usando ortogonalización de Newton–Schulz, y dejó AdamW solo para los embeddings, las cabezas de predicción, la normalización y los parámetros estáticos de mHC. Y los pesos de los expertos se entrenan en FP4, con la mayoría de los demás parámetros en FP8: cuantización consciente desde el principio, lo que importa para lo bien que el modelo encaja una compresión posterior.

03De MLA a CSA + HCA: cómo DeepSeek mantiene barato el contexto largo

El hilo conductor de DeepSeek a lo largo de cuatro generaciones no es el tamaño, es la economía de la atención. Cada versión ha atacado la caché KV, que crece linealmente con el contexto y domina la memoria en longitudes grandes.

• V2 introdujo Multi-head Latent Attention (MLA): una compresión conjunta de bajo rango de claves y valores en un vector latente, de modo que la generación cachea ese vector más una clave RoPE desacoplada en lugar de la K y la V completas por cabeza. DeepSeek reportó una caché KV reducida a en torno al 4–14% de la atención multi-cabeza estándar, manteniendo o mejorando la calidad.
• V3 escaló eso a 671B, convirtiendo MLA en el supuesto por defecto del contexto largo barato en modelos abiertos.
• V3.2 añadió DeepSeek Sparse Attention (DSA), seleccionando por consulta un subconjunto top-k del historial mediante un indexador ligero en lugar de atender a todo.
• V4 hibrida. La Compressed Sparse Attention (CSA) comprime primero las entradas KV de cada m tokens en una sola entrada con pesos aprendidos, y después ejecuta la selección dispersa top-k sobre esas entradas comprimidas. La Heavily Compressed Attention (HCA) comprime mucho más agresivamente pero se mantiene densa sobre el resultado. Los dos tipos de capa se intercalan por toda la pila, de modo que conviven un resumen global barato y una recuperación local precisa.

El beneficio reportado con un contexto de un millón de tokens es contundente: V4-Pro necesita alrededor del 27% de los FLOPs de inferencia por token y del 10% de la caché KV de V3.2. Por eso una petición de 262K se comporta como una petición normal y no como un evento de memoria, y por eso las cifras de recuperación en contexto largo aguantan en lugar de derrumbarse pasadas unas pocas decenas de miles de tokens.

04Qué significa el sufijo 3BIT-REAP

El id de nuestro catálogo termina en 3BIT-REAP, y eso describe dos pasos de compresión independientes aplicados en orden.

REAP: podar expertos, no fusionarlos

REAP es Router-weighted Expert Activation Pruning, de Cerebras Research: «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression», aceptado en ICLR 2026. En un MoE disperso el router no usa sus expertos por igual: hay una cola larga que se selecciona rara vez, con poca fuerza, o ambas cosas. REAP puntúa cada experto combinando los valores de la puerta de enrutamiento (con qué frecuencia y con qué fuerza se le elige) con las normas de activación del experto (cuánto aporta su salida), y luego borra a los perdedores directamente.

El argumento del artículo es que podar gana a fusionar: fusionar promedia y disuelve la especialización funcional que hacía que el MoE mereciera la pena, mientras que borrar los expertos a los que el router apenas llega la conserva. En modelos de 20B a 1T, REAP superó a la fusión y a otros métodos de poda en benchmarks generativos, y los autores reportan resultados casi sin pérdida en generación de código y tool calling con un 50% de expertos podados en Qwen3-Coder-480B y Kimi-K2, que es justo el perfil de carga para el que está aquí este modelo.

Pesos de 3 bits: el nivel de compresión para las bases más grandes

Lo que sobrevive se cuantiza después a pesos de 3 bits. Tres bits es agresivo, y no fingimos lo contrario: en la gama usamos W8A16 cuando la base es lo bastante pequeña como para no necesitar el apretón, W4A16-AUTOROUND-REAP en el término medio, y 3BIT-REAP solo en las bases más grandes, donde es la diferencia entre servir el modelo y no servirlo.

Vale la pena decir el compromiso con claridad: un MoE de 1,6 billones a 3 bits no es idéntico bit a bit a la publicación de referencia, y un pequeño coste de calidad es real. Lo que obtienes a cambio es una base cuyo techo sin comprimir queda muy por encima de cualquier cosa que quepa cómodamente con más precisión; y como los expertos de V4 se entrenaron en FP4 desde el principio, el modelo se porta inusualmente bien ante una compresión de pesos adicional. Si quieres una compilación de DeepSeek con la mano más ligera en precisión, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP usa pesos de 4 bits con activaciones de 16 bits y el redondeo aprendido de AutoRound, sobre el mismo contexto de 262K a $0.50 de entrada / $2.00 de salida.

05Razonamiento, y el dial reasoning_effort

El post-entrenamiento de V4 entrena especialistas de dominio por separado —matemáticas, programación, agentes, seguimiento de instrucciones— con SFT seguido de GRPO, el método Group Relative Policy Optimization que DeepSeek introdujo con R1. Esos especialistas se unifican después en un solo modelo mediante destilación on-policy con un objetivo de KL inversa, de modo que un único checkpoint lleva comportamiento de nivel especialista en varios dominios a la vez, en vez de ser un generalista mediocre en todos.

El modelo publicado expone modos de pensamiento graduados en lugar de un interruptor binario. En nuestra pasarela eso es el parámetro estándar reasoning_effort, el mando más útil de este modelo:

• Low: respuesta casi directa; clasificación, extracción, reescritura, todo aquello en lo que pagas por el conocimiento del modelo y no por su deliberación.
• Medium: el modo de trabajo por defecto para revisión de código, depuración y análisis en varios pasos.
• High: deliberación larga antes de responder. Donde se resuelven los problemas difíciles, y donde vive tu factura de tokens de salida, ya que los tokens de razonamiento se facturan como salida.

Como no hay capa de rechazo, la traza de razonamiento no se trunca en temas sensibles: el patrón de supresión del pensamiento documentado en el servicio propio no tiene aquí mecanismo por el que producirse.

06Código y trabajo agéntico: qué puntúa la base

Estas son las cifras publicadas por la propia DeepSeek-AI para la versión V4-Pro: no son nuestras, y no están medidas sobre nuestra compilación cuantizada. Las mostramos porque son la razón honesta para elegir esta base, y las marcamos como de primera parte para que las ponderes en consecuencia.

Dos merecen comentario. SWE-bench Verified con un 80.6% es resolución de incidencias en repositorios reales: leer un código desconocido, localizar el defecto y producir un parche que pase los propios tests del proyecto. MRCR con un millón de tokens (83.5) es recuperación de correferencias en varias rondas a longitud completa, la cifra que te dice que la promesa de contexto largo no es decorativa. DeepSeek reporta además un rating de Codeforces de 3206 para el modelo, y 62.0 en CorpusQA con 1M de contexto.

Las cifras anteriores las reporta DeepSeek-AI para la versión de referencia DeepSeek-V4-Pro. Nuestra compilación 3BIT-REAP es una variante comprimida de esos pesos y no se ha evaluado de forma independiente en estas tareas; trata las puntuaciones de referencia como el techo de la base, no como una medición de este endpoint.

07262K de contexto: qué cabe de verdad

El modelo de referencia está entrenado para un millón de tokens. Nosotros servimos 262,144, la ventana que comparten todos los modelos de la pasarela, así que cambiar de modelo es un cambio de una línea y nunca una regresión de contexto. En la práctica, 262K está más allá del punto en que el contexto es la restricción para la mayoría del trabajo real:

Carga de trabajo	Tokens aprox.	¿Cabe en 262K?
Repo de servicio mediano (~50k líneas)	~600K	No: selecciona módulos
Un subsistema y sus tests	~60–120K	Sí, de sobra
El conjunto completo de RFC de un protocolo	~150K	Sí
Un libro técnico de 700 páginas	~250K	Sí, al borde del límite
Ejecución larga de agente, 40+ turnos de herramienta	~80–200K	Sí

El límite con el que hay que contar es la salida: 16,384 tokens como máximo por respuesta. Eso es un documento largo o un parche sustancial de varios archivos, pero no una base de código. Los trabajos de generación grandes se resuelven encadenando peticiones con la salida anterior de vuelta en el contexto —algo que la ventana de 262K abarata— y no pidiendo una única completación enorme.

08Precio, y dónde encaja V4-Pro en la gama

A $1.95 de entrada / $3.90 de salida por millón de tokens, V4-Pro es el nivel insignia de razonamiento: el modelo al que recurres cuando el problema es difícil. Cuando es simplemente grande, modelos más baratos sobre la misma ventana de 262K lo harán por una cuarta parte del precio.

Modelo sin censura	Entrada / 1M	Salida / 1M	Visión	Mejor para
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	No	Razonamiento difícil, código, agentes
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	No	Mismo linaje, alto volumen
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	No	Caballo de batalla de propósito general
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Sí	Agentes multimodales de gama alta
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Sí	La visión más barata

Siendo francos sobre la comparación que la gente hará de verdad: la propia API de DeepSeek es más barata que esta. El V4-Pro de primera parte cotiza en torno a $0.435 de entrada / $0.87 de salida, y su precio de entrada con acierto de caché es aún más bajo. Si el precio por token es tu único criterio y el comportamiento de moderación no afecta a tu trabajo, usa la API oficial; preferimos decírtelo a que lo descubras más tarde. El sobreprecio compra otro conjunto de propiedades: sin capa de rechazo y sin filtro de salida, un operador estadounidense bajo Shannon Lab LLC, un checkpoint fijado con fecha (0813) para que una actualización silenciosa aguas arriba nunca cambie tus salidas a mitad de proyecto, tres dialectos de API contra un mismo modelo, y la misma ventana de 262K y la misma superficie de parámetros en los doce modelos de la gama.

09Cómo llamarlo: tres dialectos, un modelo

Todos los modelos de la pasarela responden en los tres endpoints, con streaming en cada uno. No adoptas un SDK nuevo: cambias una URL base y un id de modelo.

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: dialecto de OpenAI; funciona con los SDK de OpenAI y con cualquier cosa construida sobre ellos.
• /v1/messages: dialecto de Anthropic, para bases de código ya escritas contra esa forma.
• /v1/responses: la interfaz de estilo Responses.

Soportado en este modelo: streaming, tool calling nativo, salida estructurada estricta con json_schema, response_format y reasoning_effort. La referencia completa de parámetros y un playground en vivo están en la documentación de la API.

10Límites honestos

Cuatro cosas que conviene saber antes de construir sobre él:

• Sin visión. Solo texto; no acepta imágenes de entrada en ningún endpoint. Si necesitas un modelo sin censura que vea, usa Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 o inkling.
• Techo de salida de 16,384 tokens. Con esfuerzo alto, los tokens de razonamiento cuentan contra él, así que una deliberación larga deja menos sitio para la respuesta. Encadena peticiones para los trabajos de generación grandes.
• 3 bits es una compresión real. Las puntuaciones de referencia describen la base, no esta compilación. Para el nivel de máxima fidelidad, los modelos W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) son los que menos cuantización llevan.
• Sin censura no es sin consecuencias. Que no haya capa de rechazo significa que la responsabilidad de lo que preguntas, y de lo que haces con la respuesta, recae en ti, bajo nuestros términos de servicio y la ley del lugar donde operes.

11Preguntas frecuentes

---

Fuentes: DeepSeek-AI — ficha del modelo DeepSeek-V4-Pro · Informe técnico de DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Informe técnico de DeepSeek-V3 · REAP the Experts (Cerebras Research) · Auditoría de censura de Promptfoo · Discovering Forbidden Topics in Language Models. Las cifras de benchmark las reporta DeepSeek-AI para la versión de referencia; la verificación independiente por terceros de la compilación comprimida está pendiente. Los precios son los de lista de Shannon AI a 5 de septiembre de 2026.