Zentsurarik gabeko DeepSeek APIa
1.6 bilioi parametroko DeepSeek adituen nahasketa bat uko egiteko geruzarik gabe zerbitzatuta: 262K testuingurua, arrazoiketa-ahalegin natiboa, tresna-deiak eta hiru API dialekto gure GPU kluster propioan.
Laburpena
DeepSeek-V4-Pro-0813-3BIT-REAP da Shannon AI-ren zentsurarik gabeko sortako arrazoiketa- eta kode-eredu nagusia. Oinarria DeepSeek-AI-ren pisu irekiko V4-Pro da — guztira 1.6T parametro, 49B aktibatuta token bakoitzeko, MIT lizentziapean, milioi bat tokeneko testuingururako natiboki entrenatua. Gure GPU kluster propioan zerbitzatzen dugu 3 biteko pisuekin eta REAP adituen inausketarekin, 262,144 tokeneko leihoarekin, 16,384 tokeneko gehienezko irteerarekin, streamingarekin, tresna-dei natiboekin, json_schema irteera zorrotzarekin eta reasoning_effort kontrolagailu batekin. $1.95 sarrerako 1M-ko, $3.90 irteerako 1M-ko. Ikusmenik ez. Uko egiteko geruzarik ez, irteera-iragazkirik ez.
«Zentsurarik gabeko DeepSeek API» esaldira iristen den jendeak gauza zehatz bat nahi du: DeepSeek-en arrazoiketa- eta kodetze-gaitasuna duen eredu bat, benetan egin duen galderari erantzuten diona. Gaitasunaren erdia ondo dokumentatuta dago — DeepSeek-AI-k arkitektura eta zenbakiak argitaratu zituen, eta pisuak Hugging Face-n daude MIT lizentziapean. Bigarren erdia funtzionamendu-erabaki bat da, eta normalean zure ordez hartzen da. Orri honek biak jorratzen ditu: zer den V4-Pro oinarria, zer egiten dion gure 3BIT-REAP eraikuntzak, eta zehazki zer esan nahi dugun «zentsurarik gabekoa» esaten dugunean.
01Zer esan nahi duen benetan «zentsurarik gabeko DeepSeek API» esateak
Bi mekanismo desberdin sartzen dira hitz beraren azpian. Lehena pisuetan bertan errotutako lerrokatzea da — entrenamendu-ondorenean ikasitako uko egiteko jokabidea. Bigarrena zerbitzariaren aldeko moderazio-geruza bat da: sailkatzaile bereizi bat, zure prompta ereduak ikusi aurretik eta irteera zuk ikusi aurretik aztertzen duena, eta erantzun bat esaldi erdian eten dezakeena ereduak esan nahi zuenaz aparte.
Biak neurgarriak dira, eta DeepSeek-en lehen mailako zerbitzua neurtu egin da. Promptfoo-k politikoki sentikorrak diren 1,360 promptez osatutako multzo bat bildu zuen eta DeepSeek-en R1 ostatatuak haietako 1,156 ukatu edo desbideratu zituela jakinarazi zuen — % 85 gutxi gorabehera. Familia beraren gaineko lan akademikoak beste hutsegite-modu bat aurkitu zuen, egileek pentsamenduaren ezabapena deitu ziotena, non ereduaren arrazoiketa-aztarna hasi bezain laster amaitzen den gai sentikor batean. Information Sciences aldizkarian argitaratutako beste auditoretza batek maila semantikoko ezabapena dokumentatu zuen: ereduaren barne-arrazoiketan dagoen edukia isilean kentzen edo berridazten da erabiltzailera iritsi aurretik. Hori uko garbi bat baino arazo zailagoa da, erantzun moztu batek erantzun itxura duelako.
Guk exekutatzen duguna pisu irekiko argitalpena da, guk kudeatzen dugun hardwarean, Estatu Batuetan, Shannon Lab LLC-ren pean. Ez dago uko egiteko geruzarik ereduaren aurrean, ezta iragazkirik ere itzultzen denari aplikatuta: zure prompta ez da politikaren arabera sailkatzen zerbitzatu aurretik, eta irteera-korrontea ez da aztertzen bidean. Oinarria MIT lizentziapekoa eta publikoa denez, zeuk konpara ditzakezu gure irteerak erreferentziazko pisuen aurka, gure hitza sinetsi beharrean.
02Oinarria: DeepSeek-V4-Pro, 1.6T-ko MoE bat
DeepSeek-V4 da DeepSeek-AI-ren egungo pisu irekiko familia, 2026ko apirilean aurkeztua eta MIT lizentziapean bi tamainatan kaleratua: V4-Flash (guztira 284B, 13B aktibatuta) eta V4-Pro (guztira 1.6T, 49B aktibatuta). Artikulu hau Pro mailari buruzkoa da. Biak 33 bilioi token inguruarekin aurre-entrenatu ziren eta biek onartzen dute natiboki milioi bat tokeneko testuingurua.
Bakantasun-ratioa da erreparatu beharrekoa: parametroen % 3 inguru soilik pizten da token jakin batean, eta horrek egiten du hain eredu handi bat zerbitzagarri. MoE blokea bera DeepSeekMoE da oraindik — V2an sartutako aditu bideratu xeheak gehi beti piztuta dauden aditu partekatuak — V4ko aldaketa txikiekin, nabarmenena lehen geruzetako hash bidezko bideratzea. Multi-Token Prediction, V3ko helburu osagarria eta deskodetze espekulatiboa ahalbidetzen duena, aldatu gabe mantentzen da.
V4ko zati berriak estrukturalak dira. Manifold-Constrained Hyper-Connections (mHC) teknikak hondar-bide arrunta ordezkatzen du ikasitako nahaste-matrize batekin, Sinkhorn–Knopp proiekzio baten bidez matrize bikoitz estokastikoen barietatera mugatua — sarreraren arabera birpisatzen den hondar-korronte bat, pila oso sakonak hiltzen dituen zenbakizko desbideraketarik gabe. Entrenamendua AdamW-tik Muon-era pasa zen modulu gehienetarako, Newton–Schulz ortogonalizazioa erabiliz, eta AdamW enbeditzeetarako, iragarpen-buruetarako, normalizaziorako eta mHC parametro estatikoetarako soilik mantendu zen. Eta adituen pisuak FP4-n entrenatzen dira gainerako parametro gehienak FP8-n dauden bitartean — hasieratik kuantizazioaz jabetuta, eta horrek garrantzia du ereduak konpresio gehiago zeinen dotore jasaten duen ulertzeko.
03MLAtik CSA + HCArako: nola mantentzen duen DeepSeek-ek testuinguru luzea merke
DeepSeek-en hari nagusia lau belaunalditan zehar ez da tamaina, arretaren ekonomia baizik. Bertsio guztiek KV cachea eraso dute, testuinguruarekin linealki hazten dena eta luzera handietan memoria menderatzen duena.
- V2ak Multi-head Latent Attention (MLA) ekarri zuen — gakoen eta balioen maila baxuko konpresio bateratu bat vektore latente batean, hala sorkuntzak vektore hori gehi RoPE gako deskonektatu bat cacheatzen ditu, buru bakoitzeko K eta V osoak beharrean. DeepSeek-ek jakinarazi zuen KV cachea arreta multi-buru estandarraren % 4-14 ingurura jaisten zela, kalitatea mantenduz edo hobetuz.
- V3ak hori 671B-ra eskalatu zuen, eta MLA eredu irekietan testuinguru luze merkerako berezko suposizio bihurtu zuen.
- V3.2ak DeepSeek Sparse Attention (DSA) gehitu zuen, kontsulta bakoitzeko historiaren top-k azpimultzo bat hautatuz indexatzaile arin baten bidez, dena arretaz begiratu beharrean.
- V4ak hibridatu egiten du. Compressed Sparse Attention (CSA) teknikak m token bakoitzeko KV sarrerak sarrera bakar batean konprimitzen ditu lehenik ikasitako pisuekin, eta gero top-k hautaketa bakana exekutatzen du konprimitutako sarrera horien gainean. Heavily Compressed Attention (HCA) teknikak askoz agresiboago konprimitzen du baina emaitzaren gainean trinko mantentzen da. Bi geruza motak pilan zehar txandakatzen dira, hala laburpen global merkea eta berreskuratze lokal zehatza batera bizi dira.
Milioi bat tokeneko testuinguruan jakinarazitako etekina nabarmena da: V4-Pro-k V3.2ren token bakoitzeko inferentzia-FLOPen % 27 inguru eta KV cachearen % 10 behar ditu. Horregatik jokatzen du 262K-ko eskaera batek eskaera arrunt baten moduan eta ez memoria-gertaera baten moduan, eta horregatik eusten diote testuinguru luzeko berreskuratze-zenbakiek, hamarnaka milaka token pasatuta erori beharrean.
04Zer esan nahi duen 3BIT-REAP atzizkiak
Gure katalogoko identifikatzailea 3BIT-REAP atzizkiarekin amaitzen da, eta horrek ordenan aplikatutako bi konpresio-urrats independente deskribatzen ditu.
REAP: adituak inausi, ez bateratu
REAP Router-weighted Expert Activation Pruning da, Cerebras Research-ena — «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression», ICLR 2026n onartua. MoE bakan batean bideratzaileak ez ditu bere adituak modu berdinean erabiltzen: buztan luze bat gutxitan hautatzen da, ahul, edo biak. REAP-ek aditu bakoitza puntuatzen du router-atearen balioak (zenbat aldiz eta zeinen indartsu hautatzen den) eta adituaren aktibazio-normak (bere irteerak zenbat ekartzen duen) konbinatuz, eta gero galtzaileak zuzenean ezabatzen ditu.
Artikuluaren argudioa da inausteak bateratzea gainditzen duela: bateratzeak batez besteko bidez desegiten du MoEa eraikitzea merezi zuen espezializazio funtzionala, eta bideratzaileak ia iristen ez dituen adituak ezabatzeak, aldiz, gorde egiten du. 20B-tik 1T-rako ereduetan, REAP-ek bateratzea eta inausketa-metodo lehiakideak gainditu zituen sorkuntza-benchmarketan, eta egileek ia galerarik gabeko emaitzak jakinarazten dituzte kode-sorkuntzan eta tresna-deietan adituen % 50 inausita Qwen3-Coder-480B eta Kimi-K2 ereduetan — hain zuzen ere eredu hau hemen egoteko arrazoi den lan-profila.
3 biteko pisuak: oinarririk handienentzako konpresio-maila
Bizirik geratzen dena 3 biteko pisuetara kuantizatzen da gero. Hiru bit agresiboa da, eta ez dugu kontrakoa itxuratzen: sortan zehar W8A16 erabiltzen dugu oinarria estutzeko beharrik izateko adina txikia denean, W4A16-AUTOROUND-REAP erdian, eta 3BIT-REAP oinarri handienetan soilik, non eredua zerbitzatzearen eta ez zerbitzatzearen arteko aldea den.
Trukea argi esatea merezi du: 3 biteko 1.6T-ko MoE bat ez da bit mailan erreferentziazko argitalpenaren berdina, eta kalitate-kostu txiki bat erreala da. Horren truke lortzen duzuna da oinarri baten konprimitu gabeko sabaia, zehaztasun handiagoan eroso sartzen den ezeren gainetik dagoena — eta V4ko adituak hasieratik FP4-n entrenatu zirenez, eredua ezohiko ondo portatzen da pisuen konpresio gehiagorekin. Zehaztasunean ukitu arinagoa duen DeepSeek eraikuntza bat nahi baduzu, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP ereduak 4 biteko pisuak erabiltzen ditu 16 biteko aktibazioekin eta AutoRound-en ikasitako biribiltzearekin, 262K testuinguru berean $0.50 sarreran / $2.00 irteeran.
05Arrazoiketa, eta reasoning_effort kontrolagailua
V4ren entrenamendu-ondorenak domeinu-espezialistak bereiz entrenatzen ditu — matematika, kodetzea, agenteak, argibideak jarraitzea — SFTrekin eta ondoren GRPOrekin, DeepSeek-ek R1ekin aurkeztu zuen Group Relative Policy Optimization metodoa. Espezialista horiek gero eredu bakar batean bateratzen dira on-policy destilazioaren bidez alderantzizko KL helburu baten pean, hala kontrol-puntu bakar batek espezialista mailako jokabidea darama hainbat domeinutan aldi berean, guztietan kaskarra den orokorra izan beharrean.
Kaleratutako ereduak pentsamendu-modu mailakatuak eskaintzen ditu, eta ez etengailu bitar bat. Gure atebidean hori reasoning_effort parametro estandarra da, eredu honetako kontrolagailurik erabilgarriena:
- Low — ia zuzeneko erantzuna: sailkapena, erauzketa, birridazketa, ereduaren ezagutza ordaintzen ari zaren edozer, eta ez bere hausnarketa.
- Medium — lan-modu lehenetsia kodearen berrikuspenerako, arazketarako eta hainbat urratseko analisirako.
- High — hausnarketa luzea erantzun aurretik. Arazo zailak hor konpontzen dira, eta hor bizi da zure irteera-tokenen faktura, arrazoiketa-tokenak irteera gisa fakturatzen baitira.
Uko egiteko geruzarik ez dagoenez, arrazoiketa-aztarna ez da mozten gai sentikorretan — lehen mailako zerbitzuan dokumentatutako pentsamendua ezabatzeko ereduak ez du hemen gertatzeko mekanismorik.
06Kodea eta lan agentikoa: zer puntuatzen duen oinarriak
Hauek DeepSeek-AI-k berak V4-Pro argitalpenerako argitaratutako zenbakiak dira — ez gureak, eta ez gure eraikuntza kuantizatuan neurtuak. Erakusten ditugu oinarri hau aukeratzeko arrazoi zintzoa direlako, eta lehen eskukoak direla nabarmentzen dugu horren arabera pisa ditzazun.
Bik merezi dute iruzkina. SWE-bench Verified % 80.6an benetako biltegietako arazoak konpontzea da — ezezaguna den kode-base bat irakurtzea, akatsa kokatzea, eta proiektuaren beraren probak gainditzen dituen adabaki bat sortzea. MRCR milioi bat tokenean (83.5) hainbat txandatako koerreferentzia-berreskuratzea da luzera osoan, testuinguru luzearen aldarrikapena apaingarria ez dela esaten dizun zenbakia. DeepSeek-ek 3206ko Codeforces sailkapena ere jakinarazten du ereduarentzat, eta 62.0 CorpusQAn 1M testuinguruan.
Goiko zenbakiak DeepSeek-AI-k jakinarazitakoak dira DeepSeek-V4-Pro erreferentziazko argitalpenerako. Gure 3BIT-REAP eraikuntza pisu horien aldaera konprimitu bat da eta ez da modu independentean neurtu zeregin horietan; hartu erreferentziazko puntuazioak oinarriaren sabai gisa, eta ez amaierapuntu honen neurketa gisa.
07262K testuingurua: zer sartzen den benetan
Erreferentziazko eredua milioi bat tokenerako entrenatuta dago. Guk 262,144 zerbitzatzen ditugu — atebideko eredu guztiek partekatzen duten leihoa, hala eredua aldatzea lerro bakarreko aldaketa da eta ez da inoiz testuinguru-atzerapausoa. Praktikan 262K testuinguruak lan errealaren gehienean mugatzen duen puntutik haratago dago:
| Lan-karga | Token gutxi gorabehera | 262K-n sartzen da? |
|---|---|---|
| Tamaina ertaineko zerbitzu-biltegia (~50k lerro) | ~600K | Ez — hautatu moduluak |
| Azpisistema bakarra + bere probak | ~60–120K | Bai, eroso |
| Protokolo baten RFC multzo osoa | ~150K | Bai |
| 700 orrialdeko liburu tekniko bat | ~250K | Bai, mugatik hurbil |
| Agente-exekuzio luzea, 40+ tresna-txanda | ~80–200K | Bai |
Kontuan hartu beharreko muga irteera da: 16,384 token gehienez erantzun bakoitzeko. Hori dokumentu luze bat edo hainbat fitxategiko adabaki mardul bat da, baina ez kode-base bat. Sorkuntza-lan handiak eskaerak kateatuz egiten dira aurreko irteera testuingurura itzuliz — 262K leihoak merke egiten duena — eta ez osaketa erraldoi bakar bat eskatuz.
08Prezioa, eta non kokatzen den V4-Pro sortan
$1.95 sarreran / $3.90 irteeran milioi tokeneko, V4-Pro da arrazoiketa-maila nagusia — arazoa zaila denean hartzen duzun eredua. Handia besterik ez denean, 262K leiho bereko eredu merkeagoek prezioaren laurdenaren truke egingo dute.
| Zentsurarik gabeko eredua | Sarrera / 1M | Irteera / 1M | Ikusmena | Zertarako den onena |
|---|---|---|---|---|
| DeepSeek-V4-Pro · 3BIT-REAP | $1.95 | $3.90 | Ez | Arrazoiketa zaila, kodea, agenteak |
| DeepSeek-V4-Flash · W4A16 | $0.50 | $2.00 | Ez | Leinu bera, bolumen handia |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | Ez | Erabilera orokorreko zaldia |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Bai | Goi mailako agente multimodalak |
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Bai | Ikusmenik merkeena |
Jendeak benetan egingo duen konparaketaz zintzo izanik: DeepSeek-en API propioa hau baino merkeagoa da — lehen mailako V4-Pro-k $0.435 sarreran / $0.87 irteeran inguru zerrendatzen ditu, eta cachean asmatutako sarreraren prezioa are baxuagoa da. Token bakoitzeko prezioa zure irizpide bakarra bada eta moderazio-jokabideak zure lanari eragiten ez badio, erabili lehen mailako APIa; nahiago dugu hori esan, gero zeuk deskubritzen utzi baino. Gainprezioak beste propietate multzo bat erosten du: uko egiteko geruzarik eta irteera-iragazkirik ez, AEBetako operadore bat Shannon Lab LLC-ren pean, datadun kontrol-puntu finkatu bat (0813), hala goragoko eguneratze isil batek ez ditu inoiz zure irteerak aldatzen proiektuaren erdian, hiru API dialekto eredu bakar baten aurka, eta 262K leiho bera eta parametro-azalera bera sortako hamabi ereduetan.
09Nola deitu: hiru dialekto, eredu bat
Atebideko eredu bakoitzak hiru amaierapuntuetan erantzuten du, bakoitzean streamingarekin. Ez duzu SDK berri bat hartzen — oinarrizko URL bat eta ereduaren identifikatzaile bat aldatzen dituzu.
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— OpenAI dialektoa; OpenAI SDKekin eta haien gainean eraikitako edozerekin dabil./v1/messages— Anthropic dialektoa, forma horren aurka idatzita dauden kode-baseentzat./v1/responses— Responses estiloko interfazea.
Eredu honetan onartuta: streaminga, tresna-dei natiboak, json_schema egituratutako irteera zorrotza, response_format eta reasoning_effort. Parametroen erreferentzia osoa eta zuzeneko jolastoki bat APIaren dokumentazioan daude.
10Muga zintzoak
Lau gauza jakin behar dira honen gainean eraiki aurretik:
- Ikusmenik ez. Testua soilik; ez du irudi-sarrerarik onartuko inongo amaierapuntutan. Ikusten duen zentsurarik gabeko eredu bat behar baduzu, erabili Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 edo inkling.
- 16,384 tokeneko irteera-sabaia. Arrazoiketa-tokenak barruan sartzen dira ahalegin handian, beraz hausnarketa luze batek toki gutxiago uzten dio erantzunari. Kateatu eskaerak sorkuntza-lan handietarako.
- 3 bit konpresio erreala da. Erreferentziazko puntuazioek oinarria deskribatzen dute, ez eraikuntza hau. Fideltasun handieneko mailarako,
W8A16ereduek (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) daramate kuantizazio gutxien. - Zentsurarik gabekoa izateak ez du ondoriorik gabekoa esan nahi. Uko egiteko geruzarik ez egoteak esan nahi du eskatzen duzunaren eta erantzunarekin egiten duzunaren erantzukizuna zurea dela — gure zerbitzu-baldintzen eta jarduten duzun lekuko legearen pean.
Orri honetako arkitektura-baieztapen eta benchmark zenbaki bakoitza iturri primario publiko batetik dator. Irakur itzazu zeuk.
11Maiz egiten diren galderak
Zer da zentsurarik gabeko DeepSeek APIa?
DeepSeek-V4-Pro pisu irekiko eredua da, Shannon AI-ren GPU kluster propioan zerbitzatuta, aurrean uko egiteko geruzarik gabe eta itzultzen duenari iragazkirik aplikatu gabe. /v1/chat/completions, /v1/messages edo /v1/responses helbideetan deitzen duzu, 262,144 tokeneko testuinguru-leihoarekin, eta amaierapuntuak erantzun egiten du, moderatu beharrean.
Zertan bereizten da hau DeepSeek-en API ofizialetik?
Pisu ireki berberen leinua, baina operadore desberdina eta politika desberdina. DeepSeek-en lehen mailako zerbitzua merkeagoa da token bakoitzeko eta bere moderazioa exekutatzen du; Promptfoo-k eta talde akademikoek argitaratutako auditoretzek uko egitea eta ezabapen semantikoa dokumentatu zituzten han, politikoki sentikorrak diren promptetan. Shannon AI-k Estatu Batuetan exekutatzen ditu pisuak, uko egiteko geruzarik gabe, arrazoiketa-ahalegina eta tresna-deiak eskaintzen ditu hiru API dialektotan, eta datadun kontrol-puntu bat finkatzen du, irteerak azpitik alda ez daitezen.
Zer esan nahi du 3BIT-REAP-ek?
Bi konpresio-urrats. REAP Router-weighted Expert Activation Pruning da, Cerebras Research-en metodo bat, eta adituen nahasketako eredu batetik gutxitan eta ahul bideratzen diren adituak kentzen ditu, aditu bakoitza bere router-atearen balioen eta aktibazio-normen arabera puntuatuz. Bizirik geratzen dena 3 biteko pisuetara kuantizatzen da gero. Biek batera lortzen dute 1.6 bilioi parametroko oinarri bat gure GPU kluster propioan sartzea eta azkar mantentzea.
Zein handia da testuinguru-leihoa eta gehienezko irteera?
262,144 tokeneko testuingurua eta eskaera bakoitzeko 16,384 tokeneko irteera gehienez. Hori gutxi gorabehera 600 eta 800 orrialde arteko testua da sarreran, eta dokumentu tekniko luze bat edo hainbat fitxategiko adabaki handi bat irteeran. Lan luzeak eskaerak kateatuz egiten dira, eta ez irteeraren muga igoz.
Onartzen al ditu DeepSeek V4 Pro-k tresna-deiak eta JSON eskemako irteera?
Bai, biak. Tresna-dei natiboak, json_schema egituratutako irteera zorrotza eta response_format denak onartzen dira, streamingarekin eta reasoning_effort parametroarekin batera. Ez du irudi-sarrerarik onartzen; zentsurarik gabeko eredu batean ikusmena behar baduzu, erabili Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 edo inkling haren ordez.
Zenbat balio du zentsurarik gabeko DeepSeek APIak?
$1.95 milioi sarrera-tokeneko eta $3.90 milioi irteera-tokeneko. Zentsurarik gabeko sorta berean, DeepSeek-V4-Flash-ek $0.50 balio du sarreran eta $2.00 irteeran 262K testuinguru berarekin, eta GLM-5.2-k $0.73 sarreran eta $2.34 irteeran, beraz V4-Pro da arazoa handia izan beharrean zaila denean hartzen duzun maila.
Deitu DeepSeek V4 Pro-ri zentsurarik gabe
262K testuingurua, arrazoiketa-ahalegina, tresna-deiak. OpenAI, Anthropic eta Responses dialektoak gako bakar batekin.
Irakurri APIaren dokumentazioa Ereduen txartel guztiakShannon Lab LLC · New Mexico, AEB · ereduak gure GPU kluster propioan zerbitzatuta
Iturriak: DeepSeek-AI — DeepSeek-V4-Pro ereduaren txartela · DeepSeek-V4 txosten teknikoa (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · DeepSeek-V3 txosten teknikoa · REAP the Experts (Cerebras Research) · Promptfoo zentsura-auditoretza · Discovering Forbidden Topics in Language Models. Benchmark zenbakiak DeepSeek-AI-k jakinarazitakoak dira erreferentziazko argitalpenerako; eraikuntza konprimituaren hirugarrenen egiaztapen independentea egiteke dago. Prezioak Shannon AI-ren zerrenda-prezioak dira 2026ko irailaren 5ean.