API بدون سانسور DeepSeek Flash

بیشتر تیم‌هایی که یک API مدل زبانی را ارزیابی می‌کنند، متغیر اشتباهی را بهینه می‌کنند. روی سخت‌ترین بیست پرامپتی که به ذهنشان می‌رسد بنچمارک می‌گیرند، برنده را انتخاب می‌کنند، و شش هفته بعد کشف می‌کنند که نود و پنج درصد ترافیکشان کارِ کوتاه، ساختاریافته و تکراری‌ای بوده که مدلی با یک‌چهارم قیمت دقیقاً به همان شکل از پسش برمی‌آمد. DeepSeek-V4-Flash برای همان نود و پنج درصد وجود دارد. این صفحه درباره این است که بدانید کِی در آن ناحیه‌اید — و کِی نیستید.

01واقعاً چه می‌گیرید

ویژگی	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
شناسه مدل	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
کانتکست / بیشینه خروجی	۲۶۲٬۱۴۴ توکن / ۱۶٬۳۸۴ توکن
قیمت هر 1M (ورودی / خروجی)	$0.50 / $2.00
استریمینگ · فراخوانی ابزار · استدلال	بله — هر سه گویش
خروجی ساختاریافته	json_schema و response_format
ورودی تصویر (بینایی)	خیر — فقط متن
لایه رد درخواست / فیلتر خروجی	ندارد
سرو‌شده روی	خوشه GPU خودِ Shannon

سه گویش API به همان وزن‌ها می‌رسند: /v1/chat/completions (به شکل OpenAI)، /v1/messages (به شکل Anthropic) و /v1/responses. استریمینگ روی هر سه کار می‌کند. مرجع کامل پارامترها در مستندات API است.

02از کجا می‌آید: تبار دیپ‌سیک

DeepSeek-AI پنج نسل مدل را صرف یک وسواس کرده است: بیرون کشیدن رفتار مرزی از مدلی که سرو کردنش ارزان باشد، نه صرفاً آموزشش. تقریباً هر تصمیم معماری در این خط به همین بازمی‌گردد، و مهم‌هایشان منتشر شده‌اند. سه‌تایشان توضیح می‌دهند وقتی این اندپوینت را می‌زنید چه چیزی را فرا می‌خوانید.

DeepSeekMoE — متخصص‌های ریزدانه به‌علاوه یک متخصص مشترک

یک لایه Mixture-of-Experts به‌جای یک شبکه پیش‌خور بزرگ، تعداد زیادی شبکه کوچک‌تر و یک روتر می‌گذارد که به ازای هر توکن مشتی از آنها را انتخاب می‌کند. گونه دیپ‌سیک متخصص‌ها را ریزتر از چیدمان متعارف هشت‌متخصصی برش می‌زند، پس همان FLOPهای فعال‌شده ترکیبی به‌مراتب مشخص‌تر از نظر ترکیبیاتی می‌خرند، و یک متخصص مشترک را جدا می‌کند که هر توکن از آن عبور می‌کند، پس دانش عمومی به‌طور افزونه درون هر متخصص از نو یاد گرفته نمی‌شود. DeepSeek-V3 این را به‌صورت ۲۵۶ متخصص مسیریابی‌شده به‌علاوه ۱ متخصص مشترک، با فعال‌سازی ۸ متخصص مسیریابی‌شده به ازای هر توکن عرضه کرد — ۶۷۱ میلیارد پارامتر کل، ۳۷ میلیارد فعال — به‌همراه توازن بار بدون زیان کمکی: به‌جای یک جمله جریمه که کیفیت را افت می‌دهد، یک بایاس به ازای هر متخصص در هر گام امتیازهای مسیریابی را بالا یا پایین هل می‌دهد، بسته به اینکه آن متخصص کم‌بار یا پربار کار می‌کند.

MLA — توجهی که در حافظه جا می‌شود

نیمه دیگر مسئله هزینه سرویس‌دهی، کش KV است که به‌شکل خطی با کانتکست رشد می‌کند و در طول‌های بلند بر حافظه غلبه می‌کند. Multi-head Latent Attention، که در DeepSeek-V2 معرفی شد، کلیدها و مقادیر را به‌طور مشترک در یک بردار نهفته کم‌رتبه فشرده می‌کند و همان را کش می‌کند، و K/V قابل‌استفاده را در لحظه بازمی‌سازد. اعداد منتشرشده دیپ‌سیک برای V2، در برابر مدل چگال قبلی‌شان DeepSeek 67B، کاهش ۹۳٫۳ درصدی کش KV و توان عبوری بیشینه تولید ۵٫۷۶ برابر بالاتر را گزارش می‌کنند. به همین دلیل است که یک پنجره ۲۶۲ هزار توکنی در این خانواده حداقلِ انتظار است نه یک افزودنی لوکس.

توجه تُنُک — و سابقه‌ای برای توکن‌های ارزان

‏V3.2-Exp مکانیزم DeepSeek Sparse Attention را افزود: یک ایندکسر سبک توکن‌های کانتکست را در برابر پرس‌وجو امتیاز می‌دهد، و یک انتخاب‌گر تنها بالاترین امتیازها را نگه می‌دارد. بخش جالب ماجرا نه سازوکار، که رسیدِ آن است. دیپ‌سیک یک مقایسه شانه‌به‌شانه با V3.1-Terminus منتشر کرد که در آن MMLU-Pro دقیقاً برابر ۸۵٫۰ ماند، AIME 2025 بالا رفت (۸۸٫۴ ← ۸۹٫۳)، و SWE-bench Verified کمی پایین آمد (۶۸٫۴ ← ۶۷٫۸) — یعنی عملاً کیفیت مسطح — و همان روز قیمت‌های API خود را بیش از ۵۰٪ کاهش داد. معماری، که صادقانه گزارش شود، مستقیماً به قیمت تبدیل می‌شود. Flash همان استدلال است که یک گام جلوتر رفته.

نسل V4

‏V4، که در آوریل ۲۰۲۶ ذیل مجوز MIT پیش‌نمایش شد، پشته توجه را دوباره با ترکیبی از Compressed Sparse Attention و Heavily Compressed Attention جایگزین می‌کند، با بهینه‌ساز Muon روی بیش از ۳۲ تریلیون توکن آموزش می‌بیند، و هدف پیش‌بینی چندتوکنی V3 را نگه می‌دارد — که هم‌زمان نقش رمزگشایی گمانه‌زنانه را هم بازی می‌کند، و دیپ‌سیک نرخ پذیرش توکن دوم آن را در V3 ‏۸۵ تا ۹۰٪ برای تسریع رمزگشایی حدود ۱٫۸ برابر اندازه گرفت. چکیده V4 گزارش می‌کند که V4-Pro با ۲۷٪ از FLOPهای استنتاج تک‌توکنی V3.2 و ۱۰٪ از کش KV آن کار می‌کند. این خانواده سه سطح تلاش استدلال را در دسترس می‌گذارد، که پارامتر reasoning_effort ما دقیقاً به آن نگاشت می‌شود.

منابع: DeepSeek-V2 (‏arXiv 2405.04434) · DeepSeekMoE (‏arXiv 2401.06066) · گزارش فنی DeepSeek-V3 (‏arXiv 2412.19437) · کارت مدل DeepSeek-V3.2-Exp · DeepSeek-V4 (‏arXiv 2606.19348). همه اعداد از سوی دیپ‌سیک گزارش شده‌اند.

03«Flash» واقعاً یعنی چه

این همان نکته‌ای است که بیشتر مقایسه‌ها اشتباه می‌گیرند، پس ارزش دارد صاف گفته شود: Flash از دیپ‌سیک یک Pro کوانتیزه، هرس‌شده یا تقطیرشده نیست. یک مدل Mixture-of-Experts کوچک‌تر است که جداگانه و با پیش‌آموزش خودش آموزش دیده. مقاله پیش‌نمایش V4 دو اندازه را می‌دهد:

اعداد از مقاله پیش‌نمایش DeepSeek-V4. چک‌پوینت‌های رسمی‌ای که ما سرو می‌کنیم — V4-Flash-0731 و V4-Pro-0813 — روی کارت مدلشان مجموع‌های اندکی بزرگ‌تر یعنی ۳۰۴ میلیارد و ۱٫۷ تریلیون را فهرست می‌کنند؛ دیپ‌سیک پارامترهای فعال‌شده را برای آن بیلدها بازگو نمی‌کند.

دو عدد اینجا کار را می‌کنند. پارامترهای کل، ردّ حافظه را تعیین می‌کنند، که مشخص می‌کند یک نسخه از مدل چقدر سخت‌افزار اشغال می‌کند. پارامترهای فعال‌شده، حساب به ازای هر توکن را تعیین می‌کنند، که توان عبوری را مشخص می‌کند. Flash روی اولی حدود ۵٫۶ برابر و روی دومی حدود ۳٫۸ برابر کوچک‌تر است — و در همین فاصله ظرافتی هست که ارزش توجه دارد: Flash ‏۱۳ از ۲۸۴ میلیارد پارامتر را فعال می‌کند، یعنی حدود ۴٫۶٪، در حالی که Pro ‏۴۹ از ۱٬۶۰۰ میلیارد را فعال می‌کند، یعنی حدود ۳٫۱٪. Flash مدل کم‌تُنُک‌تر است. صرفاً یک Pro با متخصص‌های کمتر روشن نیست؛ یک طراحی چگال‌تر و با توازن متفاوت است که سهم بزرگ‌تری از خودش را روی هر توکنی که تولید می‌کند خرج می‌کند. این یک انتخاب مهندسی واقعی است، نه یک تنزل رتبه.

اعداد خودِ دیپ‌سیک چه می‌گویند

هر دو کارت مدل رسمی امتیازها را روی همان بنچمارک‌های عاملی و مهندسی نرم‌افزار منتشر می‌کنند، که این مقایسه را به‌طور غیرمعمولی تمیز می‌کند — همان آزمایشگاه، همان هارنس ارزیابی، دو اندازه:

بنچمارک (گزارش‌شده از سوی دیپ‌سیک)	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 در هر سطر برنده است. تیتر صادقانه همین است، و ترجیح می‌دهیم اینجا بخوانیدش تا اینکه در محیط عملیاتی کشفش کنید. اما حاشیه‌ها را بخوانید، چون آنچه واقعاً می‌خرید همان‌هاست. روی Terminal Bench 2.1 فاصله ۵٫۲ واحد است، آن هم روی مدلی با یک‌بیست‌وپنجمِ پارامترها؛ روی کاربرد ابزار ۳٫۸ واحد. فاصله جایی باز می‌شود که کار عمیق‌تر می‌شود — ۸٫۳ واحد روی DeepSWE و ۷٫۳ روی NL2Repo، که هر دو به استدلال کدنویسی چندمرحله‌ای و پیوسته پاداش می‌دهند. شکل این بده‌بستان در یک جدول همین است: Flash بیشتر فاصله را روی وظایف کران‌دار می‌بندد و روی وظایف بازپایان زمین واگذار می‌کند.

کارت خودِ Flash از دیپ‌سیک این نکته را تیزتر هم بیان می‌کند: Flash-0731 روی بنچمارک‌های فهرست‌شده از پیش‌نمایش V4-Pro بهتر عمل می‌کند، با وجود شمار پارامتر فعال به‌مراتب کمترش. اینکه یک مدل کوچکِ تازه‌تر از یک مدل بزرگِ قدیمی‌تر جلو بزند در این حوزه وضعیت عادی است، و همین دلیلی است که «رده بزرگ‌تر» هرگز نباید پاسخ پیش‌فرض شما باشد.

04خواندن پسوند: W4A16-AUTOROUND-REAP

شناسه‌های مدل ما طرح فشرده‌سازی‌شان را بلند اعلام می‌کنند، چون این همان چیزی است که بیشترین اثر را بر کیفیت خروجی دارد و تقریباً هیچ‌کس افشایش نمی‌کند. این یکی به سه ادعا تجزیه می‌شود.

W4A16 — وزن ۴ بیتی، فعال‌سازی ۱۶ بیتی

وزن‌ها هرکدام در ۴ بیت ذخیره می‌شوند؛ فعال‌سازی‌ها با دقت ۱۶ بیتی جریان می‌یابند. این کوانتیزاسیون فقط-وزن است، و گلوگاه واقعی تولید توکن را هدف می‌گیرد، که پهنای‌باند حافظه است نه حساب. کوانتیزه‌کردن فعال‌سازی‌ها هم کمی سرعت بیشتر می‌خرید و ریسک یک پرتگاه دقت به‌مراتب بزرگ‌تر را می‌آورد؛ رها کردنشان روی ۱۶ بیت انتخاب محافظه‌کارانه و پر‌وفادار است. این نماد، اختصار اکوسیستم سرویس‌دهی است — ادبیات کوانتیزاسیون همین را W4 با یک اندازه گروه می‌نویسد.

AUTOROUND — گِردکردن آموخته‌شده، نه گِردکردن به نزدیک‌ترین

کوانتیزاسیون ساده هر وزن را به نزدیک‌ترین مقدار قابل‌نمایش گِرد می‌کند. این به‌طور اثبات‌پذیری بهینه نیست: گِرد کردن یک وزن به سمت «اشتباه» می‌تواند خطایی را که همسایه‌هایش وارد کرده‌اند خنثی کند، و با میلیاردها وزن، همین تعامل‌ها غلبه دارند. AutoRound از اینتل، خودِ تصمیم گِردکردن را چیزی می‌بیند که باید آموخته شود — یک اختلال آموزش‌پذیر به ازای هر وزن که به ±۰٫۵ مقید شده، دقیقاً به‌اندازه‌ای که هر تصمیم گِردکردن تکی را برگرداند و نه بیشتر، به‌علاوه بازه‌های برش آموزش‌پذیر، که با گرادیان کاهشی علامت‌دار در برابر یک هدف بازسازی خروجی بلوک‌به‌بلوک روی یک مجموعه کالیبراسیون کوچک بهینه می‌شود. دویست گام، و تمام.

مقایسه‌های منتشرشده اینتل نشان می‌دهند AutoRound در تنظیمات فقط-وزن ۴ بیتی در ۳۰ سناریو از ۳۲ سناریوی آزموده‌شده از GPTQ، در ۲۷ از ۳۲ از AWQ و در ۲۹ از ۳۲ از OmniQuant پیشی می‌گیرد، با بهبود ۶٫۹ تا ۳۳٫۲ واحد دقت نسبت به گِردکردن ساده به نزدیک‌ترین در ۲ بیت. هیچ‌کدام از اینها در زمان استنتاج هزینه‌ای ندارد: صرفاً انتخاب بهتری از اعداد است، که یک بار و به‌صورت آفلاین انجام شده.

REAP — حذف متخصص‌هایی که کسی به آنها مسیریابی نمی‌کند

REAP (‏Router-weighted Expert Activation Pruning)، از Cerebras Systems و دانشگاه کلگری، فشرده‌سازی تک‌مرحله‌ای برای مدل‌های MoE است. به هر متخصص بر پایه اینکه روتر چقدر قوی و چقدر مکرر به آن گیت می‌کند امتیاز می‌دهد، ضربدر بزرگی خروجی همان متخصص، و بعد کم‌برجسته‌ترین متخصص‌ها را یکسره حذف می‌کند — بدون هیچ بازآموزی پس از آن.

یافته مرکزی آن مقاله همان یافته مفید است: در نسبت‌های فشرده‌سازی بالا، هرس متخصص‌ها بر ادغامشان می‌چربد. ادغام متخصص‌هایی که کارکردشان متمایز است چیزی را پدید می‌آورد که نویسندگان آن را فروپاشی زیرفضای کارکردی می‌نامند — روتر همان کنترل ریزدانه و وابسته به ورودی را که ساختن MoE را ارزشمند کرده بود از دست می‌دهد و ناچار می‌شود میان میانگین‌های ایستا فرمان بدهد. اعداد آنها در مدل‌هایی از ۲۰ میلیارد تا ۱ تریلیون پارامتر: با فشرده‌سازی ۲۵٪ متخصص روی وظایف کدنویسی، REAP ‏۲٫۸٪ میانگین دقت از دست می‌دهد در حالی که خطوط پایه مبتنی بر ادغام بیش از ۵٪ می‌بازند؛ در ۵۰٪، REAP ‏۸٫۰٪ می‌بازد در حالی که ادغام بیش از ۲۰٪. روی Qwen3-Coder-480B با هرس ۵۰٪ افت ۱٫۴٪ است، در برابر ۳۹٫۳٪ برای هرس ساده مبتنی بر بسامد. Cerebras چک‌پوینت‌های REAP را از جمله برای خط دیپ‌سیک منتشر کرده است.

چرا اینجا ۴ بیت و روی Pro ۳ بیت

هر دو رده باید روی همان رده سخت‌افزار جا بگیرند و سریع بمانند. Pro ‏۱٫۷ تریلیون پارامتر حمل می‌کند، پس برای اینکه اصلاً جا بگیرد به درمان تهاجمی‌تر سه بیتی نیاز دارد. Flash حدود ۳۰۰ میلیارد حمل می‌کند، پس نیاز ندارد — و بیتی که ذخیره می‌کند به‌جای جا شدن، خرج وفاداری می‌شود.

آن بیت اضافه بیش از آنچه حسابش نشان می‌دهد اهمیت دارد، چون آسیب کوانتیزاسیون خطی نیست. در اندازه‌گیری‌های WikiText-2 در مقاله AWQ، مدل Llama-2-7B از سرگشتگی ۵٫۴۷ در FP16 به ۵٫۶۰ در ۴ بیت می‌رود — جریمه ۲٫۴٪ — اما به ۶٫۲۴ در ۳ بیت، جریمه ۱۴٪. این تقریباً شش برابر افت در ازای ۲۵٪ فشرده‌سازی بیشتر است، و همین الگو در ۷۰ میلیارد هم برقرار است. مقاله GPTQ رک‌تر هم هست: در ۳ بیت، گِردکردن ساده به نزدیک‌ترین روی مدل‌های رده ۱۷۵ میلیارد فرو می‌پاشد و به سرگشتگی‌های هزارتایی می‌رسد، در حالی که در ۴ بیت کاملاً قابل‌استفاده می‌ماند. زیر چهار بیت، یک الگوریتم کوانتیزاسیون خوب دیگر یک ظرافت نیست و تنها چیزی می‌شود که مدل را سر پا نگه داشته است.

پس خوانش صادقانه این دو پسوند چنین است: Flash به نسخه فشرده‌نشده خودش نزدیک‌تر است تا Pro به نسخه فشرده‌نشده خودش. Pro همچنان مدل قوی‌تر است — جدول بنچمارک بالا این را فیصله می‌دهد. صرفاً برای رسیدن به اینجا بیشتر واگذار کرده، و شما بابت این امتیاز پول می‌دهید.

منابع: AutoRound — «Optimize Weight Rounding via Signed Gradient Descent for the Quantization of LLMs» (‏arXiv 2309.05516)، اینتل، Findings of EMNLP 2024. REAP — «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression» (‏arXiv 2510.13999)، Cerebras Systems. اعداد سرگشتگی از AWQ (‏arXiv 2306.00978) و GPTQ (‏arXiv 2210.17323).

05Flash در برابر Pro روی اندپوینت

بخش 03 بنیان‌ها را پوشش داد. اینجا می‌بینید این دو رده به‌عنوان محصول روی گیت‌وی ما چه شکلی‌اند:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
کوانتیزاسیون	W4A16-AUTOROUND-REAP	3BIT-REAP
دقت وزن	۴ بیت، گِردکردن آموخته‌شده	۳ بیت
بنیان (کل / فعال)	~304B / 13B	~1.7T / 49B
ورودی به ازای هر 1M توکن	$0.50	$1.95
خروجی به ازای هر 1M توکن	$2.00	$3.90
کانتکست / بیشینه خروجی	262,144 / 16,384	262,144 / 16,384
ابزارها · خروجی ساختاریافته · استریمینگ	بله	بله
بینایی	خیر	خیر
لایه رد درخواست	ندارد	ندارد

توجه کنید چه چیزی تغییر نمی‌کند: کانتکست، سقف خروجی، فراخوانی ابزار، خروجی ساختاریافته و نبود لایه رد درخواست یکسان‌اند. تنها چیزهایی که جابه‌جا می‌شوند بنیان، کوانتیزاسیون و قیمت‌اند. همین باعث می‌شود جابه‌جایی میان این دو در کدتان یک تغییر تک‌رشته‌ای و در معماری‌تان یک تصمیم صرفاً اقتصادی باشد.

یک فراخوانی با بیشینه اندازه چقدر هزینه دارد

کل کانتکست ۲۶۲٬۱۴۴ توکنی را پر کنید و تمام خروجی ۱۶٬۳۸۴ توکنی را بگیرید:

با قیمت فهرست. Flash: ۰٫۱۳۱ دلار ورودی + ۰٫۰۳۳ دلار خروجی. Pro: ۰٫۵۱۱ + ۰٫۰۶۴. نسبت ۳٫۵۱ برابر. Flash کف ۰٫۵۰ / ۲٫۰۰ دلار را با MiniMax-M3، Laguna-S-2.1، MiMo-V2.5، MiMo-V2.5-Pro و Hy3 هم به اشتراک می‌گذارد — برای اینکه ببینید آنها در بینایی و خروجی ساختاریافته چه فرقی دارند به کاتالوگ کامل سر بزنید.

06حساب و کتاب حجم، مو به مو

«۳٫۹ برابر ارزان‌تر» فقط روی ورودی درست است. روی خروجی Flash ‏۱٫۹۵ برابر ارزان‌تر است. پس صرفه‌جویی واقعی شما به نسبت ورودی به خروجی‌تان بستگی دارد، و این پراکندگی آن‌قدر بزرگ هست که تصمیم‌های طراحی را عوض کند. چهار بارِ کاری واقع‌بینانه، هرکدام با ۱۰۰٬۰۰۰ درخواست:

بارِ کاری	ورودی / خروجی هر فراخوانی	Flash	Pro	صرفه‌جویی
دسته‌بندی تیکت	1,200 / 120	$84	$281	۳٫۳ برابر
پاسخ‌دهی به پرسش با RAG	8,000 / 600	$520	$1,794	۳٫۴ برابر
خلاصه سند بلند	60,000 / 1,500	$3,300	$12,285	۳٫۷ برابر
تولید داده مصنوعی	500 / 2,000	$425	$878	۲٫۱ برابر

الگو این است: هرچه کانتکست بیشتری هل بدهید و متن کمتری تولید کنید، Flash بیشتر برایتان صرفه‌جویی می‌کند. خط‌ لوله‌های بازیابی، غربال اسناد، تحلیل لاگ و رونوشت، و استخراج با کانتکست بلند نقطه شیرین ماجرا هستند — اینها به‌اندازه یک مرتبه بزرگی ورودی‌محورند، و ورودی همان‌جایی است که تخفیف ۳٫۹ برابری زندگی می‌کند. اگر در عوض بارِ کاری شما یک پرامپت کوتاه است که هزاران توکن نثر تولید می‌کند، فاصله به حدود ۲ برابر باریک می‌شود و استدلال قابلیتی به سود Pro به همان نسبت قوی‌تر می‌شود.

یک تکه حساب دیگر که ارزش درونی‌کردن دارد: با ۰٫۵۰ دلار به ازای هر میلیون توکن ورودی، پر کردن کل پنجره ۲۶۲٬۱۴۴ توکنی ۱۳٫۱ سنت هزینه دارد. با این قیمت، پرامپت‌نویسی با کانتکست بلند دیگر یک پرسش بودجه‌ای نیست، و این گاهی یعنی می‌توانید اصلاً از ساختن یک لایه بازیابی صرف‌نظر کنید و بگذارید پنجره کانتکست کار را انجام دهد — یک صرفه‌جویی مهندسی روی صرفه‌جویی توکنی.

07«بدون سانسور» اینجا دقیقاً یعنی چه

این واژه شل و ول به کار می‌رود، پس تعریف ما، بیان‌شده به‌عنوان یک ویژگی اندپوینت، این است: هیچ دسته‌بندی‌کننده رد درخواستی جلوی مدل نیست و هیچ فیلترینگ محتوایی روی خروجی‌اش اعمال نمی‌شود. هیچ‌چیز پرامپتی را رهگیری نمی‌کند تا یک ردّ آماده برگرداند؛ هیچ‌چیز تکمیل را بازرسی و سانسور نمی‌کند. برای کار عملیاتی پرحجم، پیامدهایش کم‌هیجان‌تر و مفیدتر از چیزی است که این واژه القا می‌کند:

• بدون مثبت کاذب روی ترافیک بی‌ضرر. اندپوینت‌های فیلترشده به‌طور روزمره خلاصه‌های پزشکی، گزارش‌های امنیتی، افشای حقوقی، داستان، مواد کاهش آسیب و حتی خودِ کار نظارت محتوا را رد می‌کنند — دقیقاً همان دسته‌هایی که یک کار دسته‌ای در آنها متنی را درباره یک موضوع حساس پردازش می‌کند نه اینکه چیز مضری تولید کند. در صد هزار درخواست، نرخ رد کاذب یک درصدی یعنی هزار سطر خراب.
• قراردادهای قطعی. پاسخ json_schema بخواهید و JSON مطابق اسکیما می‌گیرید، نه یک پاراگراف عذرخواهی جایی که باید یک شیء باشد. پارسر شما به شاخه رد درخواست نیازی ندارد، و منطق تلاش مجددتان لازم نیست یک شکست انتقال را از یک شکست سیاستی تشخیص دهد.
• سیاست مال شماست. بده‌بستان همین است. اگر محصول شما برای کاربران نهایی‌اش به حفاظ نیاز دارد، آنها را در لایه خودتان می‌سازید، جایی که کاربرانتان و حوزه قضایی‌تان را می‌شناسید، به‌جای آنکه حدس‌های یک ارائه‌دهنده درباره هر دو را به ارث ببرید. حساب کاربری شما همچنان تابع سیاست استفاده مسئولانه ماست.

بدون سانسور با ناهم‌راستا یا ناکارآمد یکی نیست. مدل همچنان از دستورها پیروی می‌کند و همچنان به یک پرامپت سیستمی احترام می‌گذارد. اگر می‌خواهید برای کاربران شما دسته‌های خاصی را رد کند، همان‌جا بگوییدش — آن دستور حالا مال شماست که بنویسیدش، نه مال ما که تحمیلش کنیم.

08قابلیت‌ها و محدودیت‌های صادقانه

دو قابلیت بیشترین وزن را برای کار حجیم حمل می‌کنند. خروجی سخت‌گیرانه json_schema یک تکمیل را بدون هیچ لایه پارس و بدون شاخه رد درخواست به یک سطر پایگاه‌داده تبدیل می‌کند. فراخوانی ابزار در هر سه گویش، Flash را موتوری معقول برای زیرگام‌های ارزان یک عامل می‌کند که برنامه‌ریز سطح‌بالایش روی مدلی قوی‌تر اجرا می‌شود. reasoning_effort را هم اضافه کنید که می‌گذارد توکن اضافی را فقط روی همان کسری از ترافیک که به آن نیاز دارد خرج کنید، و کانتکست ۲۶۲٬۱۴۴ توکنی که با Pro یکسان است — با انتخاب رده ارزان، کانتکست را واگذار نمی‌کنید، و این غیرمعمول است.

محدودیت‌ها هم به همان اندازه مشخص‌اند:

• بدون بینایی. Flash فقط متنی است و بخش‌های تصویری یک پیام را رد می‌کند. برای تصویر روی یک مدل بدون سانسور با همان کف ۰٫۵۰ / ۲٫۰۰ دلار، MiniMax-M3 و MiMo-V2.5 گزینه‌های دارای بینایی‌اند؛ Kimi-K2.6 و Kimi-K3 مدل‌های بینایی قوی‌تری بالای آن رده‌اند.
• سرِ نردبان نیست. اعداد خودِ دیپ‌سیک Pro را روی هر بنچمارک عاملی منتشرشده جلو می‌گذارند، و فاصله روی استدلال کدنویسی چندمرحله‌ای و پیوسته بیشترین است. جایی که یک پاسخ غلط بیش از هزار پاسخ ارزان هزینه دارد، آن ۱٫۴۵ دلار اضافه به ازای هر میلیون را روی DeepSeek-V4-Pro خرج کنید.
• ۱۶٬۳۸۴ توکن خروجی در هر درخواست. تولیدهای بلند باید در چند فراخوانی تکه‌تکه شوند. این همان سقف روی هر مدلی است که سرو می‌کنیم، و خیلی پیش از پنجره کانتکست به شما می‌خورد.

09فراخوانی‌اش

هر کلاینت سازگار با OpenAI را به گیت‌وی نشانه بروید و رشته مدل را عوض کنید. هیچ چیز دیگری در پشته شما لازم نیست جابه‌جا شود.

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
        }
      }
    }
  }'

همان شناسه مدل بدون تغییر روی /v1/messages و /v1/responses کار می‌کند، که سریع‌ترین راه برای A/B کردن یک مدل ارزان‌تر زیر یک یکپارچه‌سازی موجود بدون بازنویسی کلاینت شماست. پارامترها، شکل رویدادهای استریمینگ، اسکیماهای فراخوانی ابزار و محدودیت‌های نرخ در مرجع API مستند شده‌اند؛ هر مدل کاتالوگ در پژوهش Shannon فهرست شده است.

10پرسش‌های پرتکرار

---

منابع: DeepSeek-V2 (‏arXiv 2405.04434) · DeepSeekMoE (‏arXiv 2401.06066) · گزارش فنی DeepSeek-V3 (‏arXiv 2412.19437) · DeepSeek-V4 (‏arXiv 2606.19348) · کارت‌های مدل DeepSeek-V4-Flash-0731 و DeepSeek-V4-Pro-0813 · AutoRound (‏arXiv 2309.05516، اینتل) · REAP (‏arXiv 2510.13999، Cerebras Systems) · AWQ (‏arXiv 2306.00978) · GPTQ (‏arXiv 2210.17323). همه اعداد بنیان و بنچمارک همان‌گونه‌اند که نویسندگان مربوطه منتشر کرده‌اند؛ قیمت‌های Shannon AI و کانتکست سرو‌شده مقادیر فهرست خودِ ماست تا سپتامبر ۲۰۲۶.