API بدون سانسور DeepSeek

کسانی که با عبارت «API بدون سانسور DeepSeek» به اینجا می‌رسند یک چیز مشخص می‌خواهند: مدلی با توان استدلال و کدنویسی دیپ‌سیک که به همان پرسشی که واقعاً پرسیده‌اند پاسخ بدهد. نیمه مربوط به توانایی خوب مستند شده — DeepSeek-AI معماری و اعداد را منتشر کرده و وزن‌ها با مجوز MIT روی Hugging Face هستند. نیمه دوم یک تصمیم عملیاتی است و معمولاً به‌جای شما گرفته می‌شود. این صفحه هر دو را پوشش می‌دهد: بنیان V4-Pro چیست، بیلد 3BIT-REAP ما با آن چه می‌کند، و وقتی می‌گوییم «بدون سانسور» دقیقاً منظورمان چیست.

01«API بدون سانسور DeepSeek» در عمل یعنی چه

دو سازوکار متفاوت زیر یک کلمه ثبت می‌شوند. اولی هم‌راستاسازیِ پخته‌شده در وزن‌هاست — رفتار رد درخواست که در پس‌آموزش یاد گرفته شده. دومی یک لایه نظارت در سمت سرویس‌دهی است: دسته‌بندی جداگانه‌ای که پرامپت شما را پیش از آنکه مدل ببیند و خروجی را پیش از آنکه شما ببینید بازرسی می‌کند و می‌تواند پاسخ را وسط جمله قطع کند، فارغ از اینکه مدل می‌خواست چه بگوید.

هر دو قابل اندازه‌گیری‌اند، و سرویس دست‌اول DeepSeek اندازه‌گیری شده است. Promptfoo مجموعه‌ای از ۱٬۳۶۰ پرامپت با پرسش‌های حساس سیاسی گرد آورد و گزارش کرد که مدل میزبانی‌شده R1 دیپ‌سیک ۱٬۱۵۶ مورد از آنها را رد یا منحرف کرد — تقریباً ۸۵٪. کار دانشگاهی روی همین خانواده حالت شکست متمایزی یافت که نویسندگان آن را سرکوب اندیشه نامیدند، جایی که ردّ استدلال مدل تقریباً به‌محض شروع روی یک موضوع حساس خاتمه می‌یابد. ممیزی جداگانه‌ای که در Information Sciences منتشر شد سرکوب در سطح معنایی را مستند کرد: محتوایی که در استدلال درونی مدل حاضر است اما پیش از رسیدن به کاربر در سکوت حذف یا بازنویسی می‌شود. این مسئله سخت‌تری از یک رد صریح است، چون پاسخ بریده‌شده شبیه پاسخ به‌نظر می‌رسد.

آنچه ما اجرا می‌کنیم همان نسخه وزن‌باز است، روی سخت‌افزاری که خودمان می‌گردانیم، در ایالات متحده، ذیل Shannon Lab LLC. هیچ لایه رد درخواستی جلوی مدل و هیچ فیلتری روی آنچه برمی‌گردد وجود ندارد: پرامپت شما پیش از سرو شدن از نظر سیاستی دسته‌بندی نمی‌شود، و جریان خروجی در مسیر بیرون بازرسی نمی‌شود. چون بنیان با مجوز MIT و عمومی است، می‌توانید خودتان خروجی‌های ما را با وزن‌های مرجع مقایسه کنید، به‌جای اینکه حرف ما را بپذیرید.

02بنیان: DeepSeek-V4-Pro، یک MoE با ۱٫۶ تریلیون پارامتر

DeepSeek-V4 خانواده وزن‌باز فعلی DeepSeek-AI است که در آوریل ۲۰۲۶ پیش‌نمایش شد و با مجوز MIT در دو اندازه عرضه شد: V4-Flash (۲۸۴ میلیارد کل، ۱۳ میلیارد فعال) و V4-Pro (۱٫۶ تریلیون کل، ۴۹ میلیارد فعال). این مقاله درباره رده Pro است. هر دو روی تقریباً ۳۳ تریلیون توکن پیش‌آموزش دیده‌اند و هر دو به‌طور بومی از کانتکست یک‌میلیون توکنی پشتیبانی می‌کنند.

نسبت تُنُکی همان چیزی است که باید به آن توجه کرد: تنها حدود ۳٪ از پارامترها روی هر توکن مشخص شلیک می‌کنند، و همین است که سرو کردن مدلی به این بزرگی را اصلاً ممکن می‌کند. خودِ بلوک MoE همچنان DeepSeekMoE است — متخصص‌های مسیریابی‌شده ریزدانه به‌علاوه متخصص‌های مشترک همیشه‌روشن که در V2 معرفی شدند — با تغییرات جزئی در V4، که آشکارترینشان مسیریابی هشی در نخستین لایه‌هاست. Multi-Token Prediction، همان هدف کمکی V3 که رمزگشایی گمانه‌زنانه را هم ممکن می‌کند، بدون تغییر حفظ شده است.

قطعات تازه در V4 ساختاری‌اند. Manifold-Constrained Hyper-Connections (mHC) مسیر باقیمانده ساده را با یک ماتریس آمیزش آموخته‌شده جایگزین می‌کند که از طریق تصویر Sinkhorn–Knopp روی منیفلد ماتریس‌های دو‌سویه تصادفی مقید شده — جریان باقیمانده‌ای که به‌ازای هر ورودی بازوزن‌دهی می‌شود، بدون آن انحراف عددی که پشته‌های خیلی عمیق را از پا درمی‌آورد. آموزش برای بیشتر ماژول‌ها از AdamW به Muon منتقل شد، با استفاده از متعامدسازی Newton–Schulz، و AdamW فقط برای امبدینگ‌ها، سرهای پیش‌بینی، نرمال‌سازی و پارامترهای ایستای mHC نگه داشته شد. و وزن‌های متخصص‌ها در FP4 آموزش دیده‌اند در حالی که بیشتر پارامترهای دیگر در FP8 هستند — یعنی از همان ابتدا آگاه به کوانتیزاسیون، که برای اینکه مدل چقدر خوش‌رفتار فشرده‌سازی بیشتر را تحمل کند اهمیت دارد.

03از MLA تا CSA + HCA: دیپ‌سیک چگونه کانتکست بلند را ارزان نگه می‌دارد

خط ممتد دیپ‌سیک در چهار نسل، اندازه نیست؛ اقتصاد توجه است. هر نسخه به کش KV حمله کرده، که با کانتکست به‌شکل خطی رشد می‌کند و در طول‌های بلند بر حافظه غلبه می‌کند.

• V2 مکانیزم Multi-head Latent Attention (MLA) را معرفی کرد — یک فشرده‌سازی مشترک کم‌رتبه از کلیدها و مقادیر در یک بردار نهفته، تا تولید به‌جای K و V کاملِ هر سر، آن بردار به‌علاوه یک کلید RoPE جداشده را کش کند. دیپ‌سیک گزارش داد که کش KV به تقریباً ۴ تا ۱۴٪ توجه چندسری استاندارد کاهش یافته، در حالی که کیفیت حفظ یا بهتر شده است.
• V3 این را تا ۶۷۱ میلیارد مقیاس داد و MLA را به فرض پیش‌فرض برای کانتکست بلندِ ارزان در مدل‌های باز تبدیل کرد.
• V3.2 مکانیزم DeepSeek Sparse Attention (DSA) را افزود، که به‌جای توجه به همه چیز، از طریق یک ایندکسر سبک زیرمجموعه top-k از تاریخچه را برای هر پرس‌وجو انتخاب می‌کند.
• V4 ترکیب می‌کند. Compressed Sparse Attention (CSA) ابتدا ورودی‌های KV هر m توکن را با وزن‌های آموخته‌شده در یک ورودی فشرده می‌کند، سپس انتخاب تُنُک top-k را روی همان ورودی‌های فشرده اجرا می‌کند. Heavily Compressed Attention (HCA) بسیار تهاجمی‌تر فشرده می‌کند اما روی نتیجه چگال می‌ماند. این دو نوع لایه در سرتاسر پشته درهم‌بافته می‌شوند، پس خلاصه سراسری ارزان و بازیابی محلی دقیق کنار هم زندگی می‌کنند.

بازده گزارش‌شده در کانتکست یک‌میلیون توکنی چشمگیر است: V4-Pro به حدود ۲۷٪ از FLOPهای استنتاج به‌ازای هر توکن و ۱۰٪ از کش KV نسبت به V3.2 نیاز دارد. به همین دلیل است که یک درخواست ۲۶۲ هزار توکنی مثل درخواستی عادی رفتار می‌کند نه مثل یک رویداد حافظه‌ای، و به همین دلیل اعداد بازیابی در کانتکست بلند به‌جای فروریختن پس از چند ده هزار توکن، سرپا می‌مانند.

04پسوند 3BIT-REAP چه معنایی دارد

شناسه کاتالوگ ما به 3BIT-REAP ختم می‌شود، و این دو گام فشرده‌سازی مستقل را توصیف می‌کند که به‌ترتیب اعمال شده‌اند.

REAP: هرس کردن متخصص‌ها، نه ادغام کردنشان

REAP سرنام Router-weighted Expert Activation Pruning است، از Cerebras Research — «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression»، پذیرفته‌شده در ICLR 2026. در یک MoE تُنُک، روتر از متخصص‌هایش به‌طور یکنواخت استفاده نمی‌کند: یک دنباله بلند به‌ندرت، ضعیف، یا هر دو انتخاب می‌شوند. REAP به هر متخصص با ترکیب مقادیر گیت روتر (اینکه چقدر مکرر و چقدر قوی انتخاب می‌شود) و نُرم فعال‌سازی متخصص (اینکه خروجی‌اش چقدر سهم دارد) امتیاز می‌دهد، و بعد بازنده‌ها را یکسره حذف می‌کند.

استدلال مقاله این است که هرس بر ادغام می‌چربد: ادغام همان تخصص‌گرایی کارکردی را که ساختن MoE را ارزشمند کرده بود میانگین می‌گیرد و از بین می‌برد، در حالی که حذف متخصص‌هایی که روتر به‌زحمت به آنها می‌رسد آن را حفظ می‌کند. در مدل‌هایی از ۲۰ میلیارد تا ۱ تریلیون پارامتر، REAP در بنچمارک‌های مولد بر ادغام و روش‌های هرس رقیب برتری داشت، و نویسندگان نتایج تقریباً بدون افت در تولید کد و فراخوانی ابزار با ۵۰٪ هرس متخصص روی Qwen3-Coder-480B و Kimi-K2 گزارش می‌کنند — که دقیقاً همان نیم‌رخ بارِ کاری است که این مدل برایش اینجاست.

وزن‌های ۳ بیتی: رده فشرده‌سازی برای بزرگ‌ترین بنیان‌ها

آنچه باقی می‌ماند سپس به وزن‌های ۳ بیتی کوانتیزه می‌شود. سه بیت تهاجمی است و وانمود نمی‌کنیم که نیست: در سراسر مجموعه، جایی که بنیان آن‌قدر کوچک است که به این فشار نیاز ندارد از W8A16 استفاده می‌کنیم، در میانه از W4A16-AUTOROUND-REAP، و 3BIT-REAP را فقط روی بزرگ‌ترین بنیان‌ها به کار می‌بریم، جایی که همین تفاوتِ میان سرو کردن مدل و سرو نکردن آن است.

بده‌بستان ارزش صریح گفتن دارد: یک MoE سه‌بیتی ۱٫۶ تریلیونی از نظر بیتی با نسخه مرجع یکسان نیست، و هزینه کیفی کوچکی واقعاً وجود دارد. آنچه در ازایش می‌گیرید بنیانی است که سقف فشرده‌نشدهاش بسیار بالاتر از هر چیزی است که با دقت بالاتر راحت جا می‌شود — و چون متخصص‌های V4 از ابتدا در FP4 آموزش دیده‌اند، مدل زیر فشرده‌سازی بیشترِ وزن‌ها به‌طور غیرمعمولی خوش‌رفتار است. اگر بیلدی از دیپ‌سیک با دست سبک‌تر روی دقت می‌خواهید، DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP از وزن‌های ۴ بیتی با فعال‌سازی ۱۶ بیتی و گِردکردن آموخته‌شده AutoRound استفاده می‌کند، روی همان کانتکست ۲۶۲ هزار توکنی با ۰٫۵۰ دلار ورودی / ۲٫۰۰ دلار خروجی.

05استدلال، و درجه‌بند reasoning_effort

پس‌آموزش V4 متخصص‌های حوزه‌ای را جداگانه آموزش می‌دهد — ریاضی، کدنویسی، عامل‌ها، پیروی از دستور — با SFT و سپس GRPO، همان روش Group Relative Policy Optimization که دیپ‌سیک با R1 معرفی کرد. سپس این متخصص‌ها از طریق تقطیر on-policy زیر یک هدف KL معکوس در یک مدل واحد یکپارچه می‌شوند، پس یک چک‌پوینت واحد به‌جای اینکه یک همه‌فن‌حریفِ متوسط باشد، رفتاری در سطح متخصص را هم‌زمان در چند حوزه حمل می‌کند.

مدل منتشرشده به‌جای یک کلید دوحالته، حالت‌های اندیشیدن پلکانی را در دسترس می‌گذارد. روی گیت‌وی ما این همان پارامتر استاندارد reasoning_effort است، مفیدترین دستگیره این مدل:

• Low — پاسخ‌دهی تقریباً مستقیم: دسته‌بندی، استخراج، بازنویسی، و هر جایی که بابت دانش مدل پول می‌دهید نه بابت تأمل آن.
• Medium — حالت کاری پیش‌فرض برای بازبینی کد، اشکال‌زدایی و تحلیل چندمرحله‌ای.
• High — تأمل طولانی پیش از پاسخ. جایی که مسائل سخت حل می‌شوند، و جایی که صورت‌حساب توکن خروجی شما زندگی می‌کند، چون توکن‌های استدلال به‌عنوان خروجی محاسبه می‌شوند.

چون هیچ لایه رد درخواستی وجود ندارد، ردّ استدلال روی موضوعات حساس بریده نمی‌شود — الگوی سرکوب اندیشه که روی سرویس دست‌اول مستند شده اینجا هیچ سازوکاری برای رخ دادن ندارد.

06کد و کار عامل‌محور: بنیان چه امتیازی می‌گیرد

اینها اعداد منتشرشده خودِ DeepSeek-AI برای نسخه V4-Pro هستند — نه اعداد ما، و نه اندازه‌گیری‌شده روی بیلد کوانتیزه ما. آنها را نشان می‌دهیم چون دلیل صادقانه انتخاب این بنیان‌اند، و به‌عنوان دست‌اول علامت‌گذاری‌شان می‌کنیم تا بتوانید همان‌طور وزن‌شان بدهید.

دو مورد جای توضیح دارند. SWE-bench Verified با ۸۰٫۶٪ یعنی حل ایشوی مخزن واقعی — خواندن یک کدبیس ناآشنا، یافتن نقص، و تولید وصله‌ای که تست‌های خودِ پروژه را پاس کند. MRCR در یک میلیون توکن (۸۳٫۵) بازیابی هم‌مرجعی چندنوبتی در طول کامل است، همان عددی که به شما می‌گوید ادعای کانتکست بلند تزئینی نیست. دیپ‌سیک همچنین ریتینگ ۳۲۰۶ در Codeforces برای این مدل و ۶۲٫۰ در CorpusQA با کانتکست ۱M گزارش می‌کند.

اعداد بالا از سوی DeepSeek-AI برای نسخه مرجع DeepSeek-V4-Pro گزارش شده‌اند. بیلد 3BIT-REAP ما گونه‌ای فشرده از همان وزن‌هاست و به‌طور مستقل روی این وظایف بنچمارک نشده است؛ امتیازهای مرجع را سقف بنیان بدانید، نه اندازه‌گیری این اندپوینت.

07کانتکست ۲۶۲ هزار توکنی: واقعاً چه چیزی جا می‌شود

مدل مرجع برای یک میلیون توکن آموزش دیده است. ما ۲۶۲٬۱۴۴ را سرو می‌کنیم — همان پنجره‌ای که همه مدل‌های گیت‌وی به اشتراک می‌گذارند، پس عوض کردن مدل یک تغییر یک‌خطی است و هرگز پس‌رفت کانتکست نیست. در عمل ۲۶۲ هزار از نقطه‌ای که کانتکست برای بیشتر کارهای واقعی محدودکننده می‌شود گذشته است:

بارِ کاری	تقریب توکن	در ۲۶۲K جا می‌شود؟
مخزن سرویس متوسط (~۵۰ هزار خط)	~600K	نه — ماژول‌ها را انتخاب کنید
یک زیرسیستم تکی به‌علاوه تست‌هایش	~60–120K	بله، با آسودگی
مجموعه کامل RFCهای یک پروتکل	~150K	بله
یک کتاب فنی ۷۰۰ صفحه‌ای	~250K	بله، نزدیک مرز
اجرای طولانی عامل، بیش از ۴۰ نوبت ابزار	~80–200K	بله

محدودیتی که باید برایش برنامه بریزید خروجی است: بیشینه ۱۶٬۳۸۴ توکن در هر پاسخ. این یک سند بلند یا وصله‌ای چندفایلی و قابل‌توجه است، اما یک کدبیس نیست. کارهای تولید بزرگ با زنجیره کردن درخواست‌ها و برگرداندن خروجی قبلی به کانتکست انجام می‌شوند — که پنجره ۲۶۲ هزار توکنی ارزانش می‌کند — نه با درخواست یک تکمیل غول‌آسا.

08قیمت، و جایگاه V4-Pro در مجموعه

با ۱٫۹۵ دلار ورودی / ۳٫۹۰ دلار خروجی به ازای هر میلیون توکن، V4-Pro رده پرچم‌دار استدلال است — مدلی که وقتی مسئله سخت است سراغش می‌روید. وقتی مسئله فقط بزرگ است، مدل‌های ارزان‌تر روی همان پنجره ۲۶۲ هزار توکنی آن را با یک‌چهارم قیمت انجام می‌دهند.

مدل بدون سانسور	ورودی / 1M	خروجی / 1M	بینایی	بهترین برای
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	خیر	استدلال سخت، کد، عامل‌ها
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	خیر	همان تبار، حجم بالا
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	خیر	اسب بارکش همه‌منظوره
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	بله	عامل‌های چندوجهی رده‌بالا
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	بله	ارزان‌ترین بینایی

رک باشیم درباره مقایسه‌ای که مردم واقعاً خواهند کرد: API خودِ دیپ‌سیک از این ارزان‌تر است — V4-Pro دست‌اول حدود ۰٫۴۳۵ دلار ورودی / ۰٫۸۷ دلار خروجی فهرست شده، و قیمت ورودی در حالت اصابت کش هم پایین‌تر است. اگر قیمت هر توکن تنها معیار شماست و رفتار نظارتی روی کارتان اثر ندارد، از API دست‌اول استفاده کنید؛ ترجیح می‌دهیم همین را بگوییم تا اینکه بعداً خودتان بفهمید. این تفاوت قیمت مجموعه دیگری از ویژگی‌ها را می‌خرد: بدون لایه رد درخواست و بدون فیلتر خروجی، یک اپراتور آمریکایی ذیل Shannon Lab LLC، یک چک‌پوینت تاریخ‌دار پین‌شده (0813) تا ارتقای بی‌سروصدای بالادست هرگز وسط پروژه خروجی‌های شما را عوض نکند، سه گویش API در برابر یک مدل، و همان پنجره ۲۶۲ هزار توکنی و همان سطح پارامترها در هر دوازده مدل مجموعه.

09فراخوانی‌اش: سه گویش، یک مدل

هر مدل روی گیت‌وی روی هر سه اندپوینت پاسخ می‌دهد، با استریمینگ روی هرکدام. SDK جدیدی نمی‌پذیرید — فقط یک base URL و یک شناسه مدل را عوض می‌کنید.

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 — گویش OpenAI؛ با SDKهای OpenAI و هر چیزی که رویشان ساخته شده کار می‌کند.
• /v1/messages — گویش Anthropic، برای کدبیس‌هایی که از پیش با آن شکل نوشته شده‌اند.
• /v1/responses — رابط به سبک Responses.

پشتیبانی‌شده روی این مدل: استریمینگ، فراخوانی بومی ابزار، خروجی ساختاریافته سخت‌گیرانه json_schema، response_format، و reasoning_effort. مرجع کامل پارامترها و یک پلی‌گراند زنده در مستندات API هستند.

10محدودیت‌های صادقانه

چهار چیز که پیش از ساختن روی آن باید بدانید:

• بدون بینایی. فقط متن؛ روی هیچ اندپوینتی ورودی تصویری نمی‌پذیرد. اگر مدلی بدون سانسور می‌خواهید که ببیند، از Kimi-K3، Kimi-K2.6، MiniMax-M3، MiMo-V2.5 یا inkling استفاده کنید.
• سقف خروجی ۱۶٬۳۸۴ توکن. توکن‌های استدلال در تلاش بالا از همین سهم کم می‌کنند، پس تأمل طولانی جای کمتری برای پاسخ باقی می‌گذارد. برای کارهای تولید بزرگ درخواست‌ها را زنجیره کنید.
• سه بیت فشرده‌سازی واقعی است. امتیازهای مرجع بنیان را توصیف می‌کنند، نه این بیلد را. برای رده بالاترین وفاداری، مدل‌های W8A16 (MiMo-V2.5-Pro، MiMo-V2.5، Hy3) کمترین کوانتیزاسیون را دارند.
• بدون سانسور یعنی بدون پیامد نیست. نبود لایه رد درخواست یعنی مسئولیت آنچه می‌پرسید و آنچه با پاسخ می‌کنید بر عهده شماست — ذیل شرایط خدمات ما و قانون جایی که در آن فعالیت می‌کنید.

11پرسش‌های پرتکرار

---

منابع: DeepSeek-AI — کارت مدل DeepSeek-V4-Pro · گزارش فنی DeepSeek-V4 (مکانیزم‌های CSA/HCA، mHC، Muon) · DeepSeek-V2 (مکانیزم MLA، DeepSeekMoE) · گزارش فنی DeepSeek-V3 · REAP the Experts (پژوهش Cerebras) · ممیزی سانسور Promptfoo · Discovering Forbidden Topics in Language Models. اعداد بنچمارک از سوی DeepSeek-AI برای نسخه مرجع گزارش شده‌اند؛ راستی‌آزمایی مستقل شخص ثالث برای بیلد فشرده هنوز انجام نشده است. قیمت‌ها، قیمت‌های فهرست Shannon AI تا ۵ سپتامبر ۲۰۲۶ هستند.