Sensuroimaton DeepSeek Flash -API

Useimmat LLM-API:a arvioivat tiimit optimoivat väärää muuttujaa. He vertailevat kahdellakymmenellä vaikeimmalla kehotteella jonka keksivät, valitsevat voittajan ja huomaavat kuusi viikkoa myöhemmin, että yhdeksänkymmentäviisi prosenttia liikenteestä on lyhyttä, rakenteista ja toistuvaa työtä jonka neljäsosan hintainen malli olisi hoitanut identtisesti. DeepSeek-V4-Flash on olemassa tuota yhdeksääkymmentäviittä prosenttia varten. Tämä sivu kertoo miten tunnistat olevasi siinä — ja milloin et ole.

01Mitä oikeasti saat

Ominaisuus	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Mallitunnus	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Konteksti / enimmäistuloste	262 144 tokenia / 16 384 tokenia
Hinta per 1M (syöte / tuloste)	$0.50 / $2.00
Suoratoisto · työkalukutsut · päättely	Kyllä — kaikilla kolmella murteella
Rakenteinen tuloste	json_schema ja response_format
Kuvasyöte (näkö)	Ei — vain teksti
Kieltäytymiskerros / tulosteen suodatin	Ei ole
Tarjotaan	Shannonin omalla GPU-klusterilla

Kolme API-murretta yltää samoihin painoihin: /v1/chat/completions (OpenAI-muotoinen), /v1/messages (Anthropic-muotoinen) ja /v1/responses. Suoratoisto toimii kaikilla kolmella. Täysi parametriviite on API-dokumentaatiossa.

02Mistä se tulee: DeepSeekin sukulinja

DeepSeek-AI on käyttänyt viisi mallisukupolvea yhteen pakkomielteeseen: saada huipputason käyttäytymistä mallista joka on halpa tarjota eikä vain halpa kouluttaa. Lähes jokainen arkkitehtoninen päätös linjassa juontuu siitä, ja tärkeimmät niistä on julkaistu. Kolme selittää mitä kutsut kun osut tähän päätepisteeseen.

DeepSeekMoE — hienojakoiset asiantuntijat plus yksi jaettu

Mixture-of-Experts-kerros korvaa yhden suuren eteenpäinsyöttöverkon monella pienemmällä ja reitittimellä joka valitsee kourallisen tokenia kohti. DeepSeekin muunnelma pilkkoo asiantuntijat hienommiksi kuin tavanomainen kahdeksan asiantuntijan asettelu, joten samat aktivoidut FLOPit ostavat paljon kombinatorisesti täsmällisemmän seoksen, ja se eristää jaetun asiantuntijan jonka läpi jokainen token kulkee, jolloin yleistietoa ei opita redundantisti uudelleen jokaisen erikoistujan sisällä. DeepSeek-V3 toimitti sen muodossa 256 reititettyä asiantuntijaa plus 1 jaettu asiantuntija, 8 reititettyä aktivoituna tokenia kohti — 671 miljardia parametria yhteensä, 37 miljardia aktiivista — sekä ilman apuhäviötä toimivan kuormantasauksen: laatua heikentävän rangaistustermin sijaan asiantuntijakohtainen bias nostaa tai laskee reitityspisteitä joka askeleella sen mukaan onko asiantuntija ali- vai ylikuormitettu.

MLA — huomio joka mahtuu muistiin

Tarjoamiskustannuksen ongelman toinen puolisko on KV-välimuisti, joka kasvaa lineaarisesti kontekstin mukana ja hallitsee muistia pitkillä sekvenssipituuksilla. Multi-head Latent Attention, esitelty DeepSeek-V2:ssa, tiivistää avaimet ja arvot yhdessä matala-asteiseksi latentiksi vektoriksi ja välimuistittaa sen, rakentaen käyttökelpoiset K/V:t uudelleen lennossa. DeepSeekin julkaisemat V2-luvut heidän aiempaan tiheään DeepSeek 67B:hen verrattuna raportoivat 93,3 %:n vähennyksen KV-välimuistissa ja 5,76× suuremman generoinnin enimmäisläpimenon. Siksi 262K tokenin ikkuna on tässä perheessä perusvaatimus eikä premium-lisä.

Harva huomio — ja ennakkotapaus halvoille tokeneille

V3.2-Exp lisäsi DeepSeek Sparse Attentionin: kevyt indeksoija pisteyttää kontekstitokenit kyselyä vasten, ja valitsija säilyttää vain parhaiten pisteytetyt. Kiinnostava osa on kuitti eikä mekanismi. DeepSeek julkaisi rinnakkaisvertailun V3.1-Terminusta vasten, jossa MMLU-Pro oli identtinen 85,0:ssä, AIME 2025 nousi (88,4 → 89,3) ja SWE-bench Verified laski marginaalisesti (68,4 → 67,8) — käytännössä tasainen laatu — ja he leikkasivat API-hintojaan yli 50 % samana päivänä. Arkkitehtuuri, rehellisesti raportoituna, muuttuu suoraan hinnaksi. Flash on tuo argumentti vietynä askeleen pidemmälle.

V4-sukupolvi

V4, esikatseltuna huhtikuussa 2026 MIT-lisenssillä, korvaa huomiopinon jälleen hybridillä joka yhdistää Compressed Sparse Attentionin ja Heavily Compressed Attentionin, kouluttaa Muon-optimoijalla yli 32 biljoonalla tokenilla ja säilyttää V3:n monen tokenin ennustustavoitteen — joka toimii myös spekulatiivisena dekoodauksena ja jonka DeepSeek mittasi 85–90 %:n toisen tokenin hyväksymisasteeksi, mikä antoi noin 1,8× dekoodausnopeutuksen V3:ssa. V4:n tiivistelmä raportoi V4-Pron ajavan 27 %:lla V3.2:n yhden tokenin päättely-FLOPeista ja 10 %:lla sen KV-välimuistista. Perhe tarjoaa kolme päättelyn panostustasoa, ja juuri niihin reasoning_effort-parametrimme kartoittuu.

Lähteet: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3:n tekninen raportti (arXiv 2412.19437) · DeepSeek-V3.2-Exp -mallikortti · DeepSeek-V4 (arXiv 2606.19348). Kaikki luvut ovat DeepSeekin raportoimia.

03Mitä ”Flash” oikeasti tarkoittaa

Tämän useimmat vertailut ymmärtävät väärin, joten se kannattaa sanoa suoraan: DeepSeekin Flash ei ole kvantisoitu, karsittu tai tislattu Pro. Se on erikseen koulutettu, pienempi Mixture-of-Experts-malli omalla esikoulutusajollaan. V4:n esikatseluartikkeli antaa kaksi kokoa:

Luvut DeepSeek-V4:n esikatseluartikkelista. Viralliset tarkistuspisteet joita tarjoamme — V4-Flash-0731 ja V4-Pro-0813 — ilmoittavat mallikorteissaan hieman suuremmat kokonaisluvut 304B ja 1,7T; DeepSeek ei ilmoita aktivoituja parametreja uudelleen noille buildeille.

Kaksi lukua tekee tässä työn. Kokonaisparametrit asettavat muistijalanjäljen, joka ratkaisee kuinka paljon laitteistoa yksi kopio mallista vie. Aktivoidut parametrit asettavat tokenikohtaisen aritmetiikan, joka ratkaisee läpimenon. Flash on karkeasti 5,6× pienempi ensimmäisessä ja 3,8× pienempi toisessa — ja tuossa erossa on huomionarvoinen vivahde: Flash aktivoi 13 miljardia 284 miljardista parametrista eli noin 4,6 %, kun Pro aktivoi 49 miljardia 1 600 miljardista eli noin 3,1 %. Flash on vähemmän harva malli. Se ei ole yksinkertaisesti Pro jossa on vähemmän asiantuntijoita päällä; se on tiheämpi, eri tavalla tasapainotettu suunnitelma joka käyttää suuremman osan itsestään jokaiseen tuottamaansa tokeniin. Se on aito insinööripäätös eikä alennus.

Mitä DeepSeekin omat luvut sanovat

Molemmat viralliset mallikortit julkaisevat pisteet samoissa agentti- ja ohjelmistotuotantovertailuissa, mikä tekee tästä epätavallisen puhtaan vertailun — sama laboratorio, sama arviointikehys, kaksi kokoa:

Vertailu (DeepSeekin raportoima)	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 voittaa jokaisen rivin. Se on rehellinen otsikko, ja luemme sen mieluummin sinulle tässä kuin että löytäisit sen tuotannosta. Mutta lue marginaalit, koska juuri niitä olet ostamassa. Terminal Bench 2.1:ssä ero on 5,2 pistettä mallilla jossa on kahdeskymmenesviidesosa parametreista; työkalukäytössä se on 3,8 pistettä. Ero levenee siellä missä työ syvenee — 8,3 pistettä DeepSWE:ssä ja 7,3 NL2Repossa, jotka molemmat palkitsevat pitkäkestoisesta monivaiheisesta koodipäättelystä. Siinä on vaihtokaupan muoto yhdessä taulukossa: Flash kuroo suurimman osan välimatkasta rajatuissa tehtävissä ja antaa periksi avoimissa.

DeepSeekin oma Flash-kortti terävöittää pointtia vielä lisää: Flash-0731 päihittää V4-Pron esikatselun listatuissa vertailuissa huomattavasti pienemmästä aktivoitujen parametrien määrästä huolimatta. Uudempi pieni malli joka voittaa vanhemman suuren on tällä alalla normaali asiaintila, ja se on syy siihen ettei ”suurempi taso” saisi koskaan olla oletusvastauksesi.

04Päätteen lukeminen: W4A16-AUTOROUND-REAP

Mallitunnuksemme kertovat pakkausmenetelmänsä ääneen, koska se on asia joka vaikuttaa eniten tulosteen laatuun ja jota lähes kukaan ei paljasta. Tämä purkautuu kolmeen väitteeseen.

W4A16 — 4-bittiset painot, 16-bittiset aktivaatiot

Painot tallennetaan 4 bitillä kukin; aktivaatiot kulkevat 16-bittisellä tarkkuudella. Tämä on vain painojen kvantisointia, ja se kohdistuu tokenien generoinnin todelliseen pullonkaulaan, joka on muistikaista eikä aritmetiikka. Aktivaatioiden kvantisointi ostaisi hieman lisää nopeutta ja riskeeraisi paljon suuremman tarkkuusjyrkänteen; niiden jättäminen 16 bittiin on varovainen, korkean tarkkuuden valinta. Merkintätapa on tarjoamisekosysteemin lyhennemerkintä — kvantisointikirjallisuus kirjoittaa saman asian muodossa W4 ja ryhmäkoko.

AUTOROUND — opittu pyöristys, ei lähimpään pyöristys

Naiivi kvantisointi pyöristää jokaisen painon lähimpään esitettävissä olevaan arvoon. Se ei todistetusti ole optimaalista: yhden painon pyöristäminen ”väärään” suuntaan voi kumota naapureidensa tuoman virheen, ja miljardeilla painoilla nuo vuorovaikutukset hallitsevat. AutoRound Inteliltä käsittelee itse pyöristyspäätöstä opittavana asiana — koulutettava painokohtainen häiriö rajattuna välille ±0,5, juuri sen verran että mikä tahansa yksittäinen pyöristyspäätös voi kääntyä eikä yhtään enempää, plus opittavat leikkausalueet, optimoituna merkkiperustaisella gradienttilaskeutumisella lohkoittaista tulosteen rekonstruointitavoitetta vasten pienellä kalibrointijoukolla. Kaksisataa askelta, sitten valmis.

Intelin julkaisemissa vertailuissa AutoRound päihittää GPTQ:n 30 tapauksessa 32:sta, AWQ:n 27:ssä 32:sta ja OmniQuantin 29:ssä 32:sta 4-bittisillä vain painojen asetuksilla, ja voitto naiiviin lähimpään pyöristykseen nähden on 6,9–33,2 tarkkuuspistettä 2 bitillä. Mikään siitä ei maksa mitään päättelyhetkellä: se on parempi lukujen valinta, tehtynä kerran, etukäteen.

REAP — pudotetaan asiantuntijat joihin kukaan ei reititä

REAP (Router-weighted Expert Activation Pruning) Cerebras Systemsiltä ja Calgaryn yliopistolta on kertaluonteinen pakkaus MoE-malleille. Se pisteyttää jokaisen asiantuntijan sen mukaan kuinka voimakkaasti ja kuinka usein reititin portittaa siihen, kerrottuna kyseisen asiantuntijan tulosteen suuruudella, ja poistaa sitten vähiten merkitykselliset asiantuntijat kokonaan — ilman uudelleenkoulutusta jälkikäteen.

Artikkelin keskeinen löydös on se hyödyllinen: korkeilla pakkaussuhteilla asiantuntijoiden karsiminen voittaa niiden yhdistämisen. Toiminnallisesti erilaisten asiantuntijoiden yhdistäminen aiheuttaa sen mitä tekijät kutsuvat toiminnallisen aliavaruuden romahdukseksi — reititin menettää hienojakoisen, syötteestä riippuvan hallinnan joka teki MoE:sta rakentamisen arvoisen, ja jää ohjaamaan staattisten keskiarvojen välillä. Heidän lukunsa 20 miljardin ja biljoonan parametrin välisille malleille: 25 %:n asiantuntijapakkauksella koodaustehtävissä REAP menettää 2,8 % keskimääräistä tarkkuutta siinä missä yhdistämisen vertailukohdat menettävät yli 5 %; 50 %:lla REAP menettää 8,0 % siinä missä yhdistäminen menettää yli 20 %. Qwen3-Coder-480B:llä 50 %:n karsinnalla pudotus on 1,4 % naiivin taajuuspohjaisen karsinnan 39,3 % vastaan. Cerebras on julkaissut REAP-tarkistuspisteitä muun muassa DeepSeek-linjalle.

Miksi 4 bittiä tässä ja 3 bittiä Prossa

Molempien tasojen on mahduttava ja pysyttävä nopeina samassa laiteluokassa. Pro kantaa 1,7 biljoonaa parametria, joten se tarvitsee aggressiivisemman 3-bittisen käsittelyn mahtuakseen ollenkaan. Flash kantaa noin 300 miljardia, joten se ei tarvitse — ja säästämänsä bitin se käyttää tarkkuuteen eikä mahtumiseen.

Tuo ylimääräinen bitti merkitsee enemmän kuin sen aritmetiikka antaa ymmärtää, koska kvantisointivaurio ei ole lineaarista. AWQ-artikkelin WikiText-2-mittauksissa Llama-2-7B siirtyy 5,47 perpleksiteetistä FP16:lla lukemaan 5,60 4 bitillä — 2,4 %:n rangaistus — mutta lukemaan 6,24 3 bitillä, mikä on 14 %:n rangaistus. Se on karkeasti kuusinkertainen heikkeneminen 25 % suuremmasta pakkauksesta, ja sama kaava pätee 70 miljardissa. GPTQ-artikkeli on vielä suorasukaisempi: 3 bitillä naiivi lähimpään pyöristys romahtaa 175 miljardin luokan malleilla tuhansien perpleksiteettiin, kun se 4 bitillä pysyy täysin käyttökelpoisena. Alle neljän bitin hyvä kvantisointialgoritmi lakkaa olemasta mukavuus ja muuttuu ainoaksi asiaksi joka pitää mallin koossa.

Näiden kahden päätteen rehellinen luenta on siis: Flash on lähempänä omaa pakkaamatonta itseään kuin Pro on omaansa. Pro on yhä vahvempi malli — yllä oleva vertailutaulukko ratkaisee sen. Se vain luopui enemmästä päästäkseen tänne, ja siitä etuoikeudesta maksat.

Lähteet: 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. Perpleksiteettiluvut lähteistä AWQ (arXiv 2306.00978) ja GPTQ (arXiv 2210.17323).

05Flash vastaan Pro päätepisteessä

Osio 03 käsitteli perustat. Tässä on miltä nämä kaksi tasoa näyttävät tuotteina yhdyskäytävässämme:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantisointi	W4A16-AUTOROUND-REAP	3BIT-REAP
Painojen tarkkuus	4-bittinen, opittu pyöristys	3-bittinen
Perusta (yhteensä / aktiivisia)	~304B / 13B	~1.7T / 49B
Syöte per 1M tokenia	$0.50	$1.95
Tuloste per 1M tokenia	$2.00	$3.90
Konteksti / enimmäistuloste	262 144 / 16 384	262 144 / 16 384
Työkalut · rakenteinen tuloste · suoratoisto	Kyllä	Kyllä
Näkö	Ei	Ei
Kieltäytymiskerros	Ei ole	Ei ole

Huomaa mikä ei muutu: konteksti, tulosteen katto, työkalukutsut, rakenteinen tuloste ja kieltäytymiskerroksen puuttuminen ovat identtiset. Ainoat asiat jotka liikkuvat ovat perusta, kvantisointi ja hinta. Se tekee niiden välillä vaihtamisesta yhden merkkijonon muutoksen koodissasi ja puhtaasti taloudellisen päätöksen arkkitehtuurissasi.

Mitä yksi enimmäiskokoinen kutsu maksaa

Täytä koko 262 144 tokenin konteksti ja ota täysi 16 384 tokenin tuloste:

Listahintaan. Flash: $0.131 syöte + $0.033 tuloste. Pro: $0.511 + $0.064. Suhde 3,51×. Flash jakaa myös $0.50 / $2.00 -lattian mallien MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro ja Hy3 kanssa — katso koko luettelo nähdäksesi miten ne eroavat näön ja rakenteisen tulosteen osalta.

06Volyymilaskenta auki purettuna

”3,9× halvempi” pätee vain syötteeseen. Tulosteessa Flash on 1,95× halvempi. Todellinen säästösi riippuu siis syöte-tuloste-suhteestasi, ja hajonta on riittävän leveä muuttaakseen suunnittelupäätöksiä. Neljä realistista kuormaa, kukin 100 000 pyynnöllä:

Kuorma	Sisään / ulos per kutsu	Flash	Pro	Säästö
Tikettien luokittelu	1,200 / 120	$84	$281	3.3×
RAG-kysymyksiin vastaaminen	8,000 / 600	$520	$1,794	3.4×
Pitkän dokumentin tiivistelmä	60,000 / 1,500	$3,300	$12,285	3.7×
Synteettisen datan generointi	500 / 2,000	$425	$878	2.1×

Kaava: mitä enemmän kontekstia työnnät ja mitä vähemmän tekstiä generoit, sitä enemmän Flash säästää sinulle. Hakuputket, dokumenttien lajittelu, loki- ja litterointianalyysi sekä pitkän kontekstin poiminta ovat makea piste — ne ovat kertaluokkaa syötepainotteisia, ja syötteessä 3,9-kertainen alennus asuu. Jos kuormasi sen sijaan on lyhyt kehote joka tuottaa tuhansia tokeneita proosaa, ero kapenee noin kaksinkertaiseksi ja kyvykkyysargumentti Pron puolesta vahvistuu vastaavasti.

Vielä yksi laskutoimitus joka kannattaa sisäistää: hintaan $0.50 miljoonalta syötetokenilta koko 262 144 tokenin ikkunan täyttäminen maksaa 13,1 senttiä. Pitkän kontekstin kehottaminen lakkaa olemasta budjettikysymys tuolla hinnalla, mikä joskus tarkoittaa että voit jättää hakukerroksen kokonaan rakentamatta ja antaa konteksti-ikkunan tehdä työn — insinöörisäästö tokenisäästön päälle.

07Mitä ”sensuroimaton” tarkoittaa täällä, täsmällisesti

Sanaa käytetään löyhästi, joten tässä on määritelmämme päätepisteen ominaisuutena esitettynä: mallin edessä ei ole kieltäytymisluokittelijaa eikä sen tulosteeseen sovelleta sisällönsuodatusta. Mikään ei sieppaa kehotetta ja palauta purkitettua kieltäytymistä; mikään ei tarkasta täydennystä ja sensuroi sitä. Suurivolyymisessä tuotantotyössä seuraukset ovat vähemmän dramaattisia ja hyödyllisempiä kuin sana antaa ymmärtää:

• Ei vääriä positiivisia harmittomassa liikenteessä. Suodatetut päätepisteet kieltäytyvät rutiininomaisesti lääketieteellisistä tiivistelmistä, tietoturvaraporteista, oikeudellisesta aineiston luovutuksesta, fiktiosta, haittojen vähentämisen materiaalista ja itse moderointityöstä — juuri niistä luokista joissa eräajo käsittelee tekstiä arkaluonteisesta aiheesta tuottamatta mitään haitallista. Sadassatuhannessa pyynnössä yhden prosentin väärä kieltäytymisaste on tuhat rikkinäistä riviä.
• Deterministiset sopimukset. Pyydä json_schema-vastausta ja saat skeeman mukaista JSONia etkä anteeksipyyntökappaletta siihen mihin olio kuuluisi. Jäsentimesi ei tarvitse kieltäytymishaaraa, eikä uudelleenyrityslogiikkasi tarvitse erottaa siirtovirhettä käytäntövirheestä.
• Sinä omistat käytännön. Se on vaihtokauppa. Jos tuotteesi tarvitsee suojakaiteita loppukäyttäjillesi, rakennat ne omalla kerroksellasi, jossa tunnet käyttäjäsi ja lainkäyttöalueesi, sen sijaan että perisit palveluntarjoajan arvaukset molemmista. Tiliäsi ohjaa yhä vastuullisen käytön käytäntömme.

Sensuroimaton ei ole sama kuin linjaamaton tai avuton. Malli noudattaa yhä ohjeita ja kunnioittaa yhä järjestelmäkehotetta. Jos haluat sen kieltäytyvän tietyistä luokista sinun käyttäjillesi, sano se siellä — tuo ohje on nyt sinun kirjoitettavasi eikä meidän määrättävämme.

08Kyvykkyydet ja rehelliset rajat

Kaksi kyvykkyyttä kantaa suurimman osan painosta volyymityössä. Tiukka json_schema-tuloste muuttaa täydennyksen tietokantariviksi ilman jäsennyskerrosta ja ilman kieltäytymishaaraa. Työkalukutsut kaikilla kolmella murteella tekevät Flashista järkevän moottorin agentin halpoihin osavaiheisiin silloin kun ylätason suunnittelija ajaa vahvemmalla mallilla. Lisää mukaan reasoning_effort, jonka avulla käytät ylimääräisiä tokeneita vain siihen osaan liikenteestä joka niitä tarvitsee, sekä 262 144 tokenin konteksti joka on identtinen Pron kanssa — et luovu kontekstista valitsemalla halvan tason, mikä on epätavallista.

Rajat ovat yhtä konkreettiset:

• Ei näköä. Flash on vain tekstille ja hylkää kuvaosat viestissä. Kuviin sensuroimattomalla mallilla samalla $0.50 / $2.00 -lattialla MiniMax-M3 ja MiMo-V2.5 ovat näkökykyiset vaihtoehdot; Kimi-K2.6 ja Kimi-K3 ovat vahvempia näkömalleja tuon tason yläpuolella.
• Ei tikapuiden huippu. DeepSeekin omat luvut asettavat Pron edelle jokaisessa julkaistussa agenttivertailussa, ja ero on suurimmillaan pitkäkestoisessa monivaiheisessa koodipäättelyssä. Kun yksi väärä vastaus maksaa enemmän kuin tuhat halpaa, käytä ylimääräiset $1.45 miljoonalta malliin DeepSeek-V4-Pro.
• 16 384 tulostetokenia pyyntöä kohti. Pitkät generoinnit on paloiteltava useaan kutsuun. Tämä on sama katto jokaisessa tarjoamassamme mallissa, ja se sitoo selvästi ennen konteksti-ikkunaa.

09Kutsuminen

Osoita mikä tahansa OpenAI-yhteensopiva asiakas yhdyskäytävään ja vaihda mallimerkkijono. Mikään muu pinossasi ei tarvitse liikkua.

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
        }
      }
    }
  }'

Sama mallitunnus toimii muuttumattomana päätepisteissä /v1/messages ja /v1/responses, mikä on nopein tapa A/B-testata halvempaa mallia olemassa olevan integraation alla kirjoittamatta asiakastasi uusiksi. Parametrit, suoratoistotapahtumien muodot, työkalukutsuskeemat ja käyttörajat on dokumentoitu API-viitteessä; jokainen luettelon malli on listattu osiossa Shannon Research.

10Usein kysytyt kysymykset

---

Lähteet: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3:n tekninen raportti (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · DeepSeek-V4-Flash-0731:n ja DeepSeek-V4-Pro-0813:n mallikortit · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Kaikki perusta- ja vertailuluvut ovat sellaisia kuin niiden tekijät ovat ne julkaisseet; Shannon AI:n hinnat ja tarjottu konteksti ovat omia listalukujamme syyskuun 2026 tilanteen mukaan.