API DeepSeek Flash sans censure

La plupart des équipes qui évaluent une API LLM optimisent la mauvaise variable. Elles font des tests sur les vingt prompts les plus difficiles qu'elles imaginent, désignent un vainqueur, et découvrent six semaines plus tard que quatre-vingt-quinze pour cent de leur trafic est fait de travail court, structuré et répétitif qu'un modèle quatre fois moins cher aurait traité à l'identique. DeepSeek-V4-Flash existe pour ces quatre-vingt-quinze pour cent. Cette page sert à savoir quand vous y êtes — et quand vous n'y êtes pas.

01Ce que vous obtenez réellement

Propriété	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Identifiant de modèle	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Contexte / sortie max	262,144 tokens / 16,384 tokens
Prix par 1M (entrée / sortie)	0,50 $ / 2,00 $
Streaming · appel d'outils · raisonnement	Oui — sur les trois dialectes
Sortie structurée	json_schema et response_format
Entrée image (vision)	Non — texte uniquement
Couche de refus / filtre de sortie	Aucun
Servi sur	Notre propre cluster GPU

Trois dialectes d'API atteignent les mêmes poids : /v1/chat/completions (forme OpenAI), /v1/messages (forme Anthropic) et /v1/responses. Le streaming fonctionne sur les trois. La référence complète des paramètres se trouve dans la documentation de l'API.

02D'où il vient : la lignée DeepSeek

DeepSeek-AI a consacré cinq générations de modèles à une seule obsession : obtenir un comportement de frontière d'un modèle bon marché à servir, et pas seulement bon marché à entraîner. Presque toutes les décisions architecturales de la lignée en découlent, et les plus importantes sont publiées. Trois d'entre elles expliquent ce que vous appelez lorsque vous frappez ce point de terminaison.

DeepSeekMoE — des experts à grain fin plus un expert partagé

Une couche à mélange d'experts remplace un grand réseau feed-forward par de nombreux plus petits et un routeur qui en sélectionne une poignée par token. La variante de DeepSeek découpe les experts plus finement que la disposition conventionnelle à huit experts, si bien que les mêmes FLOPs activés achètent un mélange combinatoirement bien plus spécifique, et elle isole un expert partagé par lequel passe chaque token, pour que les connaissances communes ne soient pas réapprises de façon redondante dans chaque spécialiste. DeepSeek-V3 a livré cela sous la forme de 256 experts routés plus 1 expert partagé, avec 8 experts routés activés par token — 671 milliards de paramètres au total, 37 milliards actifs — avec un équilibrage de charge sans perte auxiliaire : plutôt qu'un terme de pénalité qui dégrade la qualité, un biais par expert pousse les scores de routage vers le haut ou vers le bas à chaque étape selon que cet expert est sous-chargé ou surchargé.

MLA — une attention qui tient en mémoire

L'autre moitié du problème du coût de service, c'est le cache KV, qui croît linéairement avec le contexte et domine la mémoire aux grandes longueurs de séquence. La Multi-head Latent Attention, introduite dans DeepSeek-V2, compresse conjointement clés et valeurs en un vecteur latent de rang faible et met celui-ci en cache, reconstruisant à la volée des K/V exploitables. Les chiffres V2 publiés par DeepSeek, face à leur précédent DeepSeek 67B dense, font état d'une réduction de 93,3 % du cache KV et d'un débit de génération maximal 5,76× supérieur. C'est pourquoi une fenêtre de 262K tokens est un minimum dans cette famille plutôt qu'une option payante.

L'attention éparse — et le précédent des tokens bon marché

V3.2-Exp a ajouté la DeepSeek Sparse Attention : un indexeur léger note les tokens du contexte face à la requête, et un sélecteur ne garde que les mieux notés. Le plus intéressant, c'est le reçu, pas le mécanisme. DeepSeek a publié une comparaison côte à côte avec V3.1-Terminus, MMLU-Pro identique à 85,0, AIME 2025 en hausse (88,4 → 89,3), SWE-bench Verified en léger recul (68,4 → 67,8) — une qualité pour ainsi dire stable — et a baissé les prix de son API de plus de 50 % le jour même. De l'architecture, honnêtement rapportée, qui se convertit directement en prix. Flash est cet argument poussé d'un cran de plus.

La génération V4

V4, présentée en avril 2026 sous licence MIT, remplace à nouveau la pile d'attention par un hybride de Compressed Sparse Attention et de Heavily Compressed Attention, s'entraîne avec l'optimiseur Muon sur plus de 32 000 milliards de tokens, et conserve l'objectif de prédiction multi-tokens de V3 — qui fait aussi office de décodage spéculatif, et que DeepSeek a mesuré à un taux d'acceptation du second token de 85 à 90 % pour une accélération du décodage d'environ 1,8× dans V3. Le résumé de V4 indique que V4-Pro tourne à 27 % des FLOPs d'inférence par token de V3.2 et 10 % de son cache KV. La famille expose trois niveaux d'effort de raisonnement, sur lesquels notre paramètre reasoning_effort se calque.

Sources : DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · rapport technique DeepSeek-V3 (arXiv 2412.19437) · fiche de modèle DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Tous les chiffres sont rapportés par DeepSeek.

03Ce que « Flash » veut vraiment dire

C'est le point que la plupart des comparaisons ratent, alors autant le dire sans détour : le Flash de DeepSeek n'est pas un Pro quantifié, élagué ou distillé. C'est un modèle à mélange d'experts plus petit, entraîné séparément, avec son propre pré-entraînement. L'article de présentation de V4 donne les deux tailles :

Chiffres tirés de l'article de présentation de DeepSeek-V4. Les checkpoints officiels que nous servons — V4-Flash-0731 et V4-Pro-0813 — annoncent des totaux légèrement plus élevés, 304 milliards et 1,7 billion, sur leurs fiches de modèle ; DeepSeek ne redonne pas les paramètres activés pour ces builds.

Deux nombres font tout le travail ici. Les paramètres totaux fixent l'empreinte mémoire, qui détermine la quantité de matériel qu'occupe une copie du modèle. Les paramètres activés fixent l'arithmétique par token, qui détermine le débit. Flash est environ 5,6× plus petit sur le premier et 3,8× plus petit sur le second — et il y a dans cet écart une subtilité qui mérite d'être remarquée : Flash active 13 milliards de paramètres sur 284, soit environ 4,6 %, tandis que Pro en active 49 sur 1 600 milliards, soit environ 3,1 %. Flash est le modèle le moins épars. Ce n'est pas simplement Pro avec moins d'experts allumés ; c'est une conception plus dense, équilibrée autrement, qui consacre une plus grande part d'elle-même à chaque token produit. C'est un vrai choix d'ingénierie, pas une rétrogradation.

Ce que disent les chiffres de DeepSeek

Les deux fiches de modèle officielles publient des scores sur les mêmes benchmarks agentiques et de génie logiciel, ce qui en fait une comparaison exceptionnellement propre — même laboratoire, même harnais d'évaluation, deux tailles :

Benchmark (rapporté par DeepSeek)	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 gagne à chaque ligne. C'est le titre honnête, et nous préférons que vous le lisiez ici plutôt que de le découvrir en production. Mais lisez les écarts, car c'est ce que vous achetez réellement. Sur Terminal Bench 2.1, l'écart est de 5,2 points pour un modèle qui a vingt-cinq fois moins de paramètres ; sur l'usage d'outils, il est de 3,8 points. L'écart se creuse là où le travail devient le plus profond — 8,3 points sur DeepSWE, 7,3 sur NL2Repo, deux évaluations qui récompensent un raisonnement de code soutenu en plusieurs étapes. Voilà la forme de l'arbitrage en un tableau : Flash comble l'essentiel de la distance sur les tâches bornées et cède du terrain sur les tâches ouvertes.

La fiche Flash de DeepSeek enfonce le clou plus nettement encore : Flash-0731 surpasse la préversion de V4-Pro sur les benchmarks listés, malgré un nombre de paramètres activés bien plus faible. Qu'un petit modèle récent batte un grand modèle plus ancien est l'état normal des choses dans ce domaine, et c'est la raison pour laquelle « le palier supérieur » ne devrait jamais être votre réponse par défaut.

04Lire le suffixe : W4A16-AUTOROUND-REAP

Nos identifiants de modèles annoncent leur schéma de compression à voix haute, parce que c'est ce qui affecte le plus la qualité de sortie et que presque personne ne le divulgue. Celui-ci se décompose en trois affirmations.

W4A16 — poids 4 bits, activations 16 bits

Les poids sont stockés sur 4 bits chacun ; les activations circulent en précision 16 bits. C'est une quantification des poids seuls, et elle vise le véritable goulet d'étranglement de la génération de tokens, qui est la bande passante mémoire plutôt que l'arithmétique. Quantifier aussi les activations gagnerait un peu de vitesse au risque d'une falaise d'exactitude bien plus abrupte ; les laisser sur 16 bits est le choix conservateur et fidèle. La notation est un raccourci de l'écosystème de service — la littérature sur la quantification écrit la même chose sous la forme W4 avec une taille de groupe.

AUTOROUND — un arrondi appris, pas un arrondi au plus proche

Une quantification naïve arrondit chaque poids à la valeur représentable la plus proche. Ce n'est démontrablement pas optimal : arrondir un poids « du mauvais côté » peut annuler l'erreur introduite par ses voisins, et avec des milliards de poids, ces interactions dominent. AutoRound, d'Intel, traite la décision d'arrondi elle-même comme quelque chose à apprendre — une perturbation entraînable par poids, contrainte à ±0,5, exactement de quoi retourner n'importe quelle décision d'arrondi et jamais plus, plus des plages d'écrêtage apprenables, optimisées par descente de gradient signée contre un objectif de reconstruction de sortie bloc par bloc sur un petit jeu de calibration. Deux cents étapes, et c'est fini.

Les comparaisons publiées par Intel donnent AutoRound gagnant contre GPTQ dans 30 scénarios testés sur 32, contre AWQ dans 27 sur 32 et contre OmniQuant dans 29 sur 32 en configuration 4 bits poids seuls, avec des gains de 6,9 à 33,2 points d'exactitude par rapport à l'arrondi naïf au plus proche en 2 bits. Rien de tout cela ne coûte quoi que ce soit à l'inférence : c'est un meilleur choix de nombres, fait une fois, hors ligne.

REAP — supprimer les experts vers lesquels personne ne route

REAP (Router-weighted Expert Activation Pruning), de Cerebras Systems et de l'Université de Calgary, est une compression en une passe pour les modèles MoE. Elle note chaque expert selon la force et la fréquence avec lesquelles le routeur l'active, multipliées par l'amplitude de la sortie de cet expert, puis supprime purement et simplement les experts les moins saillants — sans réentraînement ensuite.

Le résultat central de l'article est le plus utile : à des taux de compression élevés, élaguer les experts vaut mieux que les fusionner. Fusionner des experts fonctionnellement distincts provoque ce que les auteurs appellent l'effondrement du sous-espace fonctionnel — le routeur perd le contrôle fin, dépendant de l'entrée, qui justifiait de construire un MoE, et se retrouve à naviguer entre des moyennes statiques. Leurs chiffres, sur des modèles de 20 milliards à 1 000 milliards de paramètres : à 25 % de compression d'experts sur des tâches de code, REAP perd 2,8 % d'exactitude moyenne là où les bases par fusion en perdent plus de 5 % ; à 50 %, REAP perd 8,0 % là où la fusion perd plus de 20 %. Sur Qwen3-Coder-480B élagué à 50 %, la chute est de 1,4 %, contre 39,3 % pour un élagage naïf fondé sur la fréquence. Cerebras a publié des checkpoints REAP pour la lignée DeepSeek, entre autres.

Pourquoi 4 bits ici et 3 bits sur Pro

Les deux paliers doivent tenir et rester rapides sur la même classe de matériel. Pro porte 1,7 billion de paramètres, il lui faut donc le traitement plus agressif en 3 bits simplement pour tenir. Flash en porte environ 300 milliards, il n'en a donc pas besoin — et le bit ainsi économisé est dépensé en fidélité plutôt qu'en encombrement.

Ce bit supplémentaire compte davantage que son arithmétique ne le laisse croire, car les dégâts de la quantification ne sont pas linéaires. Dans les mesures WikiText-2 de l'article AWQ, Llama-2-7B passe de 5,47 de perplexité en FP16 à 5,60 en 4 bits — une pénalité de 2,4 % — mais à 6,24 en 3 bits, soit une pénalité de 14 %. C'est environ six fois la dégradation pour 25 % de compression en plus, et le même schéma se vérifie à 70 milliards de paramètres. L'article GPTQ est plus brutal encore : à 3 bits, l'arrondi naïf au plus proche s'effondre sur les modèles de classe 175 milliards, jusqu'à des perplexités de plusieurs milliers, tout en restant parfaitement utilisable en 4 bits. En dessous de quatre bits, un bon algorithme de quantification cesse d'être un raffinement pour devenir la seule chose qui tient le modèle debout.

La lecture honnête de ces deux suffixes est donc la suivante : Flash est plus proche de sa propre version non compressée que Pro ne l'est de la sienne. Pro reste le modèle le plus fort — le tableau de benchmarks ci-dessus tranche la question. Il a simplement abandonné davantage pour arriver là, et vous payez ce privilège.

Sources : 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. Chiffres de perplexité issus d'AWQ (arXiv 2306.00978) et de GPTQ (arXiv 2210.17323).

05Flash face à Pro au point de terminaison

La section 03 traitait des fondations. Voici à quoi ressemblent les deux paliers en tant que produits sur notre passerelle :

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Quantification	W4A16-AUTOROUND-REAP	3BIT-REAP
Précision des poids	4 bits, arrondi appris	3 bits
Fondation (total / actifs)	~304B / 13B	~1.7T / 49B
Entrée par 1M de tokens	0,50 $	1,95 $
Sortie par 1M de tokens	2,00 $	3,90 $
Contexte / sortie max	262,144 / 16,384	262,144 / 16,384
Outils · sortie structurée · streaming	Oui	Oui
Vision	Non	Non
Couche de refus	Aucune	Aucune

Notez ce qui ne change pas : le contexte, le plafond de sortie, l'appel d'outils, la sortie structurée et l'absence de couche de refus sont identiques. Les seules choses qui bougent sont la fondation, la quantification et le prix. Passer de l'un à l'autre est donc un changement d'une seule chaîne de caractères dans votre code et une décision purement économique dans votre architecture.

Ce que coûte un appel de taille maximale

Remplissez la totalité du contexte de 262,144 tokens et prenez la sortie complète de 16,384 tokens :

Au prix catalogue. Flash : 0,131 $ en entrée + 0,033 $ en sortie. Pro : 0,511 $ + 0,064 $. Rapport 3,51×. Flash partage aussi le plancher de 0,50 $ / 2,00 $ avec MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro et Hy3 — voyez le catalogue complet pour savoir en quoi ils diffèrent sur la vision et la sortie structurée.

06Le calcul du volume, fait jusqu'au bout

« 3,9× moins cher » n'est vrai qu'en entrée. En sortie, Flash est 1,95× moins cher. Votre économie réelle dépend donc de votre rapport entrée/sortie, et l'écart est assez large pour changer des décisions de conception. Quatre charges de travail réalistes, chacune à 100 000 requêtes :

Charge de travail	Entrée / sortie par appel	Flash	Pro	Économie
Classification de tickets	1,200 / 120	84 $	281 $	3,3×
Réponse à des questions en RAG	8,000 / 600	520 $	1 794 $	3,4×
Résumé de document long	60,000 / 1,500	3 300 $	12 285 $	3,7×
Génération de données synthétiques	500 / 2,000	425 $	878 $	2,1×

Le schéma : plus vous poussez de contexte et moins vous générez de texte, plus Flash vous fait économiser. Les pipelines de récupération, le tri de documents, l'analyse de journaux et de transcriptions et l'extraction en long contexte sont le point idéal — ils sont dominés par l'entrée d'un ordre de grandeur, et l'entrée est là où vit la remise de 3,9×. Si en revanche votre charge de travail consiste en un prompt court produisant des milliers de tokens de prose, l'écart se resserre à environ 2× et l'argument de capacité en faveur de Pro devient d'autant plus fort.

Une dernière opération à intégrer : à 0,50 $ par million de tokens d'entrée, remplir la fenêtre entière de 262,144 tokens coûte 13,1 cents. À ce prix, le prompt à long contexte cesse d'être une question de budget, ce qui signifie parfois que vous pouvez vous passer complètement d'une couche de récupération et laisser la fenêtre de contexte faire le travail — une économie d'ingénierie qui s'ajoute à l'économie de tokens.

07Ce que « sans censure » veut dire ici, précisément

Le mot est employé à la légère, alors voici notre définition, énoncée comme une propriété du point de terminaison : il n'y a aucun classifieur de refus devant le modèle et aucun filtrage de contenu appliqué à sa sortie. Rien n'intercepte un prompt pour renvoyer un refus préfabriqué ; rien n'inspecte la complétion pour la caviarder. Pour du travail de production à gros volume, les conséquences sont moins spectaculaires et plus utiles que le mot ne le suggère :

• Aucun faux positif sur du trafic anodin. Les points de terminaison filtrés refusent couramment des résumés médicaux, des rapports de sécurité, de la communication de pièces juridiques, de la fiction, du matériel de réduction des risques et le travail de modération lui-même — exactement les catégories où un traitement par lots traite du texte sur un sujet sensible plutôt que de produire quoi que ce soit de nuisible. À cent mille requêtes, un taux de faux refus d'un pour cent, ce sont mille lignes cassées.
• Des contrats déterministes. Demandez une réponse json_schema et vous obtenez du JSON conforme au schéma, pas un paragraphe d'excuses là où devrait se trouver un objet. Votre parseur n'a besoin d'aucune branche « refus », et votre logique de réessai n'a pas à distinguer une panne de transport d'une décision de politique.
• La politique vous appartient. C'est l'arbitrage. Si votre produit a besoin de garde-fous pour vos utilisateurs finaux, vous les construisez à votre niveau, là où vous connaissez vos utilisateurs et votre juridiction, au lieu d'hériter des suppositions d'un fournisseur sur les deux. Votre compte reste régi par notre politique d'usage responsable.

Sans censure n'est pas synonyme de non aligné ni d'inutile. Le modèle suit toujours les instructions et respecte toujours un prompt système. Si vous voulez qu'il refuse certaines catégories pour vos utilisateurs, dites-le là — cette instruction est désormais à vous d'écrire plutôt qu'à nous d'imposer.

08Capacités et limites honnêtes

Deux capacités portent l'essentiel du travail en volume. La sortie json_schema stricte transforme une complétion en ligne de base de données, sans couche d'analyse syntaxique ni branche de refus. L'appel d'outils dans les trois dialectes fait de Flash un moteur sensé pour les sous-étapes bon marché d'un agent dont le planificateur de haut niveau tourne sur un modèle plus fort. Ajoutez reasoning_effort, qui vous permet de dépenser des tokens supplémentaires uniquement sur la fraction du trafic qui en a besoin, et un contexte de 262,144 tokens identique à celui de Pro — vous n'abandonnez pas de contexte en choisissant le palier bon marché, ce qui est inhabituel.

Les limites sont tout aussi concrètes :

• Pas de vision. Flash est en texte seul et rejettera les parties image d'un message. Pour les images sur un modèle sans censure au même plancher de 0,50 $ / 2,00 $, MiniMax-M3 et MiMo-V2.5 sont les options dotées de vision ; Kimi-K2.6 et Kimi-K3 sont des modèles de vision plus forts au-dessus de ce palier.
• Pas le haut de l'échelle. Les chiffres de DeepSeek eux-mêmes placent Pro devant sur tous les benchmarks agentiques publiés, avec l'écart le plus large sur le raisonnement de code soutenu en plusieurs étapes. Là où une mauvaise réponse coûte plus cher que mille réponses bon marché, dépensez les 1,45 $ supplémentaires par million sur DeepSeek-V4-Pro.
• 16,384 tokens de sortie par requête. Les longues générations doivent être découpées sur plusieurs appels. C'est le même plafond sur tous les modèles que nous servons, et il se manifeste bien avant la fenêtre de contexte.

09L'appeler

Pointez n'importe quel client compatible OpenAI vers la passerelle et changez la chaîne du modèle. Rien d'autre dans votre pile n'a à bouger.

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
        }
      }
    }
  }'

Le même identifiant de modèle fonctionne tel quel sur /v1/messages et /v1/responses, ce qui est le moyen le plus rapide de tester en A/B un modèle moins cher sous une intégration existante sans réécrire votre client. Les paramètres, les formes d'événements de streaming, les schémas d'appel d'outils et les limites de débit sont documentés dans la référence de l'API ; tous les modèles du catalogue sont listés sur Shannon Research.

10Questions fréquentes

---

Sources : DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · rapport technique DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · fiches de modèle DeepSeek-V4-Flash-0731 et DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Tous les chiffres de fondation et de benchmarks sont tels que publiés par leurs auteurs respectifs ; les prix et le contexte servi par Shannon AI sont nos propres valeurs catalogue en date de septembre 2026.