L'API DeepSeek sans censure

Ceux qui arrivent par l'expression « API DeepSeek sans censure » veulent une chose bien précise : un modèle doté des capacités de raisonnement et de codage de DeepSeek, et qui réponde à la question réellement posée. La moitié « capacité » est bien documentée — DeepSeek-AI a publié l'architecture et les chiffres, et les poids sont sur Hugging Face sous licence MIT. La seconde moitié relève d'une décision d'exploitation, et elle est en général prise à votre place. Cette page couvre les deux : ce qu'est la fondation V4-Pro, ce que notre build 3BIT-REAP lui fait, et ce que « sans censure » signifie exactement quand nous employons le terme.

01Ce que « API DeepSeek sans censure » veut vraiment dire

Deux mécanismes distincts sont rangés sous le même mot. Le premier est l'alignement inscrit dans les poids — le comportement de refus appris lors du post-entraînement. Le second est une couche de modération côté service : un classifieur séparé qui inspecte votre requête avant que le modèle ne la voie et la sortie avant que vous ne la voyiez, et qui peut couper une réponse en pleine phrase quoi qu'ait voulu dire le modèle.

Les deux sont mesurables, et le service de première partie de DeepSeek a été mesuré. Promptfoo a constitué un jeu de 1,360 questions politiquement sensibles et a rapporté que le R1 hébergé par DeepSeek en avait refusé ou esquivé 1,156 — soit environ 85 %. Des travaux universitaires sur la même famille ont mis en évidence un mode de défaillance particulier, que les auteurs ont appelé suppression de la pensée : la trace de raisonnement du modèle s'interrompt presque aussitôt commencée sur un sujet sensible. Un audit distinct publié dans Information Sciences a documenté une suppression au niveau sémantique : du contenu présent dans le raisonnement interne du modèle est discrètement omis ou réécrit avant d'atteindre l'utilisateur. C'est un problème plus difficile qu'un refus franc, car une réponse tronquée ressemble à une réponse.

Ce que nous exécutons, c'est la version à poids ouverts, sur du matériel que nous exploitons, aux États-Unis, sous Shannon Lab LLC. Il n'y a aucune couche de refus devant le modèle et aucun filtre appliqué à ce qui revient : votre requête n'est pas classée selon une politique avant d'être servie, et le flux de sortie n'est pas inspecté en chemin. Comme la fondation est publique et sous licence MIT, vous pouvez comparer vous-même nos sorties aux poids de référence plutôt que de nous croire sur parole.

02La fondation : DeepSeek-V4-Pro, un MoE de 1,6 T

DeepSeek-V4 est la famille de poids ouverts actuelle de DeepSeek-AI, présentée en avant-première en avril 2026 et publiée sous licence MIT en deux tailles : V4-Flash (284 milliards au total, 13 milliards activés) et V4-Pro (1,6 T au total, 49 milliards activés). Cet article porte sur le palier Pro. Les deux ont été pré-entraînés sur environ 33 000 milliards de tokens et prennent tous deux en charge nativement un contexte d'un million de tokens.

Le rapport de parcimonie est ce qu'il faut retenir : seuls 3 % environ des paramètres s'activent sur un token donné, et c'est ce qui rend un modèle de cette taille servable tout court. Le bloc MoE lui-même reste DeepSeekMoE — les experts routés à grain fin plus les experts partagés toujours actifs introduits en V2 — avec seulement des changements mineurs en V4, le plus visible étant le routage par hachage dans les toutes premières couches. La prédiction multi-token (Multi-Token Prediction), l'objectif auxiliaire de V3 qui permet aussi le décodage spéculatif, est conservée telle quelle.

Les nouveautés de V4 sont structurelles. Les Manifold-Constrained Hyper-Connections (mHC) remplacent le chemin résiduel simple par une matrice de mélange apprise, contrainte sur la variété des matrices doublement stochastiques via une projection de Sinkhorn–Knopp — un flux résiduel qui se repondère selon l'entrée sans la dérive numérique qui tue les piles très profondes. L'entraînement a quitté AdamW pour Muon sur la plupart des modules, avec une orthogonalisation de Newton–Schulz, AdamW n'étant conservé que pour les embeddings, les têtes de prédiction, la normalisation et les paramètres mHC statiques. Et les poids des experts sont entraînés en FP4, la plupart des autres paramètres étant en FP8 — une quantification prise en compte dès le départ, ce qui compte pour la façon dont le modèle encaisse une compression supplémentaire.

03De MLA à CSA + HCA : comment DeepSeek garde le long contexte bon marché

Le fil rouge de DeepSeek sur quatre générations n'est pas la taille, c'est l'économie de l'attention. Chaque version s'en est prise au cache KV, qui croît linéairement avec le contexte et domine la mémoire sur les grandes longueurs.

• V2 a introduit la Multi-head Latent Attention (MLA) — une compression conjointe de rang faible des clés et des valeurs en un vecteur latent, si bien que la génération met en cache ce vecteur plus une clé RoPE découplée au lieu des K et V complets par tête. DeepSeek a rapporté un cache KV ramené à environ 4–14 % de celui d'une attention multi-tête standard, à qualité constante voire améliorée.
• V3 a porté cela à 671 milliards de paramètres, faisant de MLA l'hypothèse par défaut pour du long contexte bon marché dans les modèles ouverts.
• V3.2 a ajouté la DeepSeek Sparse Attention (DSA), qui sélectionne un sous-ensemble top-k de l'historique par requête via un indexeur léger plutôt que d'attendre sur tout.
• V4 hybride les deux. La Compressed Sparse Attention (CSA) commence par compresser les entrées KV de chaque groupe de m tokens en une seule entrée à poids appris, puis exécute une sélection éparse top-k sur ces entrées compressées. La Heavily Compressed Attention (HCA) compresse bien plus agressivement mais reste dense sur le résultat. Les deux types de couches sont entrelacés dans la pile, si bien qu'un résumé global bon marché et une récupération locale précise coexistent.

Le gain rapporté sur un contexte d'un million de tokens est frappant : V4-Pro n'a besoin que d'environ 27 % des FLOPs d'inférence par token et de 10 % du cache KV de V3.2. C'est pourquoi une requête de 262K se comporte comme une requête normale plutôt que comme un événement mémoire, et pourquoi les chiffres de récupération sur long contexte tiennent au lieu de s'effondrer au-delà de quelques dizaines de milliers de tokens.

04Ce que signifie le suffixe 3BIT-REAP

Notre identifiant de catalogue se termine par 3BIT-REAP, ce qui décrit deux étapes de compression indépendantes appliquées dans l'ordre.

REAP : élaguer les experts, pas les fusionner

REAP signifie Router-weighted Expert Activation Pruning, de Cerebras Research — « REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression », accepté à ICLR 2026. Dans un MoE épars, le routeur n'utilise pas ses experts de façon uniforme : une longue traîne est sélectionnée rarement, faiblement, ou les deux. REAP note chaque expert en combinant les valeurs de porte du routeur (à quelle fréquence et avec quelle force il est choisi) et les normes d'activation de l'expert (quelle part sa sortie contribue), puis supprime purement et simplement les perdants.

L'argument de l'article est que l'élagage bat la fusion : fusionner moyenne et efface la spécialisation fonctionnelle qui justifiait de construire un MoE, tandis que supprimer les experts que le routeur atteint à peine la préserve. Sur des modèles allant de 20 milliards à 1 000 milliards de paramètres, REAP a surpassé la fusion et les méthodes d'élagage concurrentes sur des benchmarks génératifs, et les auteurs rapportent des résultats quasi sans perte en génération de code et en appel d'outils à 50 % d'experts élagués sur Qwen3-Coder-480B et Kimi-K2 — c'est-à-dire précisément le profil de charge pour lequel ce modèle est là.

Poids 3 bits : le palier de compression des plus grandes fondations

Ce qui survit est ensuite quantifié en poids 3 bits. Trois bits, c'est agressif, et nous ne prétendons pas le contraire : dans la gamme, nous utilisons W8A16 quand la fondation est assez petite pour ne pas avoir besoin d'être serrée, W4A16-AUTOROUND-REAP au milieu, et 3BIT-REAP uniquement sur les plus grandes fondations, là où c'est la différence entre servir le modèle et ne pas le servir.

Le compromis mérite d'être dit franchement : un MoE de 1,6 T en 3 bits n'est pas bit à bit identique à la version de référence, et un léger coût en qualité est bien réel. En échange, vous obtenez une fondation dont le plafond non compressé se situe très au-dessus de tout ce qui tient confortablement à une précision supérieure — et comme les experts de V4 ont été entraînés en FP4 dès le départ, le modèle se comporte inhabituellement bien sous compression supplémentaire des poids. Si vous voulez un build DeepSeek plus délicat sur la précision, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP utilise des poids 4 bits avec des activations 16 bits et l'arrondi appris d'AutoRound, sur le même contexte de 262K, à 0,50 $ en entrée / 2,00 $ en sortie.

05Le raisonnement et le réglage reasoning_effort

Le post-entraînement de V4 entraîne séparément des spécialistes par domaine — maths, code, agents, suivi d'instructions — avec un SFT suivi de GRPO, la méthode Group Relative Policy Optimization que DeepSeek a introduite avec R1. Ces spécialistes sont ensuite unifiés en un seul modèle par distillation on-policy sous un objectif de KL inverse, si bien qu'un unique point de contrôle porte un comportement de niveau spécialiste dans plusieurs domaines à la fois, au lieu d'être un généraliste médiocre partout.

Le modèle publié expose des modes de réflexion graduels plutôt qu'un interrupteur binaire. Sur notre passerelle, c'est le paramètre standard reasoning_effort, le réglage le plus utile de ce modèle :

• Low — réponse quasi directe : classification, extraction, réécriture, tout ce pour quoi vous payez les connaissances du modèle plutôt que sa délibération.
• Medium — le mode de travail par défaut pour la revue de code, le débogage et l'analyse en plusieurs étapes.
• High — longue délibération avant de répondre. C'est là que se résolvent les problèmes difficiles, et là que se loge votre facture de tokens de sortie, puisque les tokens de raisonnement sont facturés en sortie.

Comme il n'y a pas de couche de refus, la trace de raisonnement n'est pas tronquée sur les sujets sensibles — le motif de suppression de la pensée documenté sur le service de première partie n'a aucun mécanisme pour se produire ici.

06Code et travail agentique : les scores de la fondation

Ce sont les chiffres publiés par DeepSeek-AI pour la version V4-Pro — pas les nôtres, et pas mesurés sur notre build quantifié. Nous les montrons parce qu'ils sont la raison honnête de choisir cette fondation, et nous les signalons comme provenant de la première partie afin que vous les pondériez en conséquence.

Deux méritent un commentaire. SWE-bench Verified à 80,6 %, c'est de la résolution d'issues sur de vrais dépôts — lire une base de code inconnue, localiser le défaut, produire un correctif qui passe les tests du projet. MRCR à un million de tokens (83,5), c'est de la récupération coréférentielle multi-tours à pleine longueur, le chiffre qui vous dit que la promesse de long contexte n'est pas décorative. DeepSeek rapporte également un classement Codeforces de 3206 pour le modèle, et 62,0 sur CorpusQA en contexte 1M.

Les chiffres ci-dessus sont ceux rapportés par DeepSeek-AI pour la version de référence DeepSeek-V4-Pro. Notre build 3BIT-REAP est une variante compressée de ces poids et n'a pas fait l'objet de mesures indépendantes sur ces tâches ; considérez les scores de référence comme le plafond de la fondation, non comme une mesure de ce point de terminaison.

07262K de contexte : ce qui tient vraiment dedans

Le modèle de référence est entraîné pour un million de tokens. Nous servons 262,144 — la fenêtre commune à tous les modèles de la passerelle, si bien que changer de modèle est une modification d'une ligne et jamais une régression de contexte. En pratique, 262K se situe au-delà du point où le contexte devient contraignant pour la plupart des travaux réels :

Charge de travail	Tokens approx.	Tient dans 262K ?
Dépôt de service moyen (~50k lignes)	~600K	Non — sélectionner des modules
Un sous-système et ses tests	~60–120K	Oui, largement
Jeu complet de RFC d'un protocole	~150K	Oui
Un livre technique de 700 pages	~250K	Oui, près de la limite
Longue exécution d'agent, 40+ tours d'outils	~80–200K	Oui

La limite à prévoir est celle de la sortie : 16,384 tokens maximum par réponse. C'est un long document ou un correctif multi-fichiers conséquent, mais pas une base de code. Les gros travaux de génération se font en enchaînant les requêtes avec la sortie précédente remise dans le contexte — ce que la fenêtre de 262K rend bon marché — plutôt qu'en demandant une seule complétion gigantesque.

08Prix, et place de V4-Pro dans la gamme

À 1,95 $ en entrée / 3,90 $ en sortie par million de tokens, V4-Pro est le palier de raisonnement haut de gamme — le modèle vers lequel on se tourne quand le problème est difficile. Quand il est simplement volumineux, des modèles moins chers sur la même fenêtre de 262K feront l'affaire pour le quart du prix.

Modèle sans censure	Entrée / 1M	Sortie / 1M	Vision	Idéal pour
DeepSeek-V4-Pro · 3BIT-REAP	1,95 $	3,90 $	Non	Raisonnement difficile, code, agents
DeepSeek-V4-Flash · W4A16	0,50 $	2,00 $	Non	Même lignée, gros volumes
GLM-5.2 · 3BIT-REAP	0,73 $	2,34 $	Non	Cheval de bataille polyvalent
Kimi-K3 · 3BIT-REAP	3,83 $	19,12 $	Oui	Agents multimodaux haut de gamme
MiniMax-M3 · 3BIT-REAP	0,50 $	2,00 $	Oui	La vision la moins chère

Soyons directs sur la comparaison que les gens feront de toute façon : l'API de DeepSeek elle-même est moins chère que la nôtre — le V4-Pro de première partie est affiché autour de 0,435 $ en entrée / 0,87 $ en sortie, et leur tarif d'entrée en cas de cache-hit est plus bas encore. Si le prix au token est votre seul critère et que le comportement de modération n'affecte pas votre travail, utilisez l'API de première partie ; nous préférons vous le dire plutôt que vous le laisser découvrir plus tard. Le supplément achète un autre ensemble de propriétés : aucune couche de refus et aucun filtre de sortie, un opérateur américain sous Shannon Lab LLC, un point de contrôle daté et figé (0813) pour qu'une mise à jour silencieuse en amont ne change jamais vos sorties en cours de projet, trois dialectes d'API pour un même modèle, et la même fenêtre de 262K et la même surface de paramètres sur les douze modèles de la gamme.

09L'appeler : trois dialectes, un seul modèle

Tous les modèles de la passerelle répondent sur les trois points de terminaison, avec le streaming sur chacun. Vous n'adoptez pas un nouveau SDK — vous changez une URL de base et un identifiant de modèle.

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 — dialecte OpenAI ; fonctionne avec les SDK OpenAI et tout ce qui est bâti dessus.
• /v1/messages — dialecte Anthropic, pour les bases de code déjà écrites selon cette forme.
• /v1/responses — l'interface de type Responses.

Pris en charge sur ce modèle : le streaming, l'appel d'outils natif, la sortie structurée json_schema stricte, response_format et reasoning_effort. La référence complète des paramètres et un bac à sable interactif se trouvent dans la documentation de l'API.

10Limites assumées

Quatre choses à savoir avant de construire dessus :

• Pas de vision. Texte uniquement ; il n'acceptera aucune image en entrée sur aucun point de terminaison. S'il vous faut un modèle sans censure qui voit, utilisez Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 ou inkling.
• Plafond de sortie de 16,384 tokens. Les tokens de raisonnement s'y imputent en effort élevé, si bien qu'une longue délibération laisse moins de place à la réponse. Enchaînez les requêtes pour les gros travaux de génération.
• Le 3 bits est une vraie compression. Les scores de référence décrivent la fondation, pas ce build. Pour le palier de plus haute fidélité, les modèles W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) portent la quantification la plus légère.
• Sans censure ne veut pas dire sans conséquences. L'absence de couche de refus signifie que la responsabilité de ce que vous demandez, et de ce que vous faites de la réponse, vous incombe — dans le cadre de nos conditions d'utilisation et de la loi du lieu où vous opérez.

11Questions fréquentes

---

Sources : DeepSeek-AI — fiche de modèle DeepSeek-V4-Pro · Rapport technique DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Rapport technique DeepSeek-V3 · REAP the Experts (Cerebras Research) · Audit de censure Promptfoo · Discovering Forbidden Topics in Language Models. Les chiffres de benchmark sont rapportés par DeepSeek-AI pour la version de référence ; une vérification indépendante par un tiers du build compressé reste à venir. Les prix sont les tarifs catalogue de Shannon AI au 5 septembre 2026.