API DeepSeek Flash Gun Chaisgireachd
DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP — prìs làr, co-theacsa 262K, agus gun sreath diùltaidh. Am modail air an stiùir thu an t-uallach-obrach a ruitheas deich mìle turas san latha.
Geàrr-chunntas
'S e DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP ìre àrd-tomhais an teaghlaich DeepSeek air Geata Shannon AI. Bidh e a' ruith air a' chruinneachadh GPU againn fhìn aig $0.50 gach millean token a-steach agus $2.00 gach millean token a-mach — làr a' chatalog againn — le co-theacsa 262,144-token, 16,384 token toraidh as motha, sruthadh, gairm-inneal, reusanachadh le reasoning_effort, agus toradh structarach teann json_schema. Chan eil sreath diùltaidh agus chan eil sìoladh toraidh ann. Chan e tionndadh crìonaichte de DeepSeek-V4-Pro a th' ann: 's e bunait tòrr nas motha air a theannachadh gu 3-bit a th' ann am Pro, 's e bunait nas lugha air a ghiùlan aig cuantachadh AutoRound 4-bit àrd-dhìlseachd a th' ann am Flash. Sin dà phuing eadar-dhealaichte air an aon lùb, agus tha cò aca a bhuannaicheas an urra gu tur ris an uallach-obrach agad.
Bidh a' mhòr-chuid de sgiobaidhean a bhios a' measadh API LLM a' cur cuideam air an caochladair cheàrr. Bidh iad a' dèanamh deuchainn-choimeis air fichead brosnachadh cho cruaidh 's a smaoinicheas iad orra, a' taghadh a' bhuannaiche, agus a' faighinn a-mach sia seachdainean às a dhèidh gur e obair ghoirid, structaraichte, ath-fhillte a th' ann an ceithir fichead 's a còig-deug sa cheud den trafaic aca a bhiodh modail a chosgadh cairteal na prìse air làimhseachadh dìreach cho math. Tha DeepSeek-V4-Flash ann airson an ceithir fichead 's a còig-deug sa cheud sin. Tha an duilleag seo mu bhith ag aithneachadh cuin a tha thu ann — agus cuin nach eil.
01Dè gheibh thu dha-rìribh
| Feart | DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP |
|---|---|
| Aithne a' mhodail | DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP |
| Co-theacsa / toradh as motha | 262,144 token / 16,384 token |
| Prìs gach 1M (a-steach / a-mach) | $0.50 / $2.00 |
| Sruthadh · gairm-inneal · reusanachadh | Tha — na trì dualchainntean uile |
| Toradh structarach | json_schema agus response_format |
| Ionchur dhealbhan (lèirsinn) | Chan eil — teacsa a-mhàin |
| Sreath diùltaidh / sìoladh toraidh | Chan eil gin |
| Air fhrithealadh air | A' chruinneachadh GPU againn fhìn |
Bidh trì dualchainntean API a' ruighinn nan aon chuideaman: /v1/chat/completions (cumadh OpenAI), /v1/messages (cumadh Anthropic), agus /v1/responses. Bidh sruthadh ag obair air na trì. Tha iomradh slàn air paramadairean anns na sgrìobhainnean API.
02Cò às a thàinig e: sinnsireachd DeepSeek
Tha DeepSeek-AI air còig ginealaichean modail a chur seachad air aon fhìor-thoil: giùlan ìre-toisich fhaighinn à modail a tha saor ri fhrithealadh, chan ann dìreach saor ri thrèanadh. Tha cha mhòr gach co-dhùnadh ailtireachd san loidhne a' tighinn air ais gu sin, agus tha na feadhainn chudromach air am foillseachadh. Tha triùir dhiubh a' mìneachadh dè tha thu a' gairm nuair a bhuaileas tu an oir-phuing seo.
DeepSeekMoE — eòlaichean mion-ghràinneach a bharrachd air fear co-roinnte
Bidh sreath Mixture-of-Experts a' cur mòran lìonraidhean nas lugha an àite aon lìonra mòr adhartach, le rianadair a thaghas dòrlach dhiubh gach token. Bidh caochladh DeepSeek a' snàitheadh eòlaichean nas mìne na an cumadh ochd-eòlaiche àbhaisteach, agus mar sin bidh na h-aon FLOPan gnìomhach a' ceannach measgachadh fada nas mionaidiche a thaobh iomadachaidh, agus bidh e a' sgaradh eòlaiche co-roinnte tro nach tèid gach token, agus mar sin cha tèid eòlas cumanta ath-ionnsachadh gu anabarrach am broinn gach speisealach. Chuir DeepSeek-V3 sin a-mach mar 256 eòlaiche stiùirichte a bharrachd air 1 eòlaiche co-roinnte, a' gnìomhachadh 8 stiùirichte gach token — 671B paramadair uile-gu-lèir, 37B gnìomhach — còmhla ri cothromachadh luchd gun teirm calla a bharrachd: an àite teirm peanais a chrìonas càileachd, bidh claonadh gach eòlaiche a' gluasad sgòran stiùiridh suas no sìos gach ceum a rèir a bheil an t-eòlaiche sin fo luchd no thairis air.
MLA — aire a fhreagras a-steach do chuimhne
'S e an tasgadan KV an dàrna leth de dhuilgheadas cosgais an fhrithealaidh, a dh'fhàsas gu sreathach le co-theacsa agus a bhios os cionn na cuimhne aig fadan sreatha fada. Bidh Multi-head Latent Attention, a chaidh a thoirt a-steach ann an DeepSeek-V2, a' teannachadh iuchraichean is luachan còmhla gu vectar falaichte ìre-ìosal agus a' tasgadh sin, ag ath-thogail K/V so-chleachdte air an spot. Bidh àireamhan foillsichte V2 aig DeepSeek, an aghaidh DeepSeek 67B dùmhail nas tràithe aca, ag aithris lùghdachadh 93.3% san tasgadan KV agus tro-chuir gineadh as motha 5.76x nas àirde. Sin as coireach gu bheil uinneag 262K-token na bhun-riatanas san teaghlach seo seach cur-ris barrachd.
Aire sgapte — agus an ro-shampall airson tokenan saor
Chuir V3.2-Exp DeepSeek Sparse Attention ris: bidh clàr-amais aotrom a' toirt sgòr do thokenan co-theacsa an aghaidh na ceiste, agus bidh taghadair a' cumail dìreach nam feadhainn as àirde sgòr. 'S e an cuidhteas an nì inntinneach, chan e an dòigh-obrach. Dh'fhoillsich DeepSeek coimeas taobh-ri-taobh an aghaidh V3.1-Terminus le MMLU-Pro co-ionann aig 85.0, AIME 2025 nas àirde (88.4 → 89.3), SWE-bench Verified beagan nas ìsle (68.4 → 67.8) — càileachd cha mhòr gun atharrachadh — agus ghearr iad na prìsean API aca barrachd air 50% an aon latha. Ailtireachd, air aithris gu h-onarach, a' tionndadh dìreach gu prìs. 'S e an argamaid sin air a toirt aon cheum eile a th' ann am Flash.
An ginealach V4
Bidh V4, air a shealltainn ro-làimh sa Ghiblean 2026 fo cheadachas MIT, ag atharrachadh a' chruaich aire a-rithist le measgachadh de Compressed Sparse Attention agus Heavily Compressed Attention, a' trèanadh leis an optimizer Muon air còrr is 32T token, agus a' cumail amas ro-innse ioma-token V3 — a bhios cuideachd na speculative decoding, agus a thomhais DeepSeek aig ìre gabhail an dàrna tokena de 85–90% airson luathachadh dì-chòdaidh de mu 1.8x ann an V3. Bidh geàrr-chunntas V4 ag aithris V4-Pro a' ruith aig 27% de FLOPan co-dhùnaidh aon-tokena V3.2 agus 10% den tasgadan KV aige. Bidh an teaghlach a' nochdadh trì ìrean spàirn-reusanachaidh, agus sin dè air a bheil am paramadair reasoning_effort againn a' mapadh.
Tùsan: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Aithisg Theignigeach DeepSeek-V3 (arXiv 2412.19437) · Cairt mhodail DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Tha na h-àireamhan uile air an aithris le DeepSeek.
03Dè tha "Flash" a' ciallachadh dha-rìribh
Seo a' phuing air an tèid a' mhòr-chuid de choimeasan ceàrr, agus mar sin is fhiach a ràdh gu dìreach: Chan e Pro air a chuantachadh, air a bhearradh no air a dhriogadh a th' ann am Flash aig DeepSeek. 'S e modail Mixture-of-Experts nas lugha, air a thrèanadh gu neo-eisimeileach le ruith ro-thrèanaidh dha fhèin, a th' ann. Tha am pàipear ro-shealladh V4 a' toirt seachad an dà mheud:
Àireamhan bhon phàipear ro-shealladh DeepSeek-V4. Bidh na puingean-sgrùdaidh oifigeil a bhios sinn a' frithealadh — V4-Flash-0731 agus V4-Pro-0813 — a' liostadh iomlanan beagan nas motha de 304B agus 1.7T air na cairtean-modail aca; chan eil DeepSeek ag ath-aithris paramadairean gnìomhach airson na togailean sin.
Tha dà àireamh a' dèanamh na h-obrach an seo. Bidh paramadairean uile-gu-lèir a' suidheachadh làrach na cuimhne, a cho-dhùineas dè uimhir de bhathar-cruaidh a ghabhas leth-bhreac den mhodail. Bidh paramadairean gnìomhach a' suidheachadh na h-àireamhachd gach token, a cho-dhùineas an tro-chur. Tha Flash timcheall air 5.6x nas lugha air a' chiad fhear agus 3.8x nas lugha air an dàrna fear — agus tha rud grinn ann as fhiach a mhothachadh sa bheàrn sin: bidh Flash a' gnìomhachadh 13 de 284 billean paramadair, mu 4.6%, fhad 's a bhios Pro a' gnìomhachadh 49 de 1,600 billean, mu 3.1%. 'S e Flash am modail as lugha fànaisdeach. Chan e dìreach Pro le nas lugha eòlaichean air an cur air a th' ann; 's e dealbhadh nas dùmhla, air a chothromachadh eadar-dhealaichte, a chaitheas earrann as motha dheth fhèin air gach token a ghineas e. 'S e fìor cho-dhùnadh innleadaireachd a tha sin, chan e ìsleachadh.
Dè tha àireamhan DeepSeek fhèin ag ràdh
Bidh an dà chairt-mhodail oifigeil a' foillseachadh sgòran air na h-aon deuchainnean-coimeis àidseantach is innleadaireachd bathar-bhog, a nì seo na choimeas air leth glan — an aon obair-lann, an aon uidheam measaidh, dà mheud:
| Deuchainn-choimeis (air aithris le 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 |
Buannaichidh Pro gach sreath. Sin an ceann-naidheachd onarach, agus b' fheàrr leinn gun leugh thu e an seo na gum faigh thu a-mach e ann an riochdachadh. Ach leugh na marghain, oir 's e sin dha-rìribh na tha thu a' ceannach. Air Terminal Bench 2.1 tha am beàrn 5.2 puing air modail le aon-fhicheadamh cuid de na paramadairean; air cleachdadh-inneil tha e 3.8 puing. Bidh am beàrn a' leudachadh far a bheil an obair as doimhne — 8.3 puing air DeepSWE, 7.3 air NL2Repo, an dà chuid a bheir duais do reusanachadh còd ioma-cheumnach seasmhach. Sin cumadh na h-iomlaid ann an aon chlàr: bidh Flash a' dùnadh a' mhòr-chuid den astar air obraichean cuingealaichte agus a' toirt seachad talamh air feadhainn fosgailte.
Bidh cairt Flash aig DeepSeek fhèin a' dèanamh na puinge fiù nas gèire fhathast: bidh Flash-0731 a' dol thairis air ro-shealladh V4-Pro air na deuchainnean-coimeis a chaidh a liostadh a dh'aindeoin an àireamh phàramadairean gnìomhach a tha fada nas lugha aige. 'S e am fìor-shuidheachadh àbhaisteach san raon seo gum buadhaich modail beag nas ùire air fear mòr nas sine, agus sin as coireach nach bu chòir "ìre nas motha" a bhith na do fhreagairt bhunaiteach a-riamh.
Nota mu cho-theacsa
Bidh DeepSeek a' foillseachadh co-theacsa 1M-token airson an teaghlaich V4. Bidh Geata Shannon AI a' frithealadh a' mhodail seo aig 262,144 token — an uinneag chunbhalach thar an dà mhodail dheug sa chatalog againn, agus an aon uinneag a gheibh thu air Pro. B' fheàrr leinn gum biodh gach modail san liosta a' giùlan an aon dòigh a thaobh co-theacsa seach gum feumadh tu mullach eadar-dhealaichte a chuimhneachadh gach aithne-mhodail.
04A' leughadh an iar-leasachain: W4A16-AUTOROUND-REAP
Bidh na h-aithnean-mhodail againn ag ràdh an sgeama teannachaidh gu follaiseach, a chionn 's gur e sin an rud aig a bheil an fheart as motha air càileachd toraidh agus nach fhoillsich cha mhòr duine sam bith eile. Bidh am fear seo a' briseadh sìos gu trì tagraidhean.
W4A16 — cuideaman 4-bit, gnìomhachaidhean 16-bit
Thèid cuideaman a stòradh aig 4 bit an urra; sruthaidh gnìomhachaidhean troimhe aig mionaideachd 16-bit. 'S e cuantachadh cuideaman a-mhàin a tha seo, agus tha e ag amas air an fhìor chnap-starra ann an gineadh tokenan, is e sin bann-leathann cuimhne seach àireamhachd. Bhiodh cuantachadh gnìomhachaidhean cuideachd a' ceannach beagan a bharrachd luaths agus a' cur cunnart mòran nas motha air creag cruinneas; 's e roghainn glèidhteach, àrd-dhìlseachd a th' anns am fàgail aig 16 bit. 'S e giorrachadh na h-eag-shiostam frithealaidh a th' anns a' chomharrachadh — sgrìobhaidh an litreachas cuantachaidh an aon rud mar W4 le meud buidhne.
AUTOROUND — cruinneachadh ionnsaichte, chan e cruinneachadh gu ìre-as-fhaisge
Bidh cuantachadh sìmplidh a' cruinneachadh gach cuideam chun luach so-riochdachaidh as fhaisge. Chithear nach eil sin as fheàrr: faodaidh cruinneachadh aon chuideim air an dòigh "cheàrr" mearachd a chuir a-steach le a nàbaidhean a chuir dheth, agus le billeanan de chuideaman bidh na h-eadar-obrachaidhean sin a' faighinn làmh an uachdair. Bidh AutoRound, aig Intel, a' làimhseachadh a' cho-dhùnaidh cruinneachaidh fhèin mar rudeigin ri ionnsachadh — buaireadh so-thrèanaichte gach cuideim, cuingealaichte gu ±0.5, dìreach gu leòr gus aon cho-dhùnadh cruinneachaidh a thionndadh agus chan ann tuilleadh, a bharrachd air raointean gearraidh so-ionnsaichte, air an sgrìobadh le signed gradient descent an aghaidh amas ath-thogail-toraidh bloc-air-bhloc thar seata calpachaidh beag. Dà cheud ceum, agus deiseil.
Tha coimeasan foillsichte Intel a' sealltainn AutoRound a' buannachadh GPTQ ann an 30 de 32 suidheachadh deuchainnichte, AWQ ann an 27 de 32 agus OmniQuant ann an 29 de 32 aig suidheachaidhean cuideaman-a-mhàin 4-bit, le buannachd thairis air cruinneachadh sìmplidh gu ìre-as-fhaisge de 6.9 gu 33.2 puing cruinneis aig 2 bit. Cha chosg gin dheth càil aig àm co-dhùnaidh: 's e roghainn àireamhan nas fheàrr a th' ann, air a dhèanamh aon uair, far loidhne.
REAP — a' leigeil às eòlaichean nach stiùir duine thuca
'S e teannachadh aon-char airson modailean MoE a th' ann an REAP (Router-weighted Expert Activation Pruning), o Cerebras Systems agus Oilthigh Calgary. Bidh e a' toirt sgòr do gach eòlaiche a rèir cho làidir 's cho tric 's a bhios an rianadair a' geatadh thuige, air iomadachadh le meud toradh an eòlaiche sin, an uairsin a' sguabadh às gu tur na h-eòlaichean as lugha buaidh — gun ath-thrèanadh às a dhèidh.
'S e lorg meadhanach a' phàipeir am fear feumail: aig co-mheasan teannachaidh àrd, bidh bearradh eòlaichean a' buannachadh air an co-mheasgachadh. Bidh co-mheasgachadh eòlaichean gu gnìomhach eadar-dhealaichte ag adhbharachadh na dh'ainmicheas na h-ùghdaran mar thuiteam fo-àite gnìomhach — bidh an rianadair a' call an smachd mhion-ghràinneach, eisimeileach air an ionchur, a rinn am MoE fhiach a thogail, agus air fhàgail a' stiùireadh eadar cuibheasan statach. Na h-àireamhan aca thar modailean o 20B gu 1T paramadair: aig 25% teannachadh eòlaichean air obraichean còdaidh, caillidh REAP 2.8% de mheadhan-chruinneas far an caill bun-loidhnean co-mheasgachaidh còrr air 5%; aig 50%, caillidh REAP 8.0% far an caill co-mheasgachadh còrr air 20%. Air Qwen3-Coder-480B aig 50% bearraidh 's e 1.4% an tuiteam, an aghaidh 39.3% airson bearradh sìmplidh stèidhichte air tricead. Tha Cerebras air puingean-sgrùdaidh REAP fhoillseachadh airson na loidhne DeepSeek am measg feadhainn eile.
Carson 4-bit an seo agus 3-bit air Pro
Feumaidh an dà ìre a bhith a' freagairt a-steach agus a' fuireach luath air an aon seòrsa bathar-cruaidh. Bidh Pro a' giùlan 1.7 trillean paramadair, agus mar sin feumaidh e an làimhseachadh 3-bit nas dàine gus freagairt a-steach idir. Bidh Flash a' giùlan timcheall air 300 billean, agus mar sin chan fheum — agus thèid am bit a shàbhaileas e a chosg air dìlseachd seach air a bhith a' freagairt a-steach.
Tha am bit a bharrachd sin cudromach seach mar a mholadh an àireamhachd, oir chan eil milleadh cuantachaidh sreathach. Ann an tomhasan WikiText-2 pàipear AWQ, thèid Llama-2-7B o 5.47 perplexity aig FP16 gu 5.60 aig 4-bit — peanas de 2.4% — ach gu 6.24 aig 3-bit, peanas de 14%. Sin timcheall air sia thursan an crìonadh airson 25% a bharrachd teannachaidh, agus tha an aon phàtran a' cumail aig 70B. Tha pàipear GPTQ nas dìriche fhathast: aig 3 bit, bidh cruinneachadh sìmplidh gu ìre-as-fhaisge a' tuiteam air modailean clas-175B, gu na mìltean de perplexity, fhad 's a dh'fhanas e gu tur so-chleachdte aig 4 bit. Fo cheithir bit, sguiridh algairim cuantachaidh math a bhith na rud snasail agus fàsaidh e mar an aon rud a chumas am modail còmhla.
Mar sin 's e an leughadh onarach air an dà iar-leasachan seo: tha Flash na shuidhe nas fhaisge air an fhear neo-theannaichte aige fhèin na tha Pro air an fhear aige fhèin. Tha Pro fhathast na mhodail nas làidire — tha an clàr deuchainn-choimeis gu h-àrd a' socrachadh sin. Dìreach thug e suas barrachd gus a bhith an seo, agus pàighidh tu airson na sochair.
Tùsan: 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. Àireamhan perplexity o AWQ (arXiv 2306.00978) agus GPTQ (arXiv 2210.17323).
05Flash an aghaidh Pro aig an oir-phuing
Chòmhdaich earrann 03 na bunaitean. Seo mar a tha coltas an dà ìre mar bhathar air a' gheata againn:
| DeepSeek-V4-Flash-0731 | DeepSeek-V4-Pro-0813 | |
|---|---|---|
| Cuantachadh | W4A16-AUTOROUND-REAP | 3BIT-REAP |
| Mionaideachd cuideaman | 4-bit, cruinneachadh ionnsaichte | 3-bit |
| Bunait (uile-gu-lèir / gnìomhach) | ~304B / 13B | ~1.7T / 49B |
| A-steach gach 1M token | $0.50 | $1.95 |
| A-mach gach 1M token | $2.00 | $3.90 |
| Co-theacsa / toradh as motha | 262,144 / 16,384 | 262,144 / 16,384 |
| Innealan · toradh structarach · sruthadh | Tha | Tha |
| Lèirsinn | Chan eil | Chan eil |
| Sreath diùltaidh | Chan eil gin | Chan eil gin |
Thoir an aire dè nach atharraich: tha co-theacsa, mullach toraidh, gairm-inneal, toradh structarach, agus dìth sreath diùltaidh co-ionann. Chan eil ach am bunait, an cuantachadh, agus a' phrìs ag atharrachadh. Tha sin a' fàgail suidse eatarra na atharrachadh aon-t-sreang sa chòd agad agus na cho-dhùnadh eaconamach a-mhàin san ailtireachd agad.
Dè a chosgas aon ghairm meud-as-motha
Lìon an co-theacsa 262,144-token gu lèir agus gabh an toradh làn 16,384-token:
Aig prìs liosta. Flash: $0.131 a-steach + $0.033 a-mach. Pro: $0.511 + $0.064. Co-mheas 3.51x. Bidh Flash cuideachd a' co-roinneadh an làr $0.50 / $2.00 le MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro agus Hy3 — faic an catalog slàn airson mar a tha iad sin eadar-dhealaichte a thaobh lèirsinn agus toradh structarach.
06Àireamhachd an tomhais, air obrachadh a-mach
"3.9x nas saoire" chan eil sin fìor ach air an a-steach. Air an a-mach tha Flash 1.95x nas saoire. Tha do fhìor shàbhaladh mar sin an urra ris a' cho-mheas a-steach-gu-a-mach agad, agus tha an sgaoileadh farsaing gu leòr gus co-dhùnaidhean dealbhaidh atharrachadh. Ceithir uallaichean-obrach fìor, gach fear aig 100,000 iarrtas:
| Uallach-obrach | A-steach / a-mach gach gairm | Flash | Pro | Sàbhaladh |
|---|---|---|---|---|
| Seòrsachadh thiogaidean | 1,200 / 120 | $84 | $281 | 3.3× |
| Freagairt cheistean RAG | 8,000 / 600 | $520 | $1,794 | 3.4× |
| Geàrr-chunntas sgrìobhainn fhada | 60,000 / 1,500 | $3,300 | $12,285 | 3.7× |
| Gineadh dàta synteataig | 500 / 2,000 | $425 | $878 | 2.1× |
Am pàtran: mar as motha a chuireas tu de cho-theacsa a-steach agus mar as lugha de theacsa a ghineas tu, is ann as motha a shàbhaileas Flash dhut. 'S e pìoban ath-fhaighinn, sgrìoradh sgrìobhainnean, mion-sgrùdadh logaichean is tar-sgrìobhaidhean, agus às-tharraing co-theacsa fada an t-àite meadhanach as milis — tha iad fon uachdranas aig ionchur le òrdugh meud, agus 's ann san ionchur a tha an lasachadh 3.9x a' fuireach. Ma 's e brosnachadh goirid a' gineadh mìltean de thokenan rosg a th' anns an uallach-obrach agad an àite sin, caolaichidh am beàrn gu timcheall air 2x agus fàsaidh an argamaid comais airson Pro nas làidire a rèir sin.
Aon phìos àireamhachd eile as fhiach a ghabhail a-steach: aig $0.50 gach millean token a-steach, cosgaidh an uinneag 262,144-token gu lèir 13.1 sgillinn a lìonadh. Sguiridh brosnachadh co-theacsa fhada a bhith na cheist buidseit aig a' phrìs sin, agus mar sin uaireannan 's urrainn dhut sreath ath-fhaighinn a thogail a leigeil seachad gu tur agus leigeil leis an uinneig cho-theacsa an obair a dhèanamh — sàbhaladh innleadaireachd a bharrachd air an t-sàbhaladh tokenan.
07Dè tha "gun chaisgireachd" a' ciallachadh an seo, gu mionaideach
Thèid am facal a chleachdadh gu sgaoilte, agus mar sin seo am mìneachadh againn, air a ràdh mar fheart den oir-phuing: chan eil seòrsaichear diùltaidh air beulaibh a' mhodail agus chan eil sìoladh susbaint air an toradh aige. Chan eil dad a' glacadh brosnachaidh agus a' tilleadh diùltadh ullaichte; chan eil dad a' sgrùdadh a' choileanaidh agus ga chur an dubh. Airson obair riochdachaidh àrd-tomhais tha na builean nas lugha dràmadach agus nas feumaile na tha am facal a' moladh:
- Gun fhìor-adhbhar dearbh-fhaoin air trafaic neo-chronail. Bidh oir-phuingean sìolaichte gu cunbhalach a' diùltadh geàrr-chunntasan meidigeach, sgrìobhaidhean tèarainteachd, foillseachadh laghail, ficsean, stuth lùghdachadh-cron agus obair mhaorsainneachd fhèin — dìreach na roinnean far a bheil obair baids a' pròiseasadh teacsa mu chuspair mothachail seach a bhith a' gineadh dad chronail. Aig ceud mìle iarrtas, 's e mìle sreath briste a th' ann an ìre diùltadh-meallta de aon-sa-cheud.
- Cùmhnantan cinnteach. Iarr freagairt
json_schemaagus gheibh thu JSON a fhreagras an sgeama, chan e paragraf leisgeil far am bu chòir nì a bhith. Chan fheum am parsair agad meur diùltaidh sam bith, agus chan fheum an loidsig ath-fheuchainn agad eadar-dhealachadh a dhèanamh eadar fàilligeadh còmhdhail agus fear poileasaidh. - 'S ann agadsa a tha am poileasaidh. Sin an iomlaid. Ma dh'fheumas do bhathar gàrraidhean-dìon airson na cleachdaichean-deiridh agad, togaidh tu iad aig do shreath fhèin, far am bi thu eòlach air na cleachdaichean agus an lagh-uachdranas agad, seach a bhith a' sealbhachadh tuairmsean solaraiche air an dà chuid. Bidh an cunntas agad fhathast fo riaghladh ar Poileasaidh Cleachdaidh Cunntachail.
Chan e an aon rud a th' ann an gun chaisgireachd agus mì-cho-thaobhaichte no neo-chuideachail. Bidh am modail fhathast a' leantainn stiùiridh agus fhathast a' toirt urram do bhrosnachadh siostaim. Ma tha thu ag iarraidh air roinnean àraidh a dhiùltadh airson do chleachdaichean fhèin, can sin an sin — 's ann agadsa a tha an stiùireadh sin ri sgrìobhadh a-nis seach againne ri sparradh.
08Comasan agus crìochan onarach
Bidh dà chomas a' giùlan a' mhòr-chuid den chuideam airson obair tomhais. Bidh toradh teann json_schema a' tionndadh coileanadh gu sreath stòr-dàta gun sreath parsaidh agus gun mheur diùltaidh. Bidh gairm-inneal air na trì dualchainntean a' fàgail Flash na einnsean reusanta airson fo-cheuman saor àidseant aig a bheil planaiche ìre-àirde a' ruith air modail nas làidire. Cuir ris reasoning_effort, a leigeas leat tokenan a bharrachd a chaitheamh dìreach air a' chuibhreann den trafaic aig a bheil feum orra, agus co-theacsa 262,144-token co-ionann ri fear Pro — cha strìochd thu co-theacsa le bhith a' taghadh na h-ìre shaor, rud a tha neo-àbhaisteach.
Tha na crìochan a cheart cho pongail:
- Gun lèirsinn. Tha Flash teacsa a-mhàin agus diùltaidh e pìosan dhealbhan ann an teachdaireachd. Airson dealbhan air modail gun chaisgireachd aig an aon làr $0.50 / $2.00, 's e MiniMax-M3 agus MiMo-V2.5 na roghainnean le comas lèirsinn; 's e Kimi-K2.6 agus Kimi-K3 modailean lèirsinn nas làidire os cionn na h-ìre sin.
- Chan e mullach na fàradh. Bidh àireamhan DeepSeek fhèin a' cur Pro air thoiseach air gach deuchainn-choimeis àidseantach a chaidh fhoillseachadh, leis a' bheàrn as fharsainge air reusanachadh còd ioma-cheumnach seasmhach. Far a bheil aon fhreagairt cheàrr a' cosg barrachd na mìle fear saor, caith an $1.45 a bharrachd gach millean air DeepSeek-V4-Pro.
- 16,384 token toraidh gach iarrtas. Feumaidh gineadh fada a bhith air a bhriseadh thairis air iomadh gairm. Seo an aon mhullach air gach modail a bhios sinn a' frithealadh, agus bidh e a' ceangal fada mus dèan an uinneag cho-theacsa.
09Ga ghairm
Stiùir teachdaiche co-chòrdail ri OpenAI sam bith chun a' gheata agus atharraich sreang a' mhodail. Chan fheum càil eile san stac agad gluasad.
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": "Cuir leubail air an tiogaid. Freagair a-mhàin leis an sgeama."},
{"role": "user", "content": "Bidh am PDF cunntais a' nochdadh bàn air 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
}
}
}
}'Bidh an aon aithne-mhodail ag obair gun atharrachadh air /v1/messages agus /v1/responses, an dòigh as luaithe air modail nas saoire a chur fo aonachadh a th' ann mu thràth gun a bhith ag ath-sgrìobhadh do theachdaiche. Tha paramadairean, cumaidhean tachartas-sruthaidh, sgeamaichean gairm-inneil agus cuingealachaidhean ìre air an clàradh anns an iomradh API; tha gach modail sa chatalog air a liostadh aig Rannsachadh Shannon AI.
10Ceistean cumanta
Dè th' ann an API DeepSeek Flash gun chaisgireachd?
'S e oir-phuing Geata Shannon AI airson DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP a th' ann: togail AutoRound 4-bit de bhunait V4-Flash aig DeepSeek le 13B gnìomhach, air fhrithealadh air a' chruinneachadh GPU againn fhìn gun sreath diùltaidh agus gun sìoladh toraidh, aig $0.50 gach millean token a-steach agus $2.00 gach millean token a-mach, le co-theacsa de 262,144 token.
Dè a chosgas DeepSeek V4 Flash gach millean token?
$0.50 a-steach agus $2.00 a-mach, am prìs làr air geata Shannon. Tha DeepSeek-V4-Pro-0813 aig $1.95 agus $3.90, agus mar sin tha Flash 3.9× nas saoire air an a-steach agus 1.95× nas saoire air an a-mach. Cosgaidh lìonadh na co-theacsa 262,144-token gu lèir mu $0.13 air Flash an aghaidh $0.51 air Pro.
An cleachd mi DeepSeek V4 Flash no DeepSeek V4 Pro?
Flash nuair as e àireamh nan gairmean an cnap-starra: seòrsachadh, às-tharraing, gearr-chunntas, dàta synteataig, freagairt RAG, fo-cheuman àidseant. Pro nuair as e duilgheadas aon ghairm an cnap-starra. Chan e Pro air a chrìonadh a th' ann am Flash; 's e bunait nas lugha aig cuantachadh 4-bit le àrd-dhìlseachd a th' ann, far a bheil Pro na bhunait 1.7T-paramadair aig 3-bit.
A bheil taic aig DeepSeek-V4-Flash-0731 do lèirsinn agus toradh sgeama JSON?
Tha taic aige airson toradh structarach teann json_schema agus response_format, a bharrachd air gairm-inneal, sruthadh agus reasoning_effort. Cha ghabh e ri ionchur dhealbhan. Airson dealbhan air modail gun chaisgireachd aig an aon phrìs làr, 's e MiniMax-M3 agus MiMo-V2.5 na roghainnean le comas lèirsinn.
Dè tha W4A16-AUTOROUND-REAP a' ciallachadh?
'S e cuideaman 4-bit le gnìomhachaidhean 16-bit a th' ann an W4A16. 'S e dòigh cruinneachaidh ionnsaichte aig Intel a th' ann an AutoRound, a bharrachadas co-dhùnaidhean cruinneachaidh le signed gradient descent an àite cruinneachadh gu ìre-as-fhaisge. 'S e bearradh eòlaichean aon-char aig Cerebras Systems airson modailean Mixture-of-Experts a th' ann an REAP, a' leigeil às na h-eòlaichean as lugha a thèid an stiùireadh gun ath-thrèanadh.
A bheil am modail gun chaisgireachd dha-rìribh, gun sreath diùltaidh?
Tha. Chan eil seòrsaichear diùltaidh air beulaibh a' mhodail agus chan eil sìoladh air an toradh aige, agus mar sin gheibh thu sgaoileadh a' mhodail fhèin. Tha sin a' ciallachadh cuideachd gur ann agadsa a tha suidheachadh tèarainteachd do bhathair, agus togaidh tu gàrraidhean-dìon aig do shreath fhèin; tha ar Poileasaidh Cleachdaidh Cunntachail fhathast a' riaghladh a' chunntais.
Ruith do thomhas air Flash
$0.50 a-steach, $2.00 a-mach, co-theacsa 262K, gun diùltadh. Atharraich aon sreang mhodail.
Leugh Sgrìobhainnean an API Rùraich a h-uile 12 ModailShannon Lab LLC · New Mexico, na SA · fo riaghladh ar Poileasaidh Cleachdaidh Cunntachail
Tùsan: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Aithisg Theignigeach DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · cairtean-modail DeepSeek-V4-Flash-0731 agus DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Tha gach àireamh bunaiteach is deuchainn-choimeis mar a chaidh fhoillseachadh leis na h-ùghdaran fa leth; 's e ar prìsean liosta fhìn agus an co-theacsa air a fhrithealadh a th' ann am prìsean Shannon AI agus an co-theacsa, mar a bha san t-Sultain 2026.