An API DeepSeek gun Chaisgireachd
Bidh Mixture-of-Experts DeepSeek le 1.6 trillean paramadair air a fhrithealadh gun sreath diùltaidh: co-theacsa 262K, spàirn reusanachaidh dùthchasach, gairm-inneal, agus trì dualchainntean API air a' chruinneachadh GPU againn fhìn.
Geàrr-chunntas
DeepSeek-V4-Pro-0813-3BIT-REAP am prìomh mhodail reusanachaidh-is-còdaidh ann an loidhne gun chaisgireachd Shannon AI. 'S e am bunait DeepSeek-AI le cuideaman fosgailte V4-Pro — 1.6T paramadair uile-gu-lèir, 49B gnìomhach gach token, ceadaichte fo MIT, air a thrèanadh gu dùthchasach airson co-theacsa millean-token. Bidh sinn ga fhrithealadh air a' chruinneachadh GPU againn fhìn le cuideaman 3-bit agus bearradh eòlaichean REAP, le uinneag 262,144-token, toradh as motha de 16,384 token, sruthadh, gairm-inneal dùthchasach, toradh teann json_schema, agus cuairteag reasoning_effort. $1.95 gach 1M a-steach, $3.90 gach 1M a-mach. Gun lèirsinn. Gun sreath diùltaidh, gun sìoladh toraidh.
Tha daoine a thig chun na h-abairt "API DeepSeek gun chaisgireachd" ag iarraidh aon rud sònraichte: modail le comas reusanachaidh is còdaidh DeepSeek a fhreagras a' cheist a chaidh fhaighneachd dha-rìribh. Tha an leth comais air a dheagh chlàradh — dh'fhoillsich DeepSeek-AI an t-ailtireachd agus na h-àireamhan, agus tha na cuideaman air Hugging Face fo MIT. 'S e co-dhùnadh obrachaidh a th' anns an dàrna leth, agus mar as trice thèid a dhèanamh air do shon. Bidh an duilleag seo a' còmhdach an dà chuid: dè th' anns a' bhunait V4-Pro, dè nì an togail 3BIT-REAP againn dha, agus dè dìreach a tha "gun chaisgireachd" a' ciallachadh nuair a chanas sinn e.
01Dè tha "API DeepSeek gun chaisgireachd" a' ciallachadh dha-rìribh
Thèid dà mheacanaig eadar-dhealaichte a chlàradh fon aon fhacal. 'S e a' chiad fhear co-thaobhadh air a bhruich a-steach do na cuideaman — giùlan diùltaidh air ionnsachadh aig àm iar-thrèanaidh. 'S e an dàrna fear sreath maorsainneachd air taobh an fhrithealaidh: seòrsaichear air leth a sgrùdas am brosnachadh agad mus faic am modail e agus an toradh mus fhaic thu e, agus a dh'fhaodas freagairt a ghearradh dheth am meadhan seantans ge bith dè bha am modail ag iarraidh a ràdh.
Tha an dà chuid so-thomhaiste, agus tha seirbheis chiad-phàrtaidh DeepSeek air a tomhas. Chuir Promptfoo cruinneachadh de 1,360 ceist phoilitigeach fhrionasach ri chèile agus dh'aithris iad gun do dhiùlt no gun do sheachain R1 aca fhèin 1,156 dhiubh — mu 85%. Lorg obair acadaimigeach air an aon teaghlach modh fàillinn air leth, air an tug na h-ùghdaran mùchadh smaoineachaidh, far a bheil lorg-smaoineachaidh a' mhodail a' stad cha mhòr cho luath 's a thòisicheas e air cuspair frionasach. Chlàraich sgrùdadh eile a chaidh fhoillseachadh ann an Information Sciences mùchadh air ìre semantach: susbaint a tha an làthair ann an lorg-smaoineachaidh a-staigh a' mhodail ach a thèid fhàgail às no ath-sgrìobhadh gu sàmhach mus ruig e an neach-cleachdaidh. Sin duilgheadas nas duilghe na diùltadh a-mach 's a-mach, oir tha coltas freagairt air freagairt ghiorraichte.
'S e am fear le cuideaman fosgailte a ruitheas sinne, air bathar-cruaidh air a bheil sinn fhìn os cionn, anns na Stàitean Aonaichte, fo Shannon Lab LLC. Chan eil sreath diùltaidh air beulaibh a' mhodail agus chan eil sìoltachan air na thig air ais: chan eil am brosnachadh agad air a sheòrsachadh a rèir poileasaidh mus tèid a fhrithealadh, agus chan eil an sruth toraidh air a sgrùdadh air an t-slighe a-mach. A chionn 's gu bheil am bunait ceadaichte fo MIT agus poblach, 's urrainn dhut ar toraidhean a choimeas ris na cuideaman iomraidh thu fhèin seach ar facal a ghabhail air.
02Am bunait: DeepSeek-V4-Pro, MoE 1.6T
'S e DeepSeek-V4 an teaghlach làithreach le cuideaman fosgailte aig DeepSeek-AI, air a shealltainn ro-làimh sa Ghiblean 2026 agus air a chur a-mach fo MIT ann an dà mheud: V4-Flash (284B uile-gu-lèir, 13B gnìomhach) agus V4-Pro (1.6T uile-gu-lèir, 49B gnìomhach). Tha an artaigil seo mun ìre Pro. Chaidh an dà chuid ro-thrèanadh air timcheall air 33 trillean token agus tha an dà chuid a' toirt taic dhùthchasach do cho-theacsa millean-token.
'S e co-mheas na fànaisdeachd an rud as fhiach a mhothachadh: cha bhi ach mu 3% de na paramadairean a' losgadh air token sam bith, agus 's e sin as coireach gu bheil modail a cho mhòr seo comasach air fhrithealadh idir. Tha am bloca MoE fhèin fhathast na DeepSeekMoE — na h-eòlaichean stiùirichte mion-ghràinneach a bharrachd air eòlaichean co-roinnte an-còmhnaidh gnìomhach, a chaidh a thoirt a-steach ann an V2 — le glè bheag de dh'atharrachaidhean V4, gu ìre mhòr rian-seòladh hash sna sreathan as tràithe. Tha Ro-innse Ioma-token, an amas taice à V3 a leigeas cuideachd le speculative decoding, air a chumail gun atharrachadh.
'S iad na pìosan ùra ann an V4 pìosan structarail. Bidh Manifold-Constrained Hyper-Connections (mHC) a' cur matrix measgachaidh ionnsaichte an àite na slighe iarmadaich lom, cuingealaichte air manifold nam matrixean dùbailte-fèin-riaghlaidh tro phròiseact Sinkhorn–Knopp — sruth iarmadach a dh'ath-chuidhlicheas a rèir an ionchuir gun am fuadan àireamhach a mharbhas cruachan glè dhomhainn. Ghluais trèanadh air falbh o AdamW gu Muon airson a' mhòr-chuid de mhodalan, a' cleachdadh ceart-cheàrnachadh Newton–Schulz, le AdamW air a chumail dìreach airson leabaichean, cinn ro-innse, normachadh agus na paramadairean mHC statach. Agus tha cuideaman eòlaich air an trèanadh ann am FP4 leis a' mhòr-chuid de na paramadairean eile ann am FP8 — mothachail air cuantachadh bhon toiseach, rud a tha cudromach a thaobh cho grinn 's a ghabhas am modail barrachd cuingealachaidh.
03O MLA gu CSA + HCA: mar a chumas DeepSeek co-theacsa fada saor
Chan e meud a th' ann an snàth DeepSeek thairis air ceithir ginealaichean, ach eaconamaidh na h-aire. Thug gach tionndadh ionnsaigh air an tasgadan KV, a dh'fhàsas gu sreathach le co-theacsa agus a bhios os cionn na cuimhne aig fadan fada.
- Thug V2 a-steach Multi-head Latent Attention (MLA) — teannachadh co-phàirteach ìre-ìosal de dh'iuchraichean agus luachan gu vectar falaichte, agus mar sin bidh gineadh a' tasgadh a' vectair sin le iuchair RoPE dhì-cheangailte an àite K is V slàn gach cinn. Dh'aithris DeepSeek gun deach an tasgadan KV sìos gu timcheall air 4–14% de dh'aire ioma-chinn àbhaisteach, le càileachd air a chumail no air a leasachadh.
- Sgèilich V3 sin gu 671B, a' dèanamh MLA na bhun-bheachd bunaiteach airson co-theacsa fada saor ann am modailean fosgailte.
- Chuir V3.2 DeepSeek Sparse Attention (DSA) ris, a' taghadh fo-shreath top-k de dh'eachdraidh gach ceist tro chlàr-amais aotrom seach a bhith ag amharc air a h-uile càil.
- Bidh V4 ga chothlamadh. Bidh Compressed Sparse Attention (CSA) an toiseach a' teannachadh clàran KV gach m token gu aon chlàr le cuideaman ionnsaichte, an uair sin a' ruith taghadh top-k fànaisdeach air na clàran teannaichte sin. Bidh Heavily Compressed Attention (HCA) a' teannachadh mòran nas doimhne ach a' fuireach dùmhail thairis air an toradh. Tha an dà sheòrsa sreatha air an eadar-fhighe tron chruach, agus mar sin bidh geàrr-chunntas farsaing saor agus lorg ionadail mionaideach beò còmhla.
Tha an duais aithrisichte aig co-theacsa millean-token follaiseach: feumaidh V4-Pro mu 27% de FLOPan co-dhùnaidh gach token agus 10% den tasgadan KV a bha V3.2 ag iarraidh. Sin as coireach gu bheil iarrtas 262K a' giùlan mar iarrtas àbhaisteach seach tachartas cuimhne, agus sin as coireach gu bheil na h-àireamhan lorg co-theacsa fhada a' seasamh seach a bhith a' tuiteam às dèidh beagan dheichean de mhìltean token.
04Dè tha an t-iar-leasachan 3BIT-REAP a' ciallachadh
Tha am biocod chatalog againn a' crìochnachadh le 3BIT-REAP, agus tha sin a' mìneachadh dà cheum teannachaidh neo-eisimeileach air an cur an sàs ann an òrdugh.
REAP: bearradh eòlaichean, chan e gam co-mheasgadh
'S e REAP Router-weighted Expert Activation Pruning, o Cerebras Research — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression", air gabhail ri ICLR 2026. Ann am MoE fànaisdeach cha chleachd an rianadair na h-eòlaichean aige gu co-ionnan: thèid earball fada a thaghadh ainneamh, gu lag, no an dà chuid. Bidh REAP a' toirt sgòr do gach eòlaiche le bhith a' co-mheasgadh luachan geata an rianadair (dè cho tric 's cho làidir 's a thèid a thaghadh) le tomhasan gnìomhachaidh nan eòlaichean (dè uimhir a chuireas an toradh aca ris), an uair sin a' sguabadh às na feadhainn a chaill gu tur.
'S e argamaid a' phàipeir gum buadhaich bearradh air co-mheasgadh: bidh co-mheasgadh a' cuibheasachadh air falbh an sònrachaidh gnìomh a rinn am MoE fhiach a thogail, fhad 's a chumas sguabadh às nan eòlaichean nach ruig an rianadair ach ainneamh e. Thar mhodailean o 20B gu 1T, bha REAP nas fheàrr na co-mheasgadh agus dòighean bearraidh eile air deuchainnean-coimeis gineadaireachd, agus tha na h-ùghdaran ag aithris toraidhean cha mhòr gun chall air gineadh còd agus gairm-inneal aig 50% de bhearradh eòlaichean air Qwen3-Coder-480B agus Kimi-K2 — dìreach an dreach obrach air a bheil am modail seo an seo.
Cuideaman 3-bit: an ìre teannachaidh airson na bunaitean as motha
Thèid na tha air fhàgail an uair sin a chuantachadh gu cuideaman 3-bit. Tha trì bit an-fhoiseil, agus cha leig sinn oirnn a chaochladh: thar na loidhne cleachdaidh sinn W8A16 far a bheil am bunait beag gu leòr gun feum air an teannachadh, W4A16-AUTOROUND-REAP sa mheadhan, agus 3BIT-REAP dìreach air na bunaitean as motha, far a bheil e na dhiofar eadar am modail fhrithealadh agus gun a fhrithealadh idir.
Is fhiach an cothromachadh a ràdh gu soilleir: chan eil MoE 1.6T 3-bit co-ionann bit-air-bhit ris a' chur-a-mach iomraidh, agus tha cosgais chàileachd bheag fìor. An rud a gheibh thu air a shon 's e bunait aig a bheil mullach neo-theannaichte fada os cionn rud sam bith a fhreagras gu comhfhurtail aig mionaideachd nas àirde — agus a chionn 's gun deach eòlaichean V4 a thrèanadh ann am FP4 bhon toiseach, tha am modail neo-àbhaisteach math fo bharrachd teannachaidh chuideaman. Ma tha thu ag iarraidh togail DeepSeek le suathadh nas aotroime air mionaideachd, bidh DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP a' cleachdadh cuideaman 4-bit le gnìomhachaidhean 16-bit agus cruinneachadh ionnsaichte AutoRound, air an aon cho-theacsa 262K aig $0.50 a-steach / $2.00 a-mach.
05Reusanachadh, agus cuairteag reasoning_effort
Bidh iar-thrèanadh V4 a' trèanadh eòlaichean-raoin air leth — matamataig, còdadh, àidseantan, leantainn stiùiridh — le SFT air a leantainn le GRPO, an dòigh Group Relative Policy Optimization a thug DeepSeek a-steach le R1. Thèid na h-eòlaichean-raoin sin an uair sin aonachadh ann an aon mhodail tro dhriogadh air-poileasaidh fo amas reverse-KL, agus mar sin bidh aon phuing-sgrùdaidh a' giùlan giùlan ìre eòlaiche ann an grunn raointean aig an aon àm seach a bhith na choitchionnaiche meadhanach anns na h-uile.
Tha am modail a chaidh fhoillseachadh a' nochdadh modhan smaoineachaidh ceumnaichte seach suidse dà-roinneach. Air a' gheata againn 's e sin am paramadair àbhaisteach reasoning_effort, an cuairteag as fheumaile air a' mhodail seo:
- Ìseal — freagairt cha mhòr dìreach: seòrsachadh, às-tharraing, ath-sgrìobhadh, rud sam bith far a bheil thu a' pàigheadh airson eòlas a' mhodail seach a bheachdachadh.
- Meadhanach — am modh obrach bun-roghainn airson lèirmheas còd, dì-bhugachadh agus mion-sgrùdadh ioma-cheumnach.
- Àrd — beachdachadh fada mus tèid freagairt. Far am fuasglar na duilgheadasan duilich, agus far a bheil do chunntas token-toraidh a' fuireach, oir tha tokenan reusanachaidh air an cunntadh mar thoradh.
A chionn 's nach eil sreath diùltaidh ann, chan eil lorg-smaoineachaidh air a ghiorrachadh air cuspair frionasach — chan eil dòigh sam bith aig a' phàtran mùchadh-smaoineachaidh a chaidh a chlàradh air an t-seirbheis chiad-phàrtaidh tachairt an seo.
06Obair chòd agus àidseantach: dè a sgòras am bunait
Seo àireamhan fhèin foillsichte aig DeepSeek-AI airson cur-a-mach V4-Pro — chan e ar feadhainn fhìn, agus cha deach an tomhas air an togail cuantaichte againn. Sealltar dhut iad a chionn 's gur e an t-adhbhar onarach airson am bunait seo a thaghadh, agus tha iad air an comharrachadh mar chiad-phàrtaidh ionnas gun cuir thu cuideam orra a rèir sin.
Tha dithis airidh air iomradh. 'S e SWE-bench Verified aig 80.6% fuasgladh cheistean ann am fìor thasglannan còd — a' leughadh bunait-chòd neo-eòlach, a' lorg na mearachd, a' dèanamh paidse a shoirbhicheas le deuchainnean a' phròiseict fhèin. 'S e MRCR aig aon mhillean token (83.5) ath-fhaighinn co-thagraidh ioma-chuairt aig làn fhad, an àireamh a dh'innseas dhut nach eil an tagradh co-theacsa fhada dìreach airson coltais. Tha DeepSeek cuideachd ag aithris rangachadh Codeforces de 3206 airson a' mhodail, agus 62.0 air CorpusQA aig co-theacsa 1M.
Tha na h-àireamhan gu h-àrd air an aithris le DeepSeek-AI airson cur-a-mach iomraidh DeepSeek-V4-Pro. 'S e caochladh teannaichte de na cuideaman sin a th' anns an togail 3BIT-REAP againn, agus cha deach a dheuchainn-choimeas gu neo-eisimeileach air na h-obraichean seo; gabh ris na sgòran iomraidh mar mhullach a' bhunait, chan e mar thomhas air an t-oir-phuing seo.
07Co-theacsa 262K: dè a tha ga fhreagairt dha-rìribh
Tha am modail iomraidh air a thrèanadh airson millean token. Bidh sinn a' frithealadh 262,144 — an uinneag a tha gach modail air a' gheata a' co-roinneadh, agus mar sin 's e atharrachadh aon-loidhne a th' ann an gluasad eadar modailean agus chan e crìonadh co-theacsa gu bràth. Gu practaigeach tha 262K seachad air a' phuing far a bheil co-theacsa a' cur bacadh air a' mhòr-chuid de dh'obair fhìor:
| Obair | Tokenan tuairmseach | A bheil e a' freagairt ann an 262K? |
|---|---|---|
| Bunait-chòd meadhan-mheud seirbheis (~50k loidhne) | ~600K | Chan eil — tagh modalan |
| Aon fho-shiostam + a dheuchainnean | ~60–120K | Tha, gu comhfhurtail |
| Seata iomlan RFC airson pròtacal | ~150K | Tha |
| Leabhar teignigeach 700-duilleag | ~250K | Tha, faisg air a' chrìch |
| Ruith àidseant fhada, 40+ cuairtean inneil | ~80–200K | Tha |
'S e an toradh a' chrìoch as fhiach dealbhadh timcheall air: 16,384 token as motha gach freagairt. 'S e sgrìobhainn fhada no paidse mòr ioma-fhaidhle a tha sin, ach chan e bunait-chòd. Thèid obraichean ginidh mòra a dhèanamh le bhith a' ceangal iarrtasan còmhla leis an toradh roimhe air ais sa cho-theacsa — rud a nì an uinneag 262K saor — seach a bhith ag iarraidh aon choileanadh mòr.
08Prìs, agus càite a bheil V4-Pro na laighe san loidhne
Aig $1.95 a-steach / $3.90 a-mach gach millean token, 's e V4-Pro an ìre reusanachaidh as àirde — am modail air a bheil thu a' ruighinn nuair a tha an duilgheadas duilich. Nuair nach eil ann ach mòr, nì modailean nas saoire air an aon uinneig 262K an gnothach airson cairteal na prìse.
| Modail gun chaisgireachd | A-steach / 1M | A-mach / 1M | Lèirsinn | As fheàrr airson |
|---|---|---|---|---|
| DeepSeek-V4-Pro · 3BIT-REAP | $1.95 | $3.90 | Chan eil | Reusanachadh duilich, còd, àidseantan |
| DeepSeek-V4-Flash · W4A16 | $0.50 | $2.00 | Chan eil | An aon shinnsireachd, tomhas mòr |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | Chan eil | Each-obrach coitcheann |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Tha | Àidseantan ioma-mhodhach ìre-àrd |
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Tha | An lèirsinn as saoire |
A bhith dìreach mun choimeas a nì daoine dha-rìribh: tha API fhèin DeepSeek na's saoire na seo — tha liosta ciad-phàrtaidh V4-Pro timcheall air $0.435 a-steach / $0.87 a-mach, agus tha prìsean an ionchuir aca aig buille-tasgaidh nas ìsle buileach. Ma 's e prìs gach token an aon shlat-tomhais agad agus mura h-eil an giùlan maorsainneachd a' toirt buaidh air an obair agad, cleachd an API ciad-phàrtaidh; b' fheàrr leinn sin innse dhut na leigeil dhut faighinn a-mach an dèidh làimh. Bidh am prìs a bharrachd a' ceannach seata eile de fheartan: gun sreath diùltaidh agus gun sìoltachan toraidh, gnìomhaiche na SA fo Shannon Lab LLC, puing-sgrùdaidh le ceann-latha stàiteach (0813) ionnas nach atharraich àrdachadh sàmhach shuas an t-sruthain do thoraidhean am meadhan pròiseict, trì dualchainntean API an aghaidh aon mhodail, agus an aon uinneag 262K agus an aon uachdar pharamadairean thar an dà mhodail dheug san loidhne.
09Ga ghairm: trì dualchainntean, aon mhodail
Bidh gach modail air a' gheata a' freagairt air na trì oir-phuingean, le sruthadh air gach fear. Chan fheum thu SDK ùr a ghabhail — atharraichidh tu bun-URL agus aithne modail.
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": "Tha thu nad phrògramaiche shiostaman. Bi dìreach."},
{"role": "user", "content": "Sgrùd am parser seo airson mhearachdan sàbhailteachd cuimhne."}
]
}'/v1/chat/completions— dualchainnt OpenAI; ag obair leis na SDKan OpenAI agus rud sam bith air a thogail orra./v1/messages— dualchainnt Anthropic, airson bunaitean-chòd a chaidh a sgrìobhadh mu thràth an aghaidh a' chumaidh sin./v1/responses— an eadar-aghaidh ann an stoidhle Responses.
Tha taic ris an fhear seo: sruthadh, gairm-inneal dùthchasach, toradh structarach teann json_schema, response_format, agus reasoning_effort. Tha iomradh slàn air paramadairean agus raon-cluiche beò anns an sgrìobhainn API.
10Crìochan onarach
Ceithir rudan ri fhaighneachd mus tog thu air:
- Gun lèirsinn. Teacsa a-mhàin; cha ghabh e ri ionchur deilbh air oir-phuing sam bith. Ma dh'fheumas tu modail gun chaisgireachd a chì, cleachd Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 no inkling.
- Mullach toraidh de 16,384 token. Bidh tokenan reusanachaidh a' cunntadh na aghaidh aig spàirn àrd, agus mar sin fàgaidh beachdachadh fada nas lugha de dh'àite airson na freagairt. Ceangail iarrtasan airson obraichean ginidh mòra.
- Tha 3-bit na theannachadh fìor. Tha na sgòran iomraidh a' mìneachadh a' bhunait, chan e an togail seo. Airson na h-ìre as àirde de dhìlseachd, tha na modailean
W8A16(MiMo-V2.5-Pro, MiMo-V2.5, Hy3) a' giùlan an teannachaidh as lugha. - Chan eil gun chaisgireachd saor o bhuaidh. Tha uallach airson na dh'fhaighnicheas tu, agus na nì thu leis an fhreagairt, gad fhàgail fhèin nuair nach eil sreath diùltaidh ann — fo ar teirmichean seirbheis agus lagh an àite far a bheil thu ag obair.
Tha gach tagradh ailtireachd agus àireamh deuchainn-choimeis air an duilleag seo a' tighinn o phrìomh thùs poblach. Leugh iad thu fhèin.
11Ceistean cumanta
Dè th' ann an API DeepSeek gun chaisgireachd?
'S e am modail DeepSeek-V4-Pro le cuideaman fosgailte a th' ann, air fhrithealadh air a' chruinneachadh GPU againn fhìn gun sreath diùltaidh air a bheulaibh agus gun sìoladh air na thilleas e. Bidh thu ga ghairm aig /v1/chat/completions, /v1/messages no /v1/responses le uinneag cho-theacsa de 262,144 token, agus freagraidh an oir-phuing seach a bhith a' maorsaineachd.
Ciamar a tha seo eadar-dhealaichte bho API oifigeil DeepSeek?
An aon sinnsireachd cuideaman fosgailte, gnìomhaiche eadar-dhealaichte agus poileasaidh eadar-dhealaichte. Tha seirbheis chiad-phàrtaidh DeepSeek nas saoire gach token agus a' ruith a maorsainneachd fhèin; chlàraich sgrùdaidhean foillsichte le Promptfoo agus buidhnean acadaimigeach diùltadh agus mùchadh semantach air brosnachaidhean poilitigeach frionasach an sin. Bidh Shannon AI a' ruith nan cuideaman anns na Stàitean Aonaichte gun sreath diùltaidh, a' nochdadh spàirn reusanachaidh agus gairm-inneal air trì dualchainntean API, agus a' prìneadh puing-sgrùdaidh le ceann-latha ionnas nach atharraich na toraidhean fodhad.
Dè tha 3BIT-REAP a' ciallachadh?
Dà cheum teannachaidh. 'S e REAP Router-weighted Expert Activation Pruning, dòigh o Cerebras Research a bhios a' toirt air falbh eòlaichean a thèid an taghadh ainneamh no gu lag o mhodail Mixture-of-Experts, a' toirt sgòr do gach eòlaiche a rèir luachan geata an rianadair agus tomhasan gnìomhachaidh. Thèid na tha air fhàgail an uair sin a chuantachadh gu cuideaman 3-bit. Còmhla, nì iad seo gum freagair bunait 1.6-trillean-paramadair agus gum fan e luath air a' chruinneachadh GPU againn fhìn.
Dè cho mòr 's a tha an uinneag cho-theacsa agus an toradh as motha?
262,144 token de cho-theacsa agus suas ri 16,384 token de thoradh gach iarrtas. Sin timcheall air 600 gu 800 duilleag de theacsa a-steach, agus sgrìobhainn theignigeach fhada no paidse mòr ioma-fhaidhle a-mach. Thèid obraichean fada a dhèanamh le bhith a' ceangal iarrtasan còmhla, chan ann le bhith ag àrdachadh mullach an toraidh.
A bheil taic aig DeepSeek V4 Pro do ghairm-inneal agus toradh sgeama JSON?
Tha, an dà chuid. Tha taic aig gairm-inneal dùthchasach, toradh structarach teann json_schema, agus response_format, a bharrachd air sruthadh agus paramadair reasoning_effort. Cha ghabh e ri ionchur deilbh; ma dh'fheumas tu lèirsinn air modail gun chaisgireachd, cleachd Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 no inkling na àite.
Dè a chosgas an API DeepSeek gun chaisgireachd?
$1.95 gach millean token a-steach agus $3.90 gach millean token a-mach. Anns an aon loidhne gun chaisgireachd, tha DeepSeek-V4-Flash a' cosg $0.50 a-steach agus $2.00 a-mach airson an aon cho-theacsa 262K, agus tha GLM-5.2 a' cosg $0.73 a-steach agus $2.34 a-mach, agus mar sin 's e V4-Pro an ìre air a bheil thu a' ruighinn nuair a tha an duilgheadas duilich seach mòr.
Gairm DeepSeek V4 Pro gun chaisgireachd
Co-theacsa 262K, spàirn reusanachaidh, gairm-inneal. Dualchainntean OpenAI, Anthropic agus Responses air aon iuchair.
Leugh Sgrìobhainnean an API A h-uile Cairt MhodailShannon Lab LLC · New Mexico, na SA · modailean air am frithealadh air a' chruinneachadh GPU againn fhìn
Tùsan: DeepSeek-AI — Cairt mhodail DeepSeek-V4-Pro · Aithisg theignigeach DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Aithisg theignigeach DeepSeek-V3 · REAP the Experts (Cerebras Research) · Sgrùdadh caisgireachd Promptfoo · Discovering Forbidden Topics in Language Models. Tha na h-àireamhan deuchainn-choimeis air an aithris le DeepSeek-AI airson a' chur-a-mach iomraidh; tha dearbhadh neo-eisimeileach treas-phàrtaidh air an togail teannaichte ri thighinn fhathast. Tha na prìsean nam prìsean liosta aig Shannon AI mar a bha 5 Sultain 2026.